کیوں PAUL کو اپنی نقل و حرکت کو بہتر بنانے کے لیے بڑے پیمانے پر ڈیٹا سیٹ کی ضرورت ہے۔

لنکس کی میز

خلاصہ اور 1 تعارف

2 متعلقہ کام

2.1 نیومیٹک ایکٹیویشن

2.2 نیومیٹک آرمز

2.3 نرم روبوٹس کا کنٹرول

3 PAUL: ڈیزائن اور مینوفیکچرنگ

3.1 روبوٹ ڈیزائن

3.2 مواد کا انتخاب

3.3 مینوفیکچرنگ

3.4 پرفارمنس بینک

4 ڈیٹا کا حصول اور اوپن لوپ کنٹرول

4.1 ہارڈ ویئر سیٹ اپ

4.2 ویژن کیپچر سسٹم

4.3 ڈیٹا سیٹ جنریشن: ٹیبل پر مبنی ماڈلز

4.4 اوپن لوپ کنٹرول

5 نتائج

5.1 فائنل PAUL ورژن

5.2 ورک اسپیس کا تجزیہ

5.3 ٹیبل پر مبنی ماڈلز کی کارکردگی

5.4 موڑنے کے تجربات

5.5 وزن اٹھانے کے تجربات

6 نتائج

فنڈنگ کی معلومات

A. کئے گئے تجربات اور حوالہ جات

4.3 ڈیٹا سیٹ جنریشن: ٹیبل پر مبنی ماڈلز

روبوٹ کی پیچیدگی کی وجہ سے، ماڈل پر مبنی طریقہ کار، جیسے PCC یا Cosserat Rod Theory پر مبنی طریقہ کار کو مسترد کر دیا گیا۔ اگرچہ FEM کا استعمال ایک ایسا راستہ ہے جسے مستقبل کے کام میں بند نہیں کیا جائے گا، لیکن ہر طبقہ کے لیے تجرباتی طور پر مقرر کیے جانے والے پیرامیٹرز کی بڑی تعداد (ینگز ماڈیولس، جڑتا کا لمحہ ...

نظام کے آؤٹ پٹ کو آخری سرے تک پہنچنے والی پوزیشن اور واقفیت کے طور پر لیا جاتا ہے - اس طرح، اس مرحلے پر، درمیانی حصوں کی تمام پوزیشنوں کو نظر انداز کر دیا جاتا ہے- اور ان پٹ کے طور پر، ہر مثانے کے افراط زر کے اوقات۔ چونکہ روبوٹ کی تعمیر کے وقت کافی پریشر سینسر دستیاب نہیں تھے، اس لیے افراط زر کے وقت کو ان پٹ متغیر کے طور پر لینے کا فیصلہ کیا گیا۔ چونکہ کام کا دباؤ دباؤ کو محدود کرنے والے والو کے ذریعہ محدود ہے اور ہر مثانے میں بہاؤ کی شرح کو مستقل سمجھا جا سکتا ہے، اس لیے وقت ہر گہا میں داخل ہونے والی ہوا کے حجم کے برابر ہے۔

زیر غور تمام کنٹرول آپشنز میں تجرباتی ڈیٹا کی ایک بڑی مقدار کی ضرورت مشترک ہے، جس کی وجہ سے اس ڈیٹا کو جمع کرنے کو منظم کرنے کے لیے تجرباتی ڈیزائن تیار کرنے کی ضرورت ہے۔ چونکہ اس معلومات کی گرفت مختلف مراحل میں کی جاتی ہے اور ڈیٹاسیٹس کو روبوٹ کے رویے کو معروضی انداز میں پیش کرنا ہوتا ہے، اس لیے تجربے کا دوبارہ اطلاق خاص اہمیت کا حامل ہے۔

ڈیٹا سیٹس میں ذخیرہ کردہ ڈیٹا روبوٹ ٹپ کی پوزیشن اور افراط زر کے اوقات کا سیٹ تھا جو اس ترتیب کو حاصل کرتا ہے۔ مذکورہ بالا حد کہ طبقہ کے تین مثانے میں سے صرف دو فلا ہوا ہے بے کاریاں کم کرتا ہے۔ جیسا کہ پہلے کہا گیا ہے، دو سے زیادہ حصے بے کار ہونے کا باعث بنتے ہیں، جس سے یہ ظاہر ہوتا ہے کہ روبوٹ کے الٹا کینیمیٹک ماڈل میں متعدد حل ہو سکتے ہیں۔

ڈیٹا اکٹھا کرنے کے عمل میں کئی ترتیب وار مراحل شامل ہیں۔ ابتدائی طور پر، نمونوں کی ایک مقررہ تعداد کا تعین کیا جاتا ہے۔ ہر نمونے کے لیے، متلاب کمانڈز انفلیشن کے نو اوقات کا بے ترتیب مجموعہ، ہر PAUL والو کے مطابق، ایکٹیویشن بینچ کو بھیجتی ہیں۔ ٹائمز زیادہ سے زیادہ وقت کی حد Tmax سے نیچے پیدا ہوتے ہیں، اور اس بات کو یقینی بناتے ہوئے کہ فی سیگمنٹ میں صرف دو گہاوں کو فلایا جاتا ہے۔ اس کے بعد، روبوٹ کے مثانے بھیجے گئے اوقات کی بنیاد پر پھول جاتے ہیں۔ اس کے بعد، وژن سسٹم کے دو کیمرے روبوٹ کے سرے کی پوزیشن اور سمت کا تعین کرنے کے لیے تصاویر کھینچتے ہیں۔ اس پورے طریقہ کار کو تکرار کی مخصوص تعداد کے لیے دہرایا جاتا ہے، اور مکمل ہونے پر، جمع کردہ ڈیٹا کو ڈیٹاسیٹ میں محفوظ کیا جاتا ہے۔

سوجن کے اوقات کے بارے میں معلومات کو فیصد کے طور پر ذخیرہ کیا جاتا ہے، جس کی قیمت 0 اس طبقہ کی صفر سوجن کے مطابق ہوتی ہے اور 100 Tmax کے مطابق ہوتی ہے، اس ڈیٹا اکٹھا کرنے کے سیشن کے لیے زیادہ سے زیادہ ملی سیکنڈ کی سوجن کی وضاحت کی جاتی ہے۔ یہ قدر Tmax مختلف ڈیٹا سیٹس کا موازنہ کرنے کے قابل ہونے کے لیے، ڈیٹاسیٹ میں، اقدار کے ساتھ، ذخیرہ کی جاتی ہے۔ اس کوڈنگ کی وجہ معلومات کی کمی ہے، ایک ترجیح، اس بات پر کہ PAUL مثانہ زیادہ سے زیادہ کس دباؤ کو سپورٹ کرتا ہے۔ اگرچہ یہ سچ ہے کہ تجرباتی طور پر یہ طے کیا گیا تھا کہ لگاتار 1500 ms سے زیادہ افراط زر کے اوقات پنکچرز کا باعث بنتے ہیں، لیکن بار بار سائیکلوں کے دوران کم وقت لگانے سے بھی لیک پیدا ہوتے ہیں۔ اس بنیاد پر، یہ فیصلہ کیا گیا کہ کبھی بھی والو کو ایک یا کئی قدموں میں 1000 ایم ایس سے زیادہ نہ پھیلائیں۔

ہر مثانے کے افراط زر کے اوقات کے ساتھ ساتھ، چیمبر ریڈنگ کی بنیاد پر، آخری سرے تک پہنچنے والی پوزیشن اور واقفیت کو محفوظ کیا جاتا ہے۔ خاص طور پر، سبز مارکر کی پوزیشن اور trihedron کی واقفیت کو ذخیرہ کیا جاتا ہے. مؤخر الذکر کا اظہار یولر زاویوں میں ہوتا ہے، کیونکہ یہ گردش میٹرکس کے مقابلے میں ذخیرہ کرنے کی ایک بہت موثر شکل ہے۔ اس کے علاوہ، ڈیٹاسیٹ میں جمع کرنے کے عمل سے میٹا ڈیٹا بھی ہوتا ہے جس کے بارے میں خیال کیا جاتا ہے کہ وہ نتائج کو متاثر کرتے ہیں، جیسے نیومیٹک لائن پریشر یا محیطی درجہ حرارت۔

نیومیٹک نظام کے کچھ پہلو توجہ کے مستحق ہیں۔ ابتدائی طور پر، مثانے کی افراط اور تفریط متوازی عمل نہیں ہیں۔ نیومیٹک اجزاء میں ہندسی رکاوٹوں کے نتیجے میں افراط زر کے مقابلے میں کمی کی شرح کم ہوتی ہے۔ نتیجتاً، جب PAUL کو تنزلی کا وقت ملتا ہے، تو یہ اسے تجرباتی طور پر اخذ کردہ عنصر سے ضرب دیتا ہے، 1.2 بار ورکنگ پریشر کے لیے تقریباً 1.45۔ یہ ضرب مثانے کے واحد گروپ کے افراط زر اور افراط زر کے اوقات کے درمیان فرق کی تلافی کرتا ہے، اس بات کو یقینی بناتا ہے کہ افراط زر کا وقت اسی افراط زر کے نقطہ تک پہنچنے کے لیے درکار وقت کے مطابق ہو۔

اسی طرح، اگرچہ جسمانی طور پر ایک ہی وقت میں کئی والوز کو فلانا ممکن ہے، لیکن یہ دکھایا گیا ہے کہ اس متوازی بہاؤ کی تقسیم کا مطلب یہ ہے کہ ہر والو کی مؤثر بھرائیاں ایک جیسی نہیں ہیں جیسے کہ انہیں انفرادی طور پر فلایا گیا ہو۔ اس رجحان کو روکنے کے لیے، ڈیٹا کے حصول کے عمل کے دوران اور اچانک، جب PAUL کو مخصوص پوزیشنوں تک پہنچنے کے لیے کہا گیا تو ہر مثانے کو انفرادی طور پر فلانے کا فیصلہ کیا گیا۔

آخر میں، سلیکون میں ہسٹریسیس مظاہر موجود ہیں جس کی وجہ سے ایک ٹائم ٹی کے لیے فلاٹنگ کے ذریعے پہنچی ہوئی پوزیشن پہلے ایک وقت t1 کے لیے اور پھر ایک وقت t2 = t − t1 کے لیے انفلیٹ کرنے سے پہنچی ہوئی پوزیشن سے مختلف ہوتی ہے۔ اس مسئلے سے نمٹنے کے لیے جو حکمت عملی استعمال کی گئی وہ یہ تھی کہ ڈیٹاسیٹ کو حاصل کیا جائے جس سے PAUL کو ہر ایک نمونے کے درمیان صفر کی پوزیشن پر واپس لایا جائے۔ تاہم، اوپن لوپ میں روبوٹ کو کنٹرول کرتے وقت یہ ممکن نہیں ہے، یا، کم از کم، مطلوبہ نہیں، کیونکہ کوئی شخص رفتار کی پیروی کرنا یا پوائنٹس کی ترتیب سے سفر کرنا چاہتا ہے۔ لہذا، پوزیشن x1 سے x2 میں منتقلی کے لیے 1.2 کے اضافی فیکٹر کی ضرورت ہوتی ہے، جو کہ تجرباتی طور پر بھی اخذ کیا جاتا ہے، تاکہ ہسٹریسیس اثرات کا حساب لگ سکے۔

4.4 اوپن لوپ کنٹرول

ایک بار ڈیٹاسیٹ تیار ہونے کے بعد، اسے اوپن لوپ کنٹرول کے لیے PAUL کے طرز عمل کو ماڈل بنانے کے لیے استعمال کیا جا سکتا ہے۔ مستقبل کی لائن کے طور پر، براہ راست کائینیٹکس کے لیے ایک عصبی نیٹ ورک اور الٹا کائینیٹکس کے لیے دوسرے نیٹ ورک کو تربیت دینے کی پیشین گوئی کی گئی ہے۔ تاہم، اعداد و شمار کی بڑی مقدار کو دیکھتے ہوئے جس کی ضرورت ہو سکتی ہے ([62] میں 24389 نمونے اس طرح کے تین حصوں والے روبوٹ کے لیے استعمال کیے گئے ہیں)، اس کام کے لیے ایک ٹیبل تلاش کرنے کا طریقہ استعمال کیا گیا ہے۔

براہ راست حرکیات کا طریقہ - جو نو مثانے کے افراط زر کے اوقات سے روبوٹ کے آخری سرے کی پوزیشن اور واقفیت حاصل کرنے کی اجازت دیتا ہے - تلاش پر مشتمل ہے، پچھلے مرحلے میں تیار کردہ ڈیٹاسیٹ میں، ایک حوالہ کے طور پر دیئے گئے افراط زر کے وقت سے کم فاصلے پر واقع تین افراط زر کے وقت کی اقدار۔ ظاہر ہے، اگر مطلوبہ افراط زر کے اوقات کا سیٹ ٹیبل میں ہوتا، تو ان اوقات سے وابستہ قدر براہ راست کینیمیٹک ماڈل کے نتیجے میں واپس آ جائے گی۔ بصورت دیگر، تین قریب ترین افراط زر کے اوقات کے ساتھ وابستہ پوزیشن اور واقفیت کی قدروں کی اوسط، ان میں سے ہر ایک کے درمیان موجود فاصلے (یوکلیڈین معمول) اور حوالہ افراط زر کے اوقات کی قدروں کے حساب سے، روبوٹ کی پوزیشن اور واقفیت کی قدر کے طور پر لوٹائی جاتی ہے۔

ان کے ساتھ، ایکسپریشن کا استعمال کرتے ہوئے ڈائریکٹ کینیمیٹک ماڈل کے ذریعے واپس آنے والی پوزیشن کا حساب لگانا ممکن ہے: