Resumen de Modelado y Simulación del Robot Mitsubishi RV-2JA controlado mediante señales electromiográficas

Félix Vladimir Bonilla Venegas, Marcelo Javier Moya, Anatoly Vitalyevich Litvin, Evgeny Lukyanov, Leonardo Emanuel Marín Pillajo

• español

  El objetivo del presente trabajo es controlar al Robot Mitsubishi RV-2JA mediante señales electromiográficas de superficie sEMG. Se seleccionaron señales sEMG de la mano mediante un brazalete Myo que adquiere las señales generadas por los músculos a través de sensores superficiales; la integración del sistema se realizó en la plataforma Simulink de Matlab para procesar, identificar, validar y controlar el robot por medio de las sEMG. Para estudiar las gesticulaciones de las manos se realizó el análisis a partir de la metodología de aproximación temporal que permitió la extracción de sus principales características; se identificaron los siguientes parámetros: integrado electromiográfico (IEMG), media del valor absoluto (MAV), media cuadrática (RMS) y varianza (VAR), que tienen correlación directa con el tipo de movimiento que realiza la mano. Para clasificar los tipos de movimiento como fist, spread fingers, wave right, wave left, elder y voor se utilizaron seis redes neuronales, las cuales permiten activar tres grados de libertad del robot. Para la integración y verificación del sistema en tiempo real se aplicó la simulación hardware in the loop (HIL) basada en PC, que permitió ejecutar el modelo de planta, la conexión con el sistema de control y comunicación adecuada para verificar que el sistema controla al robot.

• English

  The aim of this work is to control the Mitsubishi RV-2JA Robot using sEMG surface electromyographic signals. The sEMG signals were obtained from the hand through a Myo bracelet with surface sensors. Myo surface sensors are able to detect the electromyographic signals generated by the muscles. The integration of the system was performed in the Matlab Simulink platform to process, identify, validate and control the robot through the electromyographic signals. The hand gestures analysis was performed using a temporal approximation that allowed the extraction of characteristics of the signals. The parameters identified were Electromyographic Integrated (IEMG), Mean of Absolute Value (MAV), Quadratic Mean (RMS) and Variance (VAR), having direct correlation with the type of Hand movement. In order to classify the first movements like spread fingers, wave right, wave left, elder and voor, we used six neural networks, which allow to activate three degrees of freedom of the robot. For the integration and verification of the real-time system, the hardware in loop simulation (HIL) was applied. This simulation allowed the execution of the plant model, the connection with the appropriate control and communication system to verify that the system controls the robot.