Cette recherche introduit une nouvelle méthode pour estimer la position du point central de l'outil (TCP) d'un robot à l'aide d'unités de mesure inertielles (IMU), de fusion de capteurs et de réseaux neuronaux artificiels (RNA). L'objectif est de faire une estimation précise de la navigation TCP, en utilisant les signaux d'une IMU comme ressources d'un réseau neuronal capable de prédire la position. Considérant que les capteurs de l'IMU souffrent du bruit dans les mesures et que le bruit progresse au fil du temps, cette proposition utilise une technique qui élimine l'étape de filtrage, et le processus est effectué en interne par le réseau. Le travail utilise une approche non paramétrique pour réinitialiser la référence dynamiquement, minimiser le bruit des capteurs et faire converger le positionnement vers un résultat nominal. Cette méthode offre une solution pour un étalonnage rapide, bon marché et efficace du robot. Le travail ne veut pas remplacer les techniques actuelles mais introduire une nouvelle conception dans la littérature. Le concept ne nécessite pas que des pièces mécaniques sophistiquées et la ligne de production soient inactives pendant le processus d'étalonnage, et les résultats montrent que la technique développée peut prédire avec précision le Position TCP avec des erreurs millimétriques et en temps réel. L'étude a également mis en œuvre le concept avec d'autres réseaux de neurones, pour lesquels elle a utilisé un ensemble de données plus petit afin de réduire le temps d'entraînement. La recherche a utilisé les réseaux Perceptron multicouche et XGBRegressor pour tester l'approche introduite avec d'autres algorithmes. Différentes applications nécessitant un positionnement en temps réel peuvent bénéficier de la proposition.

Esta investigación introduce un nuevo método para estimar la posición del Tool Center Point (TCP) de un robot utilizando Unidades de Medición Inercial (IMU), fusión de sensores y Redes Neuronales Artificiales (Ann). El objetivo es realizar una estimación precisa de la navegación TCP, utilizando las señales de una IMU como recursos de una red neuronal capaz de predecir la posición. Teniendo en cuenta que los sensores de la IMU sufren ruido en las mediciones y el ruido progresa con el tiempo, esta propuesta emplea una técnica que elimina el paso de filtrado. y el proceso se realiza internamente por la red. El trabajo emplea un enfoque no paramétrico para restablecer la referencia dinámicamente, minimizar el ruido de los sensores y converger el posicionamiento a un resultado nominal. Este método ofrece una solución para una calibración de robots rápida, barata y eficiente. El trabajo no quiere reemplazar las técnicas actuales sino introducir un nuevo diseño en la literatura. El concepto no requiere que las piezas mecánicas sofisticadas y la línea de producción estén inactivas durante el proceso de calibración, y los resultados muestran que la técnica desarrollada puede predecir con precisión el Posición TCP con errores milimétricos y en tiempo real. El estudio también implementó el concepto con otras redes neuronales, para lo cual utilizó un conjunto de datos más pequeño en un intento de reducir el tiempo de entrenamiento. La investigación utilizó las redes Multilayer Perceptron y XGBRegressor para probar el enfoque introducido con otros algoritmos. Las diferentes aplicaciones que necesitan posicionamiento en tiempo real pueden beneficiarse de la propuesta.

This research introduces a new method to estimate the position of a robot's Tool Center Point (TCP) using Inertial Measurement Units (IMUs), sensor fusion and Artificial Neural Networks (ANNs).The objective is to make an accurate estimate of TCP navigation, using the signals from an IMU as resources of a neural network capable of predicting the position.Considering that the IMU sensors suffer noise in the measurements and the noise progresses over time, this proposal employs a technique that eliminates the filtering step, and the process is done internally by the network.The work employs a non-parametric approach to reset the reference dynamically, minimize noise from sensors, and converge positioning to a nominal result.This method offers a solution for fast, cheap, and efficient robot calibration.The work does not want to replace current techniques but to introduce a new design to the literature.The concept does not require sophisticated mechanical parts and the production line to be idle during the calibration process, and the results show that the developed technique can accurately predict the TCP position with millimeter errors and in real-time.The study also implemented the concept with other neural networks, for which it used a smaller set of data in an attempt to reduce training time.The research used the Multilayer Perceptron and XGBRegressor networks to test the approach introduced with others algorithms.Different applications that need real-time positioning can benefit from the proposal.

يقدم هذا البحث طريقة جديدة لتقدير موضع نقطة مركز الأدوات (TCP) للروبوت باستخدام وحدات القياس بالقصور الذاتي (IMUs) ودمج المستشعرات والشبكات العصبية الاصطناعية (ANNs). الهدف من هذا الاقتراح هو إجراء تقدير دقيق للتنقل عبر نقطة مركز الأدوات (TCP)، باستخدام الإشارات الصادرة من وحدة إدارة المعلومات (IMU) كموارد لشبكة عصبية قادرة على التنبؤ بالموقف. وبالنظر إلى أن مستشعرات وحدة إدارة المعلومات (IMU) تعاني من الضوضاء في القياسات وتتقدم الضوضاء بمرور الوقت، فإن هذا الاقتراح يستخدم تقنية تقضي على خطوة التصفية، ويتم تنفيذ العملية داخليًا بواسطة الشبكة. يستخدم العمل نهجًا غير حدودي لإعادة تعيين المرجع ديناميكيًا، وتقليل الضوضاء من أجهزة الاستشعار، وتقريب الموضع إلى نتيجة اسمية. تقدم هذه الطريقة حلاً لمعايرة الروبوت السريعة والرخيصة والفعالة. لا يريد العمل استبدال التقنيات الحالية ولكن لتقديم تصميم جديد للأدبيات. لا يتطلب المفهوم أن تكون الأجزاء الميكانيكية المتطورة وخط الإنتاج خاملاً أثناء عملية المعايرة، وتظهر النتائج أن التقنية المطورة يمكن أن تتنبأ بدقة موضع TCP مع أخطاء المليمتر وفي الوقت الفعلي. نفذت الدراسة أيضًا المفهوم مع الشبكات العصبية الأخرى، والتي استخدمت من أجلها مجموعة أصغر من البيانات في محاولة لتقليل وقت التدريب. استخدم البحث شبكات Perceptron و XGBRegressor متعددة الطبقات لاختبار النهج المقدم مع خوارزميات أخرى. يمكن للتطبيقات المختلفة التي تحتاج إلى تحديد المواقع في الوقت الفعلي الاستفادة من الاقتراح.