Deep learning: uma abordagem baseada em redes neurais profundas para estimativa da cinemática inversa aplicada na robótica

Abstract

A modelagem cinemática de manipuladores robóticos tem recebido grande atenção devido à necessidade crescente de soluções eficientes para posicionamento e orientação precisos. Nesse contexto, este trabalho realiza uma Revisão Sistemática da Literatura com o objetivo de identificar e analisar arquiteturas de redes neurais artificiais aplicadas à solução da cinemática inversa de manipuladores robóticos, bem como aplica aprendizado de máquina supervisionado para estimar a cinemática inversa aproximada do manipulador ABB IRB120. Enquanto a cinemática direta pode ser resolvida de forma relativamente simples por métodos clássicos, como a parametrização de Denavit–Hartenberg, a cinemática inversa permanece um problema significativamente mais complexo, especialmente em manipuladores com múltiplos graus de liberdade ou redundância estrutural. Para a etapa experimental, foi utilizado um conjunto de dados sintético gerado via cinemática direta a partir da amostragem aleatória das variáveis articulares. Uma Rede Neural Profunda (DNN) foi treinada para regressão multivariada, recebendo como entrada a pose cartesiana completa do efetuador (posição e orientação em quatérnions) e produzindo como saída os ângulos articulares correspondentes. As métricas Erro Absoluto Médio (MAE) e Raiz do Erro Quadrático Médio (RMSE) foram empregadas para avaliar o desempenho após a desnormalização das saídas. Os resultados mostraram que o uso irrestrito de todo o espaço articular, especialmente das juntas do punho esférico, gera um mapeamento não unívoco que inviabiliza o aprendizado. A restrição da junta q6 eliminou a principal redundância associada ao wrist twist, permitindo que a rede aprenda um mapeamento consistente, reduzindo significativamente os erros angulares. Assim, demonstra-se que abordagens baseadas em aprendizado profundo podem atuar como estimadores aproximados de cinemática inversa, desde que o espaço articular seja tratado de forma a garantir unicidade do mapeamento, mostrando potencial para aplicações em planejamento de movimento, controle e inicialização de métodos numéricos de refinamento.

Kinematic modeling of robotic manipulators has received significant attention due to the growing need for efficient solutions for precise positioning and orientation. In this context, this work conducts a Systematic Literature Review aimed at identifying and analyzing artificial neural network architectures applied to solving the inverse kinematics of robotic manipulators, as well as applying supervised machine learning to estimate the approximate inverse kinematics of the ABB IRB120 manipulator. While forward kinematics can be solved relatively easily using classical methods such as Denavit–Hartenberg parameterization, inverse kinematics remains a considerably more complex problem, especially for manipulators with multiple degrees of freedom or structural redundancy. For the experimental stage, a synthetic dataset was generated via forward kinematics based on random sampling of joint variables. A Deep Neural Network (DNN) was trained for multivariate regression, taking as input the full Cartesian pose of the end-effector (position and orientation in quaternions) and producing the corresponding joint angles as output. The Mean Absolute Error (MAE) and Root Mean Squared Error (RMSE) metrics were used to evaluate performance after output denormalization. The results showed that unrestricted use of the entire joint space, particularly the spherical wrist joints, leads to a non-unique mapping that hinders learning. Constraining joint q6 eliminated the main redundancy associated with wrist twist, allowing the network to learn a consistent mapping and significantly reducing angular errors. Thus, it is demonstrated that deep learning-based approaches can act as approximate estimators of inverse kinematics, provided that the joint space is handled in a way that ensures mapping uniqueness, showing potential for applications in motion planning, control, and initialization of numerical refinement methods.