Seminario del departamento de automatización

Título : Estabilización segura usando una función barrera de Lyapunov para control no suave

Resumen : En esta charla se aborda el problema de la estabilización segura, cuyo objetivo de control es devolver el estado del sistema al origen garantizando la evitación de regiones peligrosas en el espacio de estados.

Estabilización segura.

Los enfoques existentes, basados en funciones barrera de Lyapunov de control suave, a menudo no garantizan la existencia de un controlador factible.

Para superar esta limitación, proponemos un marco de funciones barrera de Lyapunov de control no suave (NCLBFs) que garantiza la existencia de controladores estabilizadores seguros. Desarrollamos una metodología sistemática para construir NCLBFs y las correspondientes leyes de control de realimentación para sistemas con múltiples regiones peligrosas acotadas.

Controladores de estabilización seguros.

Los resultados teóricos y numéricos demuestran la efectividad del enfoque propuesto y resaltan sus ventajas sobre los métodos existentes basados en funciones suaves.

Biografía : Jianglin Lan es profesor titular en la Escuela de Ingeniería James Watt de la Universidad de Glasgow e investigador honorario en el Imperial College de Londres. Recibió su doctorado de la Universidad de Hull en 2017. Sus intereses de investigación incluyen la autonomía segura, los sistemas de transporte inteligentes y la robótica. Es editor jefe de la revista International Journal of Adaptive Control and Signal Processing, editor asociado de IEEE Transactions on Intelligent Transportation Systems y miembro del comité técnico SAFEPROCESS de IFAC.

Seguridad en el transporte.

Título : Inicialización directa por método "sparse" para odometría estereoscópica visuo-inercial

Resumen : Los métodos existentes para la inicialización estereoscópica visuo-inercial se basan principalmente en variables intermedias, como coincidencias de características y poses de cámara, en lugar de en los datos de la imagen original.

Inicialización directa.

El cálculo de estas variables mediante el seguimiento de características y el método Structure-from-Motion (SfM) introduce errores de forma inherente. Para abordar este problema, proponemos un método de inicialización directa para la odometría estéreo visuo-inercial, que relaciona directamente las intensidades de la imagen original y los parámetros iniciales, obviando las variables intermedias convencionales.

Más concretamente, introducimos una función de predicción para calcular los puntos correspondientes a partir de los parámetros iniciales y formulamos un objetivo de optimización que minimiza el error fotométrico disperso sin necesidad de seguimiento de características o SfM.

Desarrollamos además un método de aproximación para la inicialización de dos imágenes, que demuestra un rendimiento eficiente incluso con datos de imagen mínimos. Extensos experimentos confirman que nuestro método logra un rendimiento superior tanto en términos de precisión de la estimación como de tasa de éxito de la inicialización.

Evaluación del error fotométrico disperso.

Biografía: Junyin Qiu cursa actualmente un doctorado en la Escuela de Ingeniería James Watt de la Universidad de Glasgow, bajo la supervisión del Dr. Jianglin Lan. Obtuvo un máster en tecnología informática aplicada por la Universidad de Pekín en 2023 y una licenciatura en ingeniería de la información electrónica por la Universidad de Sichuan en 2020. Sus intereses de investigación incluyen la localización y el mapeo robóticos, la visión por ordenador en 3D y la fusión multisensorial.

Tecnología informática aplicada.

Título : Inicialización directa por método "sparse" para odometría estereoscópica visuo-inercial

Abstract : Este seminario explora diferentes enfoques para el diseño de controladores de realimentación de estado basados en observadores, específicamente adaptados para compensar perturbaciones externas desconocidas.

Inicialización directa.

Nos centramos en estructuras de observadores capaces de estimar simultáneamente estados de planta no medidos y perturbaciones aditivas. Estas estimaciones se aprovechan para desarrollar leyes de control robustas y tolerantes a las perturbaciones que mantengan el rendimiento a pesar de las incertidumbres del modelo.

El objetivo de este trabajo es desarrollar un modelo de control robusto y tolerante a las perturbaciones.

Para demostrar la utilidad práctica de estas metodologías, la presentación esbozará algunas aplicaciones y validaciones experimentales, destacando la transición del diseño teórico a la implementación práctica.

Biografía : Luciano Frezzatto obtuvo una licenciatura en Ingeniería Informática, una maestría en Ingeniería Mecánica y un doctorado en Ingeniería Eléctrica de la Universidad de Campinas, Brasil, en 2009, 2011 y 2017, respectivamente. De 2015 a 2016, realizó prácticas en el Departamento de Ingeniería Mecánica y Aeroespacial de la Universidad de California en San Diego (Estados Unidos). Fue profesor asociado en la Universidad Federal de Minas Gerais, Brasil, de 2018 a 2025. Actualmente es profesor asociado (profesor Doutor) en la Escuela Politécnica de la Universidad de São Paulo (USP), Brasil. Sus intereses de investigación incluyen la teoría de control robusto, LPV y sistemas difusos, control tolerante a fallos y sus aplicaciones.

Control Robusto.

Título : MPC con restricciones aleatorias asistido por aprendizaje de refuerzo para la limpieza autónoma de estiércol en establos lecheros

Resumen : La limpieza autónoma de establos lecheros requiere que un robot realice las tareas de limpieza de forma eficiente a la vez que garantiza una interacción segura con vacas que se mueven libremente. Esto supone un reto, ya que las vacas pueden detenerse, caminar lentamente, bloquear pasillos estrechos o moverse de forma impredecible, lo que hace que los controles de seguridad a distancia fija sean demasiado cautelosos o insuficientemente seguros.

Esta presentación propone un marco de control predictivo con restricciones de azar, asistido por el aprendizaje de refuerzo, para la limpieza autónoma de establos lecheros.

Las vacas se mueven libremente.

La política de aprendizaje de refuerzo proporciona instrucciones de limpieza a nivel de tarea, mientras que la capa MPC restringida al azar proyecta la acción del robot en un espacio de control probabilísticamente seguro a pesar de los movimientos inciertos de las vacas.

Para mejorar aún más el equilibrio entre seguridad y eficiencia, el método incorpora márgenes de seguridad en función del comportamiento que se adaptan en función de la dirección del movimiento de las vacas y el riesgo de interacción.

Los resultados de la simulación con 15 vacas y 200 pruebas aleatorias muestran que el controlador propuesto mejora la eficiencia de la misión y el rendimiento de la recogida de estiércol, manteniendo al mismo tiempo una interacción segura entre la vaca y el robot. Título: Control predictivo con restricciones aleatorias asistido por aprendizaje de refuerzo para la limpieza autónoma de estiércol en establos lecheros

Biografía: Wei Wei estudia actualmente un doctorado en la Escuela de Ingeniería James Watt de la Universidad de Glasgow, bajo la supervisión del Dr. Jianglin Lan. Obtuvo su máster en robótica e inteligencia artificial en la misma universidad en 2023. Su investigación se centra en el aprendizaje seguro, el control y la programación para robots autónomos de limpieza de lecherías. Está particularmente interesado en el aprendizaje por refuerzo, el control predictivo basado en modelos, la seguridad probabilística y la interacción entre vacas y robots.