Seguimiento de trayectoria de robots móviles basado en control predictivo por modelo utilizando una red neuronal primal-dual

El movimiento de los robots móviles está limitado por la velocidad máxima que sus actuadores pueden proporcionar, cuando sigue una trayectoria de referencia que impone requisitos exigentes sobre las capacidades de conducción del robot. En este artículo, se propone un esquema de control predictivo por modelo (MPC) para el control de seguimiento de trayectoria de robots móviles de dos ruedas. Basado en la cinemática del error de seguimiento del robot derivada, el enfoque MPC propuesto se puede formular iterativamente como un problema de programación cuadrática (QP), que se puede resolver utilizando una red neuronal primal-dual basada en desigualdades lineales de variables (LVI-PDNN) a lo largo de un horizonte de recesión finito. Las redes neuronales aplicadas son estables en el sentido de Lyapunov y convergen globalmente a las soluciones óptimas exactas de problemas de programación convexa reformulados. Se mejora la suavidad del movimiento del robot, se logran magnitudes razonables de las velocidades del robot y un mejor rendimiento en el seguimiento. Se proporcionan resultados de simulación y experimentales para demostrar la efectividad y características de los enfoques MPC basados en LVI-PDNN para el control de seguimiento de trayectoria.