See

discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/267558540

MODELADO, IDENTIFICACIÓN PARAMÉTRICA

Y CONTROL DEL ROBOT SCORBOT-ER 5 PLUS

Article

CITATIONS READS

0 165

4 authors, including:

Jaime Arango Andres Vivas

National University of Colombia Universidad del Cauca
1 PUBLICATION 0 CITATIONS 50 PUBLICATIONS 361 CITATIONS

SEE PROFILE SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Surgical robots View project

All content following this page was uploaded by Andres Vivas on 30 January 2015.

The user has requested enhancement of the downloaded file. All in-text references underlined in blue are added to the original document
and are linked to publications on ResearchGate, letting you access and read them immediately.
 MODELADO, IDENTIFICACIÓN PARAMÉTRICA Y CONTROL DEL
ROBOT SCORBOT-ER 5 PLUS
Alexander Constaín*, Karoll Torres*, Jaime Arango**, Andrés Vivas*

*
Departamento de Electrónica, Instrumentación y Control, Universidad del Cauca, Popayán (email:
avivas@unicauca.edu.co).
**
Departamento de Eléctrica, Electrónica y Computación, Universidad Nacional de Colombia, sede Manizales.

Abstract: El robot Scorbot-ER 5plus es un robot industrial diseñado para propósitos académicos.
Aunque dicho robot posee un control programado de fábrica, es de gran interés para la investigación
implementar en él otros tipos de controladores para probar algoritmos diferentes. Para esto es necesario
conocer su modelo matemático así como los parámetros dinámicos. Este estudio desarrolla el modelado
de dicho robot, identificando sus parámetros dinámicos por medio de la técnica de mínimos cuadrados.
Finalmente el modelo y la identificación son validados en simulación al implementarse un control clásico
tipo PID y un control basado en el modelo (control por par calculado). Trayectorias de tipo industrial son
utilizadas para evaluar el desempeño del controlador.
Keywords: Control de robots, control por par calculado, identificación paramétrica, identificación por
mínimos cuadrados.

Manizales. Esto conlleva a la necesidad de aplicar técnicas de

1. INTRODUCCIÓN
La inversión en robots industriales como parte de las políticas
de automatización de las empresas, constituye una estrategia
de gran aceptación en el sector productivo, dado que con
estos mecanismos se posibilita la fabricación de gran
variedad y cantidad de productos a precios competitivos, sin
descuidar su calidad y seguridad. Esto se refleja igualmente
en el sector académico, donde se hace necesaria la
preparación de los futuros profesionales que vayan a trabajar
con este tipo de máquinas.
Sin embargo las posibles modificaciones que se requieran
efectuar sobre un sistema robótico instalado respecto a la
técnica de control que lo gobierna, resultan muy difíciles si
no se conoce el modelo matemático del sistema real. Los
programadores de las industrias quedan por lo tanto limitados
a utilizar la estrategia de control dada por el fabricante. De
otra parte existen mucho robots utilizados con propósitos
académicos los cuales solo pueden ser controlados con los
algoritmos rígidos instalados en fábrica, lo cual no permite
que los estudiantes prueben en ellos algoritmos diferentes y
de interés para numerosas investigaciones. Por estas razones
es deseable conocer el modelo matemático del robot, primero
que todo para simular su comportamiento y una vez
verificado éste, implementar nuevas estrategias de control y
desempeño.
El presente trabajo busca sentar las bases en nuestro país para
resolver el problema descrito anteriormente, trabajando con
el robot manipulador Scorbot-ER 5plus de cinco grados de
libertad del Departamento de Eléctrica, Electrónica y
Computación, de la Universidad Nacional de Colombia, sede
identificación que permitan estimar con relativa precisión los
parámetros dinámicos del robot, para finalmente validar todo
el modelo en un sistema de control basado en dicho modelo.
2. MODELADO DEL SCORBOT-ER 5 PLUS
2.1. Descripción del robot Scorbot-Er 5 Plus
El Scorbot-ER 5plus (Intelitek, 2008) mostrado en la Figura
1, es un robot serial tipo industrial diseñado para propósitos
académicos, compuesto por una secuencia de cinco
articulaciones rotoides y seis eslabones rígidos, donde la base
es el eslabón cero (0) y el órgano terminal el eslabón cinco
(5). Cada articulación es movida por un motor DC de 12
voltios, acoplado mediante un sistema de transmisión
compuesto por correas dentadas y engranajes, donde las
posiciones angulares son captadas por medio de encóders
ópticos incrementales ajustados al eje de rotación de cada
motor. El control del robot puede realizarse de manera
manual (lazo abierto) o estar a cargo del algoritmo PID
(Proporcional Integral Derivativo) implementado de fábrica
(Syd, 2000; Eshed Robotek, 1998).
El Scorbot-ER 5plus tiene la particularidad que el
movimiento en las dos últimas junturas es causado por la
interacción de los motores 4 y 5 actuando simultáneamente
sobre el mismo eje de rotación. Considerando que el
movimiento “Roll” no tiene influencia en el desempeño del
robot ante consignas definidas en un plano como las que
hacen parte de este estudio, el robot se representará con un
modelo de 4 grados de libertad que considere los
movimientos de la base, el hombro y el codo, además de la
inclinación del efector final (Pitch).
La descripción geométrica del robot y su respectiva tabla de
parámetros se muestra en la Figura 2 y la Tabla 1
respectivamente. Para obtener dicha tabla se ha utilizado la
descripción de Khalil and Kleinfinger (1986).
Fig. 1. Vista general del robot Scorbot-ER 5plus.
2.2. Modelo dinámico del robot Scorbot-Er 5 plus
El modelo dinámico representa matemáticamente la relación
de fuerzas que actúan sobre un cuerpo y el movimiento que
en él se origina, involucrando determinados parámetros
numéricos propios de cada robot. Estos parámetros son once
en total (Khalil and Dombre, 2002), divididos en:
Seis tensores de inercia: XXj, XYj, XZj, YYj, YZj, YZj.
Tres primeros momentos de inercia: MXj, MYj, MZj.
Masa del cuerpo respectivo: Mj.
Inercia del accionador respectivo: Iaj.
Dichos parámetros poseen un valor determinado que se debe
hallar por medio de un proceso de identificación paramétrica
(ver sección 3.1). Para el caso del robot Scorbot-ER 5plus, el
número total de parámetros a identificar sería de 44 (dada su
representación como un modelo de cuatro grados de libertad).
En Khalil and Dombre (2002) puede verse como utilizando
ciertas simplificaciones, muchos de los parámetros originales
pueden anularse o reagruparse, lo cual simplifica bastante el
modelo y sus correspondientes cálculos. Los parámetros
simplificados, llamados parámetros de base, para el robot
Scorbot-ER 5plus se muestran en la Tabla 2. La letra “R”
presente en algunos parámetros indica la presencia de otros
parámetros reagrupados en él. Es de notar que dichos
parámetros fueron hallados con el software SYMORO
(Khalil and Creusot, 1997).
Tabla 2. Parámetros de base del robot Scorbot-ER 5plus
XXj XYj XZj YYj YZj ZZj MXj MYj MZj Mj Iaj

0 0 0 0 0 ZZR1 0 MY1 0 0 0

XXR2 0 0 0 0 ZZR2 MX2 0 0 0 0

XXR3 0 0 0 0 ZZR3 MX3 MY3 0 0 I3

XXR4 0 0 0 0 ZZR4 MX4 MY4 0 0 I4

Fig. 2. Modelo geométrico del robot Scorbot-ER 5plus.
0 0 0 0 0 0 0 0 0 0 0
Tabla 1. Parámetros geométricos del robot Scorbot-ER
5plus
j σj αj dj θj rj El modelo dinámico inverso (MDI) expresa las fuerzas o
1 0 0 0 θ1 0 pares de las articulaciones en términos de posiciones,
velocidades y aceleraciones articulares. De manera práctica
2 0 -π/2 0 θ2 0 este modelo provee una representación matemática de la
3 0 0 D3 θ3 0 planta que puede ser utilizada en estrategias de control
basadas en el modelo (control por par calculado, control
4 0 0 D4 θ4 0 robusto, control predictivo, etc.), de ahí su importancia en el
5 0 0 D5 θ5 0
diseño de controladores avanzados. Su expresión más simple
es:

El parámetro θj hace referencia a la variable articular de cada
articulación rotoide; dj hace referencia a la longitud de cada
brazo del robot; αj al ángulo entre los ejes zj; rj representa la
distancia entres ejes xj; y σj determina el tipo de articulación
(0 si es rotoide, 1 si es prismática).
Γ = A( q ) q + Q (1)
Donde Г son las fuerzas o pares aplicados a las
articulaciones, A es la matriz de inercia la cual depende de las
posiciones articulares q y de la energía cinética del robot, y Q
es el vector de gravedad conformado por los elementos de la
energía potencial del sistema. Las aceleraciones articulares
están representadas por q .
Por su parte el modelo dinámico directo (MDD) relaciona las Xˆ = W +Y (8)
aceleraciones articulares con los pares, posiciones y
velocidades articulares. Este modelo es muy útil ya que donde W+ es la seudoinversa de W. Suponiendo que el vector
permite realizar la simulación en computador del robot, de errores ρ está centrado, la varianza se puede definirse
utilizando alguna herramienta de simulación matemática (por como:
ejemplo el entorno Matlab/Simulink®). Su expresión se
deriva de la ecuación (1) al despejar las aceleraciones Y −W Xˆ
2

articulares: σp =
2
(9)
(r −c)
q= A ( Γ − Q )
−1
(2)
con r = número de medidas y c = número de parámetros a
Las expresiones completas de los modelos dinámicos directo estimar. La desviación estándar será entonces:
e inverso del robot Scorbot-ER 5plus pueden verse en
Constaín y Torres (2008). σ xjˆ
σ xjr
ˆ % = 100 (10)
Xˆ j
3. RESULTADOS
3.1 Identificación de parámetros dinámicos La aplicación del principio de mínimos cuadrados requiere
que el número de medidas o datos tomados de las trayectorias
Luego de determinar los parámetros inerciales de base del (Figura 3), sea mucho mayor que el de parámetros
Scorbot-ER 5plus y los respectivos modelos MDD y MDI, el (incógnitas). Del mismo modo la calidad del procedimiento
siguiente paso consiste en estimar el valor de dichos depende de qué tan rica sea la información en la matriz de
parámetros utilizando el método de Mínimos Cuadrados observación, lo cual se refleja en el comportamiento del error
(Ljung, 1999; Gautier, et al., 1995). El resultado de este ρ acorde con sus propiedades estadísticas (Bona and
procedimiento permitirá entonces completar los modelos para Curatella, 2005; Wernholt, 2004; Swevers, et al., 2000).
la posterior implementación de un controlador.
El principio de mínimos cuadrados (Least Squares
Estimation) resuelve el problema de estimar las incógnitas
del modelo (parámetros organizados en el vector X ),
utilizando para ello tanto los valores conocidos (entradas o
cuplas Г) como los observados (salidas o posiciones
articulares q ). La Ecuación (1) puede reescribirse como
(Khalil and Dombre, 2002):

Y =W ( q, q , q) X + ρ (3)

donde W es la matriz de observación, X es el vector de

parámetros dinámicos a hallar y ρ el vector de errores o
residuos. La solución en el sentido de mínimos cuadrados Figura 3. Tipo de trayectoria apropiada para la identificación.
para los parámetros estimados es:
En un sentido práctico deberán concatenarse al menos cinco
Xˆ = Arg min ρ 2
(4) tablas de datos obtenidas a partir de distintos experimentos,
pretendiendo que el proceso de identificación se desarrolle
La solución de la estimación por mínimos cuadrados se con información suficiente y apropiada. Es decir, lo que se
obtiene siempre y cuando W sea de rango completo, de modo busca es conformar un nuevo movimiento que combine
que se obtenga un vector en el mismo espacio dimensional diferentes dinámicas, de modo que se relacionen los
de Y. Esta solución se halla resolviendo (4) así: estimadores con desviación estándar relativa y número de
condicionamiento más bajos, con el propósito de obtener una
{ T
min Y − W Xˆ  Y − W Xˆ  } (5) identificación de parámetros más acertada (Janot, et al., 2007;
Vivas, 2004; Guegan, 2003; Richalet, 1998).

Expandiendo: La Tabla 3 muestra los resultados de identificación obtenidos

para los catorce parámetros a identificar, con su respectiva
{
min Y Y − 2W Xˆ Y + W Xˆ W Xˆ
T T T T T
} (6) desviación estándar. Así mismo se muestra el error promedio
en los parámetros identificados y el valor del
El mínimo se obtendrá entonces al derivar con respecto a X condicionamiento (el cual debe ser lo más pequeño posible).
e igualando a cero, lo cual produce: La teoría de identificación de robots establece que el mayor
valor de desviación estándar admitido debe ser alrededor de

( ) diez veces mayor al menor valor (Khalil and Dombre, 2002).

−1
Xˆ = W T W W TY (7) Siendo el parámetro Ia4 aquél que tiene la menor desviación
en porcentaje (3.8%), el mayor valor debería estar alrededor sistema linealizado mediante realimentación y desacoplado,
del 40%. El único parámetro que supera esta convención es el produciendo globalmente mejores resultados, sobre todo en
primer momento de inercia en el eje y del tercer cuerpo, cuyo los casos sobre los cuales existen imprecisiones en los valores
valor de desviación es del 51%. Sin embargo se verá en la de los parámetros dinámicos, como es el tema de este estudio.
próxima sección que esto no es un impedimento para que el En este artículo se mostrarán los resultados en cuanto a
modelo estimado produzca un buen desempeño. Es de notar errores de seguimiento frente a una consigna cartesiana de
que existen diversas limitaciones en el proceso de tipo industrial. Esta consigna se define como un círculo de
adquisición, debidas al controlador propietario y a 0.3 m de radio, realizada sobre el plano xy. En Constaín y
características físicas del manipulador (tiempo de muestreo Torres (2008) podrán verse otros resultados frente a
mínimo, cuplas y velocidades máximas de los motores, consignas de tipo articular.
programación de trayectorias deseadas, etc). Los valores de
desviación estándar mostrados en la Tabla 3 fueron obtenidos 3.2.1 Control PID
experimentalmente y corresponden a los menores posibles, en El esquema clásico de un control PID (Proporcional –
las condiciones de muestreo realizadas. Integral – Derivativo) se muestra en la Figura 4. En este caso
la consigna cartesiana industrial necesita transformarse en
Tabla 3. Resultados de la identificación concatenando 10 una consigna articular que pueda ser manejada por cada una
trayectorias de las articulaciones del robot. Esto se logra mediante el
Modelo Geométrico Inverso, bloque MGI en la figura.
Parámetro Valor Desviación (%)
XXR2 0.0393 41.3166
XXR3 -0.0303 41.4353
XXR4 -0.0372 25.2726
ZZR1 0.1097 11.8313 d
-
q
ZZR2 0.0887 4.4723 Kp
+ + q
ZZR3 0.0131 35.3439 x d
ZZR4 -0.0081 27.4997 Γ
Ki ∫
MGI Robot
MXR2 0.0416 4.7268 +
MXR3 -0.0096 24.5342 +
q
MYR3 0.0043 51.0884 q
d +
MXR4 0.0080 20.2386 Kv
-
MYR4 -0.0047 34.9295
Ia3 0.0875 6.9414
Ia4 0.1233 3.8671
Fig. 4. Esquema del control PID.
Promedio 23.8213
Condicionamiento 35.4386
La ley de control está representada por:

Las unidades para los elementos del tensor de inercia son
Kg.m2, para el primer momento de inercia son Kg.m, y para
la inercia del accionador son Kg.m2.
3.2 Control del robot Scorbot-ER 5plus
Con el fin de validar el modelo identificado se
implementaron dos controladores, uno que no tiene en cuenta
el modelo (control PID), y otro basado en el modelo (control
por par calculado). Estas dos clases de estrategias son
ampliamente utilizadas en la industria para el control de
robots (Khalil and Dombre, 2002; Ollero, 2001; Sciavicco
and Siciliano, 1996).
El control PID se caracteriza por la facilidad de su
implementación, la amplia teoría desarrollada al respecto y la
baja carga computacional requerida en su funcionamiento.
Sin embargo las características propias de un manipulador
(no linealidad, dinámicas acopladas), representan su mayor
obstáculo y hacen que su desempeño no sea el más adecuado
frente a cargas o velocidades elevadas.
Por otra parte el control por par calculado (Computed Torque
Control – CTC) tiene la ventaja de utilizar un modelo
matemático de la planta, lo cual le permite trabajar con un
Γ = K p (q − q ) + K v (q − q ) + K i ∫ (q − q ) dτ
d d d
(11)
d d
Los términos q y q son respectivamente, la posición y
velocidad deseadas, expresadas en unidades articulares. Los
elementos Kp, Kv y Ki son matrices diagonales y definidas
positivas, cuyos elementos son respectivamente las ganancias
proporcional, integral y derivativa para cada articulación.
Para la sintonización de las ganancias del PID se utilizó
como base el bloque “Signal Constraint” de
Matlab/Simulink®. La Figura 5 muestra el error cartesiano en
el seguimiento de la trayectoria circular. Puede verse que el
error máximo es de menos de 120 micras, lo cual puede
considerarse como aceptable en un contexto de
requerimientos industriales.
3.2.2 Control por par calculado (CTC)
El control por par calculado pretende involucrar el modelo de
la planta en la propia estrategia de control, lográndose
cancelar las no-linealidades del modelo dinámico del robot,
lo que tiene especial importancia cuando se requiere gran
velocidad de trabajo o se pretende mejorar el desempeño del
lazo de control.
 u(t ) = K p (q − q ) − K v q
-4 d
1.2
x 10
(14)

0.8
Error cartesiano (m)

X
d Kp Desacoplamiento y
0.6 qd
compensación no lineal q
u Γ
0.4 MGI Kv Aˆ(q) Robot

q
0.2 q
Hˆ(q,q)
0
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
Tiempo (ms) Control lineal

Fig. 5. Error articular del control PID.

Figura 6. Esquema del control CTC.
Teóricamente esta técnica de control asegura la linealización
mediante realimentación y el desacople de las ecuaciones del
modelo dinámico del sistema, proporcionando un Como en el caso anterior, el control CTC se sintonizó
comportamiento uniforme cualquiera que sea la haciendo uso del bloque “Signal Constraint” de
configuración del robot en un determinado momento (Khalil Matlab/Simulink®. La Figura 7 muestra el error cartesiano en
and Dombre, 2002; Ollero, 2001; Sciavicco and Siciliano, el seguimiento de la trayectoria circular. El error máximo esta
1996). vez es de menos de 40 micras, mostrando un mejor
comportamiento que el PID.
Dado que los términos dinámicos de (1) son altamente no-
lineales y acoplados, se propone la siguiente linealización x 10
-5

6
tomando el vector de control u como una función del estado
del manipulador:
5

Γ = Aˆ ( q ) u(t ) + Qˆ ( q ) (12) 4
Error cartesiano (m)

Donde  y Q̂ son estimaciones de las dinámicas reales del 3

manipulador (A y Q respectivamente). En el caso ideal y sin

presencia de perturbaciones, el problema se reduce entonces a 2

un caso de control lineal, donde Aˆ = A y Qˆ = Q . 1

Comparando las ecuaciones (1) y (12), el nuevo vector de

control u(t) tendría la forma de la aceleración articular: 0
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
Tiempo (ms)

q= u(t ) (13)

Fig. 7. Error articular del control CTC.
Para el cálculo de la ley de control indicada en la anterior
ecuación, se requiere calcular las dinámicas inversas del Como se esperaba los errores de seguimiento son menores en
manipulador. El sistema indicado por esta ecuación es lineal el caso del controlador CTC ya que éste involucra el modelo
y desacoplado con respecto al vector u, el cual representa un matemático de la planta. Igualmente para el caso particular
nuevo vector de entrada que tiene la acción de un doble del robot Scorbot, como las desviaciones estándar obtenidas
integrador. fueron relativamente altas para algunos parámetros (Tabla 3),
se observa como el control CTC reacciona mejor frente a
La Figura 6 muestra el esquema de la estrategia CTC. Este estos errores en los parámetros dinámicos. Varios estudios
esquema consta de dos bucles de control, el primero de ellos demuestran su superioridad frente al control PID en diversos
(lazo interior) se basa en el modelo dinámico del desempeños, como rechazo de perturbaciones, cambios en los
manipulador, cuya función es obtener la deseada relación valores de los parámetros dinámicos, consignas más rápidas,
entrada/salida lineal y desacoplada. El lazo exterior por su etc. (Vivas, 2006; Vivas y Mosquera, 2005).
parte es el encargado de procesar el error, se encarga de
estabilizar todo el sistema llevándolo a alcanzar el 4. CONCLUSIONES
comportamiento deseado.
El presente artículo mostró el modelado del robot Scorbot-ER
Teniendo en cuenta la posición deseada qd, el control por par 5plus de cinco grados de libertad. Con el fin de implementar
calculado establece la acción correctiva u de la siguiente controladores más sofisticados que el simple PID que este
manera: robot trae de fábrica, se hizo necesaria la identificación de los
valores de sus parámetros dinámicos. Dichos parámetros
fueron reducidos utilizando la técnica de parámetros de base,
 obteniéndose al final catorce incógnitas. La identificación se Khalil, W. and Dombre, E. (2002). Modeling identification and
realizó utilizando la técnica de mínimos cuadrados, control of robots. London: Hermes Penton Science.
probándose el algoritmo respectivo con diversas trayectorias
experimentales con el fin de excitar todos los parámetros a Khalil, W. and Kleinfinger, J.F. (1986). A new geometric
ser estimados. Los resultados de la identificación mostraron notation for open and closed-loop robots. In Proceedings of
buenas desviaciones estándar para la mayoría de parámetros the IEEE International Conference on Robotics and
estimados. Automation, San Francisco, USA, pp. 1174-1180.

Los parámetros identificados permitieron completar el
modelo dinámico del manipulador, el cual fue probado en
simulación con dos estrategias de control: el clásico PID y un
controlador basado en el modelo (control por par calculado).
Se utilizó como consigna industrial un círculo de reducido
diámetro. Los resultados mostraron errores bastante bajos en
el seguimiento de la trayectoria. Como era de esperarse el
control por par calculado, dado que involucra el modelo
matemático de la planta, obtuvo mejores resultados en el
seguimiento de la consigna deseada.
Ljung, L. (1999). System identification: theory for the user.
New Jersey: Prentice Hall.
Ollero, A. (2001) Robotica: manipuladores y robots móviles.
Madrid: Marcombo.
Paul, R.C. (1981). Robot manipulators: mathematics,
programming and control. Cambridge: MIT Press.
Richalet J. (1998). Practique de l’identification. Paris: Hermès
Science Publications.

Posteriores trabajos buscarán la implementación real de Sciavicco, L. and Siciliano, B. (1996). Modeling and control of
controladores basados en el modelo sobre el robot Scorbot- robot manipulators. London: McGraw Hill.
ER 5plus, con el fin de validar de manera experimental la
Swevers, J., Ganseman, C., Chenut, X. and Samin, J.C. (2000).
identificación realizada y probar otras estrategias de control
Experimental identification of robot dynamics for control. In
avanzadas sobre él.
Proceedings of the IEEE International Conference on
Robotics and Automation, San Francisco, USA, pp. 241-246.
REFERENCIAS
Syd, C. (2000). Scorbot ER-Vplus y Scorbot ER-IX. Informe
Bona, B. and Curatella, A. (2005). Identification of industrial
interno IACI00-01 de Universidad Nacional de Quilmes,
robot parameters for advanced model-based controllers
Argentina.
design. In Proceedings of the IEEE International
Conference on Robotics and Automation, Barcelona, Spain, Vivas, A. and Mosquera, V. (2005). Predictive functional
pp. 1681-1686. control for a PUMA robot. In Proceedings of the
International Conference on Automatic Control and System
Constaín, A., y Torres, K. (2008). Modelado, identificación
Engineering, ACSE 2005, El Cairo, Egypt, pp. 35-40.
paramétrica y control de un robot de cinco grados de
libertad. Tesis de pregrado. Facultad de Ingeniería Vivas, A. (2004). Contribution à l'identification et à la
Electrónica y Telecomunicaciones, Universidad del Cauca, commande des robots parallèles. Doctoral Thesis, Universite
Popayán, Colombia. Montpellier II, France.
Eshed Robotec (1998). Scorbot-ER 5plus, User´s Manual. Vivas, A. (2006). Control predictivo de un robot tipo SCARA.
Revista Chilena de Ingeniería, Vol. 14, No. 2, pp. 137-147.
Gautier, M., Khalil, W. and Restrepo, P. (1995). Identification
of the dynamic parameters of a closed loop robot. In Wernholt, E. (2004). On multivariable and nonlinear
Proceedings of the IEEE International Conference on identification of industrial robots. Licentiate Thesis,
Robotics and Automation, Nagoya, Japan, pp. 3045-3050. Linköping University, Sweden.
Guegan, S. (2003). Contribution a la modelisation et à
l'identification dynamique des robots parallèles. Doctoral
Thesis, Ecole Centrale de Nantes, France.
Intelitek (2008). http://www.intelitek.com/. Consultado mayo
2008.
Janot, A., Bidard, C., Gosselin, F., Gautier, M., Keller, D., and
Perrot, Y. (2007). Modeling and identification of a 3 DOF
haptic interface. In Proceedings of the IEEE International
Conference on Robotics and Automation, Rome, Italy, pp.
4949-4955.
Khalil, W. and Creusot, D. (1997). SYMORO+: a system for
the symbolic modelling of robots. Robotica, Vol. 15, pp. 153-
161.

View publication stats