Controladores Preditivos Não-Lineares Para Controle de Trajetória

Abstract

O controle autônomo de trajetória para drones enfrenta grandes desafios devido à natureza não linear de sua dinâmica, além da presença de limites operacionais e obstáculos no ambiente. Para abordar essa problemática, este trabalho apresenta o desenvolvimento de um Controlador Preditivo Não Linear (NMPC) formulado via dualidade de Lagrange para garantir o desvio de obstáculos de forma eficiente. Investigou-se o comportamento do drone sob diferentes perspectivas: a inclusão de variáveis de estado adicionais (velocidades nos eixos x e y) e a implementação da estratégia de horizonte rolante (receding horizon) em malha fechada. Avaliou-se o impacto do tamanho do horizonte no tempo de convergência, utilizando uma ma- triz de custo terminal simétrica e definida positiva P mat, ponderada pela solução de uma Equação Algébrica Discreta de Riccati (DARE), para garantir as condições assintóticas de uma janela de predição infinita. Analisou-se também a implemen- tação de warm-start para a redução do tempo de convergência, discutindo-se os cenários em que essa técnica pode degradar o desempenho computacional em fun- ção do horizonte adotado, além da resposta do sistema em cenários de fase não mínima com alta proximidade inicial ao obstáculo. Diante da inviabilidade gerada por restrições rígidas em situações críticas, adotou-se uma estratégia de flexibiliza- ção por meio de restrições suaves (soft constraints) penalizadas quadraticamente. Os resultados demonstraram que o horizonte rolante proporciona uma navegação suave e computacionalmente viável, enquanto o uso de variáveis de folga assegura a viabilidade do solucionador sem comprometer a segurança. Por fim, as simulações geraram um banco de dados consistente para o aprendizado da lei de controle por redes neurais.