Seguimiento geométrico robusto basado en datos para un brazo robótico 2R linealizado por realimentación

Pranav Gupta, Deepan Muthirayan, Ravi Banavar

6 min de lectura•18 nov 2026

El control predictivo elige entradas futuras prediciendo la respuesta del sistema, aplica la primera entrada y repite la optimización tras cada nueva medición. El control predictivo basado en modelos predice mediante un modelo matemático. En cambio, el control predictivo basado en datos predice a partir de datos registrados, como en el control predictivo habilitado por datos, que representa las trayectorias como combinaciones lineales de datos registrados de entrada y salida. El Lema Fundamental justifica esta representación para sistemas lineales, invariantes en el tiempo y controlables, con datos sin ruido y suficientemente excitantes.

Los sistemas no lineales con parámetros inciertos plantean dificultades para ambos enfoques: los modelos mecánicos inexactos producen predicciones sesgadas, mientras que las combinaciones lineales de trayectorias medidas solo aproximan localmente las dinámicas no lineales. El conocimiento del modelo puede reducir la cantidad de datos necesaria. En los manipuladores totalmente actuados, la linealización por realimentación utiliza un modelo mecánico para convertir comandos de aceleración virtual en pares articulares. Con parámetros y estados exactos, cada articulación se comporta como un doble integrador entre la entrada virtual y la posición. Los errores de parámetros, estimación de estado y actuadores generan dinámicas residuales que pueden aprenderse a partir de registros de entrada virtual y posición.

El control predictivo robusto geométrico basado en datos ajusta un subespacio de trayectorias de baja dimensión y gestiona los errores de ajuste mediante una bola abierta de distancia cordal, formada por subespacios de igual dimensión en la variedad de Grassmann. Minimiza la desviación cuadrática ponderada máxima respecto de un objetivo que combina el historial medido y una trayectoria futura deseada. El modelo mecánico proporciona el mapeo de pares de la linealización por realimentación; el control predictivo basado en datos predice la respuesta entre la entrada virtual y la posición. Este estudio evalúa si aprender esta respuesta mejora la predicción y el seguimiento frente al modelo conocido de doble integrador.

Control de un manipulador planar 2R

El modelo mecánico linealiza el brazo por realimentación, y el control predictivo geométrico basado en datos predice la respuesta resultante entre la entrada virtual y la posición.

Datos offline e inicialización de la referencia

Un controlador de seguimiento PD con prealimentación de aceleración y excitación aleatoria genera los datos offline. Su referencia sinusoidal varía en centro, amplitud, fase y período entre episodios.

La referencia es una sinusoide cuyo centro, amplitud, fase y período varían entre episodios.

Estudios de simulación

El estudio examina la precisión de predicción (A), la transferencia del ajuste predictivo (B) y el seguimiento cíclico (C). Los controladores reciben posiciones con ruido; las posiciones reales se usan únicamente para evaluar los errores.

Precisión de predicción tras la linealización por realimentación

El experimento A compara el doble integrador con un predictor ajustado a datos de entrada virtual y posición. En trayectorias de prueba independientes, ambos predicen posiciones futuras a partir de las mismas entradas prescritas y de las posiciones medidas anteriormente. Las posiciones futuras se usan únicamente para calcular el error. La comparación abarca modelos mecánicos exactos e inexactos en tres niveles de ruido.

El aprendizaje aporta una mejora modesta con parámetros exactos y una mejora mucho mayor cuando hay errores en los parámetros, lo que indica que los datos capturan desviaciones sistemáticas respecto de las dinámicas ideales. El predictor aprendido sigue siendo más preciso en cada nivel de ruido, aunque su error aumenta con el ruido. El ruido también modifica las trayectorias de recopilación de datos controladas por realimentación, por lo que las comparaciones entre niveles de ruido incluyen este efecto.

Debate y conclusiones

Este estudio examinó el control predictivo robusto geométrico basado en datos para un brazo planar 2R linealizado por realimentación. Los resultados identifican una función útil de los datos cuando el modelo mecánico captura la estructura principal, pero deja errores de predicción sistemáticos. Aprender la respuesta resultante entre la entrada virtual y la posición mejora la predicción y el seguimiento ante errores en los parámetros. Con parámetros mecánicos exactos, el doble integrador conocido ya proporciona un controlador eficaz. El rendimiento respecto del control predictivo habilitado por datos con regularización directa depende de la referencia, con distintas compensaciones entre precisión y esfuerzo de par.

Los ajustes predictivos también siguieron siendo eficaces en los niveles de ruido y parámetros del brazo evaluados. Esta transferencia utilizó datos recién recopilados y las correspondientes actualizaciones del modelo mecánico y del observador. Un mayor ruido de medición aumentó el error de seguimiento y la actividad de los actuadores, aunque se completaron todos los ensayos de control predictivo geométrico basado en datos.

Uso de IA generativa

Las herramientas de IA generativa ayudaron con la revisión bibliográfica, la preparación de ilustraciones TikZ, la optimización del código de simulación y la auditoría de la exposición matemática y los resultados.

Predicción para entradas prescritas

Las componentes futuras de la salida constituyen el pronóstico. Para el doble integrador conocido, su comportamiento exacto y su media afín nula se utilizan en la misma resolución. Las posiciones futuras se usan únicamente para calcular el error.

MPC de doble integrador

La matriz de coeficientes definida positiva se factoriza una sola vez; la referencia y la estimación previa del observador actualizan el término independiente.

Referencias y métricas de rendimiento

Las referencias tienen fases y una rampa de dos segundos. La evaluación se realiza tras una fase estabilizadora de 1.2 segundos y dura lo que la rampa más dos ciclos: 14 segundos para las referencias base y desplazada, y 11 segundos para la referencia más rápida. Cada condición utiliza seis pares independientes de datos y ruido, con el ruido de medición emparejado entre controladores.

Preguntas frecuentes

¿Qué hace la linealización por realimentación en el brazo planar 2R? Utiliza un modelo mecánico para convertir comandos de aceleración virtual en pares articulares. Con parámetros y estados exactos, cada articulación se comporta como un doble integrador entre la entrada virtual y la posición.

¿Qué aprende el predictor basado en datos? Aprende la respuesta entre la entrada virtual y la posición a partir de datos registrados, incluidas las dinámicas residuales causadas por errores de parámetros, estimación de estado y actuadores.

¿En qué casos mejora el aprendizaje la predicción y el seguimiento? El predictor aprendido mejora la predicción con parámetros exactos y muestra una mejora mucho mayor cuando los parámetros mecánicos son inexactos. Aprender la respuesta también mejora el seguimiento ante errores en los parámetros.

¿Cómo afecta el ruido de medición al rendimiento? Un mayor nivel de ruido aumenta el error de predicción, el error de seguimiento y la actividad de los actuadores. No obstante, se completaron todos los ensayos de control predictivo geométrico basado en datos.