[pt] CONTROLE PREDITIVO HIERÁRQUICO DE VEÍCULOS ROBÓTICOS

[en] HIERARCHICAL PREDICTIVE CONTROL OF ROBOTIC VEHICLES

[pt] ANNA RAFAELA SILVA FERREIRA

[pt] ROBO MOVEL

[pt] CONTROLE HIERARQUICO

[pt] RESTRICAO NAO-HOLONOMICA

[pt] CONTROLE DE MODELO PREDITIVO

[pt] SKID-STEER

[pt] ESTIMACAO DE ESTADOS DE HORIZONTE MOVEL

[en] MOBILE ROBOT

[en] HIERARCHICAL CONTROL

[en] NON-HOLONOMIC CONSTRAINT

[en] MODEL PREDICTIVE CONTROL

[en] SKID STEER

[en] MOVING HORIZON STATE ESTIMATION

[pt] Robôs móveis autônomos são um grande foco de pesquisa devido à sua aplicabilidade e interdisciplinaridade. Robôs móveis com roda de direção diferencial, além de possuírem alta não-linearidade, detêm uma característica inerente à sua geometria: suas rodas só podem girar em torno de eixos fixos, sem esterçamento. Com isso, o deslizamento longitudinal e lateral é inevitável, principalmente quando o sistema está em movimento sob efeitos dinâmicos significativos. Controle Preditivo baseado em Modelo Não-Linear, Nonlinear Model Predictive Control (NMPC), é amplamente utilizado nesses casos, já que consegue lidar com sistemas com múltiplas restrições. O presente trabalho apresenta modelos matemáticos de um robô móvel com roda do tipo skidsteer, procedente da direção diferencial, incluindo o deslizamento longitudinal, aos quais o NMPC é empregado para seguimento de trajetória, obtendo trajetórias similares à de referência. Verificando que o custo de processamento de tais controladores pode ser muito alto para uso em tempo real, um controle hierárquico é desenvolvido otimizando as forças longitudinais entre as rodas e o solo para encontrar deslizamentos de referência para uma determinada trajetória a ser seguida. Como em um ambiente real nem todos os estados podem ser medidos, o controle necessita também estimar os estados não medidos. A Estimação de Estados por Horizonte Móvel, (Moving Horizon State Estimation (MHSE)), derivada dos fundamentos do NMPC, foi utilizada para realizar a estimativa, já que possui recursos para manter o sistema sob as restrições. Com o MHSE, o deslizamento do sistema pode ser calculado a partir dos estados estimados para as trajetórias obtidas com o Controle Preditivo baseado em Modelo, (Model Predictive Control (MPC)). Por fim, uma rede neural foi treinada com os estados preditos e estimados com o MHSE para que pudesse substituí-lo para que todo o controle fosse utilizado em tempo real. Com isso, o tempo computacional foi reduzido devido a substituição do MHSE.

[en] Autonomous mobile robots are a major focus of research due to their applicability and interdisciplinarity. Depending on the type of locomotion, the system’s controller needs to handle not only trajectory tracking but also the way the system interacts with the ground. Mobile robots with differential drive wheels, in addition to having high nonlinearity, possess an inherent characteristic due to their geometry: their wheels can only rotate around fixed axes, without steering. As a result, longitudinal and lateral slip is inevitable, especially when the system is in motion under significant dynamic effects. Nonlinear Model Predictive Control (NMPC) is widely used in these cases, as it can handle systems with multiple constraints. This work presents mathematical models of a skid-steer mobile robot, derived from differential drive, including longitudinal slip, to which NMPC is applied for trajectory tracking, achieving trajectories similar to the reference. Given that the processing cost of such controllers can be very high for real-time use, a hierarchical control is developed, optimizing the longitudinal forces between the wheels and the ground to find reference slips for a given trajectory to be followed. Since in a real environment not all states can be measured, the control also needs to estimate the unmeasured states. Moving Horizon State Estimation (MHSE), derived from the fundamentals of NMPC, was used to perform the estimation, as it has the resources to keep the system within the constraints. With MHSE, the system’s slip can be calculated from the estimated states for the trajectories obtained with Model Predictive Control (MPC). Finally, a neural network was trained with the predicted and estimated states using MHSE to replace it so that the entire control could be used in real-time. As a result, computational time was reduced due to the replacement of MHSE.

MARCO ANTONIO MEGGIOLARO

VIVIAN SUZANO MEDEIROS

ARTHUR MARTINS BARBOSA BRAGA

MARCO ANTONIO MEGGIOLARO

IVAN FABIO MOTA DE MENEZES

VIVIAN SUZANO MEDEIROS

JOAO CARLOS VIRGOLINO SOARES

DANIEL HENRIQUE BRAZ DE SOUSA

2025-02-04

2024-06-05

[pt] TEXTO

application/pdf

PORTUGUÊS

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=69247@1

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=69247@2

https://doi.org/10.17771/PUCRio.acad.69247