Neural Networks for Force Control of an Assembly Robot

Abstract

The performing of robotized assembly tasks implies hard constraints like the knowledge of robot dynamics and robot-environment interaction. So classical form control laws lead to low performances. The aim of this paper is to show the ability of neural techniques for learning control under real world conditions of unknown nonlinear systems. In our control strategy neural networks are used for the identification and control of an assembly parallel robot performing a peg-in-hole insertion. Such a system is strongly non linear. In this paper, we propose a new approach of hybrid force position control based on feedforward neural networks. The proposed structure does not need any mathematical modelling of system dynamics. Experimental results show that identification and control schemes suggested in this paper are practically feasible. La réalisation de tâches d'assemblage robotisées implique des contraintes séverès telles que la connaissance de la dynamique du robot et de son interaction avec l'environnement, de sorte que les lois de contrôle classique conduisent à des performances insuffisantes. L'objectif de cet article est de montrer les capacites des techniques neuronales dans la commande des systèmes non linéaires dont les modèles ne sont pas connus. Notre stratégie de commande est basée sur l'utilisation des réseaux de neurones pour l'identification et la commande d'un robot parallèle d'assemblage qui effectue une tâche d'insertion d'une pige dans un alésage. Ce processus est fortement non linéaire. Cet article présente une nouvelle approche à base de réseaux de neurones du controle hybride force position. La structure qui est proposée ne nécessite pas de formulation mathématique de la dynamique du systéme. Les résultats expérimentaux montrent que la structure de commande et d'identification proposée conduit à des résultats prometteurs.