Une équipe de recherche du Ningbo Institute of Materials Technology and Engineering (NIMTE), relevant de l’Académie Chinoise des Sciences, a mis au point une nouvelle méthode visant à améliorer l’efficacité de la modélisation dynamique des robots industriels. Ce travail révolutionnaire aborde des problèmes de longue date liés à la calculation du couple en temps réel, rendant ainsi les systèmes robotiques plus agiles et réactifs. Les résultats de cette recherche apportent une solution innovante aux limitations des modèles dynamiques traditionnels, permettant d’optimiser les interactions entre les robots et leur environnement.
Une équipe de recherche du Ningbo Institute of Materials Technology and Engineering (NIMTE) de l’Académie Chinoise des Sciences a récemment développé une méthode innovante pour optimiser la modélisation dynamique des robots industriels. Cette avancée vise à résoudre des problèmes de longue date liés au calcul du couple en temps réel, en améliorant l’efficacité des modèles dynamiques traditionnellement utilisés.
Les défis des modèles dynamiques traditionnels
Les robots industriels s’appuient sur des modèles dynamiques dits linéaires en paramètres (LIP) pour effectuer des tâches cruciales telles que le calcul des couples et l’identification en ligne des paramètres dynamiques. Ceux-ci sont essentiels pour le contrôle adaptatif et les interactions entre le robot et son environnement. Cependant, ces modèles présentent souvent des termes redondants dans les polynômes multivariés (MVP), ce qui entrave la rapidité de calcul et limite leur utilisation en temps réel.
Une nouvelle approche avec le modèle LI-MVP
Pour surmonter ces limitations, les chercheurs ont proposé un nouveau modèle dynamique appelé modèle linéaire en polynômes multivariés (LI-MVP). Ce cadre novateur encode les coefficients et les degrés des polynômes dans une matrice numérique, ce qui rationalise le processus de modélisation dynamique et booste son efficacité.
Une innovation clé : remplacement du produit de Kronecker
Un des principaux apports de cette recherche réside dans le remplacement de l’encombrant produit symbolique de Kronecker par une opération binaire définie dans le cadre d’un monode. Cette substitution permet d’accélérer la dérivation du modèle LI-MVP dans un espace codé, ce qui renforce considérablement la vitesse de calcul nécessaire pour le couplage en temps réel.
Résultats et implications
Selon le professeur Chen Silu, auteur principal de l’étude, « notre méthode simplifie la dérivation de modèles et accélère le calcul en temps réel des couples en éliminant simultanément les MVP et les paramètres redondants ». Le modèle LIP final, une fois restauré avec les MVP décodés sous forme de Horner, réduit le nombre de multiplications nécessaires au calcul des couples.
Une analyse quantitative a confirmé que cette méthode innovante est plus efficace que les approches existantes en matière de dérivation de modèles. Elle démontre également un potentiel fort pour le contrôle basé sur des modèles en temps réel des robots industriels, suggérant des améliorations significatives dans l’agilité et la réactivité des systèmes robotiques.
Pour en savoir plus
Cette avancée s’inscrit dans un contexte de recherche continu pour renforcer les capacités des robots industriels. D’autres travaux liés à l’automatisation et à l’intelligence artificielle promettent également de transformer des domaines divers, tels que la conception de rayons biohybrides pour leur efficacité en natation, que l’on peut découvrir ici : lire plus.
Pour des informations sur l’utilisation des ombres pour modéliser des scènes en 3D, y compris les objets bloqués de la vue, consulter cet article : découvrez ici.
De plus, la compréhension des réseaux neuronaux et de l’apprentissage automatique continue de progresser, comme le souligne ce prix Nobel récemment attribué : en savoir plus sur ces avancées.
La scène de la robotique industrielle évolue rapidement, et ces découvertes récentes ouvrent la porte à de nouvelles possibilités et améliorations qui pourraient transformer l’industrie à l’avenir.
EN BREF
|
