Behavioral Data-Driven Optimal Trajectory Generation for Rotary Cranes

Resumen Técnico: Generación Óptima de Trayectorias Basada en Datos Conductuales para Grúas Giratorias

Planteamiento del Problema
La automatización de grúas giratorias en la industria de la construcción enfrenta desafíos significativos debido a la naturaleza subactuada de la dinámica de las grúas y la dificultad de obtener mediciones precisas de la posición de la carga en entornos del mundo real. Las estrategias de control tradicionales basadas en modelos dependen de modelos paramétricos precisos y de un ajuste experto, a menudo fallando en capturar las complejidades del sistema o en manejar imprecisiones de modelado, lo que conduce a un uso ineficiente de la energía, fallos en el alcance de objetivos y oscilaciones excesivas de la carga. Por el contrario, muchos enfoques basados en aprendizaje requieren conjuntos de datos extensos y recursos computacionales elevados. Además, la automatización con retroalimentación completa a menudo es poco práctica debido a la dificultad de medir cargas suspendidas en cables largos y flexibles y al riesgo de que los bucles de retroalimentación amplifiquen las oscilaciones en presencia de perturbaciones. En consecuencia, las operaciones de grúa a menudo dependen de la planificación de trayectorias en lazo abierto, la cual está limitada por la fidelidad de los modelos físicos subyacentes.

Metodología
Este artículo propone un marco de datos conductuales para generar trayectorias de giro en lazo abierto que supriman el balanceo de la carga mientras minimizan el tiempo de operación y el consumo de energía. El enfoque se fundamenta en el lema fundamental de Willems y la teoría de sistemas conductuales, lo que permite caracterizar el comportamiento del sistema directamente a partir de datos medidos de entrada-salida, evitando la necesidad de un modelado paramétrico explícito.

La metodología central implica los siguientes pasos:

1. Recopilación y Representación de Datos: El sistema se excita utilizando señales de entrada suaves, constantes por tramos (específicamente, sumas de senos con frecuencias aleatorizadas) para capturar dinámicas no lineales dentro de una región operativa específica. Los datos de entrada-salida recopilados (velocidad angular de giro y ángulos de carga/brazo) se organizan en una matriz de Hankel.
2. Modelado No Paramétrico: El artículo trata la matriz de Hankel como un diccionario de primitivas de movimiento. Al aprovechar el principio de superposición en subespacios lineales, el método representa el comportamiento del sistema como una combinación lineal de trayectorias pasadas. Para manejar la naturaleza no lineal de la grúa y el ruido en los datos, el marco emplea regularización de norma $\ell_1$ para promover la dispersión en los coeficientes de combinación, seleccionando efectivamente las primitivas de movimiento relevantes. Además, se utiliza la truncación de valores singulares para atenuar el ruido.
3. Formulación de Optimización: El problema de generación de trayectorias se formula como un problema de optimización convexa. El objetivo es encontrar una trayectoria que interpole entre condiciones iniciales y de reposo objetivo dadas (velocidad y balanceo cero) mientras minimiza una función de costo que equilibra:
   • Balanceo de Carga: Mantener la carga cerca de su equilibrio hacia abajo.
   • Tiempo: Minimizar la distancia a la posición objetivo del brazo para asegurar una llegada rápida.
   • Energía: Minimizar el esfuerzo de control al cuadrado.
   • Suavidad: Penalizar la variación total del ángulo y la velocidad del brazo para prevenir cambios abruptos que induzcan oscilaciones.
   • Restricciones: Se imponen límites estrictos a los límites del actuador y a los ángulos de balanceo de la carga para garantizar la seguridad.

Contribuciones Clave

• Primera Aplicación de la Teoría Conductual a Grúas: Según el conocimiento de los autores, este es el primer trabajo que emplea la teoría de sistemas conductuales para el control de grúas.
• Generación de Trayectorias No Paramétrica: El método genera trayectorias óptimas directamente a partir de datos ruidosos sin requerir identificación explícita de parámetros, solucionadores de EDO no lineales o suposiciones de modelado complejas.
• Flujo de Trabajo Práctico: El artículo presenta un flujo de trabajo sistemático para la recopilación de datos, el ajuste de hiperparámetros (mediante búsqueda en cuadrícula en el rendimiento de simulación no paramétrica) y la generación de trayectorias, haciendo que el marco sea aplicable a otros sistemas de grúas.
• Manejo de No Linealidad y Ruido: Al interpretar la matriz de Hankel como un diccionario de aproximaciones lineales locales y utilizar regularización dispersa, el método captura efectivamente dinámicas no lineales y permanece robusto frente al ruido de medición.

Resultados
El método propuesto se validó en una grúa giratoria de laboratorio a escala 1:9 y se comparó con un enfoque establecido de generación de trayectorias óptimas basado en modelos (utilizando un método de múltiples puntos de paso con programación cuadrática secuencial).

• Métricas de Rendimiento: El enfoque basado en datos logró una reducción del 35% en el balanceo de la carga, una reducción del 43% en el error de seguimiento y una reducción del 50% en el tiempo de viaje en comparación con la referencia basada en modelos.
• Validación Experimental: En ensayos experimentales, las trayectorias generadas movieron con éxito la carga entre ángulos especificados con alta precisión (error de seguimiento de 0.002 rad) y oscilación residual mínima, coincidiendo estrechamente con el comportamiento predicho a pesar de la ejecución en lazo abierto.
• Simulación: Estudios simulados confirmaron que el método podía capturar dinámicas no lineales (específicamente el balanceo radial de la carga) que los modelos linealizados no lograban representar, siempre que hubiera suficiente diversidad de datos y un ajuste adecuado de hiperparámetros.

Significado y Afirmaciones
El artículo afirma que este trabajo reduce la complejidad de la optimización de trayectorias para sistemas no lineales y subactuados a operaciones algebraicas lineales y problemas de optimización convexa. Demuestra que la automatización de grúas puede lograrse sin depender de operadores expertos en el sitio, modelado detallado del sistema, simuladores de alta fidelidad o solucionadores no lineales complejos.

Los autores mantienen una postura modesta con respecto al alcance de sus afirmaciones:

• Reconocen que el método requiere un ajuste cuidadoso de hiperparámetros y que la calidad de los resultados depende en gran medida del diseño de las señales de entrada utilizadas para la recopilación de datos.
• Señalan que, aunque el método es basado en datos, no es "codicioso de datos" en comparación con otros métodos basados en aprendizaje, ya que secuencias de datos relativamente cortas fueron suficientes.
• Declaran explícitamente que un análisis teórico riguroso del marco conductual para dinámicas no lineales generales sigue siendo un problema abierto.
• Se identifica el trabajo futuro como la extensión del enfoque a grúas a escala real, teniendo en cuenta perturbaciones imprevistas (por ejemplo, viento, efectos torsionales) y la posible aplicación de Control Predictivo Habilitado por Datos (DeePC) para operación en lazo cerrado.

El estudio concluye que, al operar directamente sobre datos, el marco propuesto ofrece una alternativa práctica, confiable y eficiente a los enfoques tradicionales basados en modelos para suprimir el balanceo de la carga en grúas giratorias.