Aprendizaje de la cinemática de un brazo robótico para la simulación del movimiento mediante técnicas de Machine Learning

Abstract

La investigación tuvo como objetivo desarrollar un simulador del movimiento de la cinemática de un brazo robótico de 3 grados de libertad (3GDL) aplicando técnicas de Machine Learning; con el fin de determinar cuál es la mejor configuración, se realizaron pruebas en dos conjuntos de datos, estos se clasificaron en tabulares, es decir, tablas que contienen las coordenadas del movimiento del brazo robótico de 3 GDL y videos e imágenes (frames) del movimiento del brazo robótico generado por simulación. Los datos tabulares contienen las coordenadas en las que el brazo robótico genero la cinemática realizando trazos en el espacio, formando letras del abecedario (A-Z) 26 letras en mayúsculas, omitiendo la letra Ñ, de los cuales se generaron tablas que fueron acopladas para formar un solo conjunto (datos tabulares), con el cual se probó la eficiencia del tratamiento de los datos por medio de algunos algoritmos de Machine Learning, como lo son Soporte de Vectores (SVM), Redes Neuronales Artificiales (ANN), Arboles de Decisión (DT), y Bosques Aleatorios (RF), con los cuales, se puedo determinar la eficiencia del aprendizaje mediante la función de perdida. Los datos no tabulares contienen los videos e imágenes de la simulación del brazo robótico, este conjunto de datos está conformado por 26 videos, cuyas características fueron extraídas (ancho alto y canales) y se realiza el preprocesamiento donde se divide el conjunto de datos en conjuntos de entrenamiento (80%) y validación (20%), una vez se procesan estos datos mediante un modelo de red Neuronal Convolutional LSTM utilizando keras, y compilado, por último aplica la función de perdida, con el fin de determinar qué tan bien está funcionando el modelo en el conjunto de validación, un valor cercano a 0 indica un mejor rendimiento. Se finalizó realizando una comparación entre los datos generados por la función de perdida para ambos conjuntos, identificando así que el mejor modelo fue entrenado con el dataset de videos e imágenes.