Implementação e Teste de Metodologias para Treinamento de Controladores Neurais ReLU Aplicados ao Seguimento de Trajetórias em Ambientes com Obstáculos

Abstract

Algumas classes de problemas de controle de sistemas dinâmicos complexos exigem algoritmos robustos capazes de lidar com dinâmicas rápidas e desvio de obstáculos em espaços de busca não-convexos. Embora o Controle Preditivo Baseado em Modelo (MPC) se mostre capaz de resolver essa tarefa, seu elevado custo computacional limita sua aplicação prática em sistemas embarcados que demandam decisões rápidas, seguras e precisas. Este trabalho apresenta a implementação e análise de um controlador neural baseado em uma rede com funções de ativação ReLU, treinado via aprendizagem por imitação para aproximar o comportamento de um controlador MPC aplicado ao seguimento de trajetórias em ambientes com restrições não-convexas. Adicionalmente, essa abordagem possibilita posterior estudo de regiões do espaço de estados propensas a falhas ou colisões ou, alternativamente, provar matematicamente a corretude e a segurança do controlador neural antes de sua execução por meio de algoritmos MILP(Mixed-Integer Linear Programming). Os resultados demonstraram o potencial das redes ReLU em mapear com precisão leis de controle complexas, reduzindo drasticamente o tempo de processamento e mantendo resultados iguais ou semelhantes aos do MPC.