Synthesis of Deep Neural Networks with Safe Robust Adaptive Control for Reliable Operation of Wheeled Mobile Robots

Resumen Técnico: Síntesis de Redes Neuronales Profundas con Control Adaptativo Robusto Seguro para la Operación Confiable de Robots Móviles sobre Ruedas

1. Planteamiento del Problema

El control de robots móviles pesados sobre ruedas (WMR, por sus siglas en inglés), especialmente aquellos utilizados en entornos industriales y de construcción (como minas o túneles), enfrenta un dilema fundamental:

• Limitaciones de los Modelos Basados en Física: Los robots pesados poseen mecanismos de actuación complejos (múltiples etapas, hidráulica, acoplamientos cinemáticos) que hacen que la modelización matemática precisa sea analíticamente compleja y computacionalmente costosa. Además, a menudo ignoran interacciones difíciles de caracterizar como la fricción suelo-rueda.
• Desafíos de las Redes Neuronales (DNN): Si bien las Redes Neuronales Profundas (DNN) pueden aprender dinámicas no lineales sin modelos explícitos y ofrecer un alto rendimiento de seguimiento, son inherentemente "cajas negras". Esto plantea riesgos de seguridad, falta de interpretabilidad y dificultades para garantizar la estabilidad formal, especialmente ante perturbaciones externas no vistas durante el entrenamiento.
• Requisitos de Seguridad: Estos robots deben operar bajo estándares internacionales estrictos (ISO 3691, ISO 13849, IEC 61508), lo que exige garantías de estabilidad y mecanismos de fallo seguro que las DNN puras no pueden proporcionar por sí solas.

La pregunta central de investigación es: ¿Cómo desplegar políticas de control basadas en aprendizaje (DNN) en robots pesados con estructuras de actuación complejas, garantizando al mismo tiempo la seguridad y la estabilidad del sistema según los estándares internacionales?

2. Metodología Propuesta

Los autores proponen una política de control jerárquica que sintetiza una estrategia de alto rendimiento (DNN) con una estrategia de seguridad robusta (Control Adaptativo Robusto - RAC), supervisada por dos capas de seguridad con diferentes niveles de autoridad.

A. Arquitectura de Control:

1. Política Principal (DNN):
   • Se entrena una red neuronal feedforward utilizando datos recopilados de sensores a bordo (velocidad de referencia vs. velocidad real de las ruedas).
   • Se utiliza el algoritmo de retropropagación Levenberg-Marquardt (LM) para un entrenamiento eficiente.
   • Función: Actúa como controlador primario en condiciones nominales, ofreciendo un seguimiento de alta precisión sin necesidad de un modelo dinámico explícito.
2. Política de Respaldo (RAC - Control Adaptativo Robusto):
   • Es un controlador libre de modelo (model-free) basado en funciones de barrera logarítmicas (Logarithmic Barrier Functions - BLF).
   • Función: Se activa cuando las perturbaciones degradan el rendimiento de la DNN. Utiliza leyes adaptativas para compensar incertidumbres y perturbaciones externas, garantizando la estabilidad uniforme exponencial, aunque con una precisión de seguimiento ligeramente menor.
3. Mecanismo de Transición (Lógica de "Latching"):
   • Se implementa una función de conmutación latched (enganche) que gestiona el compromiso entre robustez y responsividad.
   • Si el error de seguimiento de la DNN supera un umbral predefinido (capa de seguridad baja), el sistema desactiva permanentemente la DNN y activa permanentemente el RAC. No hay vuelta atrás a la DNN en la misma sesión operativa para evitar inestabilidad.

B. Capas de Seguridad:

• Capa de Seguridad de Bajo Nivel (Monitor de DNN): Vigila si el error de seguimiento de la DNN excede los límites de rendimiento predefinidos. Si se viola, dispara la transición al RAC.
• Capa de Seguridad de Alto Nivel (Monitor Global): Supervisa continuamente el sistema (tanto bajo DNN como bajo RAC) utilizando una función de barrera logarítmica. Si las perturbaciones son tan severas que el RAC no puede compensarlas (el error excede los límites del RAC), esta capa inicia un apagado controlado (shutdown) para proteger el robot y el entorno.

3. Contribuciones Clave

1. Síntesis DNN-RAC Segura: Logra un seguimiento de alta precisión mediante DNN mientras garantiza robustez ante perturbaciones mediante RAC, cumpliendo con las directrices de seguridad funcional de la norma ISO/IEC TR 5469.
2. Eliminación de Modelado Explícito: El enfoque no requiere conocimiento de los parámetros internos de los actuadores complejos ni de las interacciones suelo-rueda, tratando el sistema como una "caja negra" controlable.
3. Estabilidad Garantizada: Se demuestra teóricamente que el sistema sintetizado garantiza la estabilidad exponencial uniforme de todo el sistema WMR, incluso durante el cambio de política de control y en presencia de perturbaciones externas.
4. Adaptabilidad de Umbrales: Los límites de error (sobrepaso y error en estado estacionario) son ajustables en dos niveles de seguridad, permitiendo adaptar el sistema a diferentes requisitos de aplicación.

4. Resultados Experimentales

La propuesta fue validada experimentalmente en un robot WMR pesado de 6,000 kg equipado con un mecanismo de actuación de cinco etapas (motor PMSM, bomba hidráulica, motores hidráulicos, caja de cambios y ruedas).

• Entrenamiento DNN: Se utilizaron 1 millón de pares de datos entrada-salida. Los modelos entrenados mostraron una alta precisión (MSE ~0.0015) y una excelente generalización en conjuntos de validación y prueba, sin sobreajuste.
• Experimento 1 (DNN Pura): En condiciones nominales (trayectoria circular), la DNN logró un seguimiento de velocidad casi perfecto con errores mínimos, demostrando su alta precisión.
• Experimento 2 (RAC Puro): Bajo perturbaciones simuladas, el RAC mantuvo la estabilidad y compensó las perturbaciones, aunque con un error de seguimiento mayor que la DNN, confirmando el compromiso entre precisión y robustez.
• Experimento 3 (Síntesis Integrada):
  • El robot siguió una trayectoria en forma de "S".
  • Inicialmente operó con la DNN (alta precisión).
  • A los 82 segundos, se introdujo una perturbación externa (aumento del 15% en la entrada de control).
  • La capa de seguridad detectó la violación del umbral, activó la lógica de "latch" y cambió al RAC.
  • El sistema continuó operando de forma segura con el RAC, compensando la perturbación, aunque con una precisión reducida.
  • Los resultados confirmaron que el sistema puede manejar perturbaciones críticas sin detenerse, manteniendo la estabilidad.

5. Significado e Impacto

Este trabajo representa un avance significativo en la aplicación de algoritmos de aprendizaje automático en robótica industrial pesada:

• Puente entre IA y Seguridad: Proporciona un marco práctico para integrar DNN (que ofrecen eficiencia y precisión) en sistemas críticos de seguridad, resolviendo el problema de la "caja negra" mediante supervisión jerárquica y garantías de estabilidad.
• Viabilidad Industrial: Demuestra que es posible operar robots pesados en entornos hostiles y no estructurados sin depender de modelos dinámicos complejos, reduciendo costos de desarrollo y aumentando la adaptabilidad.
• Cumplimiento Normativo: La arquitectura propuesta se alinea con los estándares internacionales de seguridad funcional (ISO/IEC TR 5469), ofreciendo un camino viable para la certificación de robots autónomos pesados que utilizan inteligencia artificial.

En conclusión, la síntesis propuesta permite que los robots pesados operen con la precisión de una red neuronal bajo condiciones normales, pero posean la "resiliencia" de un controlador robusto adaptativo ante fallos o perturbaciones severas, garantizando la seguridad operativa hasta el punto de un apagado controlado si es absolutamente necesario.