⚡ electrical engineering

Modeling PWM-Time-SOC Interaction in a Simulated Robot

Este trabajo presenta un modelo no lineal unificado que predice la descarga de la batería en función del tiempo y el ciclo de trabajo PWM para un robot simulado de cuatro ruedas, combinando principios físicos con el método SINDy para permitir una planificación energética eficiente.

Autores originales: Vidyut Pradeep, Shirantha Welikala

Publicado 2026-03-03

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Vidyut Pradeep, Shirantha Welikala

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

¡Hola! Imagina que tienes un robot autónomo, como un pequeño coche de juguete inteligente que se mueve solo. Este robot tiene una batería, igual que tu teléfono móvil. El gran problema es: ¿Cómo sabe el robot cuánto le queda de batería antes de que se le acabe y se quede tirado en medio de la calle?

Este artículo explica cómo los autores crearon un "oráculo" matemático para predecir exactamente eso. Aquí tienes la explicación sencilla, usando analogías de la vida diaria:

1. El Problema: El Robot con "Hambre" de Energía

Imagina que el robot es un corredor.

La Batería es su estómago lleno de comida (energía).
El PWM (Señal de control) es el pedal del acelerador. Si lo pisas a fondo (100%), el robot corre muy rápido y gasta mucha energía. Si lo pisas a medias (40%), va lento y gasta menos.

El problema es que la relación no es lineal (no es como decir "si corro el doble de rápido, gasto el doble de energía"). Es más complicado. Al arrancar, el motor da un "brinco" de energía, y luego se estabiliza. Además, la batería se calienta y su resistencia interna cambia. Los métodos antiguos eran como tener una lista de papel con todas las combinaciones posibles (una tabla gigante), lo cual es lento y ocupa mucho espacio.

2. La Solución: El "Simulador de Entrenamiento"

En lugar de gastar la batería real del robot en pruebas (lo cual sería peligroso y costoso), los autores crearon un mundo virtual (una simulación por computadora).

El Laboratorio Virtual: Imagina un videojuego muy realista donde construyeron un robot digital. Le pusieron un motor, ruedas, peso y una batería.
La Prueba: Hicieron correr a este robot virtual miles de veces. Le dijeron: "¡Corre al 10% de velocidad!", "¡Corre al 50%!", "¡Corre al 90%!". Y observaron cómo bajaba la barra de batería en cada segundo.
El Objetivo: Recopilar todos esos datos para entender la "fórmula secreta" de cómo se gasta la energía.

3. El Detective Matemático: SINDy

Aquí entra la parte genial. Tienen miles de datos, pero no saben cuál es la ecuación exacta. Para encontrarla, usaron una técnica llamada SINDy (que suena a un nombre de detective).

La Metáfora del Chef: Imagina que tienes una sopa deliciosa (los datos de la batería) pero no sabes qué ingredientes hay. Tienes una despensa llena de especias posibles (matemáticas: polinomios, logaritmos, etc.).
El Proceso: SINDy es como un chef muy estricto que prueba la sopa y dice: "Necesitamos sal (un término matemático), pero no necesitamos pimienta (otro término)". Va descartando ingredientes innecesarios hasta encontrar la receta mínima y perfecta que explica el sabor.
El Resultado: Encontraron una fórmula matemática limpia y simple que combina el tiempo (cuánto lleva corriendo) y el acelerador (PWM) para decirte exactamente cuánto batería queda.

4. La Fórmula Mágica (La Receta)

La fórmula que descubrieron tiene dos partes principales, como si fuera un viaje en coche:

El "Salto" Inicial (El Gancho): Cuando el robot arranca, la batería baja un poco rápido al principio. Es como cuando enciendes la luz de un coche viejo; consume un pico de energía al arrancar. La fórmula usa una función especial (logaritmo) para predecir este "salto" inicial.
El Viaje Estable: Una vez que el robot ya está en movimiento, la batería baja de forma más constante, pero depende de qué tan fuerte pisaste el acelerador. La fórmula usa polinomios (números elevados al cuadrado o cubo) para calcular que, si aceleras mucho, gastas muchísimo más que si vas suave.

5. ¿Por qué es importante esto?

Imagina que eres el cerebro del robot. Antes de este trabajo, el robot tendría que adivinar o usar una lista de papel gigante para saber si puede llegar a su destino.

Con este nuevo modelo:

Es un "GPS de Energía": El robot puede decir: "Si voy a esa tienda a 80% de velocidad, me quedaré sin batería a mitad de camino. Mejor voy al 60% y llegaré seguro".
Es rápido y ligero: La fórmula es tan pequeña que cabe en la memoria de un Arduino (un chip barato), sin necesidad de internet ni computadoras potentes.
Es inteligente: Funciona tanto si el robot va despacio como si va a toda velocidad.

En Resumen

Los autores crearon un entrenador virtual para robots. En lugar de dejar que el robot se quede sin batería en la vida real, lo entrenaron en una simulación y usaron un detective matemático para encontrar la fórmula exacta de cómo se gasta la energía.

Ahora, los robots pueden planificar sus viajes como un conductor experto que sabe exactamente cuánta gasolina le queda y cuánto le costará llegar a casa, evitando quedarse tirados en el camino. ¡Es como darle a los robots un sexto sentido para la energía!

Resumen Técnico: Modelado de la Interacción PWM-Tiempo-SOC en un Robot Simulado

1. Planteamiento del Problema

La gestión energética es un desafío crítico para los robots autónomos, especialmente en entornos donde las oportunidades de recarga son limitadas. La falta de modelos precisos de consumo energético provoca que los robots agoten sus baterías antes de completar tareas asignadas.

Limitaciones de enfoques anteriores: Los métodos tradicionales suelen basarse en modelos lineales simplificados que no capturan la dinámica no lineal de la descarga de la batería, o en tablas de búsqueda (lookup tables) extensas que requieren pre-grabación de perfiles de movimiento y carecen de generalización ante diferentes condiciones operativas o configuraciones del robot.
El núcleo del problema: Determinar el Estado de Carga (SOC, State of Charge) de la batería como una función no lineal de las entradas de control (duty cycle de PWM) y el tiempo operativo. Esta relación es compleja debido a las características eléctricas del motor (resistencia, inductancia, contrafuerza electromotriz), la dinámica mecánica (masa, arrastre, resistencia a la rodadura) y la resistencia interna de la batería.

2. Metodología

Los autores desarrollaron un marco híbrido que combina simulación basada en física con identificación de datos para crear un modelo predictivo interpretable.

Simulación Física:
- Se construyó un entorno de simulación en MATLAB para un robot de 4 ruedas basado en Arduino.
- El modelo incorpora características eléctricas detalladas (resistencia, inductancia, constante de par, contrafuerza) y dinámicas mecánicas (masa, arrastre aerodinámico, resistencia a la rodadura).
- Se generaron series temporales de datos de SOC para duty cycles de PWM que varían del 1% al 100% (en incrementos del 10%) durante 300 segundos de movimiento hacia adelante.
Identificación de Dinámicas No Lineales Escasas (SINDy):
- Se aplicó el algoritmo SINDy (Sparse Identification of Nonlinear Dynamics) para descubrir las ecuaciones gobernantes a partir de los datos de simulación.
- Biblioteca de Candidatos: Se construyó una biblioteca de funciones basada en el entendimiento físico, incluyendo términos constantes, lineales, polinomios de PWM ( $p, p^2, p^3$ ), términos logarítmicos de tiempo ( $\ln(1+t)$ ) y formas racionales ( $t/(p+1)$ ).
- Regresión Escasa: Se utilizó regresión por mínimos cuadrados con umbralización secuencial para seleccionar el subconjunto mínimo de funciones necesarias, eliminando términos irrelevantes y garantizando un modelo parsimonioso y computacionalmente eficiente.

3. Contribuciones Clave

El trabajo presenta tres contribuciones principales a la robótica consciente de la energía:

Modelo Unificado No Lineal: Desarrollo de un modelo analítico cerrado $SOC(t, p)$ que captura explícitamente los efectos acoplados del duty cycle de PWM y el tiempo. A diferencia de las tablas de búsqueda, este modelo puede calcular el SOC para cualquier horizonte de tiempo y valor de PWM dentro del rango operativo.
Metodología Física-Informada: Un enfoque sistemático que utiliza la simulación física para generar datos de entrenamiento y SINDy para identificar ecuaciones. Esto difiere de los enfoques puramente empíricos (que carecen de generalización física) y de los puramente teóricos (que pueden ser demasiado complejos para resolver analíticamente). El modelo resultante tiene un error promedio de predicción del 0.162%.
Marco de Extensibilidad: Se proporciona un marco para adaptar el modelo a condiciones del mundo real, incluyendo diferentes niveles iniciales de SOC y parámetros dependientes del entorno (como la resistencia a la rodadura específica del terreno), sin necesidad de reentrenar completamente el modelo.

4. Resultados y Validación

Se derivaron tres modelos complementarios:

Modelo General de Serie Temporal: $SOC(t, p)$ con términos polinómicos en PWM y logarítmicos en tiempo.
Modelo de SOC Final: Predicción del SOC en un horizonte fijo (300s) basado solo en el PWM.
Modelo de Tasa Instantánea: La derivada $\frac{\partial SOC}{\partial t}$ para entender la velocidad de descarga en tiempo real.

Validación Numérica:

Condiciones de Alta Carga (90% PWM): El modelo predijo con precisión la rápida descarga (de 100% a ~67% en 300s), capturando la no linealidad inicial ("gancho" o hook) causada por la resistencia interna de la batería. Error máximo: 0.82%.
Condiciones de Baja Carga (40% PWM): El modelo mantuvo una alta precisión en la descarga gradual (de 100% a ~93.5%). Error máximo: 0.27%.
Precisión General: El error promedio en todos los casos de validación fue de 0.162%, lo que es suficiente para la planificación energética en tiempo real.

Hallazgos Físicos:

Los términos polinómicos ( $p^2, p^3$ ) confirman que el agotamiento de la batería se acelera no linealmente con la carga del motor debido a las pérdidas $I^2R$ y al arrastre aerodinámico.
Los términos logarítmicos ( $\ln(1+t)$ ) modelan con éxito la transición inicial de descarga rápida antes de estabilizarse en una tasa constante.
El término racional ( $t/(p+1)$ ) captura cómo una menor carga del motor extiende el tiempo operativo de forma superlineal.

5. Significado e Impacto

Este trabajo es significativo porque:

Eficiencia Computacional: Proporciona ecuaciones de forma cerrada que se evalúan en microsegundos, permitiendo su implementación en el hardware de a bordo (onboard) para la planificación de rutas y la programación de tareas.
Interpretabilidad: A diferencia de las "cajas negras" de aprendizaje automático, el modelo revela por qué se consume la energía (relación con la física del motor y la batería), lo que facilita la optimización del diseño del robot.
Adaptabilidad: El marco permite actualizar los coeficientes en tiempo real para compensar el envejecimiento de la batería o cambios en la carga útil, superando la rigidez de los modelos estáticos.
Aplicabilidad: Aunque se probó en un robot simulado, el enfoque es aplicable a cualquier sistema autónomo alimentado por baterías donde la predicción energética es crítica para la fiabilidad operativa.

En conclusión, el artículo demuestra que es posible combinar la simulación física con la identificación de datos para crear modelos de consumo energético precisos, interpretables y eficientes, sentando las bases para una planificación de trayectorias verdaderamente consciente de la energía en robots autónomos.