Video Experimental Relacionado
Updated: Feb 12, 2026

Closed-loop Neuro-robotic Experiments to Test Computational Properties of Neuronal Networks
Published on: March 2, 2015
Un sistema de castigo basado en redes neuronales de aceleración sin deriva de nivel de articulación para resolver el
Zhijun Zhang1, Xitong Gao1, Jinjia Guo1
1South China University of Technology, Guangzhou, Guangdong, China.
Un nuevo esquema de red neuronal de castigo evita que los brazos robóticos se desvíen y excedan los límites. Este método asegura que los robots regresen a sus posiciones iniciales con precisión y seguridad.
Área de la Ciencia:
- Robótica y Robótica Robótica y Robótica Robótica Robótica Robótica Robótica Robótica Robótica
- Sistemas de control de los sistemas de control.
- La inteligencia artificial es inteligencia artificial.
Sus antecedentes:
- El movimiento repetitivo en manipuladores robóticos redundantes puede conducir a la deriva articular y exceder los límites físicos.
- Las restricciones de articulaciones fijas tradicionales carecen de adaptabilidad y margen para una operación segura.
- Asegurar que los robots vuelvan a sus posturas iniciales es crucial para muchas aplicaciones.
Objetivo del estudio:
- Desarrollar un esquema novedoso para el control sin deriva de la articulación a nivel de aceleración de los manipuladores robóticos redundantes.
- Introducir restricciones variables en el tiempo para evitar que los estados conjuntos excedan los límites físicos.
- Para garantizar que los manipuladores redundantes vuelvan periódicamente a sus posiciones iniciales.
Principales métodos:
- Se diseñó un esquema de castigo sin deriva conjunta (PNN-ALJDF) basado en redes neuronales de aceleración a nivel de aceleración.
- Se incorporó una nueva restricción de aceleración conjunta variable en el tiempo.
- Se desarrolló un criterio conjunto sin deriva y se formuló en un esquema sin deriva conjunta a nivel de aceleración (ALJDF) utilizando programación cuadrática variable en el tiempo.
- El esquema ALJDF se resolvió utilizando la red neuronal de castigo diseñada.
Principales resultados:
- El esquema PNN-ALJDF evitó efectivamente la deriva de las articulaciones en las simulaciones.
- Todos los estados unidos se mantuvieron dentro de las limitaciones de aceleración variable en el tiempo definidas.
- La propuesta PNN-ALJDF demostró una mayor precisión de la solución en comparación con una red neuronal primal-dual basada en desigualdades de variación lineal.
Conclusiones:
- El esquema PNN-ALJDF aborda con éxito el problema del movimiento repetitivo en los manipuladores robóticos redundantes.
- El uso de restricciones que varían en el tiempo y un criterio conjunto sin deriva garantiza una operación segura y precisa del robot.
- El método propuesto ofrece una mayor precisión y robustez en comparación con los enfoques existentes.
Más Videos Relacionados
Videos de Conceptos Relacionados
Second Law: Motion under Same Acceleration
Method of Joints: Problem Solving I
Method of Joints: Problem Solving II
Relative Motion Analysis - Acceleration
Equation of Motion: General Plane motion - Problem Solving
The friction between the roller and the ground is characterized by two coefficients. The static friction coefficient is 0.15, while the kinetic friction coefficient is 0.1. These values are crucial in understanding the interaction between...
Punishment
Punishment can be positive or negative. Positive punishment involves adding an undesirable stimulus, such as scolding, to decrease a behavior. Negative punishment involves removing a desirable stimulus, such as taking away a favorite toy, to decrease behavior....

