Resumen Técnico: Control LQG Basado en Inercia para la Estabilización de un Péndulo Invertido

Enunciado del Problema

La estabilización de un péndulo invertido sobre un carrito (IPoC) es una referencia fundamental en la teoría de control, que tradicionalmente depende de mediciones directas de las variables de configuración (posición del carrito y ángulo del péndulo) mediante sensores de desplazamiento y codificadores rotativos. Sin embargo, en plataformas móviles dinámicamente estables al aire libre (por ejemplo, Segways, patinetes eléctricos, robots bípedos), tales sensores a menudo no están disponibles o son poco prácticos. Estos sistemas dependen en gran medida de sensores inerciales (acelerómetros y giroscopios) para la estimación de estados.

Existe una brecha crítica en la aplicación del control Lineal Cuadrático Gaussiano (LQG) a estos escenarios limitados por sensores. Los marcos LQG estándar suelen modelar los estados del sistema hasta la velocidad o la aceleración, pero no incorporan explícitamente los datos de los acelerómetros (estados de sacudida o "jerk") en el formalismo Newton-Euler. En consecuencia, cuando faltan o son intermitentes las mediciones directas de configuración, la estimación de estados depende de una fusión de sensores que puede carecer del poder predictivo para manejar dinámicas de alto orden, lo que conduce a una robustez reducida, un aumento de la deriva durante los periodos de "navegación estimada" ("dead reckoning") y regiones de estabilidad más pequeñas.

Metodología

Los autores proponen un marco LQG asistido por inercia que integra dinámicas de orden superior en el modelo del sistema para mejorar la estimación de estados y la robustez del control. La metodología procede de la siguiente manera:

1. Análisis de Planitud Diferencial: Los autores demuestran que el sistema IPoC es diferencialmente plano. Definen una salida plana $\varepsilon = x + \ell \sin \theta$ (una combinación de la posición del carrito y el ángulo del péndulo). Utilizando esta propiedad, derivan mapeos explícitos donde todos los estados del sistema y las entradas de control pueden expresarse como funciones de la salida plana y sus derivadas hasta el quinto orden.
2. Modelo de Espacio de Estados Aumentado (A-IPoC): Aprovechando la propiedad de planitud, los autores extienden el vector de estado estándar para incluir derivadas de orden superior (aceleraciones y sacudidas). El nuevo vector de estado se define como $x = [x, \dot{x}, \ddot{x}, \theta, \dot{\theta}, \ddot{\theta}]^\top$. Esto permite que el modelo del sistema tenga en cuenta explícitamente la dinámica de la aceleración, la cual es directamente medible mediante sensores inerciales.
3. Linealización y Diseño LQG: El modelo aumentado no lineal se linealiza alrededor del punto de equilibrio vertical. El sistema Lineal e Invariante en el Tiempo (LTI) resultante se utiliza para diseñar un controlador LQG estándar, que comprende un Regulador Lineal Cuadrático (LQR) para el control y un Filtro de Kalman (KF) para la estimación de estados. El KF utiliza el modelo aumentado para predecir estados durante periodos de pérdida o retraso de mediciones.
4. Análisis de Estabilidad: En lugar de depender únicamente de garantías analíticas de estabilidad (que asumen retroalimentación continua y libre de ruido), los autores emplean un procedimiento de muestreo estadístico basado en Monte Carlo (Algoritmo 1). Este método muestrea aleatoriamente condiciones iniciales (velocidades lineales y angulares) para mapear empíricamente la "cuenca de atracción" y determinar los límites de estabilidad bajo diversas relaciones de actualización ($\rho$) y condiciones de ruido.

Contribuciones Clave

El artículo realiza tres contribuciones principales:

1. Marco LQG Asistido por Inercia: Los autores extienden el marco LQG con un modelo de proceso aumentado por aceleración. Esto permite la incorporación directa de datos de acelerómetros, mejorando el rechazo a perturbaciones y la precisión de la estimación de estados en ausencia de sensores de posición directos.
2. Modelado de Dinámicas de Orden Superior: Al explotar la planitud diferencial, los autores modelan las aceleraciones lineales y angulares como funciones explícitas de las entradas de control. Este refinamiento mejora la predictibilidad del sistema, particularmente durante intervalos limitados por sensores.
3. Implementación de Código Abierto: Para garantizar la reproducibilidad, los autores proporcionan una implementación interactiva del código en GitHub.

Resultados y Análisis

El modelo A-IPoC propuesto se comparó con una implementación convencional de IPoC LQG a través de diversas relaciones de actualización ($\rho$), que representan la frecuencia de las actualizaciones de medición en relación con los pasos de predicción.

• Rendimiento Transitorio: Bajo condiciones de pérdida de medición ($\rho < 1$), el modelo A-IPoC demostró errores transitorios significativamente menores en comparación con el modelo convencional. Específicamente, los errores transitorios se redujeron entre un 30% y un 80% en términos de Integral del Error Absoluto (IAE) e Integral del Error Absoluto Ponderado en el Tiempo (ITAE).
• Regiones de Estabilidad: Las simulaciones de Monte Carlo revelaron que el controlador A-IPoC posee una cuenca de atracción significativamente mayor. Se encontró que la región de estabilidad para el modelo aumentado es un 27%–39% mayor que la del modelo IPoC convencional en diversas métricas de rendimiento (posición final, ángulo final, esfuerzo de control y saturación del actuador).
• Robustez ante Pérdidas de Datos: En relaciones de actualización extremas (por ejemplo, $\rho = 0.01$), el controlador IPoC convencional exhibió divergencia en ambas variables de configuración. En contraste, el controlador A-IPoC mantuvo una estabilidad marginal, logrando re-estabilizar el sistema desde un rango más amplio de perturbaciones iniciales.
• Tasas de Colisión: La estabilidad mejorada se tradujo en una reducción del 10% al 15% en las tasas de colisión (instancias de inestabilidad) para el modelo aumentado en comparación con el enfoque estándar.

Significado y Afirmaciones

El artículo afirma abordar un desafío de larga data en la teoría de control: la integración de datos de sensores inerciales directamente en modelos de movimiento predictivos dentro del marco clásico Newton-Euler. Al aprovechar la planitud diferencial para incorporar dinámicas de orden superior, los autores establecen una arquitectura de control más robusta para plataformas móviles dinámicamente estables.

El significado de este trabajo radica en su capacidad para mejorar la extrapolación de estados durante periodos limitados por sensores, fortaleciendo así el acoplamiento entre el observador y el controlador. Los autores postulan que este enfoque cierra una brecha crucial en la investigación existente, ofreciendo una base para un control más fiable y eficiente de sistemas con dinámicas de fase no mínima, que a menudo se ven obstaculizados por retrasos inherentes y comportamientos de control invertidos. Los resultados sugieren que, para plataformas móviles al aire libre con disponibilidad limitada de sensores, aumentar el modelo LQG con dinámicas de orden superior derivadas de la inercia es una estrategia viable para expandir los márgenes de estabilidad y reducir las tasas de fallo.