Made available in DSpace on 2015-05-08T14:59:33Z (GMT). No. of bitstreams: 1 arquivototal.pdf: 1500049 bytes, checksum: 6ca75eb148e850e602c9b480f4d4015c (MD5) Previous issue date: 2011-08-18 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES / This paper presents a design of a predictive adaptive controller and a hybrid controller for a electro pneumatic manipulator robot with three Cartesian degrees of freedom (3 DOF). The manipulator robot is composed by three electro-pneumatic valves and pneumatic cylinders for three, two with 500mm forming the XZ axis and a 400mm on the vertical axis Y. The cylinders are driven by three electro-pneumatic proportional valves controlled by computer, which directs the flow of compressed air as the needed position. Attached to the rods of each cylinder, there are scales for potentiometric measurement of their respective positions. Through two acquisition boards, electro-pneumatic valves and potentiometric scales are connected to the computer and the data is processed using the software LabVIEW® and MATLAB®. The controllers are developed through explicit models of the electropneumatic manipulator robot estimated in real time by Recursive Least Squares Algorithm (RLS). / Neste trabalho apresentam-se projetos de um controlador adaptativo preditivo e de um híbrido para um robô manipulador eletropneumático de três graus de liberdade (3 GDL) cartesiano. O robô manipulador é composto basicamente por três válvulas eletropneumáticas e por três cilindros pneumáticos, dois de 500mm formando o plano XZ e um de 400mm no eixo vertical Y. Os cilindros são acionados através de três válvulas eletropneumáticas proporcionais comandadas por computador, que direcionam o fluxo de ar comprimido conforme a necessidade de posicionamento. Acopladas às hastes de cada cilindro, estão réguas potenciométricas para medição de suas respectivas posições. Através de duas placas de aquisição, as válvulas eletropneumáticas e as réguas potenciométricas são conectadas ao computador e os dados são processados utilizando os softwares LabVIEW® e Matlab®. Os controladores são desenvolvidos através de modelos explícitos do robô manipulador eletropneumático estimados em tempo real pelo Algoritmo dos Mínimos Quadrados Recursivo (MQR).

[pt] Este trabalho apresenta um projeto mecânico de um robô lagartixa pneumática, capaz de se locomover em superfícies inclinadas em relação ao solo, através apenas de atuadores lineares que utilizam o ar comprimido como fonte de energia. Como parte fundamental do projeto mecânico neste trabalho, um sistema de garra é desenvolvido gerando vácuo mecanicamente, para haver uma economia de consumo energético no robô em comparação com os acessórios comerciais geralmente utilizados para esta tarefa de fixação. Com o protótipo de conceito fabricado e montado, o mesmo é submetido a uma bateria de testes com o intuito de posteriormente aplicar os dados obtidos em uma rede neural artificial, visando o aprendizado computacional dos movimentos do robô e, assim, sua otimização de velocidade em determinada sequência de movimentação. Após o treinamento desta rede neural, o protótipo é submetido a novos experimentos para verificar a eficiência do treinamento realizado e qual o impacto real obtido no robô. Finalmente, com a utilização de um sistema de câmeras, os deslocamentos do robô em diversas situações distintas são rastreados, visando gerar gráficos comparativos e analisar a repetibilidade e confiabilidade do sistema. / [en] This work presents the mechanical design of a pneumatic gecko robot, capable of moving on inclined surfaces with respect to the ground, using only linear actuators with compressed air as a source of energy. As a fundamental part of the mechanical design in this work, a claw system is developed by generating vacuum mechanically, significantly reducing the energy consumption of the robot when compared to commercial accessories generally used for this clamping task. With the concept prototype manufactured and assembled, a series of tests are conducted to later apply the collected data in an artificial neural network. This network allows the computational learning of the robot movements, and thus its speed optimization for a certain defined gait. After training this neural network, the prototype is submitted to new experiments to verify the efficiency of the training performed and the real impact obtained on the robot. Furthermore, with the use of a camera system, the movements of the robot along several different situations are tracked, generating comparative graphs to analyze the repeatability and reliability of the system.