Hybrid Neural Network and Conventional Controller Approach for Robust Control of Highly Unstable Systems: Application to Tilt-Rotor Control

Resumen Técnico: Enfoque de Red Neuronal Híbrida y Controlador Convencional para el Control Robusto de Sistemas Altamente Inestables

Planteamiento del Problema
Los vehículos aéreos no tripulados (UAV) multirrotores convencionales son inherentemente subactuados, lo que limita su maniobrabilidad. Las configuraciones de rotor basculante (tilt-rotor) abordan esto permitiendo una actuación completa mediante entradas de vectorización de empuje, lo que permite el control independiente de todos los grados de libertad (DoF). Sin embargo, estos sistemas introducen una complejidad dinámica e inestabilidad significativas. Si bien el aprendizaje profundo se ha integrado en diversas estrategias de control (p. ej., PID, Control por Modos Deslizantes, MPC), aplicar el aprendizaje directo de entrada-salida a plantas altamente inestables sigue siendo un desafío. Este artículo investiga si las redes neuronales pueden estabilizar directamente un sistema de rotor basculante totalmente actuado y propone una alternativa híbrida que combina la identificación de sistemas basada en redes neuronales con un control convencional robusto.

Metodología
La investigación se estructura en dos fases distintas:

1. Aprendizaje Directo de Entrada-Salida (Resultado Negativo):
   Los autores intentaron primero controlar el sistema de rotor basculante utilizando un enfoque de mapeo directo. En este método, Perceptrones Multicapa (MLP), redes de Memoria de Corto Plazo de Largo Esfuerzo (LSTM) y modelos Transformer fueron entrenados para mapear los estados del sistema y las trayectorias deseadas directamente a las entradas de control (velocidades de los motores y ángulos de inclinación). Los datos de entrenamiento se generaron mediante trayectorias sinusoidales y maniobras específicas utilizando un Controlador por Modos Deslizantes (SMC) prediseñado. El objetivo era evaluar si estas redes podían aprender la política de control sin un modelo dinámico explícito.

2. Control por Modos Deslizantes Mejorado por Redes Neuronales (Contribución Principal):
   Al reconocer el fallo del enfoque directo, los autores propusieron una arquitectura de control híbrida. En lugar de aprender la política de control directamente, las redes neuronales se utilizan para aproximar componentes específicos del modelo dinámico de la planta.

   • Descomposición: La dinámica del sistema se descompone en componentes independientes de la entrada ($a$) y dependientes de la entrada ($G$) basándose en la ecuación $\ddot{\bar{x}} = a + Gv$.
   • Aprendizaje: Redes neuronales ligeras (MLP o LSTM) se entrenan para predecir $\hat{a}$ y $\hat{G}$ utilizando un pequeño conjunto de datos derivado de registros de vuelo o simulaciones. Estas redes aprenden la relación entre los estados del sistema (actitud, velocidad angular) y los parámetros dinámicos.
   • Ley de Control: Los parámetros predichos ($\hat{a}, \hat{G}$) se integran en un Controlador por Modos Deslizantes (SMC) estándar. El SMC utiliza estas aproximaciones aprendidas para calcular la ley de control, asegurando la robustez frente a incertidumbres.
   • Asignación de Actuadores: El controlador genera un vector de entrada virtual $v$, que luego se mapea a comandos físicos de los actuadores (velocidades de motores BLDC y ángulos de inclinación de servos) utilizando una solución de norma mínima para manejar la naturaleza no cuadrada de la matriz de control.

Resultos Clave

• Fallo del Aprendizaje Directo: La estrategia de control directo de entrada-salida falló al intentar estabilizar el sistema de rotor basculante altamente inestable. A pesar de lograr un Error Absoluto Medio (MAE) bajo en los datos de entrenamiento, las redes no pudieron prevenir la acumulación de errores en tiempo real, lo que llevó a la divergencia del sistema. Esto resalta la limitación fundamental del aprendizaje directo para plantas inestables sin un marco de control robusto subyacente.
• Éxito del Enfoque Híbrido: El SMC mejorado por redes neuronales logró estabilizar el sistema.
  • Robustez: El sistema mantuvo la estabilidad bajo incertidumbres significativas, incluyendo errores de actuación aleatorios del 5-10%, incrementos de masa del 5%, variaciones de inercia del 20% y perturbaciones de viento externas.
  • Comparación de Rendimiento: Entre las dos arquitecturas de red utilizadas para la predicción dinámica, el Predictor de Dinámica de Planta (PDP) basado en LSTM superó al PDP basado en MLP. El controlador LSTM logró un Error Absoluto Medio de Seguimiento de Trayectoria (TT-MAE) de 0.21 en condiciones desafiantes, comparado con el 1.05 del MLP.
  • Eficiencia: La implementación de LSTM también demostró un tiempo de ejecución menor (38.5s frente a 41.5s para la prueba de referencia) y requirió menos parámetros para la predicción del componente $a$, lo que lo hace adecuado para su despliegue en microcontroladores de bajo costo.

Significancia y Reivindicaciones
El artículo sostiene que, si bien el control directo por redes neuronales no es adecuado para sistemas de rotor basculante altamente inestables, integrar redes neuronales ligeras en un marco de control basado en modelos ofrece una solución robusta y eficiente. Las contribuciones clave incluyen:

• Demostración de Limitaciones: Proporcionar evidencia empírica de que el aprendizaje directo de entrada-salida falla para plantas altamente inestables, incluso con arquitecturas avanzadas como los Transformers.
• Eficiencia de Datos: El método propuesto puede entrenarse utilizando registros de vuelo recolectados de controladores de bajo rendimiento centrados solo en la actitud, ya que se enfoca en aprender los parámetros de la planta en lugar de las acciones de control.
• Utilidad de Simulación: El modelo dinámico aprendido de datos del mundo real puede utilizarse para simulaciones precisas.
• Viabilidad Computacional: Al descomponer la dinámica y utilizar redes ligeras para componentes específicos, el método reduce las demandas computacionales en tiempo real, permitiendo el despliegue en hardware con recursos limitados.

Los autores concluyen que este enfoque híbrido proporciona una estrategia de control robusta y generalizada para UAVs de actuación completa y planean validar estos hallazgos experimentalmente en una plataforma física de rotor basculante en su laboratorio.