💻 computer science

Adaptive Sliding Mode Control for Vehicle Platoons with State-Dependent Friction Uncertainty

Esta tesis propone un nuevo controlador de modo deslizante adaptativo para el control de formación de convoyes de vehículos móviles, capaz de manejar incertidumbres de fricción dependientes del estado y perturbaciones externas sin requerir conocimiento previo de sus parámetros, mediante una estrategia de dos etapas que separa la cinemática de la dinámica del robot.

Autores originales: Rishabh Dev Yadav

Publicado 2026-03-17

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Rishabh Dev Yadav

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

¡Claro que sí! Imagina que este documento es la historia de cómo un grupo de robots aprendió a caminar en fila india, como un tren de juguete, pero sin necesidad de que un humano les diga qué hacer ni de conocer de antemano el suelo por el que van a pasar.

Aquí tienes la explicación de la tesis de Rishabh Dev Yadav, traducida al lenguaje cotidiano con algunas analogías divertidas:

🚂 El Problema: El Tren que Tropezaba

Imagina que tienes un tren de robots (un "platoón") que debe viajar por una carretera. El objetivo es que todos sigan al líder manteniendo una distancia exacta, como si fueran soldados marchando.

El problema es que el mundo real es un caos.

A veces el suelo es de asfalto liso (como patinar sobre hielo).
A veces es de tierra suelta (como caminar por arena).
A veces los neumáticos están desgastados o cargan pesos diferentes.

En ingeniería, a esto le llamamos fricción. Y lo peor es que la fricción es un "fantasma": cambia constantemente dependiendo de la velocidad del robot y del estado de la carretera. Los controladores antiguos (los "viejos maestros") intentaban adivinar estos valores antes de empezar. Pero si el suelo cambia de repente, esos robots se ponían nerviosos, se desviaban o incluso chocaban.

La analogía: Es como intentar conducir un coche con los ojos vendados, asumiendo que el suelo siempre será de cemento. Si de repente te encuentras con un charco de barro, el coche se resbala y no sabes cómo reaccionar porque tu "mapa mental" estaba equivocado.

💡 La Solución: El "Adaptador Mágico" (Control Deslizante Adaptativo)

El autor propuso un nuevo cerebro para estos robots, llamado Control Deslizante Adaptativo (ASMC).

En lugar de tener un mapa fijo de cómo es el suelo, este nuevo cerebro tiene un reflejo instantáneo. Funciona así:

Dos niveles de pensamiento:
- El Capitán (Control Cinemático): Es el que dice "¡Vamos hacia allá!". Decide la velocidad y la dirección ideal.
- El Mecánico (Control Dinámico): Es el que maneja los motores. Aquí es donde ocurre la magia. El Mecánico no sabe cuánto pesa el robot ni qué tan resbaladizo es el suelo. Pero, siente cuando algo sale mal.
La adaptación en tiempo real:
Si el robot empieza a resbalar porque el suelo se volvió liso, el Mecánico siente el error inmediatamente y ajusta la fuerza de los motores al instante, como si fuera un ciclista que, al sentir que la bicicleta se resbala, cambia de postura y pedalea más fuerte automáticamente.

La analogía: Imagina que estás aprendiendo a andar en bicicleta. Al principio, te caes si el suelo está mojado. Pero con el nuevo control, es como si tu cuerpo tuviera un superpoder: en el milisegundo en que sientes que te vas a caer, tus músculos se ajustan automáticamente para mantenerte en pie, sin que tu cerebro tenga que pensar "oh, el suelo está mojado". Simplemente se adapta.

🧪 La Prueba: El Circuito de Obstáculos

Para demostrar que su idea funcionaba, el autor puso a sus robots a correr en un simulador (un videojuego muy realista llamado Gazebo).

El escenario: Crearon una pista con cuatro zonas. Tres zonas tenían suelo normal, pero una zona tenía un suelo muy resbaladizo (como hielo) y había unos "baches" (topes de velocidad) que daban sustos de golpe.
La competencia: Puso a correr a dos equipos:
1. El equipo con el control antiguo (que intentaba adivinar la fricción).
2. El equipo con el nuevo control adaptativo (el que se ajusta al vuelo).

El resultado:
Cuando los robots entraron en la zona resbaladiza y chocaron contra los baches, el equipo antiguo se descontroló. Sus robots se separaron, se desviaron de la ruta y tuvieron errores grandes.
El equipo con el nuevo control, en cambio, apenas se inmutó. Mantuvieron la distancia perfecta entre ellos y siguieron la línea recta como si nada hubiera pasado.

🏆 ¿Por qué es importante esto?

Este trabajo es importante porque nos acerca a un futuro donde:

Los camiones autónomos pueden viajar en convoy por carreteras de montaña, lluvia o nieve sin que un humano tenga que intervenir.
Los robots de reparto pueden moverse en almacenes con suelos mojados o polvorientos sin chocar.
No necesitamos saber todos los detalles del mundo antes de empezar; el sistema aprende y se adapta mientras se mueve.

En resumen

La tesis de Rishabh nos dice que, para que los robots sean verdaderamente libres y seguros, no deben depender de reglas fijas escritas en piedra. Deben tener la capacidad de sentir el suelo bajo sus ruedas y ajustarse al instante, igual que lo hacemos nosotros los humanos cuando caminamos por un camino lleno de piedras. ¡Es la diferencia entre un robot rígido que se cae y un robot inteligente que baila sobre el terreno!

Resumen Técnico: Control por Modo Deslizante Adaptativo para Platoons de Vehículos Autónomos con Fricción Dependiente del Estado

1. Planteamiento del Problema

El control de formaciones en platoons (convoyes) de vehículos robóticos móviles es fundamental para aplicaciones en logística, transporte de carga y vigilancia. El objetivo principal es mantener una distancia segura y predefinida entre los robots mientras siguen una trayectoria común.

Sin embargo, existen desafíos críticos en entornos reales:

Incertidumbre de Parámetros: Los sistemas suelen tener parámetros desconocidos o variables (masa, inercia).
Fricción Desconocida y Dependiente del Estado: La fuerza de fricción entre las ruedas y el suelo no es constante. Varía según el desgaste de los neumáticos, el tipo de superficie, la velocidad y la carga.
Limitación de Métodos Actuales: La mayoría de los controladores adaptativos de vanguardia asumen que las incertidumbres están acotadas a priori (conocidas previamente). Sin embargo, la fricción es dependiente del estado (especialmente la fricción viscosa, proporcional a la velocidad), lo que significa que no puede ser acotada de antemano sin conocer el estado exacto del sistema. Esto hace que los métodos tradicionales fallen o requieran modelos de fricción muy precisos que son difíciles de obtener en la práctica.

2. Metodología Propuesta

La tesis propone un nuevo marco de Control por Modo Deslizante Adaptativo (ASMC) diseñado específicamente para manejar dinámicas desconocidas y dependientes del estado sin necesidad de conocimiento previo de los parámetros del sistema.

La metodología se estructura en dos etapas principales:

A. Control Cinemático:
- Se utiliza un controlador cinemático estándar basado en el método backstepping.
- Su función es calcular las velocidades lineales ( $v_c$ ) y angulares ( $\omega_c$ ) deseadas necesarias para seguir la trayectoria de referencia y mantener la formación, basándose en el error de postura.
B. Control Dinámico Propuesto (ASMC):
- Este es el núcleo de la innovación. Se diseña un controlador dinámico que genera los pares de fuerza ( $F$ ) y torque ( $\tau$ ) necesarios para que el robot realice las velocidades deseadas calculadas en la etapa cinemática.
- Manejo de Incertidumbre: En lugar de asumir límites fijos, el controlador asume que los términos de incertidumbre (fricción, perturbaciones externas, parámetros de masa/inercia desconocidos) tienen una estructura de límite superior que depende de los estados del sistema (velocidades y errores).
- Leyes de Adaptación: Se introducen leyes de adaptación en tiempo real para estimar los parámetros desconocidos de los límites de incertidumbre. Estas leyes ajustan las ganancias del controlador dinámicamente basándose en el error de seguimiento y las variables de deslizamiento.
- Estructura del Control:
  - Se define una variable de deslizamiento ( $s$ ) que combina el error de velocidad y su integral.
  - La ley de control incluye un término de retroalimentación lineal y un término de modo deslizante (con ganancia adaptativa) para rechazar las perturbaciones.
  - Se utilizan funciones de saturación en lugar de la función signo pura para evitar el chattering (oscilaciones de alta frecuencia).
Análisis de Estabilidad:
- La estabilidad del sistema en lazo cerrado se demuestra rigurosamente utilizando la Teoría de Lyapunov.
- Se prueba que el sistema es Uniformemente Últimamente Acotado (UUB), lo que garantiza que los errores de seguimiento convergen a una vecindad pequeña alrededor de cero, incluso con incertidumbres no acotadas a priori.

3. Contribuciones Clave

Marco ASMC para Fricción Dependiente del Estado: Se presenta una solución que no requiere conocimiento previo de los parámetros de fricción (Coulomb y viscosa) ni de las perturbaciones externas, superando la limitación de los métodos que asumen incertidumbres acotadas fijas.
Diseño de Control Desacoplado pero Integrado: Se separa el diseño en control cinemático y dinámico, pero se acoplan las leyes de adaptación para manejar las interacciones entre la fuerza y el torque de manera simultánea.
Estabilidad Garantizada: Demostración analítica de la estabilidad UUB bajo incertidumbres complejas y dependientes del estado.
Validación en Entorno Realista: Simulaciones exhaustivas en Gazebo utilizando modelos de robots TurtleBot3 en un entorno con variaciones de fricción y obstáculos.

4. Resultados de la Simulación

El controlador propuesto se comparó con un controlador ASMC estándar (que asume incertidumbres acotadas) en un escenario de platoon de tres robots siguiendo una trayectoria en forma de "8".

Escenario de Prueba: El entorno simulado tenía cuatro cuadrantes con diferentes coeficientes de fricción longitudinal ( $\mu = 0.1$ en tres cuadrantes y $\mu = 0.13$ en uno) y dos "baches" (speed breakers) para simular perturbaciones súbitas.
Rendimiento en Fricción Variable:
- En el cuadrante de alta fricción y durante los baches, el controlador estándar mostró un aumento significativo en el error de seguimiento de posición y en el error de distancia (gap error) entre robots.
- El controlador propuesto mantuvo un error significativamente menor, demostrando una mayor robustez ante los cambios repentinos en la fricción.
Métricas Cuantitativas (Error Cuadrático Medio - RMS):
- Seguimiento de Trayectoria: El ASMC propuesto redujo el error RMS en las coordenadas X e Y para todos los robots en comparación con el método estándar (ej. Robot 1: error X de 0.081m a 0.076m).
- Mantenimiento de la Formación: La reducción en el error de distancia entre robots fue aún más notable. El error RMS entre el Robot 1 y 2 se redujo de 0.026 m (estándar) a 0.014 m (propuesto), y entre el Robot 2 y 3 de 0.050 m a 0.036 m.

5. Significado e Impacto

Este trabajo es significativo porque aborda una brecha crítica en la teoría de control de robots móviles: la capacidad de operar de manera robusta cuando las fuerzas de fricción son desconocidas y cambian dinámicamente con el estado del sistema.

Aplicabilidad Práctica: Permite el despliegue de platoons autónomos en entornos logísticos reales donde las condiciones del suelo, el desgaste de las ruedas y las cargas varían constantemente, sin necesidad de recalibrar el sistema o tener modelos de fricción perfectos.
Avance Teórico: Proporciona un marco teórico sólido para el control adaptativo de sistemas con incertidumbres no acotadas a priori, extendiendo la aplicabilidad del control por modo deslizante a problemas más complejos de dinámica de vehículos.
Escalabilidad: La arquitectura descentralizada y robusta sugiere que el método es escalable a formaciones más grandes y podría adaptarse a otros sistemas autónomos como drones o vehículos submarinos en el futuro.

En conclusión, la tesis demuestra que el control propuesto supera a las técnicas actuales en términos de precisión de seguimiento, estabilidad de formación y robustez frente a perturbaciones ambientales complejas.