Table of Contents
La matriz jacobina se encuentra como una de las herramientas matemáticas más fundamentales en la robótica moderna, sirviendo como un puente entre el mundo abstracto de configuraciones del espacio-junto y el reino práctico del movimiento del final-effector. Ya sea que usted está diseñando manipuladores industriales, programando robots colaborativos, o desarrollando algoritmos de control avanzados, una comprensión profunda de la matriz jacobica es esencial para el éxito en la ingeniería robótica.
¿Cuál es la matriz jacobina en robótica?
La matriz jacobiana es una construcción matemática que describe la relación entre las velocidades articulares de un manipulador robótico y las velocidades resultantes de su efecto final. Nombrada después del matemático alemán Carl Gustav Jacobi, esta matriz de derivados parciales proporciona una aproximación lineal de cómo los pequeños cambios en las posiciones conjuntas se traducen a cambios en la posición y orientación del final-efector.
En términos prácticos, la matriz jacobiana responde a una pregunta crítica en robótica: si muevo cada articulación a cierta velocidad, ¿qué velocidad y en qué dirección se moverá mi efecto final? Esta relación es fundamental porque mientras que normalmente programamos robots para lograr movimientos específicos de final-effector, como mover una antorcha de soldadura a lo largo de una costura o posicionar un agarre para recoger un objeto: el control real sucede a nivel de articulación.
La matriz jacobiana sirve como traductor entre estos dos espacios: el espacio conjunto donde se produce el control y el espacio de tarea donde se definen los objetivos. Esta traducción no es meramente académica; constituye la base para el control de velocidad, el control de fuerza, la planificación de trayectoria y la evitación de singularidad en los sistemas robóticos.
La Fundación Matemática de la Matriz Jacobiana
Formulación Matemática Básica
Para un sistema robótico con n articulaciones y un efecto final que opera en un espacio de trabajo, la matriz jacobina J establece la relación fundamental:
⁇ = J(θ) · θú
Donde:
- ⁇ representa el vector de velocidad de extremo-efector (velocidades lineales y angulares)
- J(θ) es la matriz jacobina, que depende de la configuración conjunta actual
- θú es el vector de las velocidades articulares
- θ representa el vector de posiciones o ángulos conjuntos
La matriz jacobiana puede ser expresada como una matriz de derivados parciales:
J = ⁇ x/θ(
Esta notación indica que cada elemento del jacobino representa cómo un componente particular de la posición del final-effector cambia con respecto a un ángulo de articulación particular. Para un manipulador de seis grados de librería que opera en espacio tridimensional, el jacobino es típicamente una matriz de 6×6, con las tres primeras filas correspondientes a la velocidad lineal y las tres últimas filas correspondientes a la velocidad angular.
Conducir los elementos de la matriz jacobina
Los elementos de la matriz jacobiana se calculan sobre la base de las ecuaciones kinemáticas avanzadas del robot. La cinemática avanzada describe cómo los ángulos articulares mapa a la posición y orientación del efecto final. Al tomar derivaciones parciales de estas ecuaciones cinemáticas con respecto a cada variable articular, obtenemos las columnas de la matriz jacobiana.
Para un manipulador robótico general, cada columna J]i del jacobino corresponde a la articulación i y describe cómo el movimiento de esa articulación afecta al efecto final. La estructura de cada columna depende de si la articulación es revoltativa (prob.)
Para un conjunto de revolcamiento, la i-a columna del Jacobiano puede ser calculada como:
- Componente de velocidad lineal: z]i-1] × (pn] - pi-1)]
- Componente de velocidad angular: z]i-1
Para una articulación prismática, la columna i-th es:
- Componente de velocidad lineal: z]i-1
- Componente de velocidad angular: 0
[LT:2] zi-1 es el eje de rotación o traducción para articulaciones i , pn] [FLT:
Dependencia de Configuración
Una característica crítica de la matriz jacobiana es que depende de la configuración actual del robot. A diferencia de la masa o longitud de los enlaces de robot, que permanecen constantes, los cambios jacobinos a medida que el robot se mueve. Esta dependencia de configuración significa que las mismas velocidades de articulación producirán diferentes velocidades de extremo-efecto dependiendo de la pose actual del robot.
Esta propiedad tiene implicaciones importantes para el control de robots. Los algoritmos de control deben actualizar continuamente la matriz jacobina a medida que el robot se mueve, y la eficacia de las estrategias de control basadas en Jacobian puede variar significativamente a través del espacio de trabajo del robot. Algunas configuraciones pueden permitir un movimiento preciso y ágil, mientras que otras pueden estar cerca de singularidades donde el control se vuelve difícil o imposible.
Tipos de matrices jacobinas en robótica
El campo de la robótica emplea varios tipos diferentes de matrices jacobinas, cada una adaptada a aplicaciones específicas y necesidades analíticas. Entender las distinciones entre estos tipos es esencial para seleccionar la herramienta adecuada para su desafío robótico particular.
Geometric Jacobian
El jacobino geométrico, también conocido como el Jacobiano básico, relaciona directamente las velocidades articulares con las velocidades lineales y angulares del efecto final expresado en un marco de referencia fijo. Esta es la forma más comúnmente utilizada del jacobino en la robótica y es particularmente útil para el control de nivel de velocidad.
El jacobino geométrico tiene una interpretación física clara: sus columnas representan el efecto instantáneo del movimiento de cada articulación sobre la velocidad del efecto final. Esto lo hace intuitivo para entender el movimiento del robot y para implementar esquemas de control de velocidad. El jacobino geométrico se estructura normalmente como una matriz de 6×n para manipuladores espaciales, donde las tres filas superiores corresponden con la velocidad lineal y las tres filas inferiores corresponden con la velocidad angular.
Analista Jacobiano
El jacobino analítico relaciona las velocidades articulares con los derivados del tiempo de los parámetros de posición y orientación del efecto final. A diferencia del jacobino geométrico, que utiliza vectores de velocidad angular, el jacobio analítico utiliza los derivados de ángulos de orientación como los ángulos de Euler, ángulos de punta-rollo u otras representaciones de orientación.
Este tipo de Jacobian es particularmente útil cuando trabaja con representaciones de orientación que son más intuitivas para ciertas aplicaciones o cuando se interfacing con sistemas que especifican orientaciones usando secuencias de ángulo. Sin embargo, el jacobio analítico puede sufrir de singularidades asociadas con la representación de orientación elegida, como el bloqueo gimbal en las representaciones de ángulo de Euler, incluso cuando el propio robot no está en una singularidad cinemática.
Espacio de la tarea Jacobian
El espacio de tarea Jacobian es una forma especializada que relaciona las velocidades de articulación con las velocidades en un sistema de coordinación específico de tareas. En lugar de describir el movimiento seis dimensiones completo del final-effector, el espacio de tarea Jacobian se centra sólo en los grados de libertad relevantes para una tarea particular.
Por ejemplo, si un robot está realizando una tarea de escritura planaria, el espacio de tarea pertinente podría ser de dos dimensiones, describiendo movimiento en un plano. El espacio de tarea Jacobian sería entonces una matriz de 2×n que relaciona las velocidades conjuntas a las velocidades en este espacio de tareas bidimensional. Este enfoque es particularmente valioso para la planificación y control de trayectoria en tareas limitadas donde no todos los seis grados de libertad son relevantes o controlables.
Inverso Jacobiano
Aunque no técnicamente un tipo diferente de Jacobian, el inverso Jacobian merece mención especial debido a su importancia en la robótica. El inverso Jacobian, denotado J-1 ], proporciona el mapeo inverso de las velocidades de extremo de efecto a las velocidades de articulación:
θú = J]-1(θ) · ⁇
Esta relación es fundamental para los cinemáticos inversos a nivel de velocidad. Cuando usted desea que el final-effector se mueva con una velocidad específica, el inverso jacobiense le dice qué velocidades articulares son requeridas. Sin embargo, el inverso Jacobian sólo existe cuando la matriz jacobalí es cuadrada y no-singular, lo que conduce a consideraciones importantes sobre la manipulación y singularidad.
Pseudo-Inverse Jacobian
Para manipuladores redundantes (robots con más articulaciones que necesarias para la tarea) o para matrices jacobinas no cuadradas, el pseudo-inverso jacobiense proporciona una solución generalizada. El seudo-inverso de Moore-Penrose, denotado J] ]
θú = J] [θ] · ⁇
El pseudo-inverso es particularmente valioso para los robots redundantes porque proporciona una manera sistemática de resolver la redundancia, por lo general seleccionando la solución de velocidad conjunta con la menor magnitud. Este enfoque se puede ampliar con proyecciones de espacio nulo para alcanzar objetivos secundarios manteniendo el movimiento primario de efecto final.
Aplicaciones Prácticas de la Matriz Jacobiana
La matriz jacobina no es meramente una construcción teórica; sirve como la base para numerosas aplicaciones prácticas en robótica. Entendiendo estas aplicaciones ayuda a ilustrar por qué el jacobino es una herramienta tan indispensable en la ingeniería robótica moderna.
Control de velocidad y control de movimiento de destino resuelto
Una de las aplicaciones más directas de la matriz jacobina es en control de velocidad, también conocido como control de movimiento de tipo resuelto. En este esquema de control, se especifica una velocidad de extremo-efector deseada, y el jacobino se utiliza para calcular las velocidades de articulación necesarias para lograr ese movimiento.
Este enfoque es particularmente útil para la teleoperación, donde un operador humano especifica los movimientos finales deseados usando un joystick u otro dispositivo de entrada. El sistema de control utiliza el Jacobiano inverso o pseudo-inverso para traducir estos comandos en señales de control de nivel conjunto. El control de la velocidad también es esencial para el seguimiento de la trayectoria, donde el robot debe seguir un camino predefinido a una velocidad especificada.
La ventaja del control de velocidad basado en Jacobian es que opera en el espacio de tarea intuitivo manteniendo un movimiento conjunto suave y coordinado. Esto resulta en un comportamiento robot más natural y predecible en comparación con el control de las articulaciones de forma independiente.
Control de la fuerza y el control de la impedancia
La matriz jacobica desempeña un papel crucial en las aplicaciones de control de la fuerza a través del principio de trabajo virtual. La relación entre pares conjuntos y fuerzas de efecto final se da por:
τ = JT(θ) · F
Cuando τ] es el vector de las torcas conjuntas, JT ] es la transposición de la matriz jacobina, y F] es el vector de las fuerzas y los momentos aplicados por el entorno de la unión de esfuerzo.
Control de impedancia, una estrategia de control sofisticada que regula la relación dinámica entre fuerza y movimiento, también depende en gran medida de la matriz jacobiana. Al utilizar el jacobino para transformar entre espacio conjunto y espacio de tarea, los controladores de impedancia pueden crear comportamientos mecánicos deseados en el terminal del efecto, como muelles virtuales o amortiguadores, aunque el control real ocurre en el nivel de articulación.
Planeamiento y Sendero Trayectorios
La matriz jacobiana es instrumental en la planificación de la trayectoria, especialmente para generar caminos suaves y libres de colisión en el espacio de tareas. Al planificar trayectorias, los ingenieros a menudo especifican caminos deseados en coordenadas cartesianas porque esto es más intuitivo que la planificación en el espacio conjunto. El jacobino permite la conversión de estas trayectorias cartesianas en trayectorias de espacio conjunto que el robot puede ejecutar.
Los algoritmos de planificación de trayectoria avanzada utilizan el jacobino para asegurar que los caminos previstos sean factibles dadas las limitaciones cinemáticas del robot. Al analizar el jacobino a lo largo de una trayectoria propuesta, los planificadores pueden identificar problemas potenciales como acercarse a singularidades o superar límites de velocidades articulares, y ajustar la trayectoria en consecuencia.
El jacobino también permite la modificación de la ruta en tiempo real. Si los obstáculos aparecen o los requisitos de tarea cambian durante la ejecución, el jacobino puede ser utilizado para calcular velocidades de articulación alternativas que logran movimientos de final-effector modificados evitando colisiones o satisfaciendo nuevas limitaciones.
Análisis y Evitación de la Singularidad
Las singularidades representan configuraciones donde un robot pierde uno o más grados de libertad, y se identifican analizando la matriz jacobiana. Una configuración es singular cuando la matriz jacobiana pierde rango, que ocurre cuando su determinante se convierte en cero (para matrices cuadradas) o cuando tiene filas o columnas dependientes linealmente.
En o cerca de las singularidades, las pequeñas velocidades de extremo-efector pueden requerir velocidades articulares extremadamente grandes, lo que conduce a comportamiento errático, pérdida de control o daño mecánico. El jacobino proporciona las herramientas matemáticas para detectar estas configuraciones problemáticas antes de que causen problemas.
Los algoritmos de evitación de la Singularidad usan al jacobino para dirigir al robot lejos de configuraciones singulares. Los enfoques comunes incluyen la vigilancia de la medida de manipulación (relacionada con el determinante del jacobino) y la adición de términos de penalización para controlar objetivos que desalientan el movimiento hacia las singularidades. Algunos controladores avanzados utilizan métodos de mínimo cuadrado amortiguados que modifican las casi singularidades de los jacobanos pseudo-inversos para mantener un control estable.
Resolución de la Redundancia
Para los manipuladores redundantes —rebotes con más grados de libertad que requeridos para una tarea determinada— el Jacobiano proporciona el marco para la resolución de redundancia. El espacio nulo del Jacobiano representa movimientos conjuntos que no afectan la posición del final del efecto, permitiendo que el robot se reconfigura mientras mantiene la posición del final del efecto.
Esta capacidad permite a los robots alcanzar objetivos secundarios como la evitación de obstáculos, la evitación de límites conjuntos, la optimización de la manipulación o la minimización de energía mientras que todavía se cumple la tarea principal. La solución general para las cinemáticas inversas redundantes utilizando el jacobino es:
θú = J]† ] · ⁇ + (I - J J) · θú0
Cuando el primer término alcanza el movimiento final-efector deseado y el segundo término representa movimiento en el espacio nulo que puede utilizarse para objetivos secundarios sin afectar la tarea primaria. El vector θú]0 ] puede ser elegido para optimizar diversos criterios.
Calibración y análisis de errores
La matriz jacobiana también es valiosa para la calibración de robots y el análisis de errores. Al examinar cómo los errores en las mediciones conjuntas se propagan a errores en la posición de los efectos finales, los ingenieros pueden identificar qué articulaciones afectan más críticamente a la precisión y priorizan los esfuerzos de calibración en consecuencia.
La relación entre errores conjuntos y errores de final-effector es aproximadamente lineal para pequeños errores y se puede expresar usando el Jacobiano:
Δx ♥ ♥ J · Δθ
Esta relación ayuda a entender la propagación de errores y a diseñar procedimientos de calibración que minimizan los errores de posicionamiento de los end-effector. También informa sobre las decisiones sobre la colocación de sensores y los requisitos de resolución para lograr las especificaciones de precisión deseadas.
Computación de la matriz jacobiana: Un ejemplo detallado
Para hacer más concreto el concepto de la matriz jacobiana, trabajemos a través de un ejemplo detallado de computar al jacobino para un brazo robótico planar de dos enlaces. Este ejemplo ilustra el proceso y proporciona ideas que se extienden a manipuladores más complejos.
Descripción del sistema
[LT:3] [Línculo positivo [LT] [Líntese] [Líntese] ] [Línculo positivo ] [Líntese] [Líntese] [Líntese:2] [Líntese] [Líntese] [Límite:
Kinematics adelante
La posición del final-effector en las coordenadas cartesianas se puede expresar como:
- x = l1 · porque(θ]1]) + l2 · cos(θ]1 + θ]2[FLT][FLT] [FLT] [FLT]]
- y = l1 · sin(θ]1]) + l2 · sin(θ]1 + θ]2[FLT][FLT] [FLT] [FLT]]
Estas ecuaciones describen cómo los ángulos de articulación se mapean a la posición de final-effector, las cinemáticas avanzadas del sistema.
Conducir al Jacobiano
La matriz jacobiana se obtiene tomando derivados parciales de las ecuaciones de posición con respecto a cada ángulo de articulación. Para este brazo planificador de dos enlaces, el jacobino es una matriz de 2×2:
J = [apartamento] [[FLT: 1]]1 2 [[FLT] [[FLT]] [[FLT]] [[FLT]] [[FLT]] [2]] [ ] [[FLT] [] [ ]] [ ]] [
Computación de cada derivado parcial:
- ] ]]1]1 · sin(θ1] [FLT] [FLT] [4]]]] [FLT] [4]]] [F] [4]] [F] [4]]] [4]]]]]
- ]2 = -l]2] · sin(θ1 + θ2] ] ]
- ] ]111 · Porque [FLT] [FLT] [4]]] [4]] [4]]] [4]] [FLT] [4]] [4]] [4]] [F] [4] [4]] [4]]]]]]] [4] [F[
- ]2 = l]2] · cos(θ]1 + θ2] ] []]]
Por lo tanto, la matriz Jacobiana completa es:
[LT][LT][LT][LT] [LT] [LT] [LT] [FLT] [23]] [F] [L] [L]] [L] [L]] [L] [L] [L]] [L]] [L]] [L]]
Interpretación física
Cada columna de este Jacobiano tiene un significado físico claro. La primera columna representa cómo el efecto final se mueve cuando la articulación 1 gira mientras que la articulación 2 permanece fija. La segunda columna representa el movimiento del extremo-effector cuando sólo la articulación 2 gira. La magnitud de cada columna indica cuánto resultado del movimiento del extremo-efector de una rotación de la unión correspondiente.
Observe que el Jacobiano depende de la configuración actual (θ]1] y θ]2). Diferentes configuraciones de brazo producen diferentes jacobinos, lo que significa que las mismas velocidades de articulación producirán diferentes velocidades defectuosos según la posición del brazo.
Usando el Jacobian para el Control de la Velocidad
Supongamos que queremos que el efecto final se mueva con velocidad ⁇ = 0.1 m/s en la dirección x y = 0.05 m/s en la dirección y. Para encontrar las velocidades de articulación requeridas, resolvemos:
[0.1] = J · [θú]1]
] [05] [θú2 [] [] []]
Esto requiere calcular el inverso Jacobian y multiplicarlo por el vector de velocidad de extremo deseado. La solución proporciona las velocidades de articulación necesarias para lograr el movimiento de final-effector deseado en la configuración actual.
Identificar las Singularidades
Para este brazo de dos enlaces, las singularidades ocurren cuando el determinante del Jacobiano equivale a cero. Computando el determinante:
det(J) = l1l2sin(θ]2 ]
El determinante se convierte en cero cuando sin(θ2]) = 0], que ocurre cuando θ2 = 0°] o
Temas avanzados en el análisis jacobino
Medidas de manipulación y destreza
La medida de manipulación, introducida por Tsuneo Yoshikawa, cuantifica lo bien que un robot puede moverse en direcciones arbitrarias desde una configuración determinada. Se define como:
w = √det(JT]] ]
Para los jacobinos cuadrados, esto simplifica el valor absoluto del determinante de J. La medida de manipulación proporciona un valor escalar que indica la destreza del robot en una configuración particular. Los valores superiores indican una mejor manipulación, mientras que los valores que se aproximan a cero indican la proximidad a las singularidades.
Esta medida es valiosa para la planificación de trayectoria y resolución de redundancia. Los planificadores pueden utilizarla para seleccionar caminos que mantienen alta manipulación, y los robots redundantes pueden utilizar movimientos null-space para maximizar la manipulación mientras realizan tareas. La manipulación elipsoide, derivada de la descomposición de valor singular del Jacobian, proporciona información aún más detallada sobre las capacidades direccionales del robot en cada configuración.
Número de condición y estabilidad numérica
El número de condiciones de la matriz jacobiana proporciona una visión de la estabilidad numérica de las computaciones cinemáticas inversas. Se define como la relación de los valores singulares más grandes a pequeños del jaco:
κ(J) = σmax / σmin
Un número de condición cercano a 1 indica una matriz bien condicionada donde las computaciones inversas son numéricamente estables. Numerosos números de condiciones indican mal acondicionado, donde los errores pequeños en la entrada pueden conducir a grandes errores en la salida.
Entender el número de condición es crucial para implementar algoritmos de control robustos. Cuando el número de condición es alto, los métodos de menos cuadradas o otras técnicas de regularización deben ser empleados para mantener la estabilidad numérica y prevenir el comportamiento errático de robots.
Análisis de la aceleración y los derrames del tiempo
Mientras que el jacobino relaciona velocidades, el análisis de aceleración requiere el derivado del tiempo del jacobino. La relación entre las aceleraciones de articulaciones y las aceleraciones de los efectos finales es:
⁇ = J · θ̈ + Jú · θú
Donde Jú] es el tiempo derivado de la matriz jacobiana. Este término explica el hecho de que el propio Jacobiano cambia a medida que el robot se mueve. Computar Jú requiere tomar derivados de los elementos jacobinos con respecto al tiempo, que implica tanto las posiciones y velocidades de la articulación.
El término Jú es esencial para el control dinámico, el seguimiento de la trayectoria con restricciones de aceleración, y la comprensión de las características de movimiento completas de los sistemas robóticos. Desvelar este término puede llevar a rastrear errores y rendimiento suboptimal en aplicaciones de alta velocidad.
Jacobiano en diferentes marcos de referencia
La matriz jacobina se puede expresar en diferentes marcos de referencia, y la elección del marco afecta tanto los valores numéricos como la interpretación de la matriz. Las opciones más comunes son el marco base (framio mundial) y el marco de efecto final (franque de herramientas).
El marco base Jacobian expresa velocidades de efecto final en el sistema de coordenadas del mundo fijo, que es intuitivo para tareas definidas en coordenadas mundiales. El marco de efecto final Jacobian expresa velocidades relativas a la herramienta, que es más natural para tareas como contorno de seguimiento o operaciones de superficie donde se definen las direcciones pertinentes en relación con la orientación de la herramienta.
La transformación entre estas representaciones implica matrices de rotación y sigue la relación:
J]tool = R]tool T · J]base[ ]
Donde R]tool ] es la matriz de rotación que describe la orientación del marco de herramientas en relación con el marco de base. Elegir el marco adecuado puede simplificar los algoritmos de control y hacerlos más intuitivos para aplicaciones específicas.
Desafíos y limitaciones de los métodos de base jacobina
Singularidades y su impacto
Las singularidades representan el reto más significativo en la robótica basada en Jacob. En configuraciones singulares, la matriz jacobina pierde rango, lo que significa que no puede ser invertido. Esta propiedad matemática se traduce en una realidad física: el robot pierde uno o más grados de libertad y no puede moverse instantáneamente en ciertas direcciones.
Hay varios tipos de singularidades que pueden afectar a los manipuladores robóticos. Las singularidades benignas ocurren en los límites del espacio de trabajo cuando el brazo está completamente extendido o retraído. Las singularidades internas ocurren dentro del espacio de trabajo cuando dos o más ejes articulares se alinean. Las singularidades de la Wrist son específicas a los brazos de seis grados de la libertad y ocurren cuando los ejes de muñeca se alinean.
Cerca de singularidades, incluso si no exactamente a ellos, el inverso Jacobian puede tener elementos muy grandes, lo que conduce a las velocidades articulares necesarias que exceden las capacidades de actuador. Esto puede hacer que el robot se mueva erráticamente, perder la precisión de seguimiento, o desencadenar paradas de seguridad.
No linealidades en Dinámica de Robot
El jacobino proporciona una aproximación lineal de la relación entre el movimiento conjunto y el fin-effector. Mientras que esta aproximación es exacta para los movimientos infinitesimal, los robots reales ejecutan movimientos finitos donde los efectos no lineales se hacen significativos. La naturaleza dependiente de la configuración del jacobino es en sí misma una manifestación de la no linearidad del sistema.
Para grandes movimientos o operaciones de alta velocidad, el enfoque lineal basado en Jacobio puede no proporcionar suficiente precisión. El camino real del robot puede desviarse de la trayectoria prevista, especialmente cuando se mueve a través de regiones donde el Jacobian cambia rápidamente. Se pueden aplicar más sofisticados enfoques de control que explican las dinámicas no lineales.
Además, el jacobino relaciona velocidades pero no cuenta directamente los efectos dinámicos como la inercia, las fuerzas Coriolis o la gravedad. Para un control dinámico preciso, el jacobino debe combinarse con el modelo dinámico del robot, que describe cómo las fuerzas y torques se relacionan con las aceleraciones.
Complejidad computacional
Para sistemas robóticos complejos con muchos grados de libertad, la computación de la matriz jacobina y su inverso o pseudo-inverso puede ser computacionalmente intensivo. Un manipulador de seis grados de la libertad requiere la computación 36 derivados parciales, y la carga computacional aumenta cuadráticamente con el número de articulaciones.
Los sistemas de control en tiempo real deben computar al jacobino en frecuencias altas —a menudo cientos o miles de veces por segundo— para mantener el control receptivo. Para los sistemas con recursos computacionales limitados o tasas de control muy altas, el costo computacional de los cálculos jacobinos puede convertirse en un problema.
Diversas técnicas de optimización pueden reducir la carga computacional, incluyendo simplificación simbólica de las expresiones jacobinas, explotando patrones de espacidez en la matriz, utilizando algoritmos recurrentes, o empleando procesamiento paralelo. Para algunas aplicaciones, los jacobinos aproximados o las tablas de búsqueda pueden proporcionar un rendimiento aceptable con un costo computacional reducido.
Precisión y calibración modelo
La precisión del control basado en Jacob depende críticamente de la precisión del modelo cinemático utilizado para derivar el Jacobiano. Tolerancias de fabricación, errores de montaje, desgaste mecánico y expansión térmica todo hace que las kinematices robot reales difieran del modelo nominal.
Estos errores modelo se propagan a través del Jacobiano para afectar la posición y movimiento del end-effector. Un robot con un error de 1-degree en una medición del ángulo conjunto producirá un Jacobian incorrecto, lo que llevará a errores en control de velocidad y control de fuerza. Para aplicaciones de alta precisión, calibración cuidadosa es esencial para minimizar estos errores.
Los procedimientos de calibración suelen implicar la medición de las posiciones de los efectos finales reales para varias configuraciones conjuntas y el uso de algoritmos de optimización para identificar los verdaderos parámetros cinemáticos. Una vez identificados, estos parámetros se utilizan para calcular los Jacobianos más precisos. Sin embargo, la calibración es de tiempo y puede necesitar repetirse periódicamente a medida que las edades del robot y sus características cambian.
Múltiples soluciones y ambigüedad
Para los manipuladores redundantes, el problema de las cinemáticas inversas tiene infinitamente muchas soluciones, y el pseudo-inverso Jacobian proporciona sólo uno de ellos —típicamente la solución mínima-norm. Mientras esto es matemáticamente elegante, puede que no sea la solución más deseable para aplicaciones prácticas.
Las diferentes soluciones pueden tener características muy diferentes en términos de manipulación, distancia de límites conjuntos, evitación de colisión o consumo energético. El enfoque pseudo-inverso estándar no considera estos factores a menos que se incorpore explícitamente a través de la optimización nulo-espacio o seudo-inversos ponderados.
Además, incluso para manipuladores no rotundantes, el problema de las cinemáticas inversas puede tener múltiples soluciones discretas correspondientes a diferentes configuraciones de los brazos (como el codo contra el codo hacia abajo). El enfoque basado en Jacobian no selecciona inherentemente entre estas soluciones y puede conducir a cambios inesperados de configuración si no se gestiona cuidadosamente.
Estrategias de aplicación práctica
Método de las Plazas Menos Perjudicadas
El método de menos cuadrados empapados (DLS), también conocido como el método Levenberg-Marquardt, proporciona una alternativa robusta al pseudo-inverso estándar para computar las cinemáticas inversas. En lugar de usar J]†], el método DLS utiliza:
θú = (J]TJ + λ2I)]-1J]T
Donde λ] es un factor de amortiguación y I es la matriz de identidad. El factor de amortiguación impide que el inverso se convierta en una singularidad excesivamente grande, negociando cierta precisión para la estabilidad. Al estar lejos de las singularidades, la solución DLS se acerca a la solución pseudo-inversa estándar.
El escote adecuado es crucial. El escote es demasiado pequeño, proporciona una protección insuficiente contra las singularidades, mientras que el amortiguamiento causa errores de rastreo innecesarios. Las estrategias de amortiguación adaptativas que ajustan λ en función de la medida de manipulación o el número de condiciones a menudo proporcionan el mejor rendimiento.
Singularity-Robust Inverse
La singularidad-robust inverse (SRI) es una técnica avanzada que se humedece selectivamente sólo las direcciones asociadas con pequeños valores singulares. Este enfoque utiliza la descomposición de valor singular del jacobino:
J = UevaVT
Donde U] y V] son matrices ortogonales y es una matriz diagonal de valores singulares. La SRI modifica sólo los pequeños valores singulares al dejar sin cambios los grandes, proporcionando un mejor rendimiento de seguimiento que evitar la humedad uniforme mientras aún.
Métodos de proyección de ingredientes
Para los robots redundantes, los métodos de proyección de gradientes optimizan los objetivos secundarios manteniendo el desempeño de tareas primarias.
θú = J]† ] · ⁇ + α(I - J] J) · restablecimientoH(θ)
[LT] [FLT] H(θ)] es una función objetiva escalar que se puede optimizar (como manipulación o distancia de los límites conjuntos), demoraH(θ)] es su gradiente, y α es un factor de interferencia.
Las funciones objetivas comunes incluyen maximizar la manipulación, minimizar la distancia de una configuración preferida, evitar los límites conjuntos, minimizar el consumo de energía o evitar obstáculos. Múltiples objetivos pueden combinarse mediante sumas ponderadas o priorización jerárquica.
Prioridad de la tarea y control jerárquico
Los marcos prioritarios de la tarea extienden el enfoque básico de Jacobian para manejar múltiples tareas simultáneas con diferentes prioridades. La tarea de mayor prioridad se ejecuta utilizando el inverso jacobino estándar, mientras que las tareas de menor prioridad se proyectan en el espacio nulo de tareas de mayor prioridad.
Para dos tareas con los jacobinos J]1 y J2 , donde la tarea 1 tiene mayor prioridad, la solución es:
[LT:2] [FLT] [FLT] [14] [FLT] [4] [FLT] [4]] [FLT] [4]] [4] [4]] [4] [4] [4] [FLT] []] [4]] [L] [L]] [L]] [L] [L] [L] [L] [L] [L]]
Este enfoque garantiza que la tarea 1 se ejecute exactamente (si es posible), mientras que la tarea 2 se ejecuta en la medida de lo posible sin interferir con la tarea 1. Este marco puede ampliarse a un número arbitrario de tareas prioritarias, lo que permite un control complejo de múltiples objetivos.
Diferenciación numérica y diferencias finitas
Mientras que los jacobinos analíticos derivados de ecuaciones cinemáticas son preferidos por su exactitud y eficiencia, la diferenciación numérica proporciona una alternativa cuando los derivados analíticos son difíciles de obtener. La diferencia finita aproximación es:
]/θj] ]] ♥ (x]i(θ + Δj [FLT]] [LT]]] [LT]]
Δθj ] es una pequeña perturbación en conjunto j]. Este enfoque requiere la computación de las cinemáticas avanzadas n+1 ] tiempos de un costoso [Fjo valores]
La elección del tamaño de perturbación Δθ] implica un desvío: demasiado grande y la aproximación lineal se vuelve inexacta; dominan demasiado pequeños y numéricos errores de precisión. Las diferencias centrales, que utilizan perturbaciones en ambas direcciones, generalmente proporcionan una mejor precisión que las diferencias de avance a costa de la computación adicional.
Herramientas y bibliotecas de software para la computación jacobica
El desarrollo moderno de la robótica se beneficia de numerosas herramientas de software y bibliotecas que facilitan la computación jacobina y el control basado en Jacobian. Entendiendo estas herramientas pueden acelerar significativamente el desarrollo y mejorar la confiabilidad.
Robot Operating System (ROS) y MoveIt
El sistema operativo Robot proporciona un marco integral para el desarrollo de software robot, y el marco de planificación de movimiento MoveIt incluye un amplio apoyo para computaciones jacobinas. MoveIt compute automáticamente a los jacobinos basado en descripciones de robots en URDF (Unified Robot Description Format) y proporciona APIs para acceder a matrices jacobinas en diversos marcos de referencia.
Las capacidades de MoveIt Jacobian se integran perfectamente con sus funciones de planificación y control de movimiento, permitiendo a los desarrolladores implementar sofisticados controladores basados en Jacob sin derivar ecuaciones cinemáticas manualmente. El marco maneja la complejidad de diferentes configuraciones de robot y proporciona implementaciones probadas y optimizadas.
MATLAB Robotics Toolbox
El sistema de robótica de MATLAB Toolbox y el código abierto Robotics Toolbox de Peter Corke proporcionan herramientas integrales para el análisis de Jacobian. Estos entornos se destacan en prototipado y análisis, ofreciendo funciones para computar a los jacobinos, analizar la manipulación, visualizar las singularidades y simular el control basado en Jacobian.
Las capacidades simbólicas de matemáticas de MATLAB son particularmente valiosas para la conducción de expresiones analíticas jacobinas que pueden ser optimizadas y convertidas a un código numérico eficiente. Las herramientas de visualización ayudan a construir intuición sobre cómo el jacobino varía a través del espacio de trabajo.
Bibliotecas de pitón: NumPy, SciPy y Robotics Toolbox
Python ha surgido como un lenguaje popular para la investigación y desarrollo robótico, con bibliotecas como NumPy y SciPy que proporcionan la base numérica para computaciones jacobinas. La caja de herramientas de robótica Python, inspirada en la versión MATLAB, ofrece una funcionalidad similar en un entorno de código abierto Python.
Las bibliotecas adicionales como PyBullet y Drake proporcionan simulación física con computación jacobiana integrada, lo que permite la prueba de controladores basados en Jacob en entornos simulados realistas antes de su despliegue a robots físicos. Estas herramientas apoyan el prototipado rápido y el desarrollo iterativo.
Bibliotecas especializadas de cine
Bibliotecas como KDL (Kinematics and Dynamics Library), parte del proyecto Orocos, proporcionan implementaciones C++ eficientes de algoritmos cinemáticos incluyendo la computación jacobiana. Estas bibliotecas están optimizadas para el rendimiento en tiempo real y son adecuadas para sistemas de control integrados con estrictos requisitos de tiempo.
Otras herramientas especializadas incluyen IKFast para generar soluciones analíticas inversas de cine, RBDL (Rigid Body Dynamics Library) para kinematics y dinámicas combinadas, y Pinocchio para implementaciones eficientes basadas en algoritmos modernos. La selección de la biblioteca adecuada depende de los requisitos de rendimiento, preferencias de lenguaje y necesidades de integración.
Aplicaciones y estudios de casos en el mundo real
Soldadura industrial robótica
En aplicaciones de soldadura automatizadas, la matriz jacobiana permite un control preciso de la velocidad y orientación de la antorcha de soldadura a lo largo de costuras complejas. La antorcha debe mantener una velocidad constante y un ángulo adecuado en relación con la pieza de trabajo, requisitos que se expresan naturalmente en el espacio de tareas pero deben ser ejecutados a través del control de nivel conjunto.
Control de velocidad basado en Jacobian asegura soldaduras suaves y consistentes al traducir las velocidades deseadas de antorcha en movimientos conjuntos coordinados. Control de fuerza mediante la transposición jacobiense permite al robot mantener la fuerza de contacto adecuada entre la antorcha y la pieza de trabajo, compensando las variaciones en la posición parcial o geometría.
Robots quirúrgicos
Los robots quirúrgicos como el sistema da Vinci dependen en gran medida del control basado en Jacobian para traducir los movimientos de mano del cirujano en movimientos de instrumentos precisos dentro del paciente. El jacobino proporciona la cartografía entre el dispositivo de entrada del cirujano y los instrumentos quirúrgicos, permitiendo el control intuitivo a pesar de las complejas cinemáticas de los brazos robóticos.
La evitación de la esingularidad es particularmente crítica en aplicaciones quirúrgicas donde la pérdida de control podría tener graves consecuencias. El análisis avanzado de Jacobian ayuda a identificar y evitar configuraciones problemáticas, mientras que la resolución de redundancia permite al sistema mantener la manipulación a través de los procedimientos.
Robots colaborativos en la fabricación
Los robots colaborativos (cobots) que trabajan junto a los humanos utilizan el control de impedancia basado en Jacob para lograr un comportamiento seguro y compatible. Al utilizar el jacobi para relacionar los pares conjuntos con las fuerzas de los efectos finales, los cobots pueden implementar manantiales y amortiguadores virtuales que los hacen seguros de tocar y fácil de guiar manualmente.
El jacobino también permite la operación limitada por la fuerza, donde el robot monitoriza y limita las fuerzas que puede ejercer sobre el medio ambiente. Esta característica de seguridad, requerida por estándares de robótica colaborativa, se basa en computaciones jacobinas precisas para asegurar que los límites de par conjunto se traduzcan a límites de fuerza de efecto final adecuados.
Robots espaciales y manipulación
Los robots espaciales, como el Canadiense en la Estación Espacial Internacional, utilizan el control basado en Jacobian para tareas de manipulación precisa en microgravedad. El jacobino permite la teleoperación desde el control terrestre, donde los operadores especifican los movimientos finales deseados y el sistema computa los comandos conjuntos requeridos a pesar de los retrasos de comunicación.
La resolución de la Redundancia mediante la optimización del espacio nulo es particularmente valiosa en las aplicaciones espaciales, permitiendo a los robots reconfigurarse para evitar obstáculos, optimizar los ángulos de visión para las cámaras o prepararse para tareas posteriores manteniendo la posición de los terminales durante las operaciones de larga duración.
Future Directions and Research Frontiers
Estimación jacobiana basada en el aprendizaje
Investigaciones recientes exploran el uso de la máquina de aprendizaje para estimar a los jacobinos directamente de los datos, superando la necesidad de modelos kinemáticos precisos. Las redes neuronales pueden aprender la asignación entre configuraciones conjuntas y matrices jacobicas de las observaciones del movimiento robot, incertidumbres de modelos potencialmente manejables, cumplimiento mecánico y otros efectos difíciles de capturar en modelos analíticos.
Estos enfoques basados en el aprendizaje muestran la promesa de robots con cinemáticas complejas y difíciles de modelar, como robots blandos o sistemas impulsados por cable. Sin embargo, garantizar la seguridad y la fiabilidad con los jacobinos aprendidos sigue siendo un reto de investigación activo, al igual que lograr la eficiencia computacional necesaria para el control en tiempo real.
Jacobianos para robots suaves y continuos
Los robots blandos y los manipuladores continuos presentan desafíos únicos para el análisis jacobino debido a sus grados infinitos de libertad y comportamientos complejos de deformación. Los investigadores están desarrollando formulaciones jacobinas ampliadas que representan deformación continua, propiedades materiales y interacciones de contacto.
Estos Jacobianos avanzados permiten el control de robots blandos para aplicaciones como cirugía mínimamente invasiva, inspección en espacios confinados y interacción humana segura. La complejidad matemática es significativa, a menudo requiere métodos numéricos y técnicas de reducción de modelos para lograr implementaciones prácticas.
Multi-Robot Coordination
Extender los conceptos jacobinos a sistemas multirobot permite una manipulación coordinada donde múltiples robots trabajan juntos para manipular un objeto común. El sistema combinado Jacobian relaciona las velocidades conjuntas de todos los robots al movimiento del objeto compartido, permitiendo estrategias de control coordinadas.
Este enfoque es valioso para aplicaciones como el montaje cooperativo, la manipulación de grandes objetos y el control de la formación. Los desafíos incluyen manejar la alta dimensionalidad de los sistemas multirobot, coordinar la resolución de redundancia en robots y gestionar las limitaciones de comunicación en las implementaciones distribuidas.
Integración con Inteligencia Artificial
La integración del control basado en Jacobian con inteligencia artificial y aprendizaje automático está abriendo nuevas posibilidades. Los algoritmos de aprendizaje de refuerzo pueden optimizar los controladores basados en Jacob para tareas específicas, aprender los factores de amortiguación óptimos, objetivos null-space o prioridades de tarea de la experiencia.
Los enfoques híbridos que combinan la fiabilidad e interpretación de los métodos basados en Jacob con la capacidad de adaptación y aprendizaje de los sistemas de inteligencia artificial representan una dirección prometedora para el control de robots de próxima generación. Estos sistemas pueden aprovechar la fuerte base teórica de los métodos jacobinos, adaptándose a las condiciones cambiantes y a aprender de la experiencia.
Mejores prácticas para implementar el control basado en Jacobian
Validación y prueba de modelo
Antes de desplegar controladores basados en Jacobian, validar a fondo su modelo cinemático. Compare posiciones defectuosos predecidos de los cinemáticos de avanzada contra posiciones medidas en todo el espacio de trabajo. Verifique que el jacobino predice correctamente las velocidades de los efectos finales al ordenar las velocidades de articulación conocidas y medir el movimiento resultante.
Las pruebas sistemáticas deben incluir la comprobación de las singularidades, la verificación de comportamiento cerca de los límites del espacio de trabajo, y la confirmación de que la dependencia de configuración de Jacobian se implementa correctamente. Los entornos de simulación proporcionan lugares seguros para las pruebas iniciales antes de moverse a hardware físico.
Estrategia de gestión de la capacidad
Cada controlador basado en Jacobian debe incluir una estrategia para manejar las singularidades. Al mínimo, implementar el monitoreo de la medida de manipulación o número de condición y desencadenar advertencias o acciones protectoras al acercarse a configuraciones singulares. Considerar el uso de mínimos cuadrados o métodos inversos de singularidad en lugar de pseudo-inverso estándar.
Para aplicaciones críticas, implemente la planificación de trayectorias que evita activamente regiones singulares, o utilice la redundancia para mantener la manipulación a lo largo de las tareas. Documente configuraciones singulares conocidas e incluyalas en la formación de operadores y documentación del sistema.
Optimización computacional
Optimize Jacobian computations for your specific robot and control rate. Exploit any special structure in your robot's kinematics —por ejemplo, muchos robots industriales han simplificado los jacobinos debido a ejes articulares paralelos o perpendiculares. Términos constantes pre-compute y utilizan bibliotecas matriz eficientes optimizadas para su plataforma de hardware.
Perfile su implementación para identificar los cuellos de botella computacional. A veces la simplificación analítica de las expresiones jacobinas produce mejoras significativas de rendimiento. Para altas tasas de control, considere aproximaciones o tablas de búsqueda si la computación analítica completa es demasiado costosa.
Consideraciones de seguridad
Implementar límites de velocidad y aceleración en el espacio conjunto y espacio de tareas. El jacobino puede ayudar a hacer cumplir los límites del espacio de tareas predeciendo las velocidades de los efectos finales y ajustando los comandos de articulación en consecuencia. Incluir temporizadores de relojes y cheques de cordura en las velocidades de articulación computadas para detectar errores numéricos o problemas de singularidad.
Para aplicaciones de control de fuerza, valida cuidadosamente la relación transpose jacobiana entre pares conjuntos y fuerzas de fin de efecto. Los errores en esta relación pueden llevar a fuerzas excesivas que dañan equipo o lesionan a la gente. Siempre incluyen la limitación de la fuerza y las capacidades de parada de emergencia independientes del control basado en Jacobian.
Documentación y mantenimiento
Documenta tu derivación jacobiana, incluyendo definiciones de marcos de coordenadas, parámetros Denavit-Hartenberg u otras convenciones cinemáticas, y cualquier simplificación o aproximación. Esta documentación es inestimable para depurar, mantener y futuras modificaciones.
Mantener el control de versiones para modelos cinemáticos y implementaciones jacobinas. Como los robots están calibrados o modificados, actualice los modelos en consecuencia y vuelva a validar el jacobino. Incluye pruebas unitarias que verifiquen computaciones jacobinas contra configuraciones conocidas o diferenciación numérica.
Recursos educativos y aprendizaje ulterior
Para aquellos que buscan profundizar su comprensión de la matriz jacobina y sus aplicaciones en robótica, hay numerosos recursos disponibles. Libros de texto clásicos como "Introducción a la robótica: Mecánica y Control" por John J. Craig y "Robot Modeling and Control" por Mark W. Spong, Seth Hutchinson y M. Vidyasagar proporcionan una cobertura completa de los cinemáticos y el análisis jacobico.
Cursos en línea de plataformas como Coursera, edX y MIT OpenCourseWare ofrecen caminos de aprendizaje estructurados a través de cinemática robótica con ejercicios prácticos y simulaciones. Robotics Industries Association proporciona recursos y programas de capacitación centrados en la industria.
Los documentos de investigación y los procedimientos de conferencias de lugares como la Conferencia Internacional sobre Robots y Automatización de IEEE (ICRA) y el International Journal of Robotics Research presentan avances de vanguardia en el control y análisis basado en Jacobian. Los repositorios de software de código abierto en GitHub ofrecen implementaciones prácticas que pueden servir como herramientas de aprendizaje y puntos de partida para el desarrollo personalizado.
Experiencia de mano con herramientas de simulación como Gazebo, V-REP (ahora CoppeliaSim), o la Caja de Herramientas de Robótica de MATLAB proporciona una comprensión práctica inestimable. Trabajar a través de ejemplos, implementando controladores y visualizando el comportamiento jacobino en diferentes configuraciones construye intuición que complementa el conocimiento teórico.
Misconcepciones comunes y Pitfalls
El Jacobiano no es Constante
Un error común entre los principiantes es computar al jacobino una vez y reutilizarlo a lo largo de la operación robot. El jacobino depende de la configuración del robot y debe ser recomputado a medida que el robot se mueve. Usar un jacobino establo conduce a controlar errores que se acumulan a lo largo del tiempo y puede hacer que el robot se desvía significativamente de las trayectorias previstas.
La cinemática inversa no siempre es posible
La existencia de un jacobino no garantiza que existan soluciones inversas de cinemática. El jacobino proporciona una relación local, de nivel de velocidad, pero integrar las velocidades para obtener posiciones puede llevar a configuraciones fuera del espacio de trabajo del robot o a las singularidades. Las claves inversas de nivel de posición requieren consideraciones adicionales más allá del jacobino solo.
El pequeño determinante no siempre significa la Singularidad
Aunque un cero determinante indica una singularidad para los jacobinos cuadrados, un pequeño determinante no indica necesariamente la proximidad a una singularidad. La magnitud del determinante depende de las unidades utilizadas para ángulos conjuntos y posiciones de final-effector. El número de condición o medida de manipulación proporciona indicadores más fiables de la proximidad de singularidad.
El solo Jacobiano no garantiza la moción de la espuma
Usar el Jacobiano para calcular velocidades de articulación instantáneas no produce automáticamente trayectorias lisas. Las discontinuidades en las velocidades de extremo deseado, cambios repentinos en las singularidades cercanas de Jacobian, o problemas numéricos pueden conducir a un movimiento de sodomía. La operación de sofocamiento requiere una cuidadosa planificación de trayectoria, filtración y diseño de control además de la computación Jacobiana correcta.
Conclusión
La matriz jacobina representa una piedra angular de la robótica moderna, proporcionando el marco matemático esencial para entender y controlar la relación entre el movimiento conjunto-espacio y el espacio de tareas. De su papel fundamental en el control de velocidad a sus aplicaciones en el control de la fuerza, la planificación de trayectoria, el análisis de singularidad y la resolución de redundancia, el jacobino toca virtualmente cada aspecto de la manipulación y control robótica.
Dominar al Jacobiano requiere entender tanto sus fundamentos matemáticos como sus implicaciones prácticas. La relación lineal que describe entre las velocidades de unión y de final-effector proporciona poderosas herramientas analíticas y computacionales, pero también viene con limitaciones y desafíos que deben ser cuidadosamente gestionados. Singularidades, complejidad computacional, precisión modelo y estabilidad numérica todos requieren atención en implementaciones prácticas.
A medida que la robótica continúa avanzando en nuevos dominios —desde la robótica suave hasta la coordinación multirobot, desde el control basado en el aprendizaje hasta la colaboración de los robots humanos— la matriz jacobina evoluciona y se extiende para enfrentar nuevos desafíos. Sin embargo, su papel fundamental como puente entre el espacio conjunto y el espacio de tareas sigue siendo constante, lo que lo convierte en una herramienta esencial para cualquier persona que trabaja en robótica.
Ya sea que usted es un estudiante que comienza su viaje en robótica, un ingeniero que implementa sistemas de control, o un investigador que empuja los límites de lo que los robots pueden hacer, una comprensión profunda de la matriz jacobina le servirá bien. Los conceptos y técnicas presentados en este artículo proporcionan una base para ese entendimiento, pero la verdadera maestría viene a través de la práctica, experimentación y aprendizaje continuo.
El campo de la robótica es dinámico y evoluciona rápidamente, con nuevas aplicaciones, algoritmos y tecnologías que emergen constantemente. Al basar su trabajo en conceptos fundamentales como la matriz jacobina mientras permanece abierto a nuevos enfoques e innovaciones, se posiciona para contribuir al futuro emocionante de la robótica. Para obtener más información sobre el control robótica y las cinemáticas, recursos como la IEEE Robotics and Automation Society[ proporciona el acceso profesional.
Como aplicas estos conceptos en tu propio trabajo, recuerda que el jacobino es en última instancia una herramienta —poderosa y versátil, pero que requiere aplicación y integración reflexiva con otros aspectos del diseño y control de robots. El éxito en la robótica no viene de dominar ninguna técnica única, sino de entender cómo funcionan las diferentes herramientas y conceptos para crear sistemas capaces, confiables y seguros. La matriz jacobalí, con su estructura matemática elegante y amplia utilidad práctica, ejemplifica este principio y seguirá desempeñando.