Control predictivo de modelos basado en aprendizaje con procesos gaussianos multivariados y filtro de Kalman sin perfume para vehículos de superficie autónomos | JoVE Visualize

Área de la Ciencia:

Robótica y Sistemas de Control
Aprendizaje Automático para Sistemas Autónomos
Ingeniería Marina

Sus antecedentes:

El modelado de la dinámica no lineal de los vehículos de superficie autónomos (ASV) es un desafío debido a los efectos hidrodinámicos y las incertidumbres ambientales.
Los métodos tradicionales tienen dificultades con datos de alta dimensionalidad y estimación de incertidumbre en sistemas ASV.
Los ataques de denegación de servicio (DoS) representan una amenaza significativa para la confiabilidad de las redes de comunicación de ASV.

Objetivo del estudio:

Desarrollar un esquema de control robusto de seguimiento de trayectoria para ASV utilizando técnicas avanzadas de aprendizaje automático.
Modelar con precisión la dinámica de ASV y estimar las incertidumbres del sistema en entornos marítimos complejos.
Mejorar la resiliencia de ASV contra interrupciones de comunicación como ataques DoS.

Principales métodos:

Se empleó la Regresión de Procesos Gaussianos Multivariados (MVGPR) para modelar la dinámica del estado del sistema y de observación del ASV, permitiendo una correlación precisa de entradas y salidas múltiples y la estimación de incertidumbre.
Se diseñó un Filtro de Kalman sin Perfume (UKF) para una mejor estimación del estado, asegurando la robustez incluso para estados no medibles.
Se desarrolló un marco de Control Predictivo de Modelos (MPC) basado en aprendizaje que utiliza MVGPR para manejar el seguimiento de trayectoria y mitigar el impacto de los ataques DoS sin compensadores externos.

Principales resultados:

El enfoque MVGPR modeló eficazmente la dinámica compleja de ASV, superando a los métodos tradicionales en entornos de alta dimensionalidad.
El UKF integrado mejoró la precisión y robustez de la estimación del estado.
El MPC de aprendizaje basado en MVGPR demostró un rendimiento de seguimiento de trayectoria robusto y preciso, mejorando la estabilidad del sistema en condiciones inciertas y ataques DoS simulados.

Conclusiones:

El marco propuesto de MPC de aprendizaje basado en MVGPR ofrece un avance significativo en el control de vehículos de superficie autónomos, proporcionando un modelado preciso y un seguimiento de trayectoria robusto.
El método aborda eficazmente los desafíos planteados por la dinámica compleja, las incertidumbres ambientales y las amenazas a la seguridad de las comunicaciones.
La validación a través de simulaciones y experimentos de hardware confirma la aplicabilidad práctica y la efectividad de la estrategia de control desarrollada.