Resumo Técnico: Controle LQG Baseado em Inércia para Estabilização de Pêndulo Invertido

Formulação do Problema

A estabilização de um pêndulo invertido sobre um carrinho (IPoC) é um benchmark fundamental na teoria de controle, tradicionalmente dependendo de medições diretas de variáveis de configuração (posição do carrinho e ângulo do pêndulo) por meio de sensores de deslocamento e codificadores rotativos. No entanto, em plataformas móveis estáveis dinamicamente ao ar livre (por exemplo, Segways, hoverboards, robôs bípedes), tais sensores são frequentemente indisponíveis ou impraticáveis. Esses sistemas dependem fortemente de sensores inerciais (acelerômetros e giroscópios) para estimativa de estado.

Existe uma lacuna crítica na aplicação do controle Linear Quadrático Gaussiano (LQG) a esses cenários limitados por sensores. Estruturas LQG padrão geralmente modelam estados do sistema até velocidade ou aceleração, mas não incorporam explicitamente dados de acelerômetro (estados de aceleração) na formalização Newton-Euler. Consequentemente, quando medições diretas de configuração estão ausentes ou intermitentes, a estimativa de estado depende de fusão de sensores que pode carecer do poder preditivo para lidar com dinâmicas de alta ordem, levando a robustez reduzida, aumento do desvio durante períodos de "navegação inercial" e regiões de estabilidade menores.

Metodologia

Os autores propõem uma estrutura LQG auxiliada por inércia que integra dinâmicas de ordem superior ao modelo do sistema para melhorar a estimativa de estado e a robustez do controle. A metodologia procede da seguinte forma:

1. Análise de Planicidade Diferencial: Os autores demonstram que o sistema IPoC é diferencialmente plano. Eles definem uma saída plana $\varepsilon = x + \ell \sin \theta$ (uma combinação da posição do carrinho e do ângulo do pêndulo). Usando essa propriedade, derivam mapeamentos explícitos onde todos os estados do sistema e entradas de controle podem ser expressos como funções da saída plana e suas derivadas até a quinta ordem.
2. Modelo de Espaço de Estados Augmentado (A-IPoC): Aproveitando a propriedade de planicidade, os autores estendem o vetor de estado padrão para incluir derivadas de ordem superior (acelerações e acelerações). O novo vetor de estado é definido como $x = [x, \dot{x}, \ddot{x}, \theta, \dot{\theta}, \ddot{\theta}]^\top$. Isso permite que o modelo do sistema contabilize explicitamente as dinâmicas de aceleração, que são diretamente mensuráveis por sensores inerciais.
3. Linearização e Projeto LQG: O modelo aumentado não linear é linearizado em torno do ponto de equilíbrio vertical. O sistema Linear Invariante no Tempo (LTI) resultante é usado para projetar um controlador LQG padrão, compreendendo um Regulador Linear Quadrático (LQR) para controle e um Filtro de Kalman (KF) para estimativa de estado. O KF utiliza o modelo aumentado para prever estados durante períodos de perda ou atraso de medição.
4. Análise de Estabilidade: Em vez de confiar exclusivamente em garantias analíticas de estabilidade (que assumem feedback contínuo e livre de ruído), os autores empregam um procedimento de amostragem estatística baseado em Monte Carlo (Algoritmo 1). Este método amostra aleatoriamente condições iniciais (velocidades lineares e angulares) para mapear empiricamente a "bacia de atração" e determinar os limites de estabilidade sob várias taxas de atualização ($\rho$) e condições de ruído.

Contribuições Principais

O artigo faz três contribuições primárias:

1. Estrutura LQG Auxiliada por Inércia: Os autores estendem a estrutura LQG com um modelo de processo aumentado por aceleração. Isso permite a incorporação direta de dados de acelerômetro, melhorando a rejeição a perturbações e a precisão da estimativa de estado na ausência de sensores de posição diretos.
2. Modelagem de Dinâmicas de Ordem Superior: Ao explorar a planicidade diferencial, os autores modelam acelerações lineares e angulares como funções explícitas de entradas de controle. Este refinamento aumenta a previsibilidade do sistema, particularmente durante intervalos limitados por sensores.
3. Implementação de Código Aberto: Para garantir reprodutibilidade, os autores fornecem uma implementação interativa de base de código no GitHub.

Resultados e Análise

O modelo A-IPoC proposto foi comparado a uma implementação LQG IPoC convencional através de várias taxas de atualização ($\rho$), representando a frequência de atualizações de medição em relação aos passos de previsão.

• Desempenho Transiente: Sob condições de perda de medição ($\rho < 1$), o modelo A-IPoC demonstrou erros transientes significativamente menores em comparação com o modelo convencional. Especificamente, os erros transientes foram reduzidos em 30%–80% em termos de Integral do Erro Absoluto (IAE) e Integral do Erro Absoluto Ponderado no Tempo (ITAE).
• Regiões de Estabilidade: Simulações de Monte Carlo revelaram que o controlador A-IPoC possui uma bacia de atração significativamente maior. A região de estabilidade para o modelo aumentado foi encontrada 27%–39% maior do que a do modelo IPoC convencional através de diferentes métricas de desempenho (posição final, ângulo final, esforço de controle e saturação do atuador).
• Robustez a Perdas de Sinal: Em taxas de atualização extremas (por exemplo, $\rho = 0,01$), o controlador IPoC convencional exibiu divergência em ambas as variáveis de configuração. Em contraste, o controlador A-IPoC manteve estabilidade marginal, re-estabilizando com sucesso o sistema a partir de uma faixa mais ampla de perturbações iniciais.
• Taxas de Colisão: A estabilidade aprimorada traduziu-se em uma redução de 10%–15% nas taxas de colisão (instâncias de instabilidade) para o modelo aumentado em comparação com a abordagem padrão.

Significado e Afirmações

O artigo afirma abordar um desafio de longa data na teoria de controle: a integração de dados de sensores inerciais diretamente em modelos de movimento preditivos dentro da estrutura clássica Newton-Euler. Ao explorar a planicidade diferencial para incorporar dinâmicas de ordem superior, os autores estabelecem uma arquitetura de controle mais robusta para plataformas móveis estáveis dinamicamente.

O significado deste trabalho reside em sua capacidade de melhorar a extrapolação de estado durante períodos limitados por sensores, fortalecendo assim o acoplamento entre o observador e o controlador. Os autores postulam que essa abordagem preenche uma lacuna crucial na pesquisa existente, oferecendo uma base para controle mais confiável e eficiente de sistemas com dinâmicas de fase não mínima, que são frequentemente prejudicadas por atrasos inerentes e comportamentos de controle invertidos. Os resultados sugerem que, para plataformas móveis ao ar livre com disponibilidade limitada de sensores, aumentar o modelo LQG com dinâmicas de ordem superior derivadas de inércia é uma estratégia viável para expandir as margens de estabilidade e reduzir as taxas de falha.