Detecção de escorregamento em tempo real para controle de uma garra robótica, utilizando Machine Learning
Autor(a) principal: | |
---|---|
Data de Publicação: | 2020 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFU |
Texto Completo: | https://repositorio.ufu.br/handle/123456789/28964 http://doi.org/10.14393/ufu.di.2020.231 |
Resumo: | O manuseio e preensão de objetos de forma correta depende do controle preciso da força aplicada, juntamente com a detecção de escorregamento do objeto a ser segurado. A implementação de sensoriamento tátil para a detecção de escorregamento no controle da força de preensão pode reduzir os custos na manipulação de objetos na indústria e trazer mais segurança para aqueles que operam junto a estas máquinas. Assim, foi desenvolvido um sistema de preensão de objetos que atua em apenas uma direção, recebe os sinais de dois sensores de pressão e um sensor acústico, e tem como atuador um motor de passo, que controla a força de preensão exercida no objeto. O sistema desenvolvido teve seu princípio de funcionamento baseado na detecção, em tempo real, de escorregamento na superfície de contato do objeto, por meio da análise do sinal do sensor acústico, posicionado na superfície, além da detecção da força de preensão. Um algoritmo de treinamento supervisionado foi usado como classificador e desempenhou a função de detectar a presença de escorregamento na superfície do dispositivo. Assim, o sistema de controle da força de preensão sobre o objeto a ser segurado é baseado na resposta do classificador frente à presença de escorregamento. Sua resposta, caso positiva, implica um ganho incremental fixo da força exercida durante a preensão. Ao final, é analisada a performance do sistema online de controle da preensão para diferentes objetos e observa-se que o sistema é capaz de manter a preensão estável para objetos com maior massa e rigidez elevada. |
id |
UFU_05ac3e2e704e8e2cdd650b08c6fe5e70 |
---|---|
oai_identifier_str |
oai:repositorio.ufu.br:123456789/28964 |
network_acronym_str |
UFU |
network_name_str |
Repositório Institucional da UFU |
repository_id_str |
|
spelling |
2020-03-12T11:54:55Z2020-03-12T11:54:55Z2020-02-17TAVARES, Alexandre Henrique Pereira. Detecção de escorregamento em tempo real para controle de uma garra robótica, utilizando Machine Learning. 2020. 75 f. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Federal de Uberlândia, Uberlândia, 2020. Disponível em: http://doi.org/10.14393/ufu.di.2020.231.https://repositorio.ufu.br/handle/123456789/28964http://doi.org/10.14393/ufu.di.2020.231O manuseio e preensão de objetos de forma correta depende do controle preciso da força aplicada, juntamente com a detecção de escorregamento do objeto a ser segurado. A implementação de sensoriamento tátil para a detecção de escorregamento no controle da força de preensão pode reduzir os custos na manipulação de objetos na indústria e trazer mais segurança para aqueles que operam junto a estas máquinas. Assim, foi desenvolvido um sistema de preensão de objetos que atua em apenas uma direção, recebe os sinais de dois sensores de pressão e um sensor acústico, e tem como atuador um motor de passo, que controla a força de preensão exercida no objeto. O sistema desenvolvido teve seu princípio de funcionamento baseado na detecção, em tempo real, de escorregamento na superfície de contato do objeto, por meio da análise do sinal do sensor acústico, posicionado na superfície, além da detecção da força de preensão. Um algoritmo de treinamento supervisionado foi usado como classificador e desempenhou a função de detectar a presença de escorregamento na superfície do dispositivo. Assim, o sistema de controle da força de preensão sobre o objeto a ser segurado é baseado na resposta do classificador frente à presença de escorregamento. Sua resposta, caso positiva, implica um ganho incremental fixo da força exercida durante a preensão. Ao final, é analisada a performance do sistema online de controle da preensão para diferentes objetos e observa-se que o sistema é capaz de manter a preensão estável para objetos com maior massa e rigidez elevada.The correct handling and gripping of objects depend on the precise control of the applied force, together with the slip detection of the object to be held. The implementation of tactile sensing for slip detection in the control of the gripping force can reduce the costs of handling objects in the industry and bring more safety to those who operate with these machines. Thus, an object gripping system was developed that acts in only one direction, it receives signals from two pressure sensors and an acoustic sensor, and it has a stepper motor that controls the gripping force exerted on the object. The developed system has its operating principle based on the slip detection, in real-time, on the contact surface of the object, through the analysis of the signal from the acoustic sensor, positioned on the surface, in addition to the detection of the grip strength. A supervised learning algorithm was used as a classifier and performed the function of detecting the presence of slipping on the device’s surface. Thus, the control system of the grip strength on the object to be held is based on the classifier’s response to the presence of slipping. Its answer, if positive, implies a fixed incremental gain in the force exerted during the grip. In the end, the performance of the online grip control system is analyzed for different objects and it is observed that the system can maintain the grip stable for objects with greater mass and high rigidity.CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível SuperiorDissertação (Mestrado)porUniversidade Federal de UberlândiaPrograma de Pós-graduação em Engenharia ElétricaBrasilhttp://creativecommons.org/licenses/by-nc-nd/3.0/us/info:eu-repo/semantics/openAccessCNPQ::ENGENHARIAS::ENGENHARIA ELETRICAControle da força de preensãoGrip force controlDetecção de escorregamentoSlip detectionAprendizado de máquinaMachine learningDetecção de escorregamento em tempo real para controle de uma garra robótica, utilizando Machine LearningReal-time slip detection to control a robotic grasp, using Machine Learninginfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisMorais, Aniel Silva dehttp://lattes.cnpq.br/8844251698422960Oliveira, Sérgio Ricardo de Jesushttp://lattes.cnpq.br/1434903162665776Morais, Josue Silva dehttp://lattes.cnpq.br/2007658962904545Fontoura, Kleber Lopeshttp://lattes.cnpq.br/9157723208485584http://lattes.cnpq.br/6709928763784288Tavares, Alexandre Henrique Pereira7589da9dcf-8a13-4319-a675-f62872bc0411reponame:Repositório Institucional da UFUinstname:Universidade Federal de Uberlândia (UFU)instacron:UFUTEXTDeteccaoEscorregamentoTempo.pdf.txtDeteccaoEscorregamentoTempo.pdf.txtExtracted texttext/plain122474https://repositorio.ufu.br/bitstream/123456789/28964/7/DeteccaoEscorregamentoTempo.pdf.txt74d39e349bfff71c4fc8b9eae35e27f1MD57THUMBNAILDeteccaoEscorregamentoTempo.pdf.jpgDeteccaoEscorregamentoTempo.pdf.jpgGenerated Thumbnailimage/jpeg1372https://repositorio.ufu.br/bitstream/123456789/28964/8/DeteccaoEscorregamentoTempo.pdf.jpg3dbf8354fe829ef9d336b0c3f597a5a0MD58ORIGINALDeteccaoEscorregamentoTempo.pdfDeteccaoEscorregamentoTempo.pdfDissertaçãoapplication/pdf18646679https://repositorio.ufu.br/bitstream/123456789/28964/4/DeteccaoEscorregamentoTempo.pdff0e5d4276c013ed503242d6950e6aa5aMD54LICENSElicense.txtlicense.txttext/plain; charset=utf-81792https://repositorio.ufu.br/bitstream/123456789/28964/6/license.txt48ded82ce41b8d2426af12aed6b3cbf3MD56CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811https://repositorio.ufu.br/bitstream/123456789/28964/5/license_rdf9868ccc48a14c8d591352b6eaf7f6239MD55123456789/289642021-09-23 14:58:28.707oai:repositorio.ufu.br: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Repositório InstitucionalONGhttp://repositorio.ufu.br/oai/requestdiinf@dirbi.ufu.bropendoar:2021-09-23T17:58:28Repositório Institucional da UFU - Universidade Federal de Uberlândia (UFU)false |
dc.title.pt_BR.fl_str_mv |
Detecção de escorregamento em tempo real para controle de uma garra robótica, utilizando Machine Learning |
dc.title.alternative.pt_BR.fl_str_mv |
Real-time slip detection to control a robotic grasp, using Machine Learning |
title |
Detecção de escorregamento em tempo real para controle de uma garra robótica, utilizando Machine Learning |
spellingShingle |
Detecção de escorregamento em tempo real para controle de uma garra robótica, utilizando Machine Learning Tavares, Alexandre Henrique Pereira CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA Controle da força de preensão Grip force control Detecção de escorregamento Slip detection Aprendizado de máquina Machine learning |
title_short |
Detecção de escorregamento em tempo real para controle de uma garra robótica, utilizando Machine Learning |
title_full |
Detecção de escorregamento em tempo real para controle de uma garra robótica, utilizando Machine Learning |
title_fullStr |
Detecção de escorregamento em tempo real para controle de uma garra robótica, utilizando Machine Learning |
title_full_unstemmed |
Detecção de escorregamento em tempo real para controle de uma garra robótica, utilizando Machine Learning |
title_sort |
Detecção de escorregamento em tempo real para controle de uma garra robótica, utilizando Machine Learning |
author |
Tavares, Alexandre Henrique Pereira |
author_facet |
Tavares, Alexandre Henrique Pereira |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Morais, Aniel Silva de |
dc.contributor.advisor1Lattes.fl_str_mv |
http://lattes.cnpq.br/8844251698422960 |
dc.contributor.referee1.fl_str_mv |
Oliveira, Sérgio Ricardo de Jesus |
dc.contributor.referee1Lattes.fl_str_mv |
http://lattes.cnpq.br/1434903162665776 |
dc.contributor.referee2.fl_str_mv |
Morais, Josue Silva de |
dc.contributor.referee2Lattes.fl_str_mv |
http://lattes.cnpq.br/2007658962904545 |
dc.contributor.referee3.fl_str_mv |
Fontoura, Kleber Lopes |
dc.contributor.referee3Lattes.fl_str_mv |
http://lattes.cnpq.br/9157723208485584 |
dc.contributor.authorLattes.fl_str_mv |
http://lattes.cnpq.br/6709928763784288 |
dc.contributor.author.fl_str_mv |
Tavares, Alexandre Henrique Pereira |
contributor_str_mv |
Morais, Aniel Silva de Oliveira, Sérgio Ricardo de Jesus Morais, Josue Silva de Fontoura, Kleber Lopes |
dc.subject.cnpq.fl_str_mv |
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA |
topic |
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA Controle da força de preensão Grip force control Detecção de escorregamento Slip detection Aprendizado de máquina Machine learning |
dc.subject.por.fl_str_mv |
Controle da força de preensão Grip force control Detecção de escorregamento Slip detection Aprendizado de máquina Machine learning |
description |
O manuseio e preensão de objetos de forma correta depende do controle preciso da força aplicada, juntamente com a detecção de escorregamento do objeto a ser segurado. A implementação de sensoriamento tátil para a detecção de escorregamento no controle da força de preensão pode reduzir os custos na manipulação de objetos na indústria e trazer mais segurança para aqueles que operam junto a estas máquinas. Assim, foi desenvolvido um sistema de preensão de objetos que atua em apenas uma direção, recebe os sinais de dois sensores de pressão e um sensor acústico, e tem como atuador um motor de passo, que controla a força de preensão exercida no objeto. O sistema desenvolvido teve seu princípio de funcionamento baseado na detecção, em tempo real, de escorregamento na superfície de contato do objeto, por meio da análise do sinal do sensor acústico, posicionado na superfície, além da detecção da força de preensão. Um algoritmo de treinamento supervisionado foi usado como classificador e desempenhou a função de detectar a presença de escorregamento na superfície do dispositivo. Assim, o sistema de controle da força de preensão sobre o objeto a ser segurado é baseado na resposta do classificador frente à presença de escorregamento. Sua resposta, caso positiva, implica um ganho incremental fixo da força exercida durante a preensão. Ao final, é analisada a performance do sistema online de controle da preensão para diferentes objetos e observa-se que o sistema é capaz de manter a preensão estável para objetos com maior massa e rigidez elevada. |
publishDate |
2020 |
dc.date.accessioned.fl_str_mv |
2020-03-12T11:54:55Z |
dc.date.available.fl_str_mv |
2020-03-12T11:54:55Z |
dc.date.issued.fl_str_mv |
2020-02-17 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
TAVARES, Alexandre Henrique Pereira. Detecção de escorregamento em tempo real para controle de uma garra robótica, utilizando Machine Learning. 2020. 75 f. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Federal de Uberlândia, Uberlândia, 2020. Disponível em: http://doi.org/10.14393/ufu.di.2020.231. |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufu.br/handle/123456789/28964 |
dc.identifier.doi.pt_BR.fl_str_mv |
http://doi.org/10.14393/ufu.di.2020.231 |
identifier_str_mv |
TAVARES, Alexandre Henrique Pereira. Detecção de escorregamento em tempo real para controle de uma garra robótica, utilizando Machine Learning. 2020. 75 f. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Federal de Uberlândia, Uberlândia, 2020. Disponível em: http://doi.org/10.14393/ufu.di.2020.231. |
url |
https://repositorio.ufu.br/handle/123456789/28964 http://doi.org/10.14393/ufu.di.2020.231 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/3.0/us/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-nd/3.0/us/ |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Uberlândia |
dc.publisher.program.fl_str_mv |
Programa de Pós-graduação em Engenharia Elétrica |
dc.publisher.country.fl_str_mv |
Brasil |
publisher.none.fl_str_mv |
Universidade Federal de Uberlândia |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFU instname:Universidade Federal de Uberlândia (UFU) instacron:UFU |
instname_str |
Universidade Federal de Uberlândia (UFU) |
instacron_str |
UFU |
institution |
UFU |
reponame_str |
Repositório Institucional da UFU |
collection |
Repositório Institucional da UFU |
bitstream.url.fl_str_mv |
https://repositorio.ufu.br/bitstream/123456789/28964/7/DeteccaoEscorregamentoTempo.pdf.txt https://repositorio.ufu.br/bitstream/123456789/28964/8/DeteccaoEscorregamentoTempo.pdf.jpg https://repositorio.ufu.br/bitstream/123456789/28964/4/DeteccaoEscorregamentoTempo.pdf https://repositorio.ufu.br/bitstream/123456789/28964/6/license.txt https://repositorio.ufu.br/bitstream/123456789/28964/5/license_rdf |
bitstream.checksum.fl_str_mv |
74d39e349bfff71c4fc8b9eae35e27f1 3dbf8354fe829ef9d336b0c3f597a5a0 f0e5d4276c013ed503242d6950e6aa5a 48ded82ce41b8d2426af12aed6b3cbf3 9868ccc48a14c8d591352b6eaf7f6239 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFU - Universidade Federal de Uberlândia (UFU) |
repository.mail.fl_str_mv |
diinf@dirbi.ufu.br |
_version_ |
1802110425941147648 |