Control de aprendizaje profundo basado en un control predictivo por modelo no lineal para un vehículo submarino no tripulado

Abstract

La presente tesis propone un algoritmo para el entrenamiento de una red neuronal con algoritmos de Redes Neuronales Profundas (Deep Learning) en combinación con un control predictivo basado en modelos no lineal (NLMPC - Non Linear Model Predictive Control) para el entrenamiento de vehículos submarinos. El interés por el desarrollo de sistemas autónomos se incrementó considerablemente en los últimos años. Sectores como el industrial y militar han desarrollado esta tecnología con la finalidad de implementar futuros proyectos vinculados especialmente a la navegación autónoma. Este tipo de navegación se basa en sistemas de control en tiempo real que identifican el entorno que rodea al vehículo con la finalidad de tomar decisiones de desplazamiento en función de las restricciones mecánicas del vehículo y físicas del entorno. Los sistemas de Control Predictivo en Base a Modelos o MPC por sus siglas en inglés Model Predictive Control, han sido usados de manera satisfactoria para el control de vehículos submarinos. Sin embargo, su aplicación requiere estimar los estados del sistema en todo momento, lo cual tiene un coste computacional muy alto en entornos complejos como el medio submarino. Por otro lado, los sistemas de control con Redes Neuronales, no necesitan estimar de manera explícita la dinámica del modelo, pues obtienen una política que relaciona las entradas del sistema con las acciones finales, mejorando de esta manera el control de sistemas complejos a través de Redes Neuronales constituidas por muchas capas ocultas, sin caer en el error de acumulación de error durante la etapa de entrenamiento. En este escenario, el presente trabajo tiene como objetivo el control de un robot submarino no tripulado, basado en una combinación del sistema de control no lineal MPC y una Red Neuronal entrenada con algoritmos de aprendizaje profundo (Deep Learning). El control no lineal MPC suministraría la información necesaria a la Red Neuronal durante la etapa de entrenamiento, posteriormente la Red Neuronal podría controlar el movimiento del robot submarino sin la necesidad de conocer todos los estados del vehículo y a un coste computacional mucho menor.