Este artigo propõe uma estrutura de estimativa híbrida adaptativa que combina uma rede de Memória de Longo e Curto Prazo (LSTM) e um Filtro de Kalman Estendido (EKF) para a estimativa simultânea do estado do robô e detecção de falhas em atuadores em robôs móveis operando sob condições incertas. A rede LSTM aprende padrões temporais e relações não lineares a partir dos dados do sensor, enquanto o EKF fornece filtragem baseada em modelo com quantificação de incertezas. Um novo mecanismo de fusão adaptativa equilibra dinamicamente essas abordagens complementares utilizando um fator de ponderação derivado das incertezas de estimativa de ambos os componentes. O método proposto foi amplamente avaliado em um modelo de robô de tração diferencial sujeito a diversas condições de ruído e perfis de falha, incluindo falhas progressivas e falhas de salto abrupto. Os resultados da simulação demonstram que nossa abordagem híbrida supera significativamente estimadores isolados de EKF e LSTM, alcançando até 74,6% de melhora na precisão da estimativa de falhas e 34,5% de redução no erro de posição em condições desafiadoras de alto ruído. A estrutura mantém desempenho consistente em diversos tipos de falhas, demonstrando eficácia particular na detecção da progressão gradual de falhas, ao mesmo tempo que permanece responsiva a eventos de falha súbita. Esses achados confirmam que a fusão adaptativa LSTM-EKF proporciona maior precisão, robustez e capacidade de generalização em comparação com abordagens convencionais.
Khémiri et al. (Quarta-feira,) estudaram esta questão.