Sistema de control de un vehículo submarino autónomo.La invención se refiere a un sistema (10) de control de un vehículo submarino autónomo que comprende una arquitectura de control neuronal (11,

12, 13) para actuar sobre los medios (14) de propulsión del vehículo submarino, comprendiendo dicha arquitectura de control neuronal al menos un modelo neuronal auto-organizativo para la coordinación senso-motor de inspiración biológica.De este modo, el sistema de control para vehículos submarinos de acuerdo con la invención cumple con los requisitos generales de dichos sistemas: por ejemplo un buen control del vehículo

Sistema de control de un vehículo submarino autónomo.

La presente invención se refiere a un sistema de control de un vehículo submarino autónomo que comprende una arquitectura de control neuronal para actuar sobre los medios de propulsión del vehículo submarino. Más concretamente, la invención se refiere a un sistema de control de un vehículo submarino no tripulado que presenta las características de auto-sintonizarse y de auto-calibrarse, las cuales proporcionan al vehículo submarino la capacidad para llevar a cabo tareas de inspección y maniobra (guiado) de forma autónoma. Además, el sistema puede adaptarse con facilidad a tareas específicas como, por ejemplo, el desplazamiento de cargas a localizaciones específicas o el transporte de sensorización especializada para el análisis del medio marino.

Antecedentes de la invención

Debido a la dinámica no-lineal de un vehículo submarino autónomo (AUV - Autonomous Underwater Vehicle) y a la dificultad de modelar el entorno y su interacción con el AUV (es decir, el hecho de controlar un AUV en un entorno no estructurado e incierto como puede ser el fondo marino), presenta una importante problemática de control.

Uno de los sistemas de control de AUV pioneros fue desarrollado por Yoerger y Slotine [D. N. Yoerger and J. E. Slotine, "Robust trajectory control of underwater vehicles", IEEE J. Oceanic Eng., vol. OE-10, pp. 462-470, Sept. 1985]. Yoerger y Slotine idearon un controlador de modo deslizante e investigaron los efectos de incertidumbre de los coeficientes hidrodinámicos y los términos de acoplamiento cruzado. El resultado mostró que el controlador de modo deslizante adaptativo presentaba mejores prestaciones que un controlador lineal convencional, a un amplio rango de velocidades.

Más recientemente, Fossen y Blanke [T. I. Fossen and M. Blanke, "Nonlinear output feedback control of underwater vehicle propellers using feedback from estimated axial flow velocity", IEEE J. Oceanic Eng., vol. 25, pp. 241-255, Apr. 2000] derivaron un controlador de realimentación de salida utilizando la teoría de control no-lineal y de realimentación de la velocidad del agua axial. Básicamente, pudieron demostrar que un observador no-lineal combinado con un controlador integral de realimentación de salida proporciona la estabilidad exponencial.

Healey y Lienard [A. J. Healey and D. Lienard, "Multivariable sliding mode control for autonomous diving and steering of unmanned underwater vehicles", IEEE J. Oceanic Eng., vol. 18, pp. 327-339, July 1993] diseñaron un controlador de modo deslizante para un control de un AUV de seis-grado-de-libertad (DOF). Principalmente, descompusieron el sistema en sub-sistemas no entrelazados y ciertas funciones importantes agrupadas para las funciones separadas de pilotar, sumergir y controlar la velocidad.

Choi y Yuh [S. K. Choi and J. Yuh, "Experimental study on a learning control system with bound estimation for underwater vehicles", in Underwater Robots, J. Yuh, T. Ura, and G. A. Bekey, Eds. Norwelll, MA: Kluwer, 1996, pp. 113-120] desarrollaron un controlador adaptativo basado en la estimación limitada y la implantación de esta para el control de un AUV.

Destacable fue el trabajo realizado por Yuh [J. Yuh, "A neural net controller for underwater robotic vehicles", IEEE Journal of Oceanic Engineering, vol. 15, nº 3, pp. 161-166, July 1990], que describió un sistema de control de un AUV basado en un controlador de red o modelo neuronal, cuya robustez con respecto al comportamiento dinámico no lineal y a las incertidumbres de los parámetros fue investigada por simulación por ordenador. Los resultados mostraron la fiabilidad del uso de las redes neuronales para controlar los AUV, con la presencia de cambios imprevisibles en la dinámica del vehículo y su entorno.

Siguiendo el mismo camino, Ishii et al. [K. Ishii, T. Fujii, and T. Ura, "An on-line adaptation method in a neural network-based control system for AUVs", IEEE J. Oceanic Eng. Vol. 20, pp. 221-228, July 1995] propusieron un controlador basado en redes neuronales asociado con un método de adaptación referenciado como "Entrenamiento Imaginario", para el control de un AUV llamado "Twin-Burger".

Anteriormente, Venugopal et al. [K. P. Venugopal, R. Sudhakar, and A. S. Pandya, "On-line learning control of autonomous underwater vehicles using feedforward neural networks", IEEE Journal Of Oceanic Engineering, vol. 17, nº 4, pp. 308-319, october 1992] habían propuesto un sistema de control de un AUV que utilizaba redes neuronales de propagación hacia atrás (feedback).

Puesto que los robots submarinos (entre los que destacan los AUV) requieren de un control y guiado adecuados para desarrollar tareas útiles, la información visual es importante para esas tareas y el control servo-visual es un procedimiento a partir del cual se puede obtener el guiado. Para coordinar y controlar modelos complejos se pueden usar unas procedimientos de aprendizaje conexionistas. El aprendizaje por refuerzo utiliza una señal de recompensa, así como mucha interacción con el entorno para formar una política correcta de comportamiento. Por tanto, es posible controlar un AUV combinando el guiado basado en la visión con un neuro-controlador entrenado por un aprendizaje de refuerzo.

Los sistemas neurodifusos son redes conexionistas de múltiples capas que realizan las funciones y elementos de los sistemas de decisión/control de lógica difusa tradicional. Un sistema neurodifuso entrenado es un sistema de lógica difusa, y el conocimiento de la regla difusa "si ... entonces" puede ser explícitamente extraído e interpretado de la red. Wang y Lee [J. S. Wang, C. S. G. Lee, and J. Yuh, "An on-line self-organizing neurofuzzy control for autonomous underwater vehicles", IEEE Trans. Robotics and Automation, vol. 19, nº 2, pp. 283-295, Apr. 2003] desarrollaron una estructura de control neurodifuso recurrente y un algoritmo de aprendizaje auto-adaptable como un controlador neuronal de propagación hacia atrás y un controlador PD como un controlador de realimentación para controlar a un AUV.

Sin un conocimiento a priori, el sistema neurodifuso recurrente es entrenado para modelar la dinámica inversa del AUV y usado como un controlador de propagación hacia atrás. Dicho controlador minimiza los efectos no-lineales de la dinámica del AUV a lo largo de una trayectoria deseada. El controlador proporcional plus derivativo (PD) es usado como un controlador realimentado para calcular el error de par y minimizar el error de trayectoria del AUV.

Son conocidos también controladores neurodifusos que comprenden una red neuronal basada en las funciones de pertenencias difusas modificadas. Dicha arquitectura de control combina las ventajas de la lógica difusa y las redes neuronales, tales como la capacidad de inferencia y la adaptación de la experiencia de los operadores humanos con lógica difusa y la capacidad de aprendizaje y la aproximación universal con redes neuronales.

Por otro lado, son conocidos en el estado de la técnica modelos neuronales inspirados en la neurobiología.

Los seres vivos son máquinas complejas, dotadas de una gran variedad de instrumentos de medición, de análisis, de recepción de estímulos y de reacción y respuesta. Los cinco sentidos, esas ventanas que nos conectan con el mundo exterior y a través de las cuales percibimos importante información sobre todo cuanto nos rodea, nos permiten ejercer nuestra capacidad de selección en el proceso de la información. Así, a un ser humano no le cuesta ningún esfuerzo identificar y evaluar las cosas por medio de sus percepciones sensoriales en combinación con su memoria. La vista, el oído, el olfato, etc. trabajando por separado o en combinación constituyen literalmente nuestra conexión con el mundo, una conexión que se erige como el gran misterio a desvelar por la ciencia actual.

Crear máquinas que se parezcan a cerebros humanos, capacitadas para observar un comportamiento inteligente, es el campo de investigación de la robótica y la inteligencia artificial (AI). Dentro de ese comportamiento inteligente se encuentran tanto las actividades relacionadas con el raciocinio, es decir, planeamiento y estrategia, como con la percepción y reconocimiento de imágenes, sonidos, etc.

Así, las llamadas tecnologías bio-inspiradas nacen de la aplicación de conceptos...

1. Sistema (10) de control de un vehículo submarino autónomo que comprende una arquitectura de control neuronal (11, 12, 13), caracterizado porque comprende, al menos:

un módulo de planificación global (11); un módulo de generación de rutas (12) que recibe datos del módulo de planificación (11), de un módulo de navegación (15) y de un módulo sensorial (16); y un módulo de control (13) que recibe los datos del módulo de generación de rutas (12);

comprendiendo esta arquitectura de control neuronal (11, 12, 13),al menos, un modelo neuronal auto-organizativo para la coordinación senso-motor de inspiración biológica, estando además configurado para que tanto el módulo de planificación (11), como el módulo de navegación (15), como el módulos sensorial (16) generen datos para que el módulo de generación de rutas (12) genere una ruta que, transmitida al módulo de control (13) actúe sobre los medios de propulsión (14) del vehículo submarino, y provoque el movimiento del mismo según la ruta calculada.

2. Sistema (10) según la reivindicación 1, caracterizado por el hecho que el modelo neuronal auto-organizativo para la coordinación senso-motor de inspiración biológica comprende al menos uno de los siguientes algoritmos: VAM, AVITE, DIRECT, FLETE o CEREBELLUM.

3. Sistema (10) según cualquiera de las reivindicaciones 1 ó 2, caracterizado por el hecho de que la arquitectura de control neuronal comprende medios configurados para auto-ajustar el sistema, auto-sintonizándolo y auto-calibrándolo, en donde dicho ajuste está basado en una pluralidad de ciclos de acción y reacción, aprendiendo la correlación entre los sensores y actuadores que conforman el módulo sensorial (16), y ajustando los módulos de generación de rutas (12) y de navegación (15).

4. Sistema (10) según cualquiera de las reivindicaciones 1 a 3, caracterizado por el hecho de que comprende medios configurados para capturar los datos procedentes de, al menos, un dispositivo sensorial/actuador integrado en el vehículo submarino.

5. Sistema (10) según cualquiera de las reivindicaciones 1 a 4, caracterizado porque el módulo de navegación (15) está configurado para el control del posicionamiento del vehículo submarino.

6. Sistema (10) según cualquiera de las reivindicaciones 1 a 5, caracterizado por el hecho de que comprende un módulo (12) de generación de trayectorias del vehículo submarino, configurado para la generación de una ruta en base a los datos recibidos por los módulos de planificación (11), navegación (15) y sensorial (16).