Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Cárdenas
INSTITUTO TECNOLÓGICO DE
LÁZARO CÁRDENAS
NOMBRE:
INVESTIGACIÓN UNIDAD 3
NÚMERO DE CONTROL:
19560153
MATERIA:
ROBÓTICA MÓVIL
CARRERA:
INGENIERÍA ELECTRÓNICA
INSTRUCTOR:
ING. OSVALDO LÍRA DÍAZ
3.1.-INTRODUCCIÓN ..................................................................................................................................1
3.1.1.- CLASIFICACIÓN DE VEHÍCULOS AÉREO NO TRIPULADOS .................................................2
3.1.2.- COMO FUNCIONAN LOS VEHÍCULOS AÉREOS NO TRIPULADOS ......................................3
3.2.- FORMULACIÓN Y MODELADO DE LA DINÁMICA DE VEHÍCULOS AÉREOS NO
TRIPULADOS ..............................................................................................................................................5
3.2.1.- REPRESENTACIÓN Y ROTACIÓN DE SISTEMAS DE REFERENCIA .....................................5
3.2.2.- DINÁMICA DE UN MICRO VEHÍCULO AÉREO MULTIROTOR ..............................................6
3.2.3.- DINÁMICA DE UN VEHÍCULO AÉREO NO TRIPULADO DE ALA FIJA ................................7
3.3.- ESTIMACIÓN DEL ESTADO ACTUAL ............................................................................................8
3.3.1.- SENSORES INERCIALES ................................................................................................................8
3.3.2.- EL FILTRO DE KALMAN ...............................................................................................................9
3.3.3.- SISTEMAS DE NAVEGACIÓN INERCIAL ...................................................................................9
3.4.- CONTROLES DE VUELO ................................................................................................................ 11
3.4.1- CONTROLES PID ........................................................................................................................... 12
3.4.2.- CONTROL LQR ............................................................................................................................. 13
3.4.3.- CONTROL PREDICTIVO DEL MODELO LINEAL ................................................................... 15
3.4.4.- UNA SOLUCIÓN DE PILOTO AUTOMÁTICO .......................................................................... 16
3.5.- PLANIFICACIÓN DE MOVIMIENTO ............................................................................................ 17
3.5.1.- SOLUCIONADOR DE VALOR LIMITE DE VEHÍCULO HOMONÍMICO............................... 19
3.4.- CONTROLES DE VUELO ................................................................................................................ 20
3.4.1.- CONTROL PID ............................................................................................................................... 21
3.4.2.- CONTROL LQR ............................................................................................................................. 22
3.4.3.- CONTROL PREDICTIVO DE MODELO LINEAL ...................................................................... 23
3.4.4.- UNA SOLUCIÓN DE PILOTO AUTOMÁTICO .......................................................................... 24
3.5.- PLANIFICACIÓN DE MOVIMIETO ............................................................................................... 25
3.5.1.- SOLUCIONADOR DE VALOR LÍMITE DE VEHÍCULO HOLÓNOMICO .............................. 26
3.5.2.- MODELO DE AVIÓN DUBINS SOLUCIONADOR DE VALOR LÍMITE ................................ 27
3.5.3.- NAVEGACIÓN SIN COLISIONES ............................................................................................... 28
3.5.4.- PLANIFICACIÓN DE LA RUTA DE INSPECCIÓN ESTRUCTURAL ...................................... 29
CONCLUSIÓN........................................................................................................................................... 30
3.1.-INTRODUCCIÓN
Los robots móviles aéreos, también conocidos como vehículos aéreos no tripulados (UAV, por sus
siglas en inglés) o drones, son dispositivos voladores autónomos o controlados de forma remota
que desempeñan un papel cada vez más importante en una variedad de aplicaciones. Estos robots
están diseñados para operar en el espacio aéreo y pueden variar en tamaño desde pequeños drones
recreativos hasta vehículos aéreos más grandes utilizados en aplicaciones comerciales y militares.
Los robots móviles aéreos ofrecen una amplia gama de capacidades, desde la captura de imágenes
y video aéreo hasta la inspección de infraestructuras, el monitoreo ambiental, la entrega de
paquetes, la agricultura de precisión, la búsqueda y rescate, la cartografía y la vigilancia. Gracias
a su capacidad para superar obstáculos terrestres y llegar a áreas de difícil acceso, los drones se
han convertido en herramientas versátiles para una variedad de industrias y sectores.
1
3.1.1.- CLASIFICACIÓN DE VEHÍCULOS AÉREO NO TRIPULADOS
• Aviones no tripulados de ala fija: Tienen una estructura de ala fija similar a un avión
convencional y requieren despegues y aterrizajes largos. Son adecuados para misiones de
largo alcance y duración.
• Drones de ala rotatoria: Tienen rotores que les permiten despegar y aterrizar verticalmente,
como los helicópteros. Son versátiles y adecuados para operaciones en espacios confinados.
Por tamaño:
• Mini drones: Son pequeños y ligeros, generalmente diseñados para aplicaciones recreativas
y de aficionados.
• Drones de tamaño medio: Son más grandes y pueden transportar cámaras y cargas útiles
más pesadas. Se utilizan en aplicaciones de fotografía aérea y mapeo.
• Drones grandes: Estos UAVs son de mayor envergadura y pueden llevar cargas útiles
significativas. Se utilizan en aplicaciones profesionales, como la agricultura de precisión y
la vigilancia.
Por aplicaciones:
• Drones recreativos: Utilizados por aficionados para actividades como la fotografía aérea,
el vuelo acrobático y la exploración personal.
• Drones comerciales: Utilizados en aplicaciones comerciales como la cartografía, la
inspección de infraestructuras, la agricultura de precisión y la entrega de paquetes.
• Drones militares: Diseñados para aplicaciones militares, como la vigilancia, el
reconocimiento y las misiones de combate.
• Drones de búsqueda y rescate: Utilizados en operaciones de búsqueda y rescate para
localizar personas o brindar asistencia en zonas de desastre.
2
Por capacidad de vuelo autónomo:
• Drones de corto alcance: Tienen una autonomía limitada y capacidad de carga pequeña.
• Drones de largo alcance: Pueden volar largas distancias y transportar cargas pesadas.
Esta clasificación de UAVs proporciona una visión general de las diversas categorías en función
de diferentes criterios, y cada categoría tiene sus propias ventajas y desafíos. La elección de un
UAV específico depende de la aplicación deseada y los requisitos de la misión.
Los vehículos aéreos no tripulados (UAVs), comúnmente conocidos como drones, funcionan
mediante una combinación de hardware y software que les permite volar y realizar diversas tareas
de manera autónoma o mediante control remoto.
3
PROPULSIÓN
Los UAVs utilizan motores y hélices o rotores para generar la fuerza necesaria para mantenerse en
el aire y moverse. La energía para estos motores puede provenir de baterías eléctricas o, en algunos
casos, de motores de combustión interna.
CONTROL DE VUELO
Los drones están equipados con sistemas de control de vuelo que incluyen giroscopios y
acelerómetros. Estos sensores miden la orientación y la aceleración del UAV y permiten que el
software de control ajuste continuamente la potencia y la velocidad de los motores para mantener
el equilibrio y la estabilidad en el aire.
SISTEMA DE NAVEGACIÓN
Los UAVs pueden estar equipados con sistemas de navegación que les permiten conocer su
posición y orientación en relación con el espacio aéreo. Esto se logra utilizando tecnologías como
el GPS, sensores inerciales y, en algunos casos, sensores de ultrasonidos o lidar para la detección
de obstáculos.
CONTROL REMOTO
En muchas aplicaciones, los drones son controlados por un operador humano a través de un control
remoto, una aplicación móvil o una estación terrestre. El operador puede enviar comandos para
despegar, aterrizar, cambiar de altitud, girar y dirigir el UAV.
AUTONOMÍA
Los UAVs autónomos pueden realizar tareas preprogramadas o seguir rutas definidas mediante
sistemas de planificación de trayectorias. Utilizan datos de sensores y la información del sistema
de navegación para tomar decisiones en tiempo real y ajustar su ruta según sea necesario.
4
CARGA ÚTIL
Muchos drones están equipados con cámaras, sensores u otros dispositivos que les permiten
recopilar datos. La información recopilada se envía de vuelta al operador o se procesa a bordo del
UAV, según la aplicación.
COMUNICACIÓN
Los drones a menudo utilizan comunicación inalámbrica para enviar datos al operador o para
recibir comandos. Esto puede incluir la transmisión de video en tiempo real, telemetría y otros
datos relevantes.
5
La representación implica establecer un sistema de coordenadas que sirva como marco de
referencia para medir posiciones y orientaciones. Esto se puede lograr utilizando sistemas de
coordenadas cartesianas (X, Y, Z) o sistemas de coordenadas polares (radio, ángulos). En robótica,
es común utilizar sistemas de coordenadas homogéneas que incluyen coordenadas de posición y
orientación.
La dinámica de un micro vehículo aéreo multirotor se refiere al estudio de cómo estos pequeños
drones de múltiples rotores se comportan y se mueven en el espacio. Estos sistemas son altamente
maniobrables y versátiles, lo que los hace ideales para aplicaciones como la fotografía aérea, la
vigilancia y la investigación científica.
En este contexto, la dinámica involucra la descripción de las fuerzas y momentos que actúan sobre
el vehículo aéreo y cómo estas afectan su movimiento. Esto incluye factores como la gravedad, la
sustentación, la resistencia del aire y las fuerzas generadas por los rotores. Las ecuaciones de
dinámica permiten calcular cómo el multirotor responde a las entradas del controlador y cómo se
comporta en diferentes situaciones de vuelo.
6
El análisis de la dinámica de un micro vehículo aéreo multirotor es esencial para el diseño de
controladores que permiten la estabilización y el control preciso del dron. Además, la comprensión
de su dinámica es fundamental para la planificación de rutas, la navegación y la optimización de
misiones en aplicaciones que involucran estos dispositivos, ya que permite predecir cómo se
moverán en el espacio en función de las acciones del controlador y las condiciones ambientales.
La dinámica de un vehículo aéreo no tripulado (UAV) de ala fija se refiere al estudio de cómo se
comporta y se mueve un UAV con una estructura de ala fija, similar a un avión convencional. A
diferencia de los drones multirotores, los UAVs de ala fija no pueden despegar o aterrizar
verticalmente, lo que afecta su dinámica y operación.
En este contexto, la dinámica se centra en describir las fuerzas aerodinámicas, como la sustentación
y la resistencia, que actúan sobre el UAV de ala fija mientras está en vuelo. Además, se considera
la influencia de la gravedad y las fuerzas de control generadas por superficies de control, como
alerones y timones. Las ecuaciones de dinámica permiten calcular cómo el UAV de ala fija
responde a las entradas del controlador y cómo se comporta en diferentes condiciones de vuelo.
El análisis de la dinámica de un UAV de ala fija es esencial para el diseño de controladores que
permiten la estabilización y el control preciso de la aeronave. Además, la comprensión de su
dinámica es fundamental para la planificación de rutas, la navegación y la optimización de
misiones, especialmente en aplicaciones que requieren largos vuelos y cobertura de áreas extensas,
como la cartografía aérea, la vigilancia y la investigación científica.
7
3.3.- ESTIMACIÓN DEL ESTADO ACTUAL
Para llevar a cabo la estimación del estado, se utilizan diversos sensores, como GPS, acelerómetros,
giroscopios, cámaras, sensores de ultrasonidos y lidar, entre otros. Estos sensores proporcionan
información sobre la posición, la velocidad, la orientación y otros datos relevantes del UAV.
Luego, se utiliza un algoritmo de estimación, como el filtro de Kalman o el filtro de partículas,
para fusionar y procesar estos datos y estimar con precisión el estado actual del UAV. La
estimación del estado es fundamental para la navegación autónoma de los UAV, ya que permite a
la aeronave conocer su posición en relación con un sistema de coordenadas global y tomar
decisiones basadas en esa información. Esto es esencial para tareas como el vuelo autónomo, la
evitación de obstáculos, la planificación de rutas y la ejecución de misiones en tiempo real.
Los sensores inerciales son dispositivos que se utilizan para medir la aceleración lineal y angular
de un objeto, lo que proporciona información sobre su movimiento y orientación en el espacio
tridimensional. Estos sensores son fundamentales en la robótica y en aplicaciones que involucran
la navegación, la estabilización y el control de vehículos aéreos no tripulados (UAVs), así como
en otros sistemas autónomos. Los principales tipos de sensores inerciales son los giroscopios y los
acelerómetros, que miden la velocidad angular y la aceleración lineal, respectivamente. Estos
sensores proporcionan datos cruciales para la estimación del estado y la toma de decisiones en
tiempo real en UAVs y otros dispositivos autónomos.
8
3.3.2.- EL FILTRO DE KALMAN
El filtro de Kalman es un algoritmo de estimación que se utiliza para estimar el estado actual de
un sistema en función de mediciones sensoriales y modelos matemáticos. Este filtro es
ampliamente aplicado en robótica y en una variedad de sistemas autónomos, incluidos los
vehículos aéreos no tripulados (UAVs). El filtro de Kalman trabaja fusionando datos de sensores
con información del modelo del sistema para proporcionar una estimación precisa del estado
actual. Es especialmente útil en situaciones en las que las mediciones pueden ser ruidosas o
incompletas. El filtro de Kalman se utiliza en la estimación de la posición, la velocidad, la
orientación y otros parámetros importantes de un UAV. Además, permite la corrección de errores
sistemáticos y la mejora de la precisión en la estimación del estado.
Los sistemas de navegación inercial (INS, por sus siglas en inglés) son tecnologías que se utilizan
para determinar la posición, la orientación y el movimiento de un objeto en movimiento, como un
vehículo aéreo no tripulado (UAV) o un vehículo terrestre. Estos sistemas son fundamentales para
la navegación autónoma, especialmente en entornos donde la señal de GPS puede ser débil o
inexistente.
Sensores inerciales: Los INS utilizan una combinación de sensores inerciales para medir la
aceleración lineal y la velocidad angular de un objeto. Los dos tipos principales de sensores
utilizados son:
• Acelerómetros: Estos sensores miden la aceleración lineal a lo largo de tres ejes (X, Y, Z)
y permiten determinar la velocidad y la posición a partir de la integración de estas
mediciones.
9
• Giroscopios: Los giroscopios miden la velocidad angular o la tasa de cambio de la
orientación a lo largo de los mismos tres ejes. Esto se utiliza para determinar la orientación
del objeto y para corregir errores de deriva en los acelerómetros.
UNIDAD DE PROCESAMIENTO
Los datos de los sensores inerciales se envían a una unidad de procesamiento que calcula la
posición y la orientación del objeto en función de las mediciones de aceleración y velocidad
angular. Además, se pueden utilizar filtros y algoritmos, como el filtro de Kalman, para mejorar la
precisión de las estimaciones y reducir la deriva que a menudo afecta a los INS.
REFERENCIA INICIAL
Para iniciar un INS, es necesario proporcionar una posición y una orientación de referencia
conocida. Esto se puede hacer manualmente o utilizando otros sistemas de navegación, como el
GPS.
Los INS pueden verse afectados por errores acumulativos a lo largo del tiempo. Para mitigar estos
errores, se suelen combinar con otros sensores, como GPS, magnetómetros y barómetros. Esto
permite corregir las estimaciones de posición y orientación y mantener una alta precisión durante
un periodo de tiempo más largo.
Los sistemas de navegación inercial se utilizan en una amplia variedad de aplicaciones, incluidos
los UAVs, vehículos autónomos, sistemas de navegación submarina y espacial, entre otros. Son
esenciales para la navegación precisa y la toma de decisiones en entornos donde otras fuentes de
información, como el GPS, pueden ser limitadas o inaccesibles.
10
3.4.- CONTROLES DE VUELO
El control de vuelo se refiere a la gestión y regulación de las operaciones de una aeronave, como
un vehículo aéreo no tripulado (UAV) o un avión tripulado, con el fin de mantener su estabilidad,
orientación y trayectoria deseada. Este proceso es crítico para garantizar vuelos seguros y
controlados. A continuación, se describen los componentes clave del control de vuelo:
• Sensores: Los sistemas de control de vuelo están equipados con una variedad de sensores,
como giroscopios, acelerómetros, magnetómetros y GPS. Estos sensores proporcionan
información sobre la orientación, la velocidad y la posición de la aeronave en relación con
un sistema de coordenadas global.
• Actuadores: Los actuadores son dispositivos mecánicos, como motores, alerones y timones,
que implementan los comandos generados por los controladores. Ajustan la posición y la
orientación de la aeronave, así como la potencia de los motores, para controlar su
movimiento.
11
• Software y algoritmos: Los controladores de vuelo utilizan algoritmos y software
especializados para procesar datos, realizar cálculos y generar comandos de control. Estos
algoritmos pueden variar en complejidad y se adaptan a las necesidades específicas de la
aeronave y la misión.
12
Integral (I): El término integral toma en cuenta la acumulación de errores pasados a lo largo del
tiempo. Ayuda a corregir el error persistente y garantiza que el sistema alcance su estado
estacionario. Si el error persiste durante un tiempo, el término integral aumentará la señal de control
para eliminar el error acumulado.
Derivativo (D): El término derivativo se enfoca en la tasa de cambio del error. Detecta cambios
rápidos en el error y genera una señal de control para minimizar la sobrecompensación. El
componente derivativo ayuda a prevenir oscilaciones y estabiliza el sistema.
El control PID utiliza estos tres componentes (proporcional, integral y derivativo) para generar una
señal de control que ajusta el sistema y mantiene la variable de proceso en su valor deseado. El
ajuste de los parámetros P, I y D del control PID es un aspecto crítico para lograr un rendimiento
óptimo en la regulación de sistemas en una amplia gama de aplicaciones, desde el control de
temperatura en hornos hasta la navegación de vehículos autónomos.
13
• Modelo del sistema: Para implementar el control LQR, se necesita un modelo matemático
del sistema que se desea controlar. Este modelo debe ser lineal y continuo en el tiempo, lo
que significa que puede expresarse como un conjunto de ecuaciones diferenciales lineales.
El modelo describe cómo las variables de estado del sistema evolucionan en función de las
entradas de control.
• Función de costo: El control LQR se basa en una función de costo cuadrática que se utiliza
para evaluar el rendimiento del sistema. Esta función de costo cuadrática tiene dos
componentes principales: el error en las variables de estado y la energía de control. El
objetivo es minimizar esta función de costo.
• Ley de control LQR: La ley de control LQR calcula las señales de control óptimas que
minimizan la función de costo cuadrática. Esta ley de control se deriva a partir de la
solución de la ecuación matricial de Riccati, que es una ecuación de matriz diferencial.
14
3.4.3.- CONTROL PREDICTIVO DEL MODELO LINEAL
El Control Predictivo del Modelo Lineal (MPC, por sus siglas en inglés) es una técnica avanzada
de control utilizada en sistemas de control automático. Se basa en la predicción del
comportamiento futuro del sistema y la generación de señales de control óptimas para lograr un
rendimiento deseado. Aquí se describen los componentes clave del MPC:
• Modelo lineal del sistema: El MPC requiere un modelo matemático lineal que describa
cómo las variables de estado del sistema evolucionan en función de las entradas de control.
Este modelo se obtiene a partir de las ecuaciones diferenciales que gobiernan el sistema.
• Función de costo: Se define una función de costo que cuantifica el rendimiento del sistema.
Esta función de costo se basa en los errores entre el estado deseado y el estado predicho
por el modelo durante el horizonte de predicción.
• Restricciones: El MPC puede tener restricciones en las señales de control y en las variables
de estado. Esto garantiza que el control generado sea factible y no viole límites físicos o de
seguridad.
• Ley de control MPC: La ley de control MPC determina las señales de control óptimas a
aplicar al sistema para minimizar la función de costo a lo largo del horizonte de predicción.
A menudo, esta ley se calcula mediante técnicas de optimización numérica.
15
• Recálculo en tiempo real: El MPC recalcula continuamente la ley de control a medida que
avanza en el tiempo, utilizando las mediciones actuales del sistema y el modelo lineal. Esto
permite al controlador ajustar las acciones de control a medida que evoluciona el sistema.
El Control Predictivo del Modelo Lineal es una técnica poderosa que se utiliza en una amplia gama
de aplicaciones, desde el control de procesos industriales hasta la navegación autónoma de
vehículos. Permite tener en cuenta tanto las restricciones del sistema como las expectativas de
rendimiento, lo que lo convierte en una herramienta eficaz para lograr el control de sistemas
complejos y variables en el tiempo.
SENSORES
Los sistemas de piloto automático están equipados con una variedad de sensores que recopilan
datos sobre la posición, la velocidad, la altitud, la orientación y otros parámetros de la aeronave.
Estos sensores incluyen GPS, giroscopios, acelerómetros, altímetros y magnetómetros.
CONTROLADORES
Los datos de los sensores se envían a un controlador de piloto automático que procesa la
información y genera comandos de control para los actuadores de la aeronave.
16
ACTUADORES
Los actuadores son dispositivos mecánicos o eléctricos que ajustan la posición, la orientación y los
controles de vuelo de la aeronave. Estos actuadores incluyen superficies de control, como alerones
y timones, y motores para el control de potencia.
PROGRAMACIÓN
El piloto automático se programa previamente con una serie de instrucciones que definen la ruta
deseada, la altitud, la velocidad y otros parámetros de vuelo. Estas instrucciones se basan en el
plan de vuelo y las decisiones del piloto.
RETROALIMENTACIÓN
El sistema de piloto automático utiliza retroalimentación constante de los sensores para verificar
su posición y rendimiento en relación con las instrucciones programadas. Si el sistema detecta
desviaciones de la ruta deseada o de los parámetros de vuelo, ajusta los actuadores para corregir
automáticamente el curso y mantener la aeronave en su ruta y altitud correctas.
MODOS DE OPERACIÓN
Los sistemas de piloto automático pueden operar en varios modos, como el seguimiento de rutas
GPS, el mantenimiento de altitud, el mantenimiento de rumbo y el aterrizaje automático. Los
modos se seleccionan según las necesidades de la aeronave y las fases del vuelo.
17
que los robots se desplacen y realicen tareas en entornos dinámicos y desconocidos. A
continuación, se describen los conceptos clave relacionados con la planificación de movimiento:
MAPAS Y PERCEPCIÓN
Para que un robot planifique su movimiento, primero debe comprender su entorno. Esto implica la
creación de mapas del entorno a través de sensores como cámaras, lidar o sonar. La percepción del
entorno proporciona información sobre obstáculos, terreno y otros elementos relevantes.
OBJETIVOS Y RESTRICCIONES
La planificación de movimiento comienza con la definición de un objetivo, que puede ser una
posición, una trayectoria o una tarea específica a realizar. También se deben considerar
restricciones, como límites de velocidad, capacidad de giro, evitación de obstáculos y seguridad.
ALGORITMOS DE PLANIFICACIÓN
• Algoritmos de muestreo: Generan una serie de puntos de muestra y conectan estos puntos
para formar una trayectoria. Ejemplos incluyen RRT (Rapidly-exploring Random Tree) y
PRM (Probabilistic Roadmap).
18
RETROALIMENTACIÓN Y CORRECCIÓN
Los sistemas de planificación de movimiento suelen operar en bucle con sistemas de control que
ajustan la trayectoria en función de las mediciones en tiempo real. Esto permite corregir
desviaciones y adaptarse a cambios inesperados en el entorno.
VALIDACIÓN Y SIMULACIÓN
19
Un "problema de valor límite" es un término utilizado en matemáticas y física para describir
problemas en los que se buscan soluciones en un punto específico, donde ciertas condiciones, como
condiciones iniciales o condiciones de contorno, se cumplen.
Sin más contexto, es difícil proporcionar información detallada sobre un "solucionador de valor
límite de vehículo homonímico". Es posible que se refiera a un algoritmo específico utilizado en
el contexto de la planificación de rutas o la coordinación de vehículos idénticos en ciertos
escenarios, pero se necesitarían más detalles para brindar una explicación más precisa. Si tienes
más información o contexto específico sobre lo que estás buscando, estaré encantado de
proporcionar una respuesta más detallada.
Controles secundarios: Engloban sistemas como flaps y slats, que modifican la aerodinámica de
las alas para permitir despegues y aterrizajes más seguros, así como spoilers que ayudan a reducir
la velocidad durante el aterrizaje.
Controles de potencia: Incluyen el control del motor y la hélice en aeronaves propulsadas por
motores de pistón, y el empuje en aeronaves a reacción.
Estos sistemas permiten al piloto maniobrar la aeronave de manera segura y eficiente, garantizando
el control direccional, la estabilidad y el desempeño durante el vuelo. Los avances tecnológicos
han introducido sistemas de control de vuelo más sofisticados, como los fly-by-wire, que utilizan
20
señales electrónicas en lugar de conexiones mecánicas directas para controlar la aeronave,
ofreciendo mayor precisión y seguridad.
Proporcional (P): Esta parte del control PID actúa proporcionalmente al error actual. Cuanto mayor
sea la diferencia entre la variable medida y el valor deseado, mayor será la corrección aplicada.
Integral (I): La acción integral responde a la acumulación de errores pasados. Ayuda a corregir
desviaciones persistentes entre la variable medida y el valor deseado a lo largo del tiempo.
Derivativo (D): Esta parte considera la velocidad de cambio del error. Ayuda a prevenir
oscilaciones al prever y contrarrestar cambios rápidos en el error.
21
3.4.2.- CONTROL LQR
El control LQR (Linear Quadratic Regulator) es un método de control óptimo utilizado en sistemas
lineales. Este enfoque busca minimizar una función de coste que involucra la desviación de las
variables controladas desde sus valores deseados y el uso de energía de control.
Lineal: Se aplica a sistemas dinámicos lineales. Utiliza modelos matemáticos lineales para
representar el comportamiento del sistema.
Cuadrático: La función de coste se formula como una función cuadrática de las desviaciones de
las variables controladas y la energía de control.
El control LQR calcula una ley de control óptima que minimiza esta función de coste cuadrática.
Se basa en la teoría de control óptimo y la teoría de control de sistemas lineales para encontrar los
valores óptimos de las ganancias del controlador.
Al igual que el control PID, el LQR es una herramienta poderosa en la ingeniería de control, pero
se aplica específicamente a sistemas lineales y bajo ciertas condiciones de modelado.
22
3.4.3.- CONTROL PREDICTIVO DE MODELO LINEAL
El Control Predictivo basado en un Modelo Lineal (MPC, por sus siglas en inglés, Model
Predictive Control) es una estrategia avanzada de control utilizada en sistemas dinámicos,
especialmente en aquellos donde se dispone de un modelo matemático preciso.
Modelo Lineal: A diferencia de otros métodos, el MPC se basa en modelos lineales que representan
la dinámica del sistema a controlar.
El MPC utiliza este modelo para prever el comportamiento futuro del sistema en un horizonte de
tiempo. Luego, optimiza una función de costo, considerando las predicciones futuras, para
encontrar la mejor secuencia de acciones de control que minimice este costo.
Predicción: Al utilizar el modelo del sistema, el MPC puede prever y considerar posibles futuros
estados del sistema.
Restricciones: Puede manejar restricciones del sistema, como límites de variables de estado o de
control, incorporándolos en el problema de optimización.
El MPC se aplica en una amplia gama de industrias, desde el control de procesos químicos y
petroquímicos hasta sistemas de control de energía, vehículos autónomos y control de
climatización, debido a su capacidad para manejar sistemas complejos y no lineales de manera
efectiva.
23
Este enfoque de control es altamente adaptable y ofrece una mayor flexibilidad en la optimización
del rendimiento del sistema, siempre que se cuente con un modelo confiable y preciso del sistema
a controlar.
Sistemas de Control: Los pilotos automáticos utilizan una combinación de controladores, sensores
y actuadores para mantener la aeronave en una trayectoria predefinida.
Modos de Operación: Los pilotos automáticos pueden ofrecer varios modos de operación, como el
modo de seguimiento de rutas, altitud predefinida, control de velocidad, entre otros, según la
sofisticación del sistema.
Sistemas Redundantes: Los pilotos automáticos suelen tener sistemas redundantes y mecanismos
de seguridad para garantizar la fiabilidad en caso de fallas.
24
conexiones mecánicas directas. Estos avances permiten una mayor precisión y confiabilidad en la
operación de la aeronave.
25
Tiempo Real vs. Planificación a Largo Plazo: Dependiendo del contexto, la planificación de
movimiento puede ser a corto plazo (reaccionando en tiempo real a los cambios del entorno) o a
largo plazo (preparando rutas complejas con antelación).
Vehículo Holonómico: Este tipo de vehículo puede desplazarse en cualquier dirección y rotar de
manera independiente. Su movimiento no está limitado por la restricción de giros fijos, como en
el caso de vehículos no holonómicos, como los automóviles convencionales.
26
movimiento completas del vehículo. Esto implica la generación de trayectorias en cualquier
dirección y rotación, permitiendo movimientos más complejos y flexibles.
Este enfoque es fundamental en la planificación de rutas para vehículos autónomos, drones o robots
que pueden moverse de manera holonómica, permitiendo la navegación eficiente en entornos
complejos, evitando obstáculos y minimizando la energía o el tiempo requerido para completar
una tarea.
Modelo de Avión Dubins: Propuesto por el matemático y científico Rudolf Emil Kalman, este
modelo describe trayectorias de vuelo de mínimo tiempo en el espacio en función de las
restricciones de velocidad y giro del avión. Las trayectorias óptimas bajo este modelo generalmente
consisten en segmentos rectos y curvas circulares de radio mínimo.
27
La combinación del Modelo de Avión Dubins con un Solucionador de Valor Límite permite
encontrar la ruta más eficiente y óptima para el avión, considerando las limitaciones de velocidad
y giro, con el objetivo de minimizar el tiempo de vuelo. Esta combinación es fundamental en la
planificación de rutas en la aviación y en el diseño de sistemas de control para vehículos aéreos
autónomos.
La navegación sin colisiones es un conjunto de técnicas y estrategias utilizadas para permitir que
un agente móvil, como un vehículo autónomo, robot o dron, se desplace de un punto a otro de
manera segura, evitando obstáculos y minimizando el riesgo de colisiones con el entorno.
Sensores y Percepción: Los sistemas de navegación sin colisiones dependen de una variedad de
sensores, como cámaras, radares, lidar o ultrasonidos, que proporcionan información sobre el
entorno. La percepción se encarga de interpretar esta información para identificar obstáculos,
terrenos o condiciones peligrosas.
Decisiones de Control: Los sistemas de control adaptan las acciones del agente móvil en tiempo
real para seguir las trayectorias planificadas, evitando colisiones con obstáculos o con otros
agentes.
28
Estas técnicas se aplican en una variedad de campos, desde la navegación de vehículos autónomos
en entornos urbanos hasta robots industriales en fábricas. La evolución de la tecnología y el
desarrollo de algoritmos más sofisticados han permitido mejorar la capacidad de los sistemas de
navegación para evitar colisiones y operar de manera segura en entornos dinámicos y complejos.
29
La planificación de la ruta de inspección estructural es crucial para garantizar una evaluación
exhaustiva y eficiente de la integridad de las estructuras, permitiendo la detección temprana de
posibles problemas y asegurando la seguridad y durabilidad a largo plazo de las infraestructuras
inspeccionadas. Este enfoque se aplica en ingeniería civil, inspección de infraestructuras,
mantenimiento de edificios y cualquier contexto donde la evaluación de la integridad estructural
sea crítica.
CONCLUSIÓN
Los robots aéreos móviles representan una vertiente emocionante y en constante evolución en el
campo de la robótica y la tecnología aérea. Estos dispositivos, como drones y UAVs, han
revolucionado múltiples industrias y aplicaciones. Su movilidad en el aire les confiere una
versatilidad única, permitiendo acceso a áreas de difícil alcance o peligrosas para los humanos.
Desde labores de inspección, vigilancia, cartografía, hasta aplicaciones de entrega y
entretenimiento, los robots aéreos móviles están transformando los procesos y servicios. La
tecnología que los impulsa ha avanzado significativamente, permitiendo sistemas de navegación
más precisos, capacidades de detección y percepción más sofisticadas, así como algoritmos de
planificación de trayectorias más eficientes. Estos avances han abierto un abanico de posibilidades,
mejorando la autonomía, seguridad y rendimiento de estos dispositivos. Sin embargo, persisten
desafíos, como la gestión del espacio aéreo, la regulación, la privacidad y la seguridad. La
integración segura de robots aéreos en entornos urbanos y comerciales es crucial para su adopción
masiva.
30