Data-Enabled Predictive Control with Predictive Adaptive Line-of-Sight Guidance for 3-D Path Following of Autonomous Underwater Vehicles

Resumo Técnico: Controle Preditivo Baseado em Dados com Guia de Linha de Visão Adaptativa Preditiva para Seguimento de Trajetória 3-D de Veículos Subaquáticos Autônomos

Definição do Problema
Veículos Subaquáticos Autônomos (AUVs) requerem capacidades confiáveis de seguimento de trajetória para executar missões de exploração e inspeção marinha. As arquiteturas de controle tradicionais tipicamente empregam uma estrutura hierárquica: um sistema de guia de alto nível (ex: Linha de Visão ou LOS) gera sinais de referência, que são rastreados por controladores de nível intermediário e baixo (frequentemente PI/PID). Embora eficazes, esses controladores reativos têm dificuldade com fortes não linearidades, saturação de atuadores e atrasos dinâmicos.

Estratégias alternativas de Controle Preditivo Baseado em Modelo (MPC) oferecem desempenho superior ao antecipar o comportamento futuro e lidar com restrições. No entanto, o MPC padrão depende de modelos paramétricos explícitos da hidrodinâmica do AUV. Derivar esses modelos é complexo, demorado e frequentemente limitado a intervalos operacionais específicos devido à natureza não linear e acoplada dos coeficientes hidrodinâmicos (massa adicionada, arrasto, sustentação). Essa dependência de identificação precisa limita a aplicabilidade de abordagens baseadas em modelo em diferentes velocidades, cargas úteis e condições ambientais.

Metodologia
Este artigo propõe uma estrutura de seguimento de trajetória 3-D totalmente baseada em dados que elimina a necessidade de modelagem hidrodinâmica explícita. A abordagem integra o Controle Preditivo Baseado em Dados (DeePC) com uma nova lei de guia de Linha de Visão Adaptativa Preditiva (PALOS).

1. DeePC para Controle de Guinada (Heading) e Profundidade:

   • Controle de Guinada: Uma formulação DeePC padrão é aplicada à dinâmica de yaw. Ela utiliza trajetórias de entrada-saída offline (deflexão do leme e ângulo de yaw) para resolver um problema de otimização restrito, prevendo o comportamento futuro do sistema sem um modelo paramétrico.
   • Controle de Profundidade em Cascata: A aplicação direta de DeePC para regulação de profundidade é impraticável porque a dinâmica de movimento vertical (heave/profundidade) evolui significativamente mais devagar do que a largura de banda do atuador (deflexão do plano de popa), tornando difícil satisfazer o requisito de persistência de excitação dentro de comprimentos de dados viáveis. Para abordar isso, os autores propõem uma arquitetura DeePC em cascata com separação de frequência de malha:
     • Uma malha interna regula o ângulo de pitch ($\theta$) via deflexão do plano de popa ($\delta_s$) em uma alta frequência.
     • Uma malha externa mapeia a posição de profundidade desejada ($z_p$) para um pitch de referência desejado ($\theta_d$) em uma frequência mais baixa.
     • Para permitir a coleta de dados para a malha externa, uma "suposição de ganho unitário" é aplicada à malha interna (tratando $\theta = \theta_d$), permitindo que a malha externa visualize o ângulo de pitch como sua entrada. Um procedimento de coleta de dados em dois estágios garante excitação suficiente para ambas as malhas.

2. Linha de Visão Adaptativa Preditiva (PALOS):

   • A ALOS clássica (Adaptive LOS) gera um comando de pitch e guinada de passo único. Isso é incompatível com controladores de horizonte deslizante (receding-horizon) como o DeePC, que requerem uma trajetória de referência que abranja todo o horizonte de predição.
   • Os autores estendem a ALOS para uma formulação preditiva de múltiplos passos (PALOS). Este algoritmo propaga recursivamente a posição do veículo para frente através do horizonte de predição usando as atitudes comandadas. Em cada passo previsto, a lei ALOS é reavaliada para gerar uma trajetória de referência consistente com o horizonte. Isso permite que a camada de guia antecipe transições de trajetória e se integre diretamente à otimização do DeePC.

Principais Contribuições

• Arquitetura DeePC em Cascata: Uma estrutura de controle baseada em dados inovadora para regulação de profundidade que desacopla a dinâmica lenta de heave da dinâmica rápida do atuador. Isso estende a aplicabilidade do DeePC para plantas onde a saída dominante evolui significativamente mais devagar que a largura de banda do atuador, um regime anteriormente precluído por restrições de persistência de excitação.
• Linha de Visão Adaptativa Preditiva (PALOS): Uma extensão da lei de guia que transforma a saída de passo único da ALOS em uma referência de múltiplos passos consistente com o horizonte. Isso une a orientação geométrica ao controle preditivo de horizonte deslizante, permitindo o seguimento de trajetórias 3-D sem artefatos de incompatibilidade de horizonte.
• Validação da Estrutura Integrada: O sistema completo é validado em uma simulação de alta fidelidade de 6 graus de liberdade (6-DOF) do AUV REMUS 100, incorporando hidrodinâmica não linear, correntes oceânicas e restrições de atuador.

Resultados
O framework proposto foi testado contra benchmarks de última geração (controladores PI/PID ajustados e ALOS padrão) em quatro cenários:

1. Operação Nominal: O controlador DeePC demonstrou precisão de rastreamento superior em comparação ao PI/PID, particularmente no controle de profundidade (heave), devido à sua natureza preditiva que reduz o atraso de fase.
2. Perturbações de Correntes Oceânicas: O framework manteve o rastreamento robusto da trajetória sob perturbações de correntes horizontais e verticais, superando a linha de base PI/PID em Erro Quadrático Médio (RMSE) para yaw, heave e pitch.
3. Operação Além do Regime de Dados: Quando testado com velocidades de hélice significativamente menores do que a velocidade de coleta de dados (700 rpm vs. 1000 rpm), o controlador DeePC manteve a estabilidade e recuperou o rastreamento assim que o veículo pôde alcançar a velocidade, enquanto o controlador PI/PID sofreu com wind-up integral e grandes sobreerros (overshoots).
4. Seguimento de Trajetória de Waypoints 3-D: O sistema PALOS-DeePC reduziu o erro de desvio lateral (cross-track error) em aproximadamente 28% em relação à linha de base ALOS-PI/PID. Os erros de rastreamento da malha interna (yaw e pitch) foram reduzidos em cerca de uma ordem de magnitude, demonstrando a eficácia da camada de controle interno baseada em dados.

Significância
O artigo afirma que este trabalho estabelece a viabilidade arquitetural de uma solução de controle preditivo totalmente baseada em dados para AUVs sem o fardo da identificação hidrodinâmica. Ao combinar uma estrutura DeePC em cascata com uma lei de guia preditiva, o framework alcança um seguimento de trajetória 3-D de alto desempenho que é robusto a perturbações ambientais e não linearidades. Os resultados sugerem que esta abordagem oferece uma alternativa prática ao MPC baseado em modelo, eliminando a necessidade de identificação complexa do sistema, enquanto supera consistentemente as estratégias de controle reativo clássico em simulações de alta fidelidade. O trabalho futuro é identificado como a extensão desses métodos para o rastreamento de trajetórias completas e a validação em hardware físico.