El objetivo de la robótica se plantea en algunos trabajos, el beneficio que las máquinas puedan aportar al ser humano. Los exoesqueletos son máquinas comandadas directamente por el ser humano, en donde las señales de comando son adquiridas en tiempo real a partir de la persona, y además de esto se ve definida una relación entre el operador y la máquina, que permite una interacción natural de modo que la máquina forme parte del humano, por medio de las señales biológicas y mecánicas.
La metodología usada en el proyecto consistió en realizar un sistema que contenga al humano y a la máquina dentro de un mismo sistema, con un intercambio de señales de información y de potencia, como bien lo muestra la figura 1 (ver anexos). Para realizar lo anterior se planteó una red neuronal como modelo del músculo la cual se ubica dentro de los modelos macroscópicos del músculo, esta red neuronal fue entrenada bajo el paradigma Backpropagation. Con la red neuronal se definió el modelo que pasa a determinar el comando de referencia de torque para la señal de control, en ésta se obtuvo mejores resultados, utilizando un conjunto de dos capas ocultas, con 50 neuronas en la primera capa y 25 en la segunda. Se tomo la misma base de datos del artículo de Jacob Rosen, sobre la implementación de un modelo del músculo conducente a construir un exoesqueleto.
Los principales resultados se reportan así:
Para el modelo del músculo, se tiene el mejor resultado con una arquitectura de dos capas ocultas, 50 y 25 neuronas en cada capa, dando un error medio cuadrático de 2,0372 (Nm)2, correspondiente a un error promedio de 0,0078 Nm, y un porcentaje de 0,03%, el entrenamiento duró 55 minutos y se realizaron 150000 épocas. Además de ello se realizó un estudio del tiempo que tarda el algoritmo en determinar el torque, porque este será una limitante en la frecuencia de muestreo a la hora de la implementación, debido a que el sistema deberá calcular la señal de control en un tiempo menor al de un intervalo de muestreo. El estudio de tiempos da como resultado que Matlab tarda en promedio 0.3 ms calculando el torque mediante la evaluación de la red neuronal, mientras que Lab View tarda en promedio 0.04 ms para calcular la señal de torque, de lo cual sería más óptimo evaluar el algoritmo usando Lab View.
En cuanto a la identificación se pudo determinar un modelo de primer orden para el actuador, y luego se modeló la estructura para obtener un modelo de primer orden con retardo de primer orden, el cual puede ser llevado a un modelo de segundo orden utilizando una nueva variable de estado para el retardo de entrada.
Posterior a ello se realiza la regulación de la planta con el control Dead Beat utilizando el observador de estado y sin utilizarlo, donde se nota que con observador, el sistema alcanza el estado estacionario en cuatro muestras, correspondiente al orden dos de la planta y al orden dos del observador. No obstante sin observador se alcanza la regulación en dos muestras correspondiente únicamente al orden dos de la planta. Cabe destacar que, si bien la planta es estable en lazo abierto, ésta alcanza el estado estacionario al cabo de quince muestras, por lo cual es de interés tomar la regulación para realizar este proceso más rápidamente. Lo anterior incide en el modo en como se adapte la estructura a la persona, mientras esta la maneja.
Se concluye que resultan apropiadas las señales electromiográficas para determinar el comando del control, ya que estas están correlacionadas, con el torque que la persona ejerce mediante sus músculos.
