Identificação de movimentos a partir da intensão de preensão, baseado em Deep Learning, com sinais de EMGs para utilização como IHM em dispositivos robóticos
Autor(a) principal: | |
---|---|
Data de Publicação: | 2018 |
Tipo de documento: | Tese |
Idioma: | por |
Título da fonte: | Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) |
Texto Completo: | https://hdl.handle.net/20.500.12733/1633923 |
Resumo: | Orientadores: João Mauricio Rosario, Oscar Fernando Avilés |
id |
UNICAMP-30_80eb6e912935b9c2fc9fc71eee2a7771 |
---|---|
oai_identifier_str |
oai::1020728 |
network_acronym_str |
UNICAMP-30 |
network_name_str |
Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) |
repository_id_str |
|
spelling |
Identificação de movimentos a partir da intensão de preensão, baseado em Deep Learning, com sinais de EMGs para utilização como IHM em dispositivos robóticosMovement Identification from the intention of grasping, based on deep learning, with signals EMGs for use as HMI in robotic devicesBioengenhariaBiomecânicaRobóticaBioengineeringBiomechanicsRoboticsOrientadores: João Mauricio Rosario, Oscar Fernando AvilésTese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia MecânicaResumo: Esta tese contribui com a parametrização e caracterização dos sinais de eletromiografia de superfície usando a aprendizagem em profundidade (Deep Learning) como técnica avançada no reconhecimento de padrões para reproduzir os movimentos de preensão de uma mão robótica em ambientes industriais através da interação homem-máquina. A análise para reproduzir os movimentos da mão é realizada a partir da interação dos sinais de eletromiografia das ações, que geram uma resposta cognitiva com o objetivo de replica-lo para que o dispositivo robótico possa realizar o movimento de preensão de acordo com o movimento realizado pelo usuário. Nesta tese, parte-se da bancada experimental MUC-1 previamente desenvolvida no Laboratório de Automação Integrada e Robótica (LAIR) da Universidade Estadual de Campinas e acrescentam-se funções que aumentam o escopo e melhoram a exequibilidade dos testes. A técnica de obtenção dos valores experimentais dos dados é baseada na adaptação do sensor MYO armband® por meio dos oito bio-sensores de eletromiografia relacionando a cinemática e dinâmica da mão pela identificação dos músculos do braço correspondente aos métodos de preensão, os quais são aprimorados por médio do método baseado em redes neuronais convolucionais da aprendizagem em profundidade previamente investigado na literatura para o reconhecimento de padrões. Para validação do sistema proposto, foi construído três arquiteturas de redes convolucionais, viabilizando a execução do teste virtual por meio da mão implementada no Simmechanics de Matlab® e no modelo real MUC-1. Por fim, o procedimento experimental resultante é documentado e as etapas prévias de modelagem e filtragem são descritas de acordo com as condições de preensão de objetos de figuras geométricas preestabelecidas que são executadas no dispositivo robótico de forma naturalAbstract: This thesis contributes to the parametrization and characterization of surface electromyography signals using deep learning as an advanced technique in pattern recognition to reproduce the grip movements of a robotic hand in industrial environments through the man-machine interaction. The analysis to reproduce the movements of the hand is made from the interaction of the electromyography signals of the actions, which generate a cognitive response to replicate it so that the robotic device can perform the grip movement, in accordance with the movement made by the user. Some part of this thesis is experimental bench MUC-1 previously developed in the Laboratory of Automation and Robotics (LAIR) at the State University of Campinas and added functions that increase the scope and improve the feasibility of testing. The technique of obtaining the experimental values of the data is based on the adaptation of the MYO armband® sensor through the eight bio-sensors of electromyography relating the kinematics and dynamics of the hand by the identification of the muscles of the arm corresponding to the grasping methods, which are improved by the method based on convolutional neuronal networks of in-depth learning previously research in the literature for the recognition of patterns. For the validation of the proposed system, three convolutional network architectures were built, enabling the virtual test execution through the hand implemented in the Matlab® Simmechanics and in the real MUC-1 model. Finally, the resulting experimental process is documented and the previous stages of modeling and filtering are described according to the prehension conditions of objects of geometric figures that are executed in the robotic device in a natural wayDoutoradoMecatrônicaDoutor em Engenharia Mecânica[s.n.]Rosário, João Maurício, 1959-Aviles Sanchez, Oscar Fernando, 1967-Saramago, Marcos Antonio PortaMelo, Leonimer Flavio deBizarria, Francisco Carlos ParquetSablón, Vicente Idalberto BecerraUniversidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia MecânicaPrograma de Pós-Graduação em Engenharia MecânicaUNIVERSIDADE ESTADUAL DE CAMPINASHernandez Beleño, Ruben Dario, 1986-20182018-04-11T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdf1 recurso online (155 p.) : il., digital, arquivo PDF.https://hdl.handle.net/20.500.12733/1633923HERNANDEZ BELEÑO, Ruben Dario. Identificação de movimentos a partir da intensão de preensão, baseado em Deep Learning, com sinais de EMGs para utilização como IHM em dispositivos robóticos. 2018. 1 recurso online (155 p.) Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Mecânica, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1633923. Acesso em: 3 set. 2024.https://repositorio.unicamp.br/acervo/detalhe/1020728Requisitos do sistema: Software para leitura de arquivo em PDFporreponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)instname:Universidade Estadual de Campinas (UNICAMP)instacron:UNICAMPinfo:eu-repo/semantics/openAccess2023-02-03T17:03:46Zoai::1020728Biblioteca Digital de Teses e DissertaçõesPUBhttp://repositorio.unicamp.br/oai/tese/oai.aspsbubd@unicamp.bropendoar:2023-02-03T17:03:46Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)false |
dc.title.none.fl_str_mv |
Identificação de movimentos a partir da intensão de preensão, baseado em Deep Learning, com sinais de EMGs para utilização como IHM em dispositivos robóticos Movement Identification from the intention of grasping, based on deep learning, with signals EMGs for use as HMI in robotic devices |
title |
Identificação de movimentos a partir da intensão de preensão, baseado em Deep Learning, com sinais de EMGs para utilização como IHM em dispositivos robóticos |
spellingShingle |
Identificação de movimentos a partir da intensão de preensão, baseado em Deep Learning, com sinais de EMGs para utilização como IHM em dispositivos robóticos Hernandez Beleño, Ruben Dario, 1986- Bioengenharia Biomecânica Robótica Bioengineering Biomechanics Robotics |
title_short |
Identificação de movimentos a partir da intensão de preensão, baseado em Deep Learning, com sinais de EMGs para utilização como IHM em dispositivos robóticos |
title_full |
Identificação de movimentos a partir da intensão de preensão, baseado em Deep Learning, com sinais de EMGs para utilização como IHM em dispositivos robóticos |
title_fullStr |
Identificação de movimentos a partir da intensão de preensão, baseado em Deep Learning, com sinais de EMGs para utilização como IHM em dispositivos robóticos |
title_full_unstemmed |
Identificação de movimentos a partir da intensão de preensão, baseado em Deep Learning, com sinais de EMGs para utilização como IHM em dispositivos robóticos |
title_sort |
Identificação de movimentos a partir da intensão de preensão, baseado em Deep Learning, com sinais de EMGs para utilização como IHM em dispositivos robóticos |
author |
Hernandez Beleño, Ruben Dario, 1986- |
author_facet |
Hernandez Beleño, Ruben Dario, 1986- |
author_role |
author |
dc.contributor.none.fl_str_mv |
Rosário, João Maurício, 1959- Aviles Sanchez, Oscar Fernando, 1967- Saramago, Marcos Antonio Porta Melo, Leonimer Flavio de Bizarria, Francisco Carlos Parquet Sablón, Vicente Idalberto Becerra Universidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Mecânica Programa de Pós-Graduação em Engenharia Mecânica UNIVERSIDADE ESTADUAL DE CAMPINAS |
dc.contributor.author.fl_str_mv |
Hernandez Beleño, Ruben Dario, 1986- |
dc.subject.por.fl_str_mv |
Bioengenharia Biomecânica Robótica Bioengineering Biomechanics Robotics |
topic |
Bioengenharia Biomecânica Robótica Bioengineering Biomechanics Robotics |
description |
Orientadores: João Mauricio Rosario, Oscar Fernando Avilés |
publishDate |
2018 |
dc.date.none.fl_str_mv |
2018 2018-04-11T00:00:00Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
format |
doctoralThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://hdl.handle.net/20.500.12733/1633923 HERNANDEZ BELEÑO, Ruben Dario. Identificação de movimentos a partir da intensão de preensão, baseado em Deep Learning, com sinais de EMGs para utilização como IHM em dispositivos robóticos. 2018. 1 recurso online (155 p.) Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Mecânica, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1633923. Acesso em: 3 set. 2024. |
url |
https://hdl.handle.net/20.500.12733/1633923 |
identifier_str_mv |
HERNANDEZ BELEÑO, Ruben Dario. Identificação de movimentos a partir da intensão de preensão, baseado em Deep Learning, com sinais de EMGs para utilização como IHM em dispositivos robóticos. 2018. 1 recurso online (155 p.) Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Mecânica, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1633923. Acesso em: 3 set. 2024. |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.none.fl_str_mv |
https://repositorio.unicamp.br/acervo/detalhe/1020728 Requisitos do sistema: Software para leitura de arquivo em PDF |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf 1 recurso online (155 p.) : il., digital, arquivo PDF. |
dc.publisher.none.fl_str_mv |
[s.n.] |
publisher.none.fl_str_mv |
[s.n.] |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) instname:Universidade Estadual de Campinas (UNICAMP) instacron:UNICAMP |
instname_str |
Universidade Estadual de Campinas (UNICAMP) |
instacron_str |
UNICAMP |
institution |
UNICAMP |
reponame_str |
Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) |
collection |
Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP) |
repository.mail.fl_str_mv |
sbubd@unicamp.br |
_version_ |
1809189127076184064 |