Dans de nombreuses applications en robotique, déterminer la position de l’extrémité d’un robot est relativement simple lorsque l’on connaît les paramètres associés aux différents degrés de liberté de la chaîne ouverte étudiée. En revanche, le modèle inverse, qui consiste à déterminer les valeurs à imposer à chaque degré de liberté pour obtenir une position de sortie souhaitée, peut être beaucoup plus complexe à établir.
L’utilisation d’une méthode d’apprentissage par réseau de neurones pour approximer ce modèle inverse constitue alors une application intéressante : elle permet de piloter le robot en imposant directement sa position de sortie, sans avoir à établir explicitement les équations parfois complexes associées.
Dans une première partie, on crée et entraîne le réseau de neurones du modèle inverse sur un grand nombre de données aléatoires en utilisant le modèle direct pour avoir une base de données des angles (Teta 10, Teta 20) et des positions cartésiennes associées (x,y). Il est alors possible d’obtenir les positions angulaires des articulations à partir des coordonnées cartésiennes cibles sans calculer de modèle inverse compliqué et utilisant ce réseau.
Dans une deuxième partie, on étudie l’erreur commise par le réseau entre la position souhaitée (x,y) et la position prédite (xpred,ypred). Pour cela, on réalise la procédure suivante : Pour une grande quantité de points de coordonnées cibles (x,y) répartis sur une grille
- Déterminer la prédiction (Teta 10, Teta 20) par le réseau de neurone ayant appris le modèle inverse
- Recalculer les coordonnées par le modèle direct (xpred,ypred)
- Déterminer la distance euclidienne entre (x,y) et (xpred,ypred), erreur commise par la prédiction
On crée finalement une cartographie de l’erreur commise par le réseau sur la zone de travail.
Consultez mon nouveau TD 10 dédié à cette application ici.
Par la suite, deux autres TD décrits dans l’article en lien plus bas permettent de créer une cartographie par classification. On utilise les méthodes knn et réseau de neurones pour identifier une zone où la précision répond à un cahier des charges, par exemple: Dans quelle zone est-il possible de réaliser une trajectoire circulaire avec une précision de 1 cm ? Réponse ? Dans la zone rouge !
Bonne lecture !
