Este artigo compara os algoritmos Probabilistic Roadmap (PRM) e Campos Potenciais Artificiais (CPA), implementados em um manipulador SCARA (Selective Compliance Assembly Robot Arm). Os dois algoritmos são utilizados no planejamento de trajetória livre de colisão e são comparados pelo custo computacional e pela menor trajetória livre

Este artigo compara os algoritmos Probabilistic Roadmap (PRM) e Campos Potenciais Articiais (CPA), implementados em um manipulador SCARA (Selective Compliance Assembly Robot Arm). Os dois algoritmos são utilizados no planejamento de trajetória livre de colisão e são comparados pelo custo computacional e pela menor trajetória livre de colisão. Nos resultados são apresentados as trajetórias geradas pelos algoritmos no espaço cartesiano e também as trajetórias de cada junta do manipulador, calculadas a partir da cinemática inversa. Também são apresentadas as velocidade e acelerações para as trajetórias. Na implementação o algoritmo CPA se mostrou mais eficiente.

Robotics has grown a lot and more and more tasks are performed by robots. In many applications it is necessary that the robot does not stop if a collision is about to happen but that it deviates from this obstacle, be it a human being or another machine. This paper discusses the implementation of the Probabilistic Roadmap (PRM) algorithm in a SCARA manipulator (Selective Compliance Assembly Robot Arm). The algorithm is used in collision avoidance trajectory planning, for situations which will be compared by computational cost. The results show the trajectories generated by the algorithms in the Cartesian space and also the trajectories, speeds, accelerations and torques calculated from the dynamic model of each joint of the manipulator. The results of each situation are also presented, with circular and square obstacles and the number of points used in the simulation. In implementing the situation in which 100 points are used, the algorithm proved to be more efficient.

The use of robotics in the industry has grown a lot in recent years, making production systems more and more efficient. However, some limitations can delay the production process causing losses to production, such as the robot stops which can be caused by several factors, such as accidents, collisions of manipulator robots with operators or other equipment. The main contribution of this research is to improve the Artificial Potential Fields (APF) algorithm using Particle Swarm Optimization (PSO) through the optimization of APF parameters (APF+PSO) to avoid collisions. We present as results the trajectories in the Cartesian space and trajectories of the joints of the SCARA manipulator (Selective Compliance Assembly Robot Arm), as well as the torque of the joints calculated from the dynamic model, the computational cost of the APF+PSO algorithm is also presented to find the parameters of the APF algorithm and generate the collision avoidance trajectories. Resumo: A utilização da robótica na indústria tem crescido muito nos últimos anos, tornando os sistemas de produção cada vez mais eficientes. No entanto, algumas limitações podem atrasar o processo produtivo causando prejuízos à produção, como as paradas do robô que podem ser causadas por vários fatores, como acidentes, colisões de robôs manipuladores com operadores ou outros equipamentos. A principal contribuição desta pesquisa é melhorar o algoritmo de Campos Potenciais Artificiais (Artificial Potential Field -APF ) utilizando Otimização por Enxame de Partículas (Particle Swarm Optimization -PSO) por meio da otimização dos parâmetros do APF (APF+PSO) para evitar colisões. Apresentamos como resultados as trajetórias no espaço cartesiano e trajetórias das juntas do manipulador SCARA (Selective Compliance Assembly Robot Arm), bem como o torque das juntas calculados a partir do modelo dinâmico, também é apresentado o custo computacional do algoritmo APF+PSO para encontrar os parâmetros do algoritmo APF e gerar as trajetórias livres de colisão.