⚡ electrical engineering

Data-Enabled Predictive Control with Predictive Adaptive Line-of-Sight Guidance for 3-D Path Following of Autonomous Underwater Vehicles

Este artículo presenta un marco de seguimiento de trayectoria 3D totalmente basado en datos para vehículos submarinos autónomos que combina el Control Predictivo Basado en Datos con una ley de guía de línea de la vista adaptativa predictiva para eliminar la necesidad de un modelado hidrodinámico explícito, reduciendo significamente los errores de trayectoria transversal en comparación con los referentes del estado del arte.

Autores originales: Sebastian Zieglmeier, Mathias Hudoba de Badyn, Narada D. Warakagoda, Thomas R. Krogstad, Paal Engelstad

Publicado 2026-06-02

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Sebastian Zieglmeier, Mathias Hudoba de Badyn, Narada D. Warakagoda, Thomas R. Krogstad, Paal Engelstad

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás intentando enseñar a un submarino (específicamente, uno pequeño y autónomo llamado REMUS 100) a nadar a través del océano siguiendo una trayectoria 3D específica, como un túnel de estructura de alambre en el agua. El océano es complicado: las corrientes empujan al submarino lateralmente, el agua resiste su movimiento de formas complejas y el propio cuerpo del submarino reacciona de manera diferente dependiendo de qué tan rápido se mueva.

Tradicionalmente, para controlar este submarino, los ingenieros tienen que construir una "receta" matemática masiva y complicada (un modelo) de cómo interactúan exactamente el agua y el submarino. Tienen que medir cada coeficiente de arrastre y propiedad de masa, lo cual es como intentar escribir la receta de un pastel midiendo cada grano de harina y cada gota de leche antes de siquiera hornearlo. Si las condiciones cambian (como si el agua se calienta o el submarino lleva una carga útil más pesada), esa receta suele volverse errónea.

Este artículo propone una forma diferente: Deja de escribir la receta. Solo observa al submarino nadar.

Aquí está el desglose de este nuevo enfoque "basado en datos" utilizando analogías simples:

1. El Piloto "Sin Receta" (DeePC)

En lugar de usar un modelo matemático preescrito, los autores utilizan un método llamado Control Predictivo Basado en Datos (DeePC).

La Analogía: Imagina que estás aprendiendo a montar en bicicleta. Un enfoque tradicional basado en modelos es como leer un libro de texto de física sobre fricción y equilibrio antes de tocar siquiera una bicicleta. El enfoque DeePC es como un entrenador que ha visto miles de horas de video de ti montando en bicicleta. Cuando te tambaleas, el entrenador no calcula la física; simplemente dice: "La última vez que te inclinaste a la izquierda, te caíste. Esta vez, inclínate a la derecha".
Cómo funciona: El sistema registra miles de movimientos pasados (entradas como el giro del timón, salidas como hacia dónde fue el submarino). Cuando necesita tomar una decisión, consulta su "banco de memoria" de viajes pasados para predecir qué sucederá después. No necesita saber por qué el agua empuja al submarino; solo sabe que lo empuja, basándose en lo que ha visto antes.

2. El Problema de "Lento y Constante" (Control en Cascada)

El submarino tiene dos tareas principales: girar a la izquierda/derecha (rumbo) e ir arriba/abajo (profundidad).

El Problema: Girar es rápido (como un movimiento brusco de cabeza). Ir arriba y abajo es lento (como un ascensor pesado). Si intentas controlar el ascensor lento usando el mismo sistema de "memoria" de ritmo rápido utilizado para girar, el sistema se confunde porque el ascensor no se ha movido lo suficiente como para proporcionar buenos datos.
La Solución: Los autores construyeron un sistema de dos capas (DeePC en cascada).
- La Capa Externa (El Jefe): Esta capa es lenta. Decide: "Necesitamos ir más profundo", y le dice a la capa interna: "Inclina la nariz un poco hacia abajo".
- La Capa Interna (El Trabajador): Esta capa es rápida. Toma el comando de "inclinar hacia abajo" y mueve inmediatamente las aletas de la cola para que eso suceda.
La Magia: Al separarlos, el "Jefe" puede aprender del éxito del "Trabajador" sin sentirse abrumado por la velocidad lenta del cambio de profundidad real. Es como un general dando órdenes a un sargento, quien luego comanda a los soldados. El general no necesita saber cómo marchar; solo necesita saber el objetivo.

3. La Guía de la "Bola de Cristal" (PALOS)

Para seguir una ruta de boyas flotantes (puntos de paso o waypoints) en el espacio 3D, el submarino necesita un guía. El guía antiguo (Adaptive Line-of-Sight o ALOS) era como una persona caminando detrás de ti, señalando la siguiente boya y diciendo: "¡Ve allá!", pero solo apuntaba al siguiente paso.

El Problema: El piloto "Sin Receta" (DeePC) necesita ver la ruta completa por delante para planificar sus movimientos, no solo el siguiente paso.
La Solución: Crearon ALOS Predictivo (PALOS).
- La Analogía: En lugar de solo señalar la siguiente boya, PALOS es como una bola de cristal. Simula la trayectoria futura del submarino paso a paso. Pregunta: "Si giro a la izquierda ahora, ¿dónde estaré en 5 segundos? ¿Dónde estaré en 10?". Luego calcula las mejores órdenes de dirección para todo el viaje futuro, no solo para el segundo inmediato.
- Esto le da al piloto "Sin Receta" una hoja de ruta clara y a largo plazo que seguir, permitiéndole anticipar giros y corrientes antes de que ocurran.

4. Los Resultados: ¿Cómo le fue?

Los autores probaron este sistema en una simulación computacional súper realista (un "gemelo digital") del submarino REMUS 100. Pusieron a competir su nuevo sistema contra el estándar clásico (un controlador PI/PID, que es como un termostato reactivo que solo corrige errores después de que ocurren).

El Resultado: El nuevo sistema fue significativamente mejor.
- Se mantuvo en el curso con mucha más precisión, reduciendo el "tambaleo" (error de trayectoria transversal) en aproximadamente un 28% en comparación con el método antiguo.
- Manejó mucho mejor las corrientes oceánicas y los cambios repentinos de velocidad.
- Incluso funcionó cuando el submarino se movía más lento de lo que los datos en los que fue entrenado (una prueba "más allá de los datos"), mientras que el sistema antiguo se confundía y sobrepasaba sus objetivos.

Resumen

El artículo afirma que al olvidar los modelos matemáticos complejos y, en su lugar, aprender de los datos pasados, y al dividir el control en capas rápidas y lentas con una guía de bola de cristal que mira hacia adelante, crearon una forma más inteligente y robusta de dirigir vehículos submarinos autónomos. Es un cambio de "calcular la física" a "aprender de la experiencia".

Resumen Técnico: Control Predictivo Basado en Datos con Guía de Línea de Visión Adaptativa Predictiva para el Seguimiento de Trayectorias en 3-D de Vehículos Submarinos Autónomos

Planteamiento del Problema
Los Vehículos Submarinos Autónomos (AUV) requieren capacidades fiables de seguimiento de trayectoria para ejecutar misiones de exploración e inspección marina. Las arquitecturas de control tradicionales emplean típicamente una estructura jerárquica: un sistema de guía de alto nivel (por ejemplo, Línea de Visión o LOS) que genera señales de referencia, las cuales son rastreadas por controladores de nivel intermedio y bajo (a menudo PI/PID). Si bien son efectivos, estos controladores reactivos tienen dificultades ante fuertes no linealidades, saturación de actuadores y retardos dinámicos.

Las estrategias alternativas de Control Predictivo basado en Modelo (MPC) ofrecen un rendimiento superior al anticipar el comportamiento futuro y gestionar restricciones. Sin embargo, el MPC estándar depende de modelos paramétricos explícitos de la hidrodinámica del AUV. La derivación de estos modelos es compleja, consume mucho tiempo y suele estar limitada a rangos operativos específicos debido a la naturaleza no lineal y acoplada de los coeficientes hidrodinámicos (masa añadida, arrastre, sustentación). Esta dependencia de una identificación precisa limita la aplicabilidad de los enfoques basados en modelos ante variaciones de velocidad, carga útil y condiciones ambientales.

Metodología
Este artículo propone un marco de seguimiento de trayectorias en 3-D totalmente basado en datos que elimina la necesidad de un modelado hidrodinámico explícito. El enfoque integra el Control Predictivo Basado en Datos (DeePC) con una novedosa ley de guía de Línea de Visión Adaptativa Predictiva (PALOS).

DeePC para Control de Rumbo y Profundidad:
- Control de Rumbo: Se aplica una formulación DeePC estándar a la dinámica de guiñada (yaw). Utiliza trayectorias de entrada-salida fuera de línea (deflexión del timón y ángulo de guiñada) para resolver un problema de optimización con restricciones, prediciendo el comportamiento futuro del sistema sin un modelo paramétrico.
- Control de Profundidad en Cascada: La aplicación directa de DeePC para la regulación de la profundidad es impráctica porque la dinámica de ascenso/descenso (heave) evoluciona significativamente más lento que el ancho de banda del actuador (deflexión del plano de popa), lo que dificulta satisfacer el requisito de persistencia de la excitación dentro de longitudes de datos factibles. Para abordar esto, los autores proponen una arquitectura DeePC en cascada con separación de frecuencia de bucle:
  - Un bucle interno regula el ángulo de cabeceo ( $\theta$ ) mediante la deflexión del plano de popa ( $\delta_s$ ) a una frecuencia alta.
  - Un bucle externo mapea la posición de profundidad deseada ( $z_p$ ) a un ángulo de cabeceo de referencia deseado ( $\theta_d$ ) a una frecuencia más baja.
  - Para permitir la recolección de datos para el bucle externo, se aplica un "supuesto de ganancia unitaria" al bucle interno (tratando $\theta = \theta_d$ ), lo que permite que el bucle externo vea el ángulo de cabeceo como su entrada. Un procedimiento de recolección de datos de dos etapas asegura una excitación suficiente para ambos bucles.
Línea de Visión Adaptativa Predictiva (PALOS):
- La ALOS clásica (Línea de Visión Adaptativa) genera un comando de rumbo y cabeceo de un solo paso. Esto es incompatible con los controladores de horizonte de ventana deslizante como DeePC, que requieren una trayectoria de referencia que abarque todo el horizonte de predicción.
- Los autores extienden la ALOS a una formulación predictiva de pasos múltiples (PALOS). Este algoritmo propaga recursivamente la posición del vehículo hacia adelante a través del horizonte de predicción utilizando las actitudes comandadas. En cada paso predicho, la ley ALOS se reevalúa para generar una trayectoria de referencia consistente con el horizonte. Esto permite que la capa de guía anticipe las transiciones de la trayectoria e se integre directamente en la optimización de DeePC.

Contribuciones Clave

Arquitectura DeePC en Cascada: Una novedosa estructura de control basada en datos para la regulación de la profundidad que desacopla la dinámica lenta de ascenso/descenso de la dinámica rápida del actuador. Esto extiende la aplicabilidad de DeePC a plantas donde la salida dominante evoluciona significativamente más lento que el ancho de banda del actuador, un régimen previamente excluido por las restricciones de persistencia de la excitación.
Línea de Visión Adaptativa Predictiva (PALOS): Una extensión de la ley de guía que transforma la salida de un solo paso de ALOS en una referencia de múltiples pasos consistente con el horizonte. Esto cierra la brecha entre la guía geométrica y el control predictivo de horizonte deslizante, permitiendo el seguimiento de puntos de referencia en 3-D sin artefactos de desajuste de horizonte.
Validación del Marco Integrado: El sistema completo se valida en una simulación de alta fidelidad de 6 grados de libertad (6-DOF) de un AUV REMUS 100, incorporando hidrodinámica no lineal, corrientes oceánicas y restricciones de actuadores.

Resultos
El marco propuesto fue probado contra comparativas de vanguardia (controladores PI/PID ajustados y ALOS estándar) a través de cuatro escenarios:

Operación Nominal: El controlador DeePC demostró una precisión de seguimiento superior en comparación con PI/PID, particularmente en el control de profundidad, debido a su naturaleza predictiva que reduce el desfase.
Perturbaciones por Corrientes Oceánicas: El marco mantuvo un seguimiento de trayectoria robusto bajo perturbaciones de corrientes horizontales y verticales, superando la línea base de PI/PID en el Error Cuadrático Medio (RMSE) para guiñada, profundidad y cabeceo.
Operación Más Allá del Régimen de Datos: Cuando se probó con velocidades de hélice significativamente menores que la velocidad de recolección de datos (700 rpm frente a 1000 rpm), el controlador DeePC mantuvo la estabilidad y recuperó el seguimiento una vez que el vehículo pudo alcanzar la velocidad, mientras que el controlador PI/PID sufrió de saturación integral (wind-up) y grandes sobreimpulsos.
Seguimiento de Trayectoria de Waypoints en 3-D: El sistema PALOS-DeePC redujo el error de trayectoria transversal en aproximadamente un 28% en comparación con la línea base ALOS-PI/PID. Los errores de seguimiento del bucle interno (guiñada y cabeceo) se redujeron aproximadamente en un orden de magnitud, demostrando la eficacia de la capa de control interno basada en datos.

Significancia
El artículo afirma que este trabajo establece la viabilidad arquitectónica de una solución de control predictivo totalmente basada en datos para AUV sin la carga de la identificación hidrodinámica. Al combinar una estructura DeePC en cascada con una ley de guía predictiva, el marco logra un seguimiento de trayectorias en 3-D de alto rendimiento que es robusto ante perturbaciones ambientales y no linealidades. Los resultados sugieren que este enfoque ofrece una alternativa práctica al MPC basado en modelos, eliminando la necesidad de una identificación de sistemas compleja y superando consistentemente a las estrategias de control reactivo clásicas en simulaciones de alta fidelidad. Se identifica como trabajo futuro la extensión de estos métodos al seguimiento de trayectorias completas y su validación en hardware físico.

1. El Piloto "Sin Receta" (DeePC)

2. El Problema de "Lento y Constante" (Control en Cascada)

3. La Guía de la "Bola de Cristal" (PALOS)

4. Los Resultados: ¿Cómo le fue?

Resumen

Más como este