Detecção de escorregamento em tempo real para controle de uma garra robótica, utilizando Machine Learning

Detalhes bibliográficos
Autor(a) principal: Tavares, Alexandre Henrique Pereira
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