Presentamos un control predictivo no lineal de seguimiento de contorno (MPCC) en los seis grados de libertad, que aprovecha el accionamiento holonómico de un vehículo submarino autónomo (AUV) para seguir de forma independiente referencias de posición y actitud. Hasta donde sabemos, esta es la primera implementación en tiempo real de este esquema en un AUV holonómico. Ampliamos el modelo nominal con dinámicas residuales de procesos gaussianos (GP), las integramos en el MPCC mediante un esquema de optimización robusta de orden cero y mostramos en simulación que la elección de los residuos que se aprenden es decisiva para el rendimiento. La validación en el agua con el AUV MOLA muestra un mejor seguimiento de la actitud que un controlador proporcional-integral-derivativo (PID) bien ajustado, tanto en un levantamiento con patrón de barrido tipo cortacésped como en una maniobra de inspección en espiral.
Introducción
El controlador aprovecha el accionamiento holonómico del AUV para seguir de forma independiente referencias de posición y actitud. El método propuesto amplía un modelo nominal con dinámicas residuales de GP e incorpora esas dinámicas al MPCC mediante un esquema de optimización robusta de orden cero. Un estudio de ablación en simulación muestra que la selección de los residuos aprendidos tiene un efecto decisivo en el rendimiento.
Los controladores se validan en el agua con el AUV MOLA y se comparan con un controlador PID bien ajustado. Los experimentos demuestran un mejor seguimiento de la actitud durante un levantamiento con patrón de barrido tipo cortacésped y una maniobra de inspección en espiral.
Trabajo relacionado
Este trabajo se basa en el modelado de residuos mediante GP, sin limitar los residuos aprendidos a términos de amortiguamiento, e integra el modelo en el problema de control óptimo. También emplea un MPCC completamente no lineal en tres dimensiones y aprovecha las propiedades holonómicas del AUV para seguir una referencia de actitud además de la posición.
Esto permite que el vehículo se oriente independientemente de su dirección de desplazamiento, algo importante durante los levantamientos y las inspecciones.
MPCC aumentado con procesos gaussianos
El MPCC aumentado con GP utiliza variables de entrada de regresión.
Procesos gaussianos
Dados los datos de entrada de entrenamiento los datos de entrada utilizados para entrenar el GP y los objetivos las salidas de entrenamiento correspondientes, la media y la varianza posteriores de un GP se evalúan en un punto de consulta.
La matriz del núcleo se evalúa entre las entradas correspondientes, y el modelo incluye una varianza de ruido. El núcleo codifica supuestos previos sobre el residuo, como su suavidad. Sus hiperparámetros se optimizan maximizando la verosimilitud marginal de los datos de entrenamiento.
Experimentos
El método propuesto se valida con el AUV MOLA, primero en simulación y luego en experimentos con el vehículo real. La configuración se mantiene igual en ambos casos para facilitar la transición de la simulación al vehículo real: el controlador, la comunicación y el proceso de aprendizaje de residuos son idénticos; solo cambia la interfaz del vehículo.
Estudio de simulación
Los controladores se analizan en el simulador Stonefish en dos escenarios.
El primer escenario es un patrón de barrido tipo cortacésped con rumbo constante, similar al de un levantamiento de campo habitual. El MPCC nominal (nom) se compara con el GP-MPCC con residuos angulares (gp-pqr) y con estado completo (gp-full), con cinco ejecuciones de cada uno.
El segundo escenario es una espiral ascendente alrededor de un objeto de interés virtual. Durante la maniobra, el vehículo mantiene la orientación hacia el centro mientras aumenta gradualmente su ángulo de cabeceo, imitando una inspección a corta distancia. Esta maniobra requiere cambios continuos de actitud y se repite diez veces con el MPCC nominal y el de residuos angulares.
Experimentos en el agua
En el tanque de pruebas, tanto el GP-MPCC nominal como el de residuos angulares siguen de cerca la espiral de inspección. El controlador PID regula cada grado de libertad de forma independiente hacia el siguiente punto de referencia y recurre a movimientos por tramos que no se parecen a la trayectoria de inspección prevista.
Como el controlador PID no sigue la referencia de la curva spline, no es significativo realizar una comparación cuantitativa para esta maniobra.
Agradecimientos
De conformidad con la política de IEEE sobre contenido generado por IA, los autores declaran que Claude (Anthropic) se utilizó como ayuda de programación durante la implementación y para la edición lingüística del manuscrito.
Preguntas frecuentes
¿Qué sigue el controlador? Sigue referencias de posición y actitud de forma independiente en los seis grados de libertad.
¿Qué función cumplen los procesos gaussianos en el método? Modelan dinámicas residuales que amplían el modelo nominal del vehículo.
¿Qué escenarios de simulación se utilizaron? El estudio evalúa un levantamiento con patrón de barrido tipo cortacésped y rumbo constante, y una maniobra de inspección en espiral ascendente en el simulador Stonefish.
¿Cómo se comportaron los controladores en la espiral de inspección del tanque de pruebas? El GP-MPCC nominal y el de residuos angulares siguieron de cerca la espiral, mientras que el controlador PID produjo movimientos por tramos que no se parecían a la trayectoria prevista.