Implementação de um sistema de controle para o robô puma 560 usando uma rede neural auto-organizável

Abstract

Neste trabalho é proposta uma rede neural auto-organizável, chamada rede Competitiva e Hebbiana Temporal (CHT), capaz de aprender e reproduzir seqüências temporais complexas. Tais seqüências possuem elementos repetidos e/ou compartilham elementos com outras seqüências. Em ambos os casos ocorrem incertezas durante a fase de reprodução das seqüências armazenadas, sendo estas resolvidas por meio de informação de contexto. Pesos sinápticos competitivos codificam a parte estática das seqüências, enquanto a ordem temporal é codificada através de conexões laterais. A rede CHT faz uso eficiente de memória, pois armazena apenas uma única cópia de cada elemento repetido/compartilhado. Além disso, redundância no armazenamento dos elementos de uma seqüência a torna tolerante a ruídos e falhas. Foi utilizada uma plataforma de controle distribuído para avaliar a rede CHT no problema de planejamento de trajetórias para controle ponto-a-ponto, em tempo real, do robô PUMA 560. A performance do sistema de controle é comparada com a de outras redes neurais.<br>In this work it is proposed a self-organizing network, called Competitive and Temporal Hebbian (CTH) network, capable of learning and recalling complex temporal sequences. The CTH network handles sequences in which an item occurs many times or is shared with other sequences. In both cases, uncertainties occur during recall, but context information are used to resolve them. Competitive synaptic weights encode the static portion of a sequence, while the temporal order is encoded by lateral weights. The CTH network saves memory space since only a single copy of each repeated/shared sequence item is stored. Furthermore, a redundancy mechanism improves the robustness of the network against noise and faults. A distributed control platform was used to evaluate the CTH network in trajectory planning for real time, point-to-point control of trajectories of a PUMA 560 robot. The proposed system is compared with other neural network based approaches