ISSN: 1697-7912. Vol. 7, Nm. 4, Octubre 2010, pp.

28-35

www. revista-riai.org

Control de Robots Mviles con Incertidumbres

Dinmicas usando Redes de Base Radial
Francisco G. Rossomando* Carlos Soria** Ricardo Carelli**
*Subsecretara de Ciencia y Tcnica, Ministerio de la Produccin y Desarrollo
Econmico, Gobierno de San Juan, Centro Cvico Av. Espaa 50 (S) 5 Piso
CP J5400ARL San Juan, Argentina
(e-mail: frossomando@sanjuan.gov.ar)
**Instituto de Automtica, Facultad de Ingeniera, Universidad Nacional de San
Juan, Av. Libertador 1109 Oeste, CP J5400ARL, San Juan, Argentina
(e-mail: {csoria; rcarelli}@inaut.unsj.edu.ar)

Resumen: En este trabajo se presenta un control de seguimiento de trayectorias de robots mviles. La

estructura de control propuesta combina una linealizacin por realimentacin basada en el modelo
cinemtico nominal, y una red neuronal directa para el control dinmico adaptable. La dinmica del
robot es aprendida por una red neuronal basada en funciones de base radial (RN-FBR) en un lazo de
realimentacin adaptable, ajustando el peso y las funciones de base radial. Se muestra un anlisis de
estabilidad del sistema de neuro-control adaptable. Se comprueba que los errores de control estn
limitados en funcin del error de aproximacin de la RN-FBR. El funcionamiento del controlador
tambin se verifica experimentalmente. Copyright 2010 CEA.
Palabras Clave: robot mvil, control no lineal, redes neuronales, control adaptable, funciones de base
radial.
1.

INTRODUCCIN

El control de trayectorias en tiempo real de un robot mvil es un

tema de relevancia en el campo de la robtica. Sin embargo,
debido al deslizamiento, perturbaciones, incertidumbres, errores
de sensado, etc., se producen errores entre las posiciones
deseadas y reales del robot. Es por ello que el control eficiente
de un robot mvil para realizar el seguimiento preciso de una
trayectoria deseada es an un tema activo de investigacin en
robtica.
Los trabajos publicados sobre el diseo de controladores para el
seguimiento de trayectorias se basan en general en la cinemtica
de los robots mviles, como los que se presentan en Garcia y
Tornero (2008) y Knhe et al. (2005). Sin embargo, para llevar a
cabo tareas que requieren movimientos de alta velocidad o
transporte de cargas pesadas, es importante adems tener en
cuenta la dinmica del robot. En este caso, las incertidumbres o
cambios en la dinmica no deberan perjudicar el desempeo del
controlador. A modo de ejemplo, en el caso de transporte de
carga, las caractersticas dinmicas como la masa, centro de
masa y la inercia se modifican con la carga transportada. Para
mantener un buen desempeo, el controlador debe ser capaz de
adaptarse a este tipo de cambios. En Liu et al. (2004) y Dong y
Guo (2005) se presentan controladores de seguimiento de
trayectoria que compensan la dinmica del robot y tienen en
cuenta sus incertidumbres. El desempeo de estos controladores
se muestra mediante simulaciones. Otros trabajos similares son
desarrollados por Liyong y Wei (2007) y Chaitanya y Sarkar
(2007). Das y Kar (2006) presentan un controlador de lgica
difusa adaptable donde la incertidumbre del sistema, que incluye
variacin de parmetros del robot mvil y no linealidades

desconocidas, se estiman por un sistema de lgica difusa cuyos

parmetros se sintonizan en lnea. Da y Song. (2003) presentan
el diseo de un controlador adaptable directo utilizando lgica
difusa y redes neuronales. En este trabajo se usa la seleccin
supervisada de centros, y se aplica a los sistemas de mltiple
entrada y una salida (MISO) sin referencia a su uso en robots
mviles. Los resultados se basan nicamente en simulaciones.
Bugeja y Fabri (2007) presentan el uso de una RN-FBR para
aproximacin dinmica de robots mviles, en la que los
centroides permanecen fijos y los pesos se estiman
estocsticamente en tiempo real. En este trabajo no se presenta
anlisis de estabilidad del sistema de control y los autores
muestran solo resultados de simulacin. Kim et al. (2000) han
propuesto un controlador adaptable robusto para un robot mvil
que se compone de dos partes. La primera se basa en la
cinemtica del robot y se encarga de generar las referencias para
la segunda parte, que compensa la dinmica del modelo. Sin
embargo, los parmetros adaptados no son los parmetros reales
del robot, y no se presentan resultados experimentales. Adems,
las acciones de control se dan en trminos de pares, mientras que
los robots comerciales usualmente aceptan comandos de
velocidad.
De la Cruz y Carelli, (2006) presentan una parametrizacin
lineal de un robot mvil uniciclo y el diseo de un controlador
de seguimiento de trayectoria que se basa en el modelo conocido
completo del robot. Una de las ventajas de este controlador es
que sus parmetros estn directamente relacionados con los
parmetros fsicos del robot. Sin embargo, si los parmetros no
se identifican correctamente o cambian con el tiempo debido,
por ejemplo, a una variacin de la carga, el desempeo del

Publicado electrnicamente: 08/10/2010

DOI:10.4995/RIAI.2010.04.05

F. Rossomando, C. Soria, R. Carelli

29

controlador se ver afectado. En Martins et al. (2008) se presenta

un controlador de trayectorias adaptable basado en el modelo de
(De la Cruz y Carelli, 2006), con prueba de estabilidad basada en
Lyapunov.

El vector de parmetros identificados y el vector de parmetros

de incertidumbres asociados al robot mvil son,
respectivamente,
= [1 2 3 4 5 6 ]

En este trabajo, se desarrolla el diseo de un controlador de

seguimiento de trayectoria adaptable basado en un controlador
neuronal a los efectos de compensar la dinmica del robot. El
sistema de control est diseado en dos partes: una incluye un
controlador de la cinemtica y otra un controlador de la
dinmica. Se supone que la principal fuente de incertidumbre se
localiza en el modelo dinmico del robot. El neuro-controlador
est diseado sobre la base de una RN-FBR, y se utiliza el
mtodo de Lyapunov para obtener la actualizacin de las leyes
de ajuste de los pesos de conexin y las funciones de base radial
de la RN-FBR.

= rx

ry

0 v

(3)

El vector de parmetros est definido en el Apndice. Los

elementos del vector de incertidumbres rx y ry son funciones
de la velocidad de deslizamiento y de la orientacin del robot,
v y son funciones de los parmetros fsicos como la masa,
la inercia, dimetros de las ruedas y parmetros de los servos,
fuerzas aplicadas sobre las ruedas, y otros factores son
considerados como perturbaciones.

El artculo est organizado de la siguiente manera: en la Seccin

2 se presenta el modelo de un robot tipo uniciclo, sobre el cual se
desarrolla el diseo del controlador. En la Seccin 3 se
desarrolla el diseo del controlador cinemtico y en la Seccion 4
el correspondiente al controlador dinmico, incluyendo los
anlisis de estabilidad y de errores de control. La Seccin 5
contiene algunos resultados experimentales que muestran el
desempeo del controlador adaptable y adems se analizan los
errores de experimentacin para diferentes propuestas de control.
Por ltimo, la seccin 6 contiene las conclusiones del trabajo.
2.

MODELO DEL ROBOT

En este trabajo se consideran robots moviles con estructura

cinemtica denominada de tipo uniciclo. Este tipo de robots
posee dos ruedas motrices independientes y otra rueda libre que
no influye en la cinemtica del vehculo y solo sirve para
equilibrar la plataforma mvil. Estos robots presentan una
restriccin del tipo holnoma que limita la direccin del
movimiento (Canudas de Wit et al., 1997). En esta seccin se
revisa el modelo del robot mvil tipo uniciclo cuya
representacin esquemtica se muestra en la Figura 1, con
indicacin de los parmetros y variables de inters. Las variables
v y son las velocidades lineal y angular desarrolladas por el
robot, G es el centro de masa del robot, c es la posicin de la
rueda libre, h es el punto de inters con coordenadas rx, ry en el
plano XY, es la orientacin del robot, a es la distancia entre
el punto de inters y el punto central del eje virtual vinculado a
las ruedas de traccin. La representacin matemtica del modelo
completo (De la Cruz y Carelli, 2006), est dada por:

Figura 1: Parmetros del robot mvil tipo uniciclo.

3.

CONTROLADOR CINEMATICO

Para el diseo del sistema de control, se consideran dos

controladores: uno cinemtico y otro dinmico. En esta seccin
se describe el diseo del controlador de cinemtica inversa
basado en el modelo cinemtico del robot. El controlador
propuesto est dado por:

Modelo Cinemtico
rx cos

ry = sin
 0

a sin
rx
v
a cos + ry

1 0

(1)

Donde rxd ( t ) ,

Modelo Dinmico
3 2 4 1
v

1 1
v 1
=
+

5


v 6 0
2
2

cos
v

= 1
a sin
c
ref
c
ref

0 d
v
ref + v
1 d ref
2

(2)

kx
sin rxd + lx tanh l rx
x

cos
k
a
ryd + l y tanh y ry
l

ryd ( t ) son

las velocidades deseadas,

(4)

rx , ry

son los errores de trayectoria, las funciones de tangente

hiperblica tanh(.) se incluyen para evitar la saturacin de las
velocidades deseadas, lx, ly, kx, ky son parmetros positivos de
diseo.

30

Control de Robots Mviles con Incertidumbres Dinmicas usando Redes de Base Radial

Sustituyendo (4) en (1) bajo el supuesto de seguimiento perfecto

c
de velocidad de seguimiento vref
( t ) v ( t ) , refc ( t ) ( t ) , la
ecuacin de lazo cerrado resulta,

kx
tanh rx

rx lx 0
lx 0
 +

=
ry 0 l y tanh k y r 0

l y

(5)

Definiendo el vector de error de salida h = rx

ry , la

ecuacin (5) puede ser reescrita como:

Figura 2: Estructura de Control.

k y
k

h = lx tanh x rx l y tanh ry
l

l
x
y

(6)

Escogiendo una funcin candidata de Lyapunov como

 (t ) 0 cuando t .
V = h T ( t ) h ( t ) se puede concluir que h
En la Seccin 4, se completa el anlisis abandonando la
suposicin de seguimiento perfecto de velocidad.

4.

CONTROLADOR DINAMICO

4.1 Formulacin del Problema.

El controlador dinmico tiene por objeto, a partir de las
referencias de velocidad generadas por el controlador
cinemtico, generar comandos de velocidad para el robot que
compensen los efectos dinmicos del mismo y logren el
comportamiento segn una dinmica de referencia. En este
trabajo se utiliza una red neuronal de base radial (RN-FBR), la
cual debe ser entrenada en lnea. Por lo general, el procedimiento
para el entrenamiento de redes FBR se divide en dos fases: el
entrenamiento para el ajuste de los centros de funciones de base
radial en la capa oculta, seguido por el entrenamiento de los
pesos de conexiones entre la capa de salida y la capa oculta. Sin
embargo, en las aplicaciones de control encontradas en la
bibliografa, el entrenamiento en lnea se refiere slo a los pesos
de conexin entre la capa oculta y la capa de salida, y los centros
se ajustan fuera de lnea (S. Haykin, 1999). En este trabajo se
propone el ajuste en lnea tanto de los pesos de conexin como
de las funciones de base radial utilizando la teora de Lyapunov
para su aplicacin en robtica mvil. Esto reduce los errores de
aproximacin de la red neuronal.
El controlador implementado como una RN, recibe las
referencias de velocidades lineal y angular que genera el
T
c
c
controlador cinemtico uTc = vref
, y produce otro par de
ref

comandos de velocidades lineal y angular para ser enviados a los

T
d
d
servos del robot uTd = vref
, tal como se muestra en la
ref

Figura 2.

El sistema dinmico del robot (2) puede ser escrito de la

siguiente forma:
x = f ( x ) + gu d +
(7)
donde

x = [v

d
, ud = vref

d
ref
, = v

son

las

variables de estado, de entrada al modelo dinmico y de

incertidumbre respectivamente,
3 2 4
v

1
f ( x) = 1
5

v 6

2
2

g= 1

0 .

1
2

Se considera que el vector de estado x 2 x1 puede medirse. Se

define el siguiente error de modelo:
e = xm x

(8)

donde xm es el vector de salida deseada para el modelo de

referencia, ver Figura 2
4.2 Controlador Adaptable RBF
El objetivo de control es determinar la accin de control
ud(x,w,) basado en una red de Funciones de Base Radial (FBR)
y una ley adaptable para el ajuste del vector de parmetros w de
la red, tal que el error entre el estado x y la referencia cinemtica
uc sea lo ms pequeo posible. Para ejecutar este objetivo se
desarrolla el mtodo de diseo para un controlador adaptable
directo basado en una red FBR. A tal fin se propone una ley de
control ideal ud*(t) que es generada por una red neuronal de base
radial.
Una funcin RN-FBR est definida por:
M

F ( x ) = i .wi = wT . ( x )
i =1

i = ( x - ci

(9)

donde x es el vector de entrada a la red, es una funcin no

lineal denominada funcin de base radial, wi son los pesos de
conexin (parmetros) entre la capa oculta y la capa de salida de
la red neural, ci son centros de la funcin de base radial, M es el
nmero de funciones radiales. La funcin de base radial ms
usada es la funcin Gaussiana:

F. Rossomando, C. Soria, R. Carelli

r2
2
2.

( r ) = exp

31

Con r=x-ci, ci es el centro de (r), es una constante

asociada a la funcin (r) y representa el ancho (abertura) de la
funcin Gaussiana (en este caso =1). La red FBR puede ser
considerada como una red de dos capas en la cual la capa oculta
ejecuta la transformacin no lineal para mapear el espacio de
entrada en un espacio intermedio, y la capa de salida combina las
salidas de la capa oculta linealmente. Como la salida depende
linealmente de los pesos, entonces el entrenamiento se
transforma en un problema de optimizacin (S. Haykin, 1999).
Las ecuaciones diferenciales de orden elevado se pueden
expresar en funcin de una RN-FBR. En este caso (7) resulta
representada por:
x = w*fT * ( x ) + w*gT u d + N

e = A me + A m x + B mu k w Tf ( x ) wTf  ( x )
 Tf ( x ) w
 Tf  ( x ) w
 Tg u d wTg u d + N
w

(10)

(11)

Se elije la accin de control como:

ud = ( wTg ) A m x + Bmu k wTf ( x )
1

Max = supt N ( t )
+

 Tf ( x ) w
 Tf  ( x ) w
 Tg ud + N
e = A me wTf  ( x ) w

incluye en N. Ahora, considerando:

e = ev
w f = w fv

(20)

0
q
Q= v
p
0

0
q

se define una funcin candidata de Lyapunov:

V=

1
1
1 T
1 T
 fv w
 fv +
 fw
 f +
w
w
pv ev2 + p e2 +
2
2
2 1
2 2
+

1 T
1 T
1 T 
 gv w
 gv +
 gw w
 gw +
w
w

2 3
2 4
2 5

(21)

solucin de la ecuacin de Lyapunov

(14)

ATm P + PA m = -Q

Q >0

(22)

Derivando V con respecto al tiempo:

(15)

Derivando el error de modelo (8) se obtiene:

Reemplazando (14) y (15) en (16):

w g N = [ vn n ]

En (21) 1,2,3,4,5 son constantes positivas y la matriz P es la

donde A m 2 x 2 es una matriz Hurwitz y uc es el vector de

entrada bi-dimensional con elementos acotados. Se define el
error de modelo

e = xm x e = x m x

0
a

Escogiendo las matrices P y Q como:

(13)

Eligiendo un modelo de referencia lineal como:

x m = A m x m + B mu c

a
Am = v
0

ev = av ev - w
 Tfv ( x ) - w Tfv ( x ) - w
 Tgvu d + vn

 Tf ( x ) - w Tf  ( x ) - w
 Tgwu d + n
e = a e - w

p
P= v
0

La ecuacin (11) puede ser escrita como:

 Tf ( x ) + w
 Tf  ( x ) +
x = wTf ( x ) + wTf  ( x ) + w
T
T
 g ud + w g ud + N
+w

w f w g = w gv

4.3 Estabilidad y Ajuste de Pesos

w
 f = w*f w f

 g = w*g w g
w
 ( x ) = * ( x ) ( x )

La ecuacin del error puede ser reescrita en dos componentes

A continuacin se obtienen las leyes de adaptacin para los

pesos de conexin y para los centros de la base usando el mtodo
de estabilidad de Lyapunov. Ahora, definiendo los errores

(19)

El trmino w
 Tf  ( x ) involucra el producto de dos errores y se lo

(12)

La seal de control ideal ud es la que resultara generada con los

parmetros (pesos y centros de las FBR) ideales de la dinmica
del robot para que el error e(t) sea igual a cero.

(18)

Ahora se estudia la estabilidad del sistema a fin de desarrollar

una ley adaptable para ajustar los vectores de los parmetros w y
del controlador FBR. Reemplazando ud(x,w,) del sistema
FBR (18) en el penltimo trmino de (17), la ecuacin del error
puede ser reescrita como

siendo w* y * los
donde f ( x ) = w*fT * ( x ) y gu d = w*T
g ud
parmetros ptimos correspondientes a la seal de control
ptima u(x,w*,*) que aproxima la seal ideal de control (ud*), y
N es el error de aproximacin el cual est acotado por una
constante Max,

(17)

V = ev ev pv + e e p +
1 T
1 T 
1 T
1 T 
 fv w
 fv +
 fv w
 fv +
 fw
 f +
 fw
 f +
w
w
w
w
+
2 1
2 1
2 2
2 2
+

1 T
1 T 
1 T
1 T 
 gv w
 gv +
 gv w
 gv +
 g w
 g +
 g w
 g +
w
w
w
w
2 3
2 3
2 4
2 4
+

1  T 
1 
T
(x) (x) +
( x )  ( x )
2 5
2 5

Sustituyendo (20) en (23),

(16)

(23)

32

Control de Robots Mviles con Incertidumbres Dinmicas usando Redes de Base Radial

qe
 Tfv ( x ) ev pv w Tfv ( x ) ev pv w
 Tgv u d
V = v v ev pv w
2
q e2
 Tf ( x ) e p wT  ( x ) e p w
 Tg u d
e p w
2
 Tfv w
 fv w
 Tf w
 f w
 Tgv w
 gv w
 Tg w
 g T ( x )  ( x )
w
+
+
+
+
+
+

donde =(evpvvn+epn).
reescribirse como,

La

B e =

(24)

(24)

T w

T w

w
w
 Tfv ( x ) fv fv e p w
 Tf ( x ) f f
V = ev pv w

1
2

T 
T 

 w

 w

w
w
 Tgv u d gv gv e p w
 Tg u d g g
ev pv w

3
4

T ( x )  ( x )

e p  T ( x ) w Tf + ev pv T ( x ) w Tfv

qv ev2 q e2

+
2
2

kx
tanh rx

rx lx 0
lx 1
=
 +

0 ly

ry
tanh k y r 2
l y

puede

(25)

 + L ( h
 ) = He ( t )
h
c

l
 ) = x
L (h
0

(26)

Ahora, V = qv .ev q .e + . Para que V < 0 , se debe

2
2
verificar que
qv ev2 q e2
(27)
+
( ev pv vn + e p n )
2
2
Una condicin suficiente para verificar (27) es
qv ev2 2 ev pv vn

2
q e 2 e pn

(28)

qv ev 2 pv vn

q e 2 p n

1 T 
V= h
h > 0,
2
y su derivada temporal,

min ev , e

min ( qv , q )

Una condicin suficiente para

V 0

puede ser expresada como

(37)

 en la zona lineal de
Para pequeos valores de error de control h
la funcin tanh de saturacin,

 >
h

Esta condicin implica que la norma de los errores de control

est acotada por el valor

(36)

T L ( h
) > h
 T He
h
c

0

h
k y

(29)

(30)

(35)

T h
 = h
T L ( h
) + h
T He
V = h
c

Entonces, la condicin suficiente para

Entonces, la condicin suficiente para V < 0 se expresa como,

2 max ( pv , p ) Max

(34)

Se considera la funcin candidata de Lyapunov

k
T L ( h
 ) x
h
0

la cual se verifica si

kx
tanh rx
0
lx
l y

tanh k y r
y
l

cos ( t ) a sin ( t )
Hec ( t ) =
ec ( t )
sin ( t ) a cos ( t )

 T ( x ) = 5 ( ev pv wTfv + e p wTf )
2

(33)

Donde

 ( x ) =  * ( x ) -  ( x ) =  ( x ) , se obtienen las leyes de adaptacin:

w gv = 4ev pv u d

(32)

donde el vector (t)=[1(t) 2(t)]T=Hec(t) , siendo ec(t)= uc(t)-x(t)

el error de velocidad. Reescribiendo (32),

Ahora, y a los fines de encontrar una condicin suficiente para

que V < 0 , los trminos entre parntesis se hacen cero. De esta
condicin
y
sustituyendo
y
 f , g = w f , g - w *f , g = w
w

w fv = 1ev pv ( x )
w f = 2e p ( x )
w g = 3e p u d

(31)

min ( qv , q )

Ahora, abandonando la suposicin hecha en la Seccin 3 de

seguimiento perfecto de la velocidad, (5) se reescribe como

ecuacin

2 max ( pv , p ) Max

H ec

min ( k x , k y )

V < 0

(38)
es:
(39)

Utilizando (16) puede expresarse ec(t)=uc(t)-xm(t)+e(t). Puede

probarse que la seal ec(t) est acotada, pues uc(t) est acotada
por (4), e(t) est acotada por (30) y, como el modelo de
referencia es un sistema lineal estable, entonces
xm(t)kuc(t), ahora puede reescribirse la condicin (39)
teniendo en cuenta lo antes dicho y la (30) en trminos del error
e(t) de aproximacin de la red neuronal. Adems, observando

F. Rossomando, C. Soria, R. Carelli

33

 en el
que esta condicin asegura el decrecimiento del error h
tiempo, ste error estar finalmente acotado por:
Bh =

2 max ( pv , p ) Max
uc + x m +

min ( k x , k y )
min ( qv , q )
H

(40)

Este constituye un resultado prctico que expresa una cota del

error de control en trminos del error de aproximacin de la RN.

 en la zona de
Para valores grandes del error de control h
saturacin de la funcin tanh, y considerando que este error est
acotado como puede deducirse de la (33) dado que ec(t) est
acotado-, entonces
T L ( h
) K h
2
h
(41)
para una matriz diagonal y constante K adecuadamente elegida.
Entonces, una condicin suficiente para V 0 puede ser ahora
expresada como:

 > H e
K h
c

 est dada
De modo similar a (40), ahora la cota para el error h
por:
Bh =

2 max ( pv , p ) Max
H
uc + x m +

K
min ( qv , q )

(40)

La cota final del error depende de la evaluacin de (40) y de

(42): si (42) es mayor que la zona de saturacin, vale esa misma
cota (42). Por el contrario, si (42) es menor que la zona de
saturacin, vale la (40) calculada para la zona lineal de la
funcin tanh.
4.4 Diseo del Controlador Directo Adaptable RBF
El diseo de un controlador RBF directo adaptable se puede
resumir en los siguientes pasos.
Paso 1. Clculo fuera de lnea
-Definir el nmero de funciones de base radial y elegir en forma
aleatoria los centros de las FBR.
-Especificar los parmetros av, tal que todos los autovalores de
la matriz Am estn en el semiplano izquierdo.
-Especificar una matriz Q nxn definida positiva.
-Resolver la ecuacin de Lyapunov (22) para obtener una matriz
simtrica P>0.
Paso 2. Adaptacin en lnea
- Aplicar el control de realimentacin (18) al robot (7).
- Usar la ley de adaptacin (26) para el ajuste de los pesos de
conexin como tambin los centros de la FBR y volver al punto
anterior.
5.

RESULTADOS EXPERIMENTALES

Para mostrar los resultados del controlador propuesto se

realizaron varios experimentos en un robot mvil Pioneer 2DX
(Fig. 3), que admite comandos de velocidad lineal y angular.

Figura 3: Robot mvil Pioneer 2DX.

El controlador RBF-NN se inicia con parmetros de pesos y
centros aleatorios. En el experimento, el robot mvil comienza
en una posicin rx =0,0 m y ry =0,0 m, cargado con un peso
adicional del 50% del peso del robot, y debe seguir una
trayectoria circular de referencia:
rx = 0.75sin(0.03 t )

ry = 0.75cos(0.03 t )

(40)

El centro del crculo de referencia se encuentra en rxc = 0,0 m y

ryc = 0,0 m. La trayectoria de referencia comienza en rx = 0,75 m
y ry = 0,75 m, y sigue un crculo con radio de 0,75 m. Despus
de 75 segundos, la trayectoria de referencia sbitamente se
conmuta a un crculo de radio de 0,375 m.
La Figura 4 muestra las acciones de control del controlador
neuronal adaptable, donde se aprecia la accin por el cambio de
trayectoria hacia el crculo interno. La Figura 5 muestra las
trayectorias seguidas por el robot con el controlador dinmico
RN-FBR, y con controlador cinemtico sin compensacin
dinmica, adems de la trayectoria de referencia. Es de destacar
que la dinmica no-modelada (incertidumbres) depende de
diferentes factores y afectan al robot independientemente de cul
sea la trayectoria. Puede observarse la capacidad de la RN de
atenuar los efectos de estas incertidumbres cuando existen
cambios bruscos en la direccin y velocidad del vehculo (salto a
crculos concntricos), adems de compensar las posibles
variaciones de los parmetros en la dinmica modelada.
La Figura 6 muestra los errores de distancia utilizando el
controlador FBR y los correspondientes utilizando nicamente el
controlador cinemtico que no tiene en cuenta la dinmica del
robot mvil. El elevado error inicial se debe al hecho de que la
posicin inicial del robot comienza en un punto alejado de la
referencia de trayectoria. La diferencia de errores entre el robot
con RN y con control cinemtico se debe, en los primeros
segundos de la trayectoria, a la falta de adaptacin de los pesos y
centros del controlador de dinmica con RN. En cambio en los
ltimos segundos de la trayectoria, una vez alcanzado el ajuste
optimo, el error de trayectoria con controlador RN-FBR resulta
menor que con el controlador cinemtico.

34

Control de Robots Mviles con Incertidumbres Dinmicas usando Redes de Base Radial

6.

0.4
vel. lineal [m/s]

ref

0.2

0
-0.2
-0.4

20

40

60

80
100
tiempo [s]

120

140

160

180

2
vel.ang. [rad/s]

ref

0
-1
-2

20

40

60

80
100
tiempo [s]

120

140

160

180

Figura 4: Acciones de control del controlador neuronal

adaptable y salida de velocidades del robot.

Trayectoria de Referencia
Trayec. Control RN-FBR
Trayec. Control Cinematico

0.4

Eje Y [m]

0.2
0
-0.2
-0.4
-0.6
-0.8
-0.8

-0.6

-0.4

-0.2

0
0.2
Eje X [m]

0.4

0.6

0.8

Figura 5: Referencia y trayectoria del robot con el controlador

neuronal adaptable y con controlador cinemtico.
Error de trayectoria
0.8
Error Control RN-FBR
Error Control Cinematico

0.7
0.6

Error [m]

0.5
0.4
0.3
0.2
0.1
0

20

40

60

80
100
tiempo [s]

120

Figura 6: Evolucin del error de trayectoria.

140

160

En este trabajo se ha presentado un sistema de control adaptable

para el seguimiento de trayectoria de robots mviles, usando
redes neuronales FBR. Se parte del supuesto de incertidumbre en
el modelo de dinmica nominal del robot. Las leyes ajuste de los
parmetros se obtienen del anlisis de estabilidad de Lyapunov.
El neuro-controlador propuesto y el ajuste de los pesos de
conexin y los centros de las funciones de la FBR representan
una buena solucin en aplicaciones de seguimiento y control de
trayectorias. Se ha incluido el anlisis de las condiciones de
estabilidad y la evaluacin del desempeo en funcin de las
cotas del error de aproximacin de la red neuronal. El sistema de
control ha sido experimentado en un robot mvil PIONEER
2DX. Los resultados muestran la aplicabilidad prctica y el buen
desempeo del controlador propuesto.

REFERENCIAS

0.8
0.6

CONCLUSIONES

180

M. K. Bugeja y S.G.Fabri, Dual Adaptive Control for

Trajectory Tracking of Mobile Robots, IEEE ICRA
,Roma, Italy, 10-14 April 2007.
R. Carelli y C. De La Cruz, Dynamic Modeling and Centralized
Formation Control of Mobile Robots, 32nd Annual
Conference of the IEEE Industrial Electronics Society
IECON, Paris, 2006.
C. Canudas de Wit, B. Siciliano, G. Bastin, Theory of Robot
Control, Springer-Verlag. 1997.
V. S. K. Chaitanya y P. K. Sarkar. A Neural Network
Algorithm for the Error Optimization in the Path Tracking
Control of a Mobile Robot. International Joint Conference
on Neural Networks Sheraton Vancouver Wall Centre
Hotel, Vancouver, BC, Canada July 16-21, 2006.
F. P. Da y W. S. Song, Direct Adaptive control based on neural
networks, IEEE Conf. Neural Networks & Signal
Processing, Nanjing, China, 2003.
T. Das y I. N. Kar, Design and Implementation of an Adaptive
Fuzzy Logic-Based Controller for Wheeled Mobile
Robots, IEEE Transactions on Control Systems
Technology, Vol. 14, no. 3, May 2006.
W. Dong y Y. Guo, Dynamic tracking control of uncertain
mobile robots, IEEE/RSJ International Conference on
Intelligent Robots and Systems, pp. 2774-2779, 2005.
L. Garcia y J. Tornero. Kinematic Control of Wheeled Mobile
Robots. Latin American Applied Research. 38:7-16 2008.
S. Haykin, Neural Networks: A Comprehensive Foundation
(2nd Edition), Prentice Hall, 1999.
M. S. Kim, J. H. Shin y J. J. Lee, Design of a Robust Adaptive
Controller for a Mobile Robot, proceedings of the
IEEE/RSJ International Conference on Intelligent Robots
and Systems, pp. 1816-1821,2000.
F. Knhe, J. Gomes y W. Fetter, Mobile Robot Trajectory
Tracking Using Model Predictive Control, II IEEE LatinAmerican Robotics Symposium, So Luis, Brazil, 2005.
Y. Liyong y X. Wei, An Adaptive Tracking Method for Nonholonomic Wheeled Mobile Robots. Proceedings of the
26th Chinese Control Conference. July 26-31, 2007,
Zhangjiajie, Hunan, China.
S. Liu, H. Zhang, S. X. Yang y J. Yu, Dynamic Control of a
Mobile Robot Using an Adaptive Neurodynamics and
Sliding Mode Strategy, Proceedings of the 5th World
Congress on Intelligent Control and Automation,
Hangzhou, China, pp. 5007-5011, 2004.

F. Rossomando, C. Soria, R. Carelli

35

F. N. Martins,W. C. Celeste, R. Carelli, M. Sarcinelli Filho, &

Bastos Filho, T. F. (2008). An adaptive dynamic controller
for autonomous mobile robot trajectory tracking. Control
Engineering Practice, 16,1354- 1363.
APENDICE
Los parmetros del robot mvil Pioneer DX2 son los siguientes:
Ra

( mRt r + 2 I e ) + 2rk DT
k

1 = a
rk
2
( PT )
Ra

I e d 2 + 2 Rt r ( I z + mb 2 ) + 2rdk DR

2 = a
( 2rdkPR )

Ra

k mbRt
a

3 =
2k PT

Ra ka kb

+ Be

k
R
+ 1
4 = a a

rk PT

Ra

k mbRt

5 = a
dk PR

Ra ka kb

+ Be d

k
R
+ 1
6 = a a

2rk PR

Donde m es la masa del robot; r es el radio de las ruedas

izquierda y derecha; kb es igual a la constante electromotriz
multiplicada por la relacin de transmisin; Ra es la resistencia
elctrica; ka es la constante de torque multiplicada por la relacin
de transmisin; kPR, kPT, y kDT son constantes positivas; Ie y Be
representan el momento de inercia y el coeficiente de friccin
viscosa de la combinacin rotor del motor, caja de reduccin y
rueda, y Rt es el radio nominal de la rueda (De la Cruz y Carelli,
2006).