21

GENERACIN DE TRAYECTORIAS
PARA MANIPULADOR ROBTICO
DE REVOLUCIN
J. Ramrez-Gordillo
1
, E. A. Merchn-Cruz
2
, E.

Lugo-Gonzlez
3
, R, Rivera Blas
4
1
Instituto Politcnico Nacional, Seccin de Estudios de Posgrado e Investigacin, Escuela Superior de Ingeniera Mecnica y Elctrica,
Unidad Azcapotzalco, Av. de las Granjas No. 682 Col. Sta. Catarina, Mxico D.F. jramirezg@ipn.mx
2
Instituto Politcnico Nacional, Seccin de Estudios de Posgrado e Investigacin, Escuela Superior de Ingeniera Mecnica y Elctrica,
Unidad Azcapotzalco, Av. de las Granjas No. 682 Col. Sta. Catarina, Mxico D.F. eamerchan@ipn.mx
3
Instituto Politcnico Nacional, Seccin de Estudios de Posgrado e Investigacin, Escuela Superior de Ingeniera Mecnica y Elctrica,
Unidad Adolfo Lpez Mateos, Zacatenco, Edif. 5, 2do. Piso, Col. Lindavista, C.P. 07738, Mxico. elugog@ipn.mx
4
Instituto Politcnico Nacional, Seccin de Estudios de Posgrado e Investigacin, Escuela Superior de Ingeniera Mecnica y Elctrica,
Unidad Azcapotzalco, Av. de las Granjas No. 682 Col. Sta. Catarina, Mxico D.F.rriverab@ipn.mx

RESUMEN
El generar trayectorias mediante la solucin a la cinemtica inversa con mtodos numricos, puede resultar complejo
cuando se trata de manipuladores robticos con mltiples grados de libertad, sin embargo, la implementacin de
mtodos como los algoritmos genticos pueden simplificar el estudio, a partir del modelo cinemtico del
manipulador, se emplean las ecuaciones de enlace geomtrico como una mtrica de evaluacin y, mediante el control
de sus parmetros, alcanzan una solucin satisfactoria en los resultados para la convergencia del algoritmo. As, las
trayectorias generadas, son creadas a travs de funciones definidas y el algoritmo gentico proporciona los valores
angulares del manipulador que satisfacen los puntos posicionados sobre la funcin.
Palabras claves: Manipulador Robtico, Generacin de Trayectorias, Algoritmo Gentico


GENERATION OF TRAJECTORIES
FOR ROBOTIC MANIPULATOR OF
REVOLUTION

ABSTRACT
Generating trajectories by the solution of inverse kinematics with numerical methods can be complex when it is to
the robot manipulators with multiple degrees of freedom, nevertheless, the implementation of methods such as the
genetic algorithms can simplify their study from the kinematic model of the manipulator, using the link geometric
equations like a metric of evaluation and, by the control of parameters, to reach a satisfactory solution the results to
the algorithm convergence. The trajectories generated, are created through defined functions, the genetic algorithm
provides the angular values of the manipulator that satisfy the points positioned on the function.
Key words: Robot Manipulators, Generating Trajectory, Genetic Algorithm

INTRODUCCIN
Un algoritmo gentico, es una tcnica que imita la evolucin
biolgica como una estrategia de programacin, que resuelve
problemas complejos de bsqueda en la satisfaccin de
decisiones, para modificarse y actuar como un optimizador
1
,
basado en principios naturales de seleccin y supervivencia de
los individuos ms aptos
2, 3
.
La tcnica es desarrollada a principios de los 60s, durante la
solucin a problemas de aprendizaje de mquina
4, 5
, utiliza
operadores probabilsticos y emplea elitismo para converger al
valor ptimo
6
. Se han aplicado en problemas de optimizacin
(estructural, topolgica, numrica, combinatoria, etc.), de
prediccin, de generacin de gramticas (regulares, libres de
contexto, etc.), en bases de datos (optimizacin de consultas),
en reconocimiento de patrones (por ejemplo, imgenes) y en la
planeacin de movimientos de robots entre otras
7
. La ventaja
de un algoritmo gentico sobre algunas tcnicas tradicionales
de bsqueda y optimizacin son la simplicidad conceptual, la
amplia aplicabilidad, el potencial para incorporar
conocimiento sobre el dominio, explotacin sobre
arquitecturas en paralelo y capacidad de resolver problemas
para los cuales no se conoce solucin alguna
7, 8
.
En los manipuladores robticos la generacin de trayectorias
y su optimizacin, son temas importantes en el problema de la
planeacin de movimientos y es un ejemplo de aplicacin en el
mundo real, en donde estas trayectorias son compuestas por
movimientos a travs de una secuencia de desplazamiento
espacial entre los eslabones de dicho manipulador
9
.
Mecnicamente, un manipulador robtico, puede modelarse
como una cadena abierta con pares cinemticos articulados
movidos por actuadores. Este movimiento relativo entre las
articulaciones resultantes, posiciona la herramienta en un
punto preestablecido y el problema puede ser analizado a
travs de las ecuaciones de enlace cinemtico del manipulador
robtico. ste puede ser resuelto mediante la cinemtica
inversa del mismo a travs de mtodos numricos tradicionales
como el de Newton-Raphson, basado en la inversin de la
matriz Jacobiana de un sistema no lineal-sobredeterminado se
pueden obtener los valores angulares de los eslabones que
satisfacen la posicin de la herramienta en un punto deseado
10
.
El anlisis en general puede resultar complejo cuando se trata
de generar trayectorias para manipuladores robticos con
mltiples grados de libertad. Pese a que el problema ha sido
previamente investigado por varios autores en su complejidad
y aplicabilidad
9, 11-18
, este documento propone analizar el
problema de generar trayectorias para robots articulados
utilizando algoritmos genticos a partir del modelo cinemtico
del manipulador
19
. As, independientemente del nmero de
grados del manipulador, las ecuaciones de enlace geomtrico
permiten disear una funcin mtrica de evaluacin en el
algoritmo gentico y a travs de la manipulacin de los
parmetros se pueden alcanzar resultados satisfactorios como
una solucin a la convergencia del algoritmo.

CINEMTICA DEL MANIPULADOR
ROBTICO
Para describir la geometra espacial de un manipulador
robtico en representacin de coordenadas homogneas sobre
el espacio Euclidiano, se puede emplear la matriz de
transformacin homognea descrita por la representacin de
Denavit-Hartenberg
19, 20
, y donde se establece de manera
sistemtica, una metodologa para asignar un sistema de
coordenadas a cada elemento de la cadena articulada. Dicha
representacin, descrita en 1), representa el movimiento de
cada eslabn en la articulacin con respecto al sistema de
coordenadas del elemento previo. Para su utilizacin, es
importante obtener los parmetros (
i
,
i
,a
i
,d
i
) de acuerdo al
sistema de coordenadas conveniente
18, 21, 22
.

(
(
(
(

1 0 0 0
0
1
i i i
i i i i i i i
i i i i i i i
i
i
d
a
a
A



cos sin
sin cos sin cos cos sin
cos sin sin sin cos cos

(1)
Donde:
i
A : Es la matriz compuesta de trasformacin de 44.
i
(Giro de la articulacin): ngulo entre los ejes
1 i
x y
i
x
alrededor del eje
1 i
z ,
i
d (Descentramiento de la articulacin): distancia desde el
origen del sistema de coordenadas ( 1 i )-simo hasta la
interseccin de los ejes
i
x y
1 i
z , a lo largo del
eje
1 i
z ,
i
(Giro del eslabn): ngulo entre el eje
1 i
z y el eje
i
z alrededor del eje
i
x y
i
a (Longitud del eslabn): Distancia desde el origen del
sistema de coordenadas i hasta la interseccin de los ejes
i
x y
1 i
z , a lo largo del eje
i
x .

La matriz homognea
0
T
i
, descrita en 2), representa la posicin
/orientacin de la herramienta respecto al marco de referencia
del manipulador robtico.

i
j
i
j
i
A T
1
1
0
=
=

(2)

La expresin 3), es la representacin matricial de la
posicin/orientacin de la herramienta.

(

=
(

=
(
(
(
(

1 0 1 0 0 0
1 0 0 0
3 1
1 3 3 3
0
p R p a s n
p a s n
p a s n
p a s n
i
z z z z
y y y y
x x x x

(3)

Por otro lado, si la ecuacin 3) representa la posicin/
orientacin de la herramienta del robot respecto al marco de
referencia, tambin puede representar la posicin/orientacin
deseada, a travs de la expresin 4).
23
(

=
(

1 0 0 0 1 0 0 0
d d d d
p a s n p a s n

(4)

El trmino del lado izquierdo representa el modelo matemtico
del robot y el trmino del lado derecho describe los parmetros
deseados (orientacin/posicin).
Para utilizar una expresin capaz de emplearse como funcin
de aptitud en el algoritmo gentico, es necesario someterla al
siguiente arreglo: prescindir del vector de perspectiva y el
valor de escala, al igual que la orientacin para solucionar el
problema en particular, utilizando nicamente el vector de
posicionamiento p para un manipulador plano.
El vector p, describe la desviacin que existe entre la posicin
inicial y la deseada, el objetivo es reducir esta desviacin
como una funcin aptitud que al ser evaluada como una
mtrica, cuantifica el desempeo de la funcin llamada aptitud.

GENERACIN DE TRAYECTORIAS
CON ALGORITMOS GENTICOS
El soporte matemtico sobre el cual se sustentan los algoritmos
genticos, se atribuyen a Holland, su creador, quien los
nombro esquemas. Un esquema es un patrn que describe un
conjunto de similitudes entre un grupo de cadenas ubicadas en
ciertas posiciones de los individuos partcipes en procesos de
bsqueda y optimizacin
23
. Estos son considerados como
tcnicas robustas en la solucin a problemas diversos y con la
aplicacin hecha por Goldberg en los 80s, su aceptacin en la
comunidad cientfica se ha incrementado
7, 24, 25
. As, el
algoritmo gentico es un mtodo estocstico de bsqueda
simultnea de diferentes regiones del espacio de soluciones
factible, en donde se realiza una bsqueda intensa sobre
algunas de ellas y explora otros sub-espacios a travs de un
intercambio de informacin entre sus configuraciones
26, 27
.
La aplicacin de los algoritmos genticos como estrategia de
solucin al problema especfico de encontrar trayectorias y
llegar a una posicin deseada desde una configuracin inicial
del manipulador, es muy conveniente, ya que el problema es
un candidato ideal para ser sometido a este tipo de estrategia
debido a su simplicidad. Comienza con un conjunto de
soluciones potencialmente adecuado y suficiente para iniciar
una bsqueda a travs de una poblacin aleatoriamente
generada. Esta poblacin es un conjunto de caracteres
contenida en una cadena de solucin llamados genes, el valor y
la posicin en la cadena de un gen son llamados alelos y cada
conjunto de soluciones en la cadena es llamado cromosoma, el
cdigo de las variables se identifica como genotipo, y las
variables mismas se llaman fenotipo.
As, las variables deben ser codificadas por algn mtodo y
deben ser evaluadas por una mtrica, sta permite conocer
cuantitativamente a cada conjunto de individuos para ser
seleccionados probabilsticamente. Estos individuos pueden
ser soluciones que funcionan y con el objetivo de que el
algoritmo gentico las adapte y las mejore, los candidatos son
conservados y se les permite duplicarse con la opcin de
realizar mltiples copias de ellas e introducirles cambios
aleatorios durante el proceso de reproduccin. Esta
descendencia prosigue por cada generacin, formando un
nuevo acervo de soluciones factibles, sometidas nuevamente a
evaluacin de la mtrica aptitud, varindose mediante
operaciones de simulacin gentica como el cruce y la
mutacin, mejorando algunos individuos y convirtindolos en
soluciones ptimas del problema, ms completas y ms
eficientes
7
.
Por otro lado, el diseo de la funcin aptitud involucra al
problema fenotipo, donde la configuracin del manipulador es
representada por el modelo matemtico del robot que describe
el movimiento de sus articulaciones en el espacio. Este modelo
se obtiene a travs del anlisis cinemtico que por medio de las
ecuaciones se evalan con la configuracin inicial del sistema
(
1
,
2
,
n
), as se conoce la posicin inicial y el conjunto de
movimientos generados por el proceso gentico como una
solucin a la cinemtica directa.
La estructura del cromosoma para cada individuo es definida
por el dominio mx-mn de las variables [
1mn

1mx
;

2mn

2mx
;
nmn

nmx
]

que son los genes, la

precisin decimal requerida y el nmero de incgnitas
necesarias para calcular la longitud de la cadena binaria es
determinada por la expresin 5) y 6) respectivamente
28
.

( ) ( )
( ) 2
10
log
log
min max
p
i i
i
nbits

=


(5)

=
=
n
i
i
nbits longcr
1

(6)
Donde:
i
nbits
: Nmero de bits en cada gen del cromosoma.
longcr
: Nmero total de bits en cada individuo.
n: Nmero total de individuos.

Esta configuracin describe una cadena binaria con
cardinalidad de base 2, suficiente para representar un espacio
potencial de soluciones en nmeros reales.
El conjunto de individuos, constituyen una poblacin generada
de manera aleatoria de acuerdo a su tamao (nmero de
individuos) y longitud como se muestra en la expresin 7).

(
(
(

longcr ni ni
longcr
longcr ni
b b
b b
s
, ,
, ,
K
M
K
1
1 1 1

(7)

La poblacin es suficientemente grande para garantizar la
diversidad de las soluciones creadas por una notacin
mediante cadenas compuestas por 0 y 1. Esta, debe
interpretarse a travs de algn mtodo que decodifique su
valor para convertirse en una serie de parmetros fenotipos del
problema, como se muestra en 8).

24
|

\
|

|
|

\
|
+ =

=
1 2
2
0
longcr
i i
nbits
j
i
i i i
i
b x
min max
min



(8)

Las variables, una vez decodificadas, son evaluadas por una
funcin objetivo, sta permite conocer cuantitativamente a
cada conjunto de individuos que son seleccionados
probabilsticamente, la puntuacin obtenida es una solucin de
lo cerca que est del mejor resultado. A esta puntuacin se le
llama aptitud y reflejar el valor del individuo de una manera
real, pero en muchos problemas de optimizacin combinatoria,
donde existe una gran cantidad de restricciones, buena parte de
los puntos del espacio de bsqueda representan individuos no
vlidos, la expresin 9) caracteriza la funcin aptitud.

) (
i aptitud i
x f f =
(9)

La cuantificacin permite que los individuos sean
seleccionados proporcionalmente en funcin de su objetivo
como se muestra en la figura 1 y cada individuo tiene una
probabilidad de ser seleccionado, como aqul que deber
reproducirse, como se muestra en las expresiones 10) y 11),
respectivamente
9, 15,24
.

pop
i
i
F
f
w =

(10)

=
+ =
1
0
p
k
p k p
w w L

(11)
Donde:
i
w
: Normalizacin de cada individuo.
p
L
: Individuo ponderado.
pop
F
: Aptitud total de la poblacin.

Una vez seleccionadas las parejas de cromosomas, estos
bloques constructores se alinean, luego se fraccionan en ciertas
partes y posteriormente intercambian segmentos de cadenas
lineales de longitud fija entre s. El cruce es a travs de
identificar un punto de corte, donde la pareja de padres
seleccionados son tomados en ese punto especfico y los
segmentos se sitan despus para ser intercambiados mediante
una concatenacin, generando un nuevo individuo. Las
posiciones de los bits en un individuo determinan la
probabilidad de que estos bits permanecern juntos despus
del cruce, esto se puede generalizar a fin de aplicar mltiples
puntos de cruce, no obstante, a ms de dos puntos de cruce,
aunque da una mejor capacidad de exploracin, puede ser
demasiado perturbador, as que la tasa de cruce (p
c
) debe ser
cuidadosamente elegida a fin de no perder las caractersticas
generales de las soluciones encontradas.
Por otro lado, el proceso gentico considera tambin un
operador de mutacin, ste es considerado de uso menos
frecuente a comparacin del operador de cruce, debido a la
reintroduccin de alelos en los genes que puede
involuntariamente perder valores sobre el cromosoma. Una
tasa de mutacin variable (p
m
) es muy importante para buscar
eficiencia, sin embargo, aun no hay certeza que incremente el
desempeo del algoritmo durante el proceso evolutivo, aunque
la ausencia de mutacin dentro del algoritmo gentico est
relacionada con un desempeo pobre, debido a que no se
permite refrescar valores perdidos del espacio de bsqueda.
La funcin aptitud depende del objetivo principal que es la
posicin de la herramienta, en la ecuacin 12) representa la
localizacin del punto final del manipulador calculado por la
desviacin a travs de la distancia Euclidiana
16, 29, 30
.

i final i
P P error =
(12)
i
error i
e
f
1
=

(13)

As, cuando la distancia se reduce en la funcin objetivo, la
desviacin tiende a cero, por lo tanto, la funcin aptitud como
un enfoque de optimizacin, se mxima el conteo y para evitar
un problema de singularidad, se modifica la funcin objetivo a
travs de una funcin exponencial inversa, as la funcin crece
de manera normalizada, mientras el error de distancia se
reduce.
APLICACIN Y RESULTADOS
Se plantea el anlisis de tres casos de estudios para observar el
desempeo del algoritmo cuando se controlan sus parmetros
de inicializacin, aplicado a un robot manipulador articulado
de tres grados de libertad. ste, debe seguir una trayectoria
generada por alguna funcin y el algoritmo gentico debe
hallar los puntos ms cercanos sobre la misma, nicamente con
las ecuaciones de enlace cinemtico.
CASO I: Se genera una trayectoria lineal con los parmetros
de inicio mostrados en la tabla 1.
Los resultados obtenidos se muestran en las figuras 2 y 3, en la
figura 2 se observa la secuencia de movimientos de los
eslabones hacia el punto objetivo, reducindose la distancia
Euclidiana en funcin de error y el mximo valor aptitud
alcanzado mostrado en la figura 3a, 3b y 3c.
La tabla 2 muestra el desempeo del algoritmo gentico en su
convergencia. Alcanza el valor de aptitud mxima a las 52
generaciones en un tiempo mnimo de 2 segundos, marcando
una desviacin promedio sobre los puntos en la trayectoria de
0.16 mm, como la tasa seleccionada de cruce y mutacin es
pequea, la desviacin alcanzada es relativamente grande, esto
implica que variando la cantidad de individuos se varia el
tiempo de convergencia para hallar la solucin pero el riesgo
que la desviacin se incremente puede generar soluciones no
satisfactorias.
CASO II: Se genera una trayectoria elptica con los
parmetros de inicio mostrados en la tabla 3.
De acuerdo a los datos de la tabla 4, el desempeo del
algoritmo gentico tiene una convergencia en 55 generaciones
25
en un tiempo mnimo de 0.6 segundos, marcando un error
promedio sobre los puntos en la trayectoria de 0.17 mm y un
valor aptitud promedio mximo alcanzado de 12.7.
La figura 4 muestra la secuencia de movimientos encontrados
por el algoritmo sobre la trayectoria elptica y los movimientos
en los eslabones apuntan hacia el objetivo, cabe sealar que a
travs de la trayectoria deseada generada por una funcin en
particular, es segmentada en una cantidad de puntos suficientes
para describir el seguimiento sobre la trayectoria que realiza el
manipulador robtico, de esta manera se puede tener una
precisin tan cercana como uno lo desee, sin embargo el
proceso de bsqueda prolongara el tiempo de convergencia
sobre el algoritmo, lo mismo que sucedera con una solucin
numrica tradicional como la de Newton-Raphson al tener una
paso diferencial pequeo.
La figura 5 muestra la respuesta de los valores angulares que
satisfacen el punto sobre la trayectoria definida, al mismo
tiempo se muestran la desviacin promedio y el valor aptitud
mxima alcanzada durante el tiempo de convergencia.
CASO III: Se genera una trayectoria a travs de una funcin
aleatoria con los parmetros de inicio mostrados en la tabla 5.
Los resultados obtenidos se muestran en las figuras 6 y 7,
observndose la secuencia de movimientos de los eslabones
hacia el punto objetivo sobre una trayectoria aleatoria,
reducindose la desviacin en funcin de error. La tabla 6
muestra el resultado del algoritmo gentico en su desempeo,
destacndose el incremento de la poblacin o nmero de
soluciones debido a la complejidad de la trayectoria, sin
embargo, la desviacin muestra el valor aceptable promedio
sobre el total de los puntos sobre la trayectoria definida.
DISCUSIN
La implementacin de un algoritmo gentico sobre el
problema de seguir trayectorias definidas en un manipulador
robtico no es fcil de tratar, porque tiene que analizarse la
cantidad de puntos que se tienen en una trayectoria definida y
la precisin que se requiere sobre la vecindad de ese punto.
Esto hace que la cantidad de soluciones como poblacin inicial
sea tan grande como se requiera y la paradoja que se genera
cuando se trata de definir una tasa equilibrada entre el cruce y
la mutacin para tener una convergencia en un tiempo
adecuado es importan, debido a que se puede degenerar los
bloques de soluciones factibles.
Por otro lado, es un problema sencillo cuando se analizan
manipuladores robticos no redundantes, ya que la solucin es
nicamente de posicin, sin embargo, cuando la cantidad de
grados de libertad aumenta en un manipulador robtico,
incrementa la complejidad del anlisis en cuanto la
satisfaccin de posicin/orientacin. Por ejemplo, en una
solucin a travs de un mtodo numrico se realiza
encontrando la posicin y orientacin en forma separada, esto
se define de acuerdo con la configuracin del manipulador, no
obstante, no puede generalizarse para ambos casos, esto
porque la matrices final que describe el movimiento espacial
del manipulador presenta singularidades debido a su
ortogonalidad y esto aumenta la complejidad al disear una
funcin aptitud, ya que es necesario incluir restricciones al
sistema y penalizaciones para satisfacer las condiciones del
algoritmo como criterios de terminacin.
Sin embargo, este problema se resuelve cuando se cambia el
espacio de anlisis cinemtico con el modelado del
manipulador cuando se considera el empleo de cuaterniones
duales, estos mantienen una relacin intuitiva entre rotacin y
traslacin, permitiendo disear una funcin aptitud sencilla
que interpola naturalmente la trayectoria entre los puntos a
satisfacer.
CONCLUSIONES
Generar trayectorias a travs de algoritmos genticos ofrece
ventajas s se manipulan factiblemente las variables iniciales,
ya que su descripcin matemtica es sencilla y la convergencia
es rpida sin tener problemas de convergencia prematura. Las
trayectorias que debe seguir el manipulador a travs del
algoritmo gentico, evita tener la necesidad de resolver la
cinemtica inversa por medio de un mtodo numrico
tradicional y facilita el anlisis de la generacin de trayectorias
nicamente implementando las ecuaciones de enlace
cinemtico directo. El desempeo del algoritmo fuera de lnea
es bueno mientras el dominio de la variable no sea demasiado
grande, as, permite la exploracin de soluciones con mayor
facilidad y dirige la convergencia del algoritmo al ptimo
global.
RECONOCIMIENTOS
Los autores agradecen al CONACYT, proyecto 2005/49701 y
al IPN, proyecto SIP-20082296, los medios para la realizacin
de esta investigacin.
REFERENCIAS
1. DE JONG, K.A.: Genetic Algorithms are NOT Function
Optimizers. In L. Darell Whitley, Editor, Fundations of Genetics
Algorithms 2, Morgan Kaufmann Publishers, San Mateo
California, 1993, p. 5-17.
2. HINCAPI-ISAZA, R.A., C.A. ROS-PORRAS, and R.A.
GALLEGO-R: Tcnicas Heursticas Aplicadas al Problema
del Cartero Viajero (TSP). Scientia et Technica, 2004. 24.
3. DARWIN, C.R.: On the Origen of Species by Means of Natural
Selection On the Preservation of Favoured Races in the Struggle
for Life. Cambridge University Press, Cambridge, UK,
Originally published in 1859, 1964.
4. HOLLAND, J.H.: Concerning Efficient Adaptive Systems. In
M. C. Yovits, G. T. Jacobi, and G. D. Goldstein, editors, Self-
Organizing Systems, Spartan Books, Washington, D.C., 1962, p.
215-130.
5. HOLLAND, J.H.: Outline for a Logical Theory of Adaptive
Systems. Journal of the Association for Computing Machinery,
1962. vol. 9, p. 297-314.
6. GNTER, R.: Convergence Analysis of Canonical Genetic
Algorithms. IEEE, Transactions on Neural Networks, 1994. vol.
5, p. 96-101.
26
7. GOLDBERG, D.E.: Genetic Algorithms in Search,
Optimization and Machine Learning. Addison-Wesley
Publishing Co. Reading, Massachusetts, 1989.
8. BILL, P.B. and FREDERICK, E.P.: Genetic Algorithms.
Technology Series. IEEE Computer Society Press, 1992.
9. DAVIDOR, Y.: Genetic Algorithms and robotics: a heuristic
strategy for optimization. World Scientific Series in Robotics
and Automated System, 1991. vol. 1, p. 55-60.
10. GIRALDO, L.F., DELGADO, E. and CASTELLANOS, G.:
Cinemtica Inversa de un Brazo Robot Utilizando Algoritmos
Genticos. Avances en Sistemas e Informtica, Medelln, 2006.
vol. 3(1), p. 2934.
11. MERCHN-CRUZ, E.A., RAMREZ-GORDILLO, J. and
SUBUDHI, B.: Soft-computing techniques in the trajectory
planning of robot manipulators systems. IEEE Sponsored
Conference and Computational intelligence, Control and
Conputer Vision in Robotics and Automation, 2008, p. 227-233.
12. ANDREAS, C.N. and NIKOS, A.A.: A Genetic Path Planning
Algorithm for Redundant Articulated Robots. Robotica,
Cambridge University Press, 1997. vol. 15, p. 213-224.
13. TIAN, L. and COLLINS, C.: An Effective Robot Trajectory
Planning Method Using a Genetic Algorithm. Elsevier,
Mechatronics, 2004. vol. 14, p. 455-470.
14. GILL, M.A.C. and ZOMAYA, A.Y.: Obstacle Avoidance in
Multi-Robot Systems. World Scientific, 1998.
15. MERCHN-CRUZ, E.A. and MORRIS, A.S.: GA Based
Trajectory Planner for Robot Manipulators Sharing a Common
Workspace. Proceeding of the IASTED International
Conference APPLIED SIMULATION AND MODELLING,
Rodhes, Greece, 2004. 96-101.
16. MERCHN-CRUZ, E.A., MORRIS, A.S. and RAMREZ-
GORDILLO, J.: Soft-computing Techniques for the Trajectory
Planning of Multi-robot Manipulator Systems. Robot
Manipulators, Edited by Marco Ceccarelli, IN-TEH , Croatia,
2008. Cap. 20, p. 373-398.
17. RAMREZ-GORDILLO, J.: The Laplacian Artificial
Potential Field (LAPF) for the Path Planning of Robotic
Manipulators. Electronics, Robotics and Automotive Mechanics
Conference 2008, p. 598-513.
18. RAMREZ-GORDILLO, J.: Generacin de Trayectorias para
Manipuladores Robticos Aplicando Algoritmos Genticos. 14
Convencin Cientfica de Ingeniera y Arquitectura, 2008.
19. DENAVIT, J. and HARTENBERG, R.: A Kinematic Notation
for Lower-Pair Mechanisms on Matrices. ASME Journal of
Applied Mechanics, 1955, p. 215221.
20. SPONG, M.W. and VIDYASAGAR, M.: Robot Dynamics and
Control. John Wiley & Sons, E.E.U.U., 1989.
21. FU, K.S., GONZLEZ, R.C. and LEE, C.S.G.: Robotics:
Control, Sensing, Vision and intelligence. McGraw-Hill, New
York, 1990.
22. MERCHN-CRUZ, E.A.: Metodologa para la Generacin de
Trayectorias de Manipuladores Robticos, su Cinemtica y su
Dinmica. Instituto Politcnico Nacional. Mxico, D.F., 2000.
23. GONZLEZ, F.A. and BARRERO, P.J.: Algoritmos
Genticos Aplicados al Planeamiento de Trayectorias de Robots
Mviles. Grupo CEMOS, Universidad Industrial de Santander,
2006.
24. MERCHN-CRUZ, E.A.: Soft-Computing Techniques in the
Trajectory Planning of Multi-Robot Manipulators Systems (Part
I). Cientfica, Instituto Politcnico Nacional, Escuela Superior
de Ingeniera Mecnica y Elctrica, 2005. vol. 9(4), p. 197-208.
25. COELLO, C.A.: Introduccin a la Computacin (Notas de
Curso). CINVESTAV-IPN, Departamento de Computacin,
2007.
26. KOZA, J.R.: Genetic Programming. On the Programming of
Computers by Means of Natural Selection. The MIT Press,
1992, p. 819.
27. TIAN, L. and COLLINS, C.: Motion Planning for Redundant
Manipulators Using a Floating Point Genetic Algorithm.
Journal of Intelligent and Robotic Systems, 2003. vol. 38, p. 297-
312.
28. MICHALEWICZ, Z.: Genetic Algorithms + Data Structure =
Evolution Programs. Springer, 1999.
29. ATEF, A.A., WALEED, F.F. and MOHAMMAD, Y.S.A.:
Optimal Trajectory Selection for a Three DOF Manipulator
with Minimum Energy Consumption. International Journal of
Applied Engineering Research, 2007. vol. 2(1), p. 45-63.
30. YUE, S.G.: Trajectory Planning in Joint Space for Flexible
Robots with Kinematics Redundancy. The IASTED International
Conference Modeling, Identification and Control, 2001.

AUTORES
Javier Ramrez-Gordillo: Ingeniero en Control y
Automatizacin egresado de la ESIME Zacatenco del IPN,
Maestro en Ciencias en ingeniera Mecnica de la SEPI-
ESIME Zacatenco del IPN, Doctor en Ciencias en ingeniera
Mecnica de la SEPI-ESIME Zacatenco del IPN, Mxico, D.F.

Emmanuel Merchn Cruz: Ingeniero en Robtica egresado
de la ESIME Azcapotzalco del IPN, Maestro en Ciencias en
ingeniera Mecnica de la SEPI- ESIME Zacatenco del IPN.
Doctor en Filosofa por la Universidad de Sheffield, Reino
Unido.











wk
w1
0
L1
L2
wp

Figura 1. Seleccin por ruleta.

Tabla 1: Inicializacin de parmetros.












Figura 2. Trayectoria lineal para el manipulador de 3 grados de libertad.


Manipulador Robtico Tres Grados de Libertad
d1 40 mm
L2 70 mm
Longitud de eslabones
L3 50 mm
Configuracin inicial Ci [0 0 0]
Posicin final Pf [-20 50 -40] mm
Nmero de individuos ni 400 individuo
Probabilidad de cruce Prbc .58 Proporcional
Probabilidad de mutacin Prbm 0.32 Un punto
Precisin decimal p 4 Dgito
Nmero mximo de
generaciones
gen
1000
Generacin
Dominio de la variable i [-3 3]
28



Figura 3. a) Valores angulares de las articulaciones,
b) Desviacin de posicionamiento,
c) Aptitud mxima alcanzada y
d) Convergencia del algoritmo sobre la trayectoria a seguir.




Tabla 2: Desempeo del algoritmo gentico en la generacin de trayectoria.




Tabla 3: Variacin en los parmetros de inicio.
Generaciones Error promedio aptitud promedio Tiempo
52 0.161151 mm 2.741063 0.8624 s
29













Figura 4. Trayectoria elptica seguida por el manipulador de 3 grados de libertad.



Manipulador Robtico Tres Grados de Libertad
d1 40 mm
L2 70 mm Longitud de eslabones
L3 50 mm
Configuracin inicial Ci [0 0 0]
Posicin final Pf mm
Nmero de individuos ni 400 individuo
Probabilidad de cruce Prbc .58 Proporciona
Probabilidad de mutacin Prbm 0.32 Un punto
Precisin decimal p 4 Dgito
Nmero mximo de
generaciones gen 1000
Generacin
Dominio de la variable i [-3 3]
30


Figura 5. a) Valores angulares de las articulaciones,
b) Desviacin de posicionamiento,
c) Aptitud mxima alcanzada y
d) Convergencia del algoritmo sobre la trayectoria a seguir.







Tabla 4: Desempeo del algoritmo gentico en la generacin de trayectoria.





Tabla 5: Parmetros de inicio para una trayectoria aleatoria.










Generaciones Error promedio Aptitud promedio tiempo
55 0.172109 mm 12.786283 0.6582 s
Manipulador Robtico Tres Grados de Libertad
d1 40 mm
L2 70 mm Longitud de eslabones
L3 50 mm
Configuracin inicial Ci [0 0 0]
Posicin final Pf (x,y,z) mm
Nmero de individuos ni 350 individuo
Probabilidad de cruce Prbc .8 Proporcional
Probabilidad de mutacin Prbm 0.32 Un punto
Precisin p 4 Dgito
Nmero mximo de generaciones gen 1000 Generacin
Dominio de la variable i [-3 3]
31

Figura 6. Trayectoria seguida por el manipulador espacial de 3 grados de libertad.






32

Figura 7. a) Valores angulares de las articulaciones,
b) Desviacin de posicionamiento,
c) Aptitud mxima alcanzada y
d) Convergencia del algoritmo sobre la trayectoria a seguir.

Tabla 6: Desempeo del algoritmo gentico en la generacin de trayectoria.


Generaciones Error promedio Aptitud promedio Tiempo
106 0.19002 mm 1.58962 1.5919 s