Optimización inteligente de trayectorias en manipuladores industriales mediante algoritmo PSO

Autores/as

  • Mario Peñacoba Yagüe Universidad de Burgos
  • Jesús Enrique Sierra García Universidad de Burgos
  • Matilde Santos Peñas Universidad Complutense de Madrid

DOI:

https://doi.org/10.17979/ja-cea.2025.46.12051

Palabras clave:

Robotica Industrial, Optimización de trayectorias, Algoritmos Metaheurísticos, Planificación de movimiento, Control cinematico

Resumen

Este trabajo presenta un primer enfoque sobre una metodología inteligente para la optimización de trayectorias en manipuladores industriales, basada en el algoritmo metaheurístico Particle Swarm Optimization (PSO). La evaluación se realiza en un entorno de simulación desarrollado en MATLAB que incorpora un modelo dinámico del robot, incluyendo masa, volumen e inercia de los eslabones, así como la presencia de obstáculos y detección de colisiones. Se proponen y comparan tres funciones de coste que consideran distintas métricas físicas: el tiempo total de trayectoria, el esfuerzo articular, estimado mediante los pares medios y máximos aplicados, y una combinación ponderada de ambos criterios. El proceso de optimización sigue una estrategia escalonada, que primero garantiza la viabilidad geométrica mediante la eliminación de trayectorias con colisiones, y posteriormente refina el resultado optimizando las métricas físicas. Los resultados evidencian que la técnica de optimización propuesta permite obtener trayectorias más eficientes y realistas, con mayor potencial de implementación en entornos exigentes.

Referencias

Abdor-Sierra, J. A., Merchán-Cruz, E. A., & Rodríguez-Cañizo, R. G. (2022). A comparative analysis of metaheuristic algorithms for solving the inverse kinematics of robot manipulators. Results in Engineering, 16, 100597.

Ekrem, Ö., & Aksoy, B. (2023). Trajectory planning for a 6-axis robotic arm with particle swarm optimization algorithm. Engineering Applications of Artificial Intelligence, 122, 106099.

Grosz, E. A., & Borzan, M. (2025). Modular Robotics Configurator: A MATLAB Model-Based Development Approach. Applied System Innovation, 8(1), 21.

Liu, F., Huang, H., Li, B., & Xi, F. (2021). A parallel learning particle swarm optimizer for inverse kinematics of robotic manipulator. International Journal of Intelligent Systems, 36(10), 6101-6132.

Lu, J., Zou, T., & Jiang, X. (2022). A neural network based approach to inverse kinematics problem for general six-axis robots. Sensors, 22(22), 8909.

MANiBOT. (2023). MANiBOT project. https://manibot-project.eu/

Nonoyama, K., Liu, Z., Fujiwara, T., Alam, M. M., & Nishi, T. (2022). Energy-efficient robot configuration and motion planning using genetic algorithm and particle swarm optimization. Energies, 15(6), 2074.

Peñacoba, M., Bayona, E., Sierra-García, J. E., & Santos, M. (2024). Route Optimization for UVC Disinfection Robot Using Bio-Inspired Metaheuristic Techniques. Biomimetics, 9(12), 744.Able, B. C., 1956.

Peñacoba, M., Sierra-García, J. E., Santos, M., & Mariolis, I. (2023). Path Optimization Using Metaheuristic Techniques for a Surveillance Robot. Applied Sciences, 13(20), 11182

Peñacoba-Yagüe, M., Sierra-García, J.E., Santos-Peñas, M., Ruano, A. (2025). Enhancing Robotic Control Efficiency with MLP-Based Inverse Kinematics: First Approach. In: Aguiar, A.P., Rocha Malonek, P., Pinto, V.H., Fontes, F.A.C.C., Chertovskih, R. (eds) CONTROLO 2024. CONTROLO 2024. Lecture Notes in Electrical Engineering, vol 1325. Springer, Cham. https://doi.org/10.1007/978-3-031-81724-3_51

Priyadarshi, R., & Kumar, R. R. (2025). Evolution of Swarm Intelligence: A Systematic Review of Particle Swarm and Ant Colony Optimization Approaches in Modern Research. Archives of Computational Methods in Engineering, 1-42.

Rascón, R., Flores-Mendoza, A., Moreno-Valenzuela, J., & Aguilar-Avelar, C. (2024). Control para seguimiento de trayectorias cartesianas en robots manipuladores. Revista Iberoamericana de Automática e Informática industrial, 21(3), 252-261.

Sadeghian, Z., Akbari, E., Nematzadeh, H., & Motameni, H. (2025). A review of feature selection methods based on meta-heuristic algorithms. Journal of Experimental & Theoretical Artificial Intelligence, 37(1), 1-51.

Shami, T. M., El-Saleh, A. A., Alswaitti, M., Al-Tashi, Q., Summakieh, M. A., & Mirjalili, S. (2022). Particle swarm optimization: A comprehensive survey. Ieee Access, 10, 10031-10061.

Singh, R., Kukshal, V., & Yadav, V. S. (2021). A review on forward and inverse kinematics of classical serial manipulators. Advances in Engineering Design: Select Proceedings of ICOIED 2020, 417-428.

Yime, E., Saltarén, R. J., & Mckinley, J. A. R. (2023). Análisis dinámico inverso de robots paralelos: Un tutorial con álgebra de Lie. Revista Iberoamericana de Automática e Informática Industrial, 20(4), 327-346.

Yiyang, L., Xi, J., Hongfei, B., Zhining, W., & Liangliang, S. (2021). A general robot inverse kinematics solution method based on improved PSO algorithm. Ieee Access, 9, 32341-32350.

Descargas

Publicado

01-09-2025

Número

Sección

Control Inteligente