JOURNAL OF COMPUTING, VOLUME 3, ISSUE 3, MARCH 2011, ISSN 2151‐9617 

HTTPS://SITES.GOOGLE.COM/SITE/JOURNALOFCOMPUTING/  
WWW.JOURNALOFCOMPUTING.ORG     
107

RBF Kernel Support Vector Regression

based Controller for a Robot gripper
D.V.Pushpalatha1 K.R.Sudha1     
1
Department of Electrical Engineering, Andhra University, Visakhapatnam, India 

Abstract - Robotic grippers are commonly required to grasp and manipulate loads under a wide range of operating
conditions, without the load slipping from the end-effector and avoiding damage to the load. The increasing demand on
robotic gripper performance leads to the use of advanced control strategies. In the present paper, a novel approach for
on-line adaptive tuning of Support Vector Regression (SVR) based controller for a two finger robot gripper using RBF
kernel is presented. The efficacy of the controller is tested on Robot gripper and compared with unsymmetrical triangular
input fuzzy logic controller. It is observed that the proposed controller results to a better response than the unsymmetrical
fuzzy sets.

Keywords -Support vector regression, RBF kernel,triangular fuzzy sets, robot gripper

1 INTRODUCTION enable  the  computer  to  learn.  In  simple  terms 

development  of  algorithms  which  enable  the 
Recently,  significant  developments  have  been  machine to learn and perform tasks and  activities. 
made  in  the  design  of  practical  robot  hands  that  Machine  learning  overlaps  with  statistics  in  many 
can  perform  tasks  required  in  various  industrial  ways.  Over  the  period  of  time  many  techniques 
fields.  However,  most  industrial  robots  have  been  and methodologies were developed for the design 
designed  to  perform  only  specific  movements  of  PSS  using  machine  learning    tasks.The 
based  on  information  of  the  object  to  be  foundations  of  Support  Vector  Machines  (SVM) 
manipulated (e.g., object mass and size). Therefore,  have been developed by Vapnik [4][5][6]. The SVM 
little attention has been given to grasping strategy  can be applied to both classification and regression 
for unexpected force, such as an inertial force that  problems.  The  SVM  for  regression  is  called 
arises  when  a  grasped  object  is  moved  quickly.  In  Support  Vector  Regression  (SVR)  and  applied  in 
operations  in  which  the  load  force  of  the  grasped  regression analysis.  
object  varies,  one  possible  grasping  strategy  to   
prevent the object from slipping is for the robot to  In  the  present  paper  a  novel  approach  for  on‐line 
grip  the  object  with  a  larger‐than‐necessary  force.  adaptive  tuning  of  Support  Vector  Regression 
However,  if  a  delicate  or  fragile  object  is  to  be  (SVR)  based  controller  for  a  two  finger  robot 
manipulated,  excessive  grasping  force  may  gripper using RBF kernel is presented. The efficacy 
damage the object.  of  the  controller  is  tested  on  Robot  gripper  and 
  compared  with  unsymmetrical  triangular  input 
Support  Vector  machine  (SVM)  is  a  new  machine  fuzzy logic controller. 
learning  method  that  is  developed  on  the  basis  of 
the  statistical  learning  theory.  Based  on  the 
principle of structural risk minimization, SVM can 
2 SUPPORT VECTOR MACHINE
solve  the  problem  of  over‐fitting  effectively. 
Support  Vector  Machines  (SVM)    has  its  solid 
Machine  Learning  is  considered  as  a  subfield  of 
mathematical  foundation  based  on  statistical 
Artificial  Intelligence  and  it  is  concerned  with  the 
learning  theory  (Vapnik‐Chervonenkis  (VC) 
development  of  techniques  and  methods  which 
theory)  .  A  major  goal  of  VC  theory  is  to 

 
JOURNAL OF COMPUTING, VOLUME 3, ISSUE 3, MARCH 2011, ISSN 2151‐9617 
HTTPS://SITES.GOOGLE.COM/SITE/JOURNALOFCOMPUTING/  
WWW.JOURNALOFCOMPUTING.ORG     
108

characterize the generalization error instead of the  3 KERNAL FUNCTION IN SUPPORT

error  on  specific  data  sets,  which  enable  SVM  to  VECTOR MACHINE
generalize  well  to  unseen  data.  Unlike   
conventional  regression  techniques,  the  SVR  The  idea  of  the  kernel  function  is  to  enable 
attempts  to  minimize  the  upper  bound  on  the  operations  to  be  performed  in  the  input  space 
generalization  error  based  on  the  principle  of  rather  than  the  potentially  high  dimensional 
structural  risk  minimization  rather  than  feature  space.  Hence  the  inner  product  does  not 
minimizing  the  training  error.  This  approach  is  need  to  be  evaluated  in  the  feature  space.  The 
expected  to  perform  better  than  the  empirical  risk  function  of  kernel  is  to  perform  mapping  of  the 
minimization  principle  employed  in  the  attributes  of  the  input  space  to  the  feature  space. 
conventional  approaches.  Moreover,  the  SVR  is  a  The kernel function plays a critical role in SVM and 
convex  optimization,  which  ensures  that  the  local  its  performance.  It  is  based  upon  reproducing 
minimization  is  the  unique  minimization.    SVM  Kernel Hilbert Spaces[2]. 
has three key features:     
1) Better generalization capability;    K(x,xʹ) = (φ(x),φ(xʹ))      (1)          
2) Global  optimal  solution  using 
optimization theory;   If  K  is  a  symmetric  positive  definite  function, 
3) Kernel functions for nonlinearity.    which satisfies Mercer’s Conditions, 
 
There  are  many  linear  classifiers  (hyper  planes)               ∞ 
that  separate  the  data.  However  only  one  of  these 
achieve maximum separation.    K(x,xʹ) = ∑αm φm(x) φm(xʹ) ,  αm ≥ 0            
 
Advantages  and  Limitations  of  SVR:  Support     m          
vector  regression  (SVR)  has  many  attractive 
features:   ∫∫K(x,xʹ)g(x)g(xʹ)dxdxʹ > 0 , g   L2        (2) 
                                            
1. It  has  the  ability  to  model  non‐linear 
relationships  Then  the  kernel  represents  a  legitimate  inner 
2. It  has  the  ability  to  select  only  the  product  in  feature  space.  The  training  set  is  not 
necessary  data  points  (support  vector)  to 
linearly  separable  in  an  input  space.  The  training 
solve  the  regression  function  ,  which 
set is linearly separable in the feature space. 
results in a sparse solution;   
3. The  regression  function  is  related  to  a 
quadratic    problem  (QP)  which  has  a 
3.1 Choosing Kernelland
unique global solution  in it that has good  Corresponding Parameters
generality  capability  and  better 
classification accuracy.  In  the  SVR  algorithm,  the  kernel  function,  its 
4. VC  theory  characterizes  properties  the  parameters,  and  two  SVR  training  parameters  (C, 
generalization  error  which  enable  SVR  to  and ε) for ε‐insensitive loss function play a key role 
generalize well to unseen data;    in  the  SVR  performance.  Parameter  C  is  the  trade 
5. The  SVR  technique  can  be  used  when  off  between  model  complexity  (flatness)  and  the 
there  are  few  samples  than  variables, 
degree  of    deviations  allowed  in  the  optimization 
which  is  also  called  small  n  large  p 
problems .  formulation. Parameter    controls the width of the 
   ‐insensitive  zone,  which  affects  the  number  of 
  support  vectors  used  to  construct  the  regression 
  function.  The  kernel  function  represents  the 
 
mapping instrument that is necessary to transform 
the  non‐linear  input  space  to  a  high‐dimensional 

 
JOURNAL OF COMPUTING, VOLUME 3, ISSUE 3, MARCH 2011, ISSN 2151‐9617 
HTTPS://SITES.GOOGLE.COM/SITE/JOURNALOFCOMPUTING/  
WWW.JOURNALOFCOMPUTING.ORG    109 

feature  space  where  linear  regression  is  possible.  the  influence  of  inertia,  the  desired  force  Fi(t)  is 
The  mapping  depends  on  the  intrinsic  topological  defined as follows: 
structure  of  the  data  and  application‐domain  Fi (t )  N(, t ){Fd  F(, t )}  
knowledge.  It  implies  that  the  kernel  type  and  all   
Input u(t) can be expressed by 
parameters  need  be  optimally  chosen  to  get  the 
u(t )  K p {Fi (t )  F(t )}
best performance. However, there are no structural   
 
methods for determining efficiently the selection of 
where  F(t)is  output,  or  the  measured  grasping 
kernel  and  all  parameters.  Moreover,  because  C 
force, and Kp indicates the proportional gain.  
and   ‐values affect the model in a different way P 

3 CASE STUDY: Robot gripper and control

system

Robot gripper control in this paper is the control of 
the  force  exerted  over  the  gripping  area[1][2][3]. 
The  robot  gripper  used  is  shown  in    Fig.1.  Two   
fingers were moved by DC servo motors through a   
ball screw, and each finger could be shifted in one   Figure  1.  Robot  gripper  that  can  emulate  human 
direction.  Grasping  forces  were  measured  by  grasping motion 
attached  strain  gauges  through  a  low  pass  filter   
[cut off frequency: 200 Hz] and an amplifier. Fig. 2 
shows  the  control  system  for  the  robot  gripper.  A  A  system  representing  the  complete  model  for 
block  diagram  of  the  control  system  is  shown  in  Robot  gripper  control  is  considered.  Fuzzy  PI 
Fig  2.  .  F(α)  represents  the  grasping  force  to  controller  is  applied  to  it.  For  convenience  the 
compensate  for  the  inertial  force,  which  is  F̂ ()
additional  disturbance  Inertia  force    is  made 
calculated from the observed acceleration. The sum 
of  the  reference  input  Fd  and  disturbance    F(α)  is  equal to zero. Fig. represents Block diagram for the 
applied  to  the  controlled  element  after  being  control of robot gripper using SVR controller.                                          
multiplied  by  the  safety  factor  N(α),  which  is 
changed  by  the  acceleration.  Taking  into  account 

Inertiaforce
 
F̂( )
+ 
+ F̂
F̂d K 1K 2 1
N(α) Kp 
  +  + ‐ (1  s )s s
 

Controller Kp 

Ki 

Figure 2.Block diagram of robot gripper

 
JOURNAL OF COMPUTING, VOLUME 3, ISSUE 3, MARCH 2011, ISSN 2151‐9617 
HTTPS://SITES.GOOGLE.COM/SITE/JOURNALOFCOMPUTING/  
WWW.JOURNALOFCOMPUTING.ORG    110 

4 Performance Analysis: Figure  4.  Unit  step  response  of  robot  gripper 
controller  using  symmetrical  and  unsymmetrical 
From the graphs fig 3 and Fig 4 it can be observed  fuzzy  ontroller  and  conventional  controller  for 
that  the  rise  time  and  settling  time  for  the  N(α)=1.2 
proposed controller are less compared to rise time    
and  settling  time  for  the  conventional  controller.  5 CONCLUSIONS:
That is proposed controller gives the  
fast  response  than  fuzzy  controllers  with  In  this  paper  a  controller  is  designed  using  RBF 
unsymmetrical  input  fuzzy  sets[7]  have  better  support  vector  Regression(SVR)  technique  to 
performance  than  fuzzy  controller  with  control  the  robotic  gripper.  Obtained  results  are 
unsymmetrical  fuzzy  sets  and  conventional  compared  with  the  conventional  controller.  From 
controller 
the  simulated  results  it  can  be  concluded  that  the 
 
performance  of  the  proposed    controller  have 
better  performance  than  a  fuzzy    controller  with 
unsymmetrical  fuzzy  sets  and  also  that  of  the 
conventional controller. 

6 References
                SVR controller 
[1]   Nobuaki Nakazawa, Il‐hwan Kim, Hikaru 
                       PID controller  Inooka, Ryojun Ikeura, ʺForce control of a 
robot  gripper  based  on  human  grasping 
                        Fuzzy  unsymmetrical 
schemes”,  Control  Engineering  Practice, 
September 2001, pp 735‐742. 
 
[2]   N.I.Glossas  and  N.A.Aspragthos  ,  “Fuzzy 
Figure 3. Unit step response of robot gripper Logic  grasp  control  using  tactile 
controller using symmetrical and unsymmetrical sensors”,,Mechatronics,  Volume  11,  Issue 
fuzzy controller and conventional controller for 7, October 2001, pp. 899‐920. 
N(α)=1
 
[3]   M.F.Barsky,  D.K.Lmdner,  R.O.Claus, 
“Robot  Gripper  Control  System 
demonstrating  PVDF  piezoelectric 
sensors”,  Proceedings  of  IEEE 
International  Ultrasonics  Symposium, 
1986, pp. 545‐548. 
 
[4]   S. R. Gunn, “Support Vector Machines for 
Classification  and  Regression,”  Technical 
                SVR controller 
Report,  Image  Speech  and  Intelligent 
                       PID controller  Systems  Research  Group,  University  of 
Southampton, 1997. 
                       Fuzzy  unsymmetrical  [5  V.  Vapnik.  The  Nature  of  Statistical 
Learning  Theory.  Springer,  N.Y.,  1995. 
ISBN0‐387‐94559‐8. 

 
JOURNAL OF COMPUTING, VOLUME 3, ISSUE 3, MARCH 2011, ISSN 2151‐9617 
HTTPS://SITES.GOOGLE.COM/SITE/JOURNALOFCOMPUTING/  
WWW.JOURNALOFCOMPUTING.ORG     
111

[6]  V.  Vapnik,  S.  Golowich,  and  A.  Smola. 

“Support  vector  method  for  function 
approximation, regression estimation, and 
signal  processing”  In  M.  Mozer,  M. 
Jordan,  and  T.  Petsche,  editors,  Advances 
in Neural Information Processing Systems 
9,  pages281–  287,  Cambridge,  MA,  1997. 
MIT Press. 

[7]   D.V.Pushpalatha,  K.R.Sudha  and  A.Staya 

Devi  “Design  of  Adaptive  Fuzzy 
Controller  for  a  Robot  gripper” 
proceedings  of    IEEE  Advances  in  Recent 
Technologies  in  Communication  and 
Computing,  2009.  ARTCom  ʹ09. 
International  Conference  on  27‐28  Oct. 
2009 ,pp254 ‐ 256