Behavioral Data-Driven Optimal Trajectory Generation for Rotary Cranes

Resumo Técnico: Geração de Trajetória Ótima Baseada em Dados Comportamentais para Guindastes Rotativos

Enunciado do Problema
A automação de guindastes rotativos na indústria da construção enfrenta desafios significativos devido à natureza subatuada da dinâmica dos guindastes e à dificuldade de obter medições precisas da posição da carga em ambientes do mundo real. Estratégias de controle tradicionais baseadas em modelos dependem de modelos paramétricos precisos e ajuste por especialistas, frequentemente falhando em capturar complexidades do sistema ou lidar com imprecisões de modelagem, o que leva a um uso ineficiente de energia, falhas em atingir alvos e oscilação excessiva da carga. Por outro lado, muitas abordagens baseadas em aprendizado exigem conjuntos de dados extensos e recursos computacionais elevados. Além disso, a automação com realimentação completa é frequentemente impraticável devido à dificuldade de medir cargas suspensas em cabos longos e flexíveis e ao risco de loops de realimentação amplificarem oscilações na presença de perturbações. Consequentemente, as operações de guindaste frequentemente dependem de planejamento de trajetória em malha aberta, que é limitado pela fidelidade dos modelos físicos subjacentes.

Metodologia
Este artigo propõe um framework baseado em dados comportamentais para gerar trajetórias de giro em malha aberta que suprimem a oscilação da carga, minimizando ao mesmo tempo o tempo de operação e o consumo de energia. A abordagem fundamenta-se no lema fundamental de Willems e na teoria de sistemas comportamentais, o que permite a caracterização do comportamento do sistema diretamente a partir de dados medidos de entrada-saída, contornando a necessidade de modelagem paramétrica explícita.

A metodologia central envolve as seguintes etapas:

1. Coleta e Representação de Dados: O sistema é excitado usando sinais de entrada suaves e constantes por partes (especificamente, somas de senos com frequências randomizadas) para capturar dinâmicas não lineares dentro de uma região operacional específica. Os dados de entrada-saída coletados (velocidade angular de giro e ângulos da carga/braço) são organizados em uma matriz de Hankel.
2. Modelagem Não Paramétrica: O artigo trata a matriz de Hankel como um dicionário de primitivas de movimento. Ao aproveitar o princípio da superposição em subespaços lineares, o método representa o comportamento do sistema como uma combinação linear de trajetórias passadas. Para lidar com a natureza não linear do guindaste e o ruído nos dados, o framework emprega regularização da norma $\ell_1$ para promover esparsidade nos coeficientes de combinação, selecionando efetivamente as primitivas de movimento relevantes. Adicionalmente, o truncamento de valores singulares é utilizado para atenuar o ruído.
3. Formulação de Otimização: O problema de geração de trajetória é formulado como um problema de otimização convexa. O objetivo é encontrar uma trajetória que interpole entre condições de repouso iniciais e alvo dadas (velocidade e oscilação zero), minimizando uma função de custo que equilibra:
   • Oscilação da Carga: Manter a carga próxima ao seu equilíbrio descendente.
   • Tempo: Minimizar a distância até a posição alvo do braço para garantir uma chegada rápida.
   • Energia: Minimizar o esforço de controle quadrático.
   • Suavidade: Penalizar a variação total do ângulo e da velocidade do braço para prevenir mudanças abruptas que induzem oscilações.
   • Restrições: Limites estritos são impostos aos limites dos atuadores e aos ângulos de oscilação da carga para garantir a segurança.

Principais Contribuições

• Primeira Aplicação da Teoria Comportamental a Guindastes: Até onde se sabe dos autores, este é o primeiro trabalho a empregar a teoria de sistemas comportamentais para controle de guindastes.
• Geração de Trajetória Não Paramétrica: O método gera trajetórias ótimas diretamente a partir de dados ruidosos, sem exigir identificação explícita de parâmetros, solucionadores de EDOs não lineares ou suposições complexas de modelagem.
• Fluxo de Trabalho Prático: O artigo apresenta um fluxo de trabalho sistemático para coleta de dados, ajuste de hiperparâmetros (via busca em grade no desempenho de simulação não paramétrica) e geração de trajetória, tornando o framework aplicável a outros sistemas de guindastes.
• Tratamento de Não Linearidade e Ruído: Ao interpretar a matriz de Hankel como um dicionário de aproximações lineares locais e usar regularização esparsa, o método captura efetivamente dinâmicas não lineares e permanece robusto ao ruído de medição.

Resultados
O método proposto foi validado em um guindaste rotativo de laboratório em escala 1:9 e comparado a uma abordagem estabelecida de geração de trajetória ótima baseada em modelo (usando um método de múltiplos pontos de passagem com programação quadrática sequencial).

• Métricas de Desempenho: A abordagem baseada em dados alcançou uma redução de até 35% na oscilação da carga, uma redução de 43% no erro de rastreamento e uma redução de 50% no tempo de deslocamento em comparação com o benchmark baseado em modelo.
• Validação Experimental: Em ensaios experimentais, as trajetórias geradas moveram com sucesso a carga entre ângulos especificados com alta precisão (erro de rastreamento de 0,002 rad) e oscilação residual mínima, correspondendo estreitamente ao comportamento previsto, apesar da execução em malha aberta.
• Simulação: Estudos simulativos confirmaram que o método poderia capturar dinâmicas não lineares (especificamente oscilação radial da carga) que modelos linearizados falharam em representar, desde que houvesse diversidade suficiente de dados e ajuste adequado de hiperparâmetros.

Significado e Alegações
O artigo alega que este trabalho reduz a complexidade da otimização de trajetória para sistemas não lineares e subatuados a operações algébricas lineares e problemas de otimização convexa. Demonstra que a automação de guindastes pode ser alcançada sem depender de operadores especializados no local, modelagem detalhada do sistema, simuladores de alta fidelidade ou solucionadores não lineares complexos.

Os autores mantêm uma postura modesta quanto ao escopo de suas alegações:

• Reconhecem que o método requer um ajuste cuidadoso de hiperparâmetros e que a qualidade dos resultados depende fortemente do design dos sinais de entrada usados para coleta de dados.
• Observam que, embora o método seja baseado em dados, não é "avarento de dados" em comparação com outros métodos baseados em aprendizado, pois sequências de dados relativamente curtas foram suficientes.
• Declaram explicitamente que uma análise teórica rigorosa do framework comportamental para dinâmicas não lineares gerais permanece um problema aberto.
• Trabalhos futuros são identificados como a extensão da abordagem para guindastes em escala real, considerando perturbações imprevistas (por exemplo, vento, efeitos torcionais) e potencialmente aplicando Controle Preditivo Habilitado por Dados (DeePC) para operação em malha fechada.

O estudo conclui que, ao operar diretamente sobre dados, o framework proposto oferece uma alternativa prática, confiável e eficiente às abordagens tradicionais baseadas em modelo para supressão de oscilação da carga em guindastes rotativos.