عنوان

شبیه‌سازی و کنترل بازوی انسان برمبنای مکانیزم‌های کنترل سیستم عصبی مرکزی,‮‭Simulation and control human arm based on Central nervous system mechanisms‬

Number

‭۲۱۸۰۹پ‬

.Language of Text, Soundtrack etc

per

Title Proper

شبیه‌سازی و کنترل بازوی انسان برمبنای مکانیزم‌های کنترل سیستم عصبی مرکزی

Parallel Title Proper

‮‭Simulation and control human arm based on Central nervous system mechanisms‬

First Statement of Responsibility

/حامد مرادی حسینی

Name of Publisher, Distributor, etc.

: فناوری های نوین

Date of Publication, Distribution, etc.

، ‮‭۱۳۹۸‬

Name of Manufacturer

، افشاری

Specific Material Designation and Extent of Item

‮‭۷۱‬ص‬

Text of Note

چاپی - الکترونیکی

Dissertation or thesis details and type of degree

کارشناسی ارشد

Discipline of degree

مهندسی فوتونیک - نانو فوتونیک

Date of degree

‮‭۱۳۹۸/۰۵/۰۶‬

Body granting the degree

تبریز

Text of Note

یکی از چالش‌صهای مهم در رباتیک کنترل ربات‌صهای افزونه است .وجود افزونگی سینماتیکی در ربات حین انجام وظیفه دینامیک فضای پوچ را به وجود می‌صآورد که باعث ناپایداری ربات می‌صگردد .یکی از ابزارهای طبیعی قدرتمند دست و بازوی انسان است که در عین افزونگی با مهارت وظایف خود را انجام می‌صدهد .هدف ما نیز در این پایان‌صنامه تقلید از عملکرد سیستم عصبی مرکزی برای هدایت و کنترل این سیستم‌صهای پیچیده است .یادگیری به عنوان یک ویژگی برجسته در سیستم کنترل حرکات انسان مورد توجه قرار گرفته و مکانیزم‌صهای مختلف یادگیری در انسان مشخص می‌صگردد .یادگیری مدل مبنا به عنوان مکانیزمی که در یادگیری انسان مشاهده می‌صشود انتخاب شده و با تقلید از عملکرد آن مدلی شبیه سازی شده و از طریق آن ربات وظیفه موردنظر را یاد می‌صگیرد .در واقع با استفاده از این الگوریتم یادگیری نیاز به محاسبات دینامیک و ژاکوبین ربات وجود ندارد و خطای ناشی از این محاسبات نیز در سیستم کنترل وجود نخواهد داشت .به منظور پیش‌صبینی رفتار ربات از یک رگرسیون فرآیند گوسی استفاده می‌صشود .ساختار کنترل کننده یا سیاست در نظر گرفته شده شبکه توابع شعاعی پایه است .در هر مرحله با استفاده از اطلاعات دریافتی از سنسورها مدل فرآیند گوسی کامل‌صتر شده و پیش بینی دقیق‌صتر می‌صگردد .کنترل کننده نیز براساس پیش‌صبینی مدل فرآیند گوسی و اهداف تعیین شده برای ربات عمل مناسب را یاد می-گیرد .سیستم در نظر گرفته شده برای ربات یک بازوی سه درجه آزادی صفحه‌صای است .هدف ربات رساندن مجری نهایی به یک نقطه مشخص شده در فضای کاری است .برای حل مشکل افزونگی فرض کرده‌صایم که پیکربندی مناسب در فضای مفصلی برای ربات مشخص شده است .ربات در طی یازده تکرار عمل مناسب را فراگرفته است .تعداد پایین تعامل ربات با محیط برای یادگیری وظیفه باعث کاهش انرژی مصرفی ربات در مقایسه با سایر ورش-های یادگیری می‌صشود .در مقایسه با روش‌صهای یادگیری بدون نیاز به مدل که تعداد تکرار بسیار زیادی را طلب می-کنند روش‌صهای مدل مبنا برای یادگیری حرکتی عملی‌صتر است .همچنین مدت زمان تعامل ربات با محیط شصت ثانیه بدست آمد

Text of Note

One of the major challenges in robotics is the control of plug-in robots. The presence of kinematic redundancy in the robot while performing the dynamic task of the null space creates the instability of the robot. One of the most powerful natural tools is the human hand and arm, which performs its tasks with redundancy. Our goal in this dissertation is to imitate the function of the central nervous system to direct and control these complex systems. Learning is considered as a prominent feature of the human movement control system and different mechanisms of learning in humans are identified. Baseline model learning is chosen as the mechanism that is observed in human learning and is simulated by simulating its performance and the robot learns the task at hand. In fact, using this learning algorithm there is no need for dynamic computing and robotic jacobin and there will be no error in these computations in control system. A Gaussian process regression is used to predict the behavior of the robot. The control structure or policy intended for the network is the basic radial functions. At each stage, the Gaussian process model is refined and predicted more accurately using the information received from the sensors. The controller also learns appropriate action based on the prediction of the Gaussian process model and the goals set for the robot. The system intended for the robot is a three-degree plate release arm. The robot's goal is to get the end-user to a specified point in the workspace. To solve the redundancy problem, we assume that the appropriate configuration is specified in the articular space for the robot. The robot has learned the proper action during eleven iterations. The low number of robot interaction with the environment for task learning reduces the energy consumption of the robot compared to other learning outcomes. Compared to non-model-based learning methods that require a large number of iterations, baseline modeling methods are more practical for motor learning. The robot also interacted with the environment for 60 seconds

Parallel Title

‮‭Simulation and control human arm based on Central nervous system mechanisms‬

مرادی حسینی، حامد

moradi hosseini, Hamed

ذاکری منیژه، استادراهنما

سرباز، یاشار، استادراهنما

Public note

سیاه و سفید

نمایه‌سازی قبلی