Hybrid genetic algorithms for energy efficient path placement of a 6 DOF robot manipulator

The performance of a manipulator during the execution of a task depends, among other things, on the position of the task inside the robot’s working envelope. When a task can be performed in different locations, depending on the position chosen the solution to the inverse kinematics problem will be different. Thus, by judiciously placing the robot and the given path in the workstation, it is possible to improve its behavior. This project deals with the optimal path placement in order to reduce the overall energy consumption for a 6-dof industrial manipulator. A framework for the visualization of the consumption in the working envelope is proposed and described. Genetic algorithms (GA) are chosen to solve the optimization problem, and the advantages they bring are also described. The proposed approach tries to merge the GA approach with a "brute-force" solution, which is also described. Finally, the goodness of the framework is assessed by comparison of the result with simulations performed with RobotStudioTM.

Le prestazioni di un manipolatore robotico nell’esecuzione di una determinata azione dipendono da diversi fattori. Tra questi vi è la posizione dell’azione da compiere all’interno del campo di lavoro del robot. E’ possibile quindi modificare tale posizione in modo tale da migliorare le prestazioni rispetto a diversi indici. Il seguente lavoro analizza il caso in cui l’obiettivo sia quello di ottimizzare il dispendio energetico di un manipolatore a sei gradi di libertà durante l’esecuzione di un’ azione predefinita. Viene proposto un metodo di risoluzione basato su algoritmi genetici. Gli algoritmi genetici furono introdotti da John Holland durante gli anni sessanta. Sono algoritmi euristici ispirati al principio di selezione naturale ed evoluzione biologica teorizzato nel 1859 da Charles Darwin. La scelta di tale approccio è motivata dal fatto che la ricerca dell’ottimo è spesso lagata ad uno spazio delle soluzioni multi dimensionale. Questi algoritmi rivelano la loro efficienza proprio in queste situazioni, dove lo spazio delle soluzioni non si presta ad una ricerca estensiva, o "brute force". Allo scopo di valutarne la validità, tale metodo verrà prima introdotto e poi confrontato con altri metodi di risoluzione. Tali metodi vengono dapprima descritti nel Capitolo 4, per poi essere valutati in termini di risultati nel Capitolo 5. Nelle conclusioni, il metodo ibrido basato su algoritmi genetici viene giudicato meglio performante e discusso ulteriormente. In particolare, il metodo risulta più efficace nel fornire una visualizzazione completa del consumo di energia del robot nel volume di lavoro ed al tempo stesso trovare la zona di convergenza intorno al minimo globale. La ragione risiede in parte nella scelta di utilizzare come popolazione iniziale una di tipo deterministico, e non randomica come descritto nella teoria classica dell’algoritmo (da qui il nome ibrido). La soluzione trovata verrà visualizzata tramite un software implementato dagli autori. Infine, allo scopo di valutare la qualità del lavoro svolto, i risultati ottenuti verranno confrontati con quelli ricavati tramite RobotStudioTM.