Resumen Técnico: Una Estrategia de Control Predictivo para el Seguimiento de un Punto de Desplazamiento en Robots Móviles Agrícolas

Planteamiento del Problema

La robótica agrícola es cada vez más vital para una agricultura sostenible, sin embargo, los controladores de seguimiento de trayectoria existentes se centran predominantemente en el centro de movimiento del robot (eje trasero). Este enfoque ignora la huella espacial y la dinámica de los implementos acoplados (por ejemplo, desmalezadoras, cultivadores), que a menudo están montados rígidamente e interactúan directamente con los cultivos y el suelo. En la práctica, ignorar la posición del implemento puede degradar el rendimiento del seguimiento y causar daños a los cultivos, particularmente durante las transiciones de curvatura.

El desafío central abordado es el control de un punto de desplazamiento (el punto de interacción implemento-suelo) en un vehículo agrícola vinculado rígidamente. A diferencia de los sistemas de remolque con juntas de pivote que reducen naturalmente los errores de seguimiento durante los giros, los implementos montados rígidamente crean un brazo de palanca significativo. Esta configuración introduce restricciones cinemáticas donde la trayectoria de referencia para el implemento puede ser físicamente inviable (por ejemplo, requiriendo discontinuidades de curvatura que el vehículo no puede ejecutar). Además, los entornos agrícolas introducen un deslizamiento lateral (deriva) debido a las condiciones del suelo, que los modelos tradicionales suelen ignorar. El objetivo es diseñar una estrategia de control que minimice los errores de seguimiento inevitables, garantizando al mismo tiempo la seguridad operativa y la precisión.

Metodología

Los autores proponen una estrategia de control predictivo de forma cerrada que extiende un modelo previo [1] para dar cuenta del deslizamiento lateral y los vínculos rígidos. La metodología se estructura de la siguiente manera:

1. Modelado Cinemático con Deslizamiento Lateral

El sistema se modela utilizando un modelo de bicicleta tipo Ackermann extendido para incluir ángulos de deslizamiento lateral ($\beta_R$ y $\beta_F$) para las ruedas traseras y delanteras.

• Definición del Punto de Desplazamiento: El punto del implemento $I$ se define mediante coordenadas locales $(I_s, I_y)$ con respecto al marco del robot.
• Error de Seguimiento: El error de seguimiento del implemento $e_I$ se formula como una función del error lateral del robot $y$, la desviación angular $\tilde{\psi}$ y el desplazamiento geométrico.
• Observador de Deslizamiento: Dado que los ángulos de deslizamiento no son medibles directamente, un observador (basado en [37]) estima $\beta_R$ y $\beta_F$ utilizando datos de GNSS-RTK e IMU para calcular las perturbaciones de la velocidad lateral.

2. Marco de Control Predictivo

La estrategia de control emplea un enfoque de backstepping de dos etapas mejorado con un horizonte predictivo:

• Etapa 1 (Orientación Deseada): En lugar de una corrección puramente reactiva, el método predice la evolución del error de seguimiento sobre un horizonte $s_h$. Define un criterio de optimización $J$ que minimiza el error cuadrático acumulado entre la trayectoria prevista del implemento y un perfil de convergencia deseado $h(s)$. Este perfil tiene en cuenta el comportamiento cinemático específico donde los implementos montados en la parte trasera deben divergir inicialmente de la trayectoria antes de converger (efecto de brazo de palanca).
• Solución de Forma Cerrada: Al aproximar la dinámica del error y omitir términos de curvatura de orden superior (válido para trayectorias agrícolas típicas), los autores derivan una solución de forma cerrada para la desviación angular deseada óptima $\tilde{\psi}_d$. Esto evita la carga computacional y los problemas de fiabilidad de los resolvedores numéricos utilizados en el MPC estándar.
• Etapa 2 (Control de Dirección): Un segundo bucle de backstepping ajusta el ángulo de dirección $\delta$ para conducir la orientación real del robot hacia la $\tilde{\psi}_d$ deseada, asegurando una convergencia exponencial.

Principales Contribuciones

1. Modelo Extendido con Deslizamiento Lateral: El artículo extiende el modelo de control de punto de desplazamiento de [1] para incorporar explícitamente los efectos del deslizamiento lateral, que son críticos en entornos agrícolas.
2. Nueva Estrategia de Control Predictivo: Se introduce un nuevo controlador predictivo de forma cerrada para implementos vinculados rígidamente. A diferencia del MPC estándar, no requiere optimización numérica, lo que garantiza la viabilidad en tiempo real y la convergencia garantizada.
3. Aplicabilidad General: El método está diseñado para manejar tanto implementos montados en la parte delantera como en la trasera, abordando los desafíos cinemáticos específicos (como el comportamiento de "divergencia antes de la convergencia") de las configuraciones traseras que los métodos predictivos existentes (por ejemplo, [36]) no logran manejar.

Resultados Experimentales

El enfoque fue validado mediante simulaciones y experimentos de campo en el mundo real utilizando un robot Ackermann de tracción en las cuatro ruedas equipado con dos implementos: una desmalezadora mecánica y un cultivador de púas de resorte.

Resultados de Simulación

• Velocidad y Desplazamiento: Las simulaciones mostraron que los errores de seguimiento se mantienen dentro de límites aceptables (<15 cm de mediana) a través de diversas velocidades y posiciones de desplazamiento. Los implementos montados en la parte trasera exhibieron errores ligeramente mayores debido al efecto del brazo de palanca, lo que requiere horizontes de predicción más largos a velocidades más altas.
• Sensibilidad de Parámetros: Se encontró que el horizonte de predicción óptimo es robusto, con un rendimiento cercano al óptimo en un rango de valores, lo que reduce la necesidad de un ajuste extensivo.

Experimentos en el Mundo Real

Los experimentos se realizaron en césped y suelo cultivado, comparando el método propuesto contra:

1. Servovisado Lateral (reactivo, geométrico) [1].
2. Control de Backstepping (reactivo) [1].
3. MPC para Implementos Montados en la Parte Delantera [36].

Hallazgos Clave:

• Reducción de Error: El método propuesto redujo el error de seguimiento de la mediana entre un 24% y un 56% en comparación con las líneas base de vanguardia.
• Mitigación de Errores Pico: Durante las transiciones de curvatura y las maniobras de evasión de obstáculos, los errores pico se redujeron hasta en un 70%.
• Rendimiento de Montaje Trasero: Mientras que el método MPC de [36] falló en converger para implementos montados en la parte trasera, el método propuesto rastreó la trayectoria con éxito.
• Impacto del Observador de Deslizamiento: Los estudios de ablación confirmaron que el observador de deslizamiento es crítico, reduciendo los errores de seguimiento de la mediana entre un 50% y un 64% en secciones curvas donde el deslizamiento del suelo es significativo.
• Evasión de Obstáculos: En un escenario de evasión de obstáculos con desviaciones bruscas, el método propuesto mantuvo los errores de seguimiento por debajo de 0.5 m, mientras que los métodos reactivos resultaron en errores superiores a 1.0 m, lo que supone un riesgo de daño a los cultivos o colisión.

Significado y Reivindicaciones

El artículo sostiene que la estrategia propuesta ofrece un avance significativo en la robótica agrícola al desplazar el enfoque de control desde el centro del vehículo hacia el propio implemento. La importancia radica en:

• Seguridad y Precisión: Al minimizar los errores de seguimiento durante las transiciones de curvatura, el método reduce el riesgo de dañar los cultivos, lo cual es crítico para operaciones delicadas como el desmalezado entre filas.
• Robustez: El modelado explícito del deslizamiento lateral y el uso de un horizonte predictivo permiten que el sistema anticipe y compense las perturbaciones que los controladores reactivos no pueden manejar.
• Practicidad: La naturaleza de forma cerrada del controlador asegura un bajo costo computacional y una alta fiabilidad, lo que lo hace adecuado para su implementación en sistemas agrícolas embebidos sin el riesgo de fallos del resolvedor comunes en el MPC numérico.

Los autores concluyen que, si bien el seguimiento perfecto suele ser físicamente imposible para puntos de desplazamiento rígidos debido a las restricciones cinemáticas, su método minimiza eficazmente estas desviaciones inevitables, mejorando así la seguridad operativa y la eficiencia de los sistemas agrícolas autónomos. El trabajo futuro se dirige hacia la extensión del marco a plataformas de dirección por deslizamiento (skid-steer) e implementos activos con grados de libertad adicionales.