Implementação de Redes Neurais para Otimização do Modelo da Planta de Controladores Preditivos

• Processo: 24/09740-1
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de novembro de 2024
• Data de Término da vigência: 31 de outubro de 2025
• Área de conhecimento: Engenharias - Engenharia Mecânica
• Pesquisador responsável: Marcelo Becker
• Beneficiário: João Henrique Alessio
• Instituição Sede: Escola de Engenharia de São Carlos (EESC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Assunto(s): Agricultura Navegação Robôs móveis Robótica
• Palavra(s)-Chave do Pesquisador: Agricultura | Navegação | reinforcement learning | robôs móveis | Robótica | Robotica Terrestre | Automação, Mecatrônica e Robótica

Resumo

Atualmente, o controle de sistemas robóticos de alta precisão tem sido alvo de diversos estudos. Nesse sentido, os Model Predictive Controllers, têm ganhado espaço no que diz respeito à automação de veículos autônomos. Otimizações do processo de controle são, comumente, o foco das abordagens científicas. No então, para a obtenção de um controle preditivo ótimo, é igualmente necessário um modelo dinâmico fiel à realidade do sistema. A modelagem da planta de sistemas robóticos é tipicamente considerada como um problema geométrico, envolvendo cálculos longos e complexos a fim de representar a dinâmica e cinemática do robô. Porém, uma visão puramente geométrica do projeto pode ser insuficiente para muitos problemas onde se sabe pouco sobre o funcionamento do mesmo. Dessa forma, em processos não lineares, por exemplo, torna-se impossível realizar as simplificações comumente utilizadas no método convencional. Portanto, é fato que ir além das abordagens geométricas para alcançar uma maior proximidade do real é essencial. Nesse contexto, métodos de aproximação por redes neurais têm tomado espaço no que diz respeito à System Identification. Assim, fazendo o uso de métodos que possibilitam o aprendizado supervisionado, ou não, sobre as relações entre entradas e saídas do sistema à partir das experiências prévias do robô. Concluindo, utilizando o modelo assim obtido em um controle preditivo, tem-se uma previsão mais acertíva da trajetória do veículo.