Integración del backstepping basado en Lyapunov y lógica neuro‑difusa con control por modo deslizante para el seguimiento preciso de trayectorias en robots con transmisión diferencial

Robots que se mantienen en la trayectoria

Desde robots recolectores en almacenes hasta rovers planetarios, muchos robots se desplazan sobre dos ruedas motrices como una silla de ruedas eléctrica. Lograr que estas máquinas sigan una ruta con precisión de centímetros es más difícil de lo que parece: los suelos son irregulares, las ruedas patinan, los motores se saturan y la propia mecánica del robot complica el control. Este artículo presenta un nuevo “cerebro” para esos robots: un esquema de control llamado Controlador Adaptativo Ultra‑Híbrido Fijo (FUHAC), diseñado para mantener un robot de dos ruedas pegado a su ruta planificada, incluso cuando el entorno es desordenado y cambiante.

Por qué guiar dos ruedas es tan difícil

Los robots móviles con transmisión diferencial se dirigen haciendo girar las ruedas izquierda y derecha a distintas velocidades. Esa disposición sencilla oculta física compleja. El robot no puede moverse lateralmente, su centro de masa puede estar desplazado, y la fricción, los baches y cargas desconocidas lo empujan constantemente fuera de su curso. Controladores clásicos como el PID, o incluso esquemas más avanzados de un solo método, funcionan bien solo en condiciones restringidas: pueden seguir con suavidad curvas suaves pero tienen problemas en giros cerrados, empujones súbitos o modelos imperfectos. Los investigadores han intentado añadir módulos de aprendizaje, lógica difusa o capas de control robusto; sin embargo, estos híbridos suelen ensamblar piezas de forma ad hoc, sin una garantía sólida de que el conjunto permanecerá estable.

Combinar varios “cerebros” en uno

Los autores proponen FUHAC como una arquitectura unificada que combina deliberadamente cuatro ideas de control distintas, cada una encargada de una parte diferente del problema. Un núcleo por backstepping ofrece un guiado suave basado en el modelo que, en teoría, acerca el robot a la trayectoria deseada. Un módulo neuro‑difuso se sitúa encima de esa base y aprende a cancelar efectos desconocidos—como fricciones no modeladas o pequeñas imperfecciones mecánicas—observando cómo evoluciona el error de seguimiento. Una capa de modo deslizante añade un recubrimiento protector y resistente que reacciona rápidamente a perturbaciones mayores y garantiza que empujones acotados y ráfagas puedan rechazarse en tiempo finito. Finalmente, un observador de perturbaciones vigila el movimiento del robot e infiere las fuerzas externas que actúan sobre él, de modo que el controlador pueda contrarrestarlas proactivamente en lugar de limitarse a reaccionar después. En lugar de mezclar estos elementos con pesos fijos, FUHAC usa un factor de mezcla basado en el rendimiento que desplaza la influencia entre ellos en tiempo real, según la magnitud y la oscilación del error de seguimiento.

Reacciones rápidas, aprendizaje lento

Una innovación clave en FUHAC es la forma en que separa los reflejos rápidos de los ajustes estratégicos más lentos. El controlador ejecuta dos ritmos de adaptación: un bucle rápido, actualizado cada 30 milisegundos, que ajusta ganancias para sofocar desviaciones y oscilaciones repentinas; y un bucle más lento, actualizado cada 150 milisegundos, que afina gradualmente parámetros para la precisión a largo plazo y la eficiencia energética. Este esquema de doble velocidad se elige para que el robot perciba los parámetros lentos como casi fijos mientras afronta movimientos rápidos, un principio inspirado en la separación de escalas temporales en teoría de control. Para mantener todo matemáticamente bajo control, los autores construyen una única función tipo energía (una función de Lyapunov) que captura de una vez los errores de seguimiento, los errores de aprendizaje, el comportamiento en modo deslizante y los errores del observador de perturbaciones. Luego demuestran que, bajo suposiciones razonables, esta energía solo puede decrecer o estabilizarse, lo que significa que la desviación del robot respecto de la trayectoria permanece acotada y, si los errores de aproximación y las perturbaciones disminuyen, incluso llega a anularse con el tiempo.

Poner el controlador a prueba

Para evaluar el comportamiento de FUHAC, el equipo realizó simulaciones sobre tres trayectorias de referencia: un ocho, un círculo y un rombo con esquinas pronunciadas. Estas curvas estresan distintos aspectos del movimiento: curvatura continua, inversión de curvatura y cambios bruscos de dirección. En todos los casos el error final de posición se mantuvo por debajo de 4 centímetros, con índices de error acumulado pequeños y un par medio de motor moderado por debajo de 10 newton‑metros. El controlador alcanzó un seguimiento casi estable en aproximadamente 12,7 segundos, manteniendo las oscilaciones dentro de una banda estrecha; su ganancia deslizante adaptativa aumentó lo justo para mantener la robustez sin desperdiciar energía. En comparación con PID estándar, backstepping puro y enfoques de modo deslizante puro, FUHAC igualó o superó su precisión mientras reducía drásticamente el “chatter” de alta frecuencia que puede desgastar los actuadores. Los autores también probaron el método con datos grabados de un robot Pioneer real. Allí, efectos no modelados como el deslizamiento de ruedas y la saturación de motores produjeron errores mayores—del orden de metros en lugar de centímetros—pero el lazo cerrado permaneció estable y se recuperó tras maniobras agresivas, subrayando la robustez del marco.

Qué significa esto para los robots de uso cotidiano

FUHAC demuestra que un control cuidadosamente orquestado tipo “muchos cerebros” puede ofrecer a los robots con ruedas tanto precisión como resiliencia. Al unificar guiado suave basado en modelo, compensación basada en aprendizaje, protección robusta y estimación de perturbaciones bajo una única prueba de estabilidad, el método avanza más allá de híbridos por ensayo y error hacia un diseño con principios. En la práctica, esto podría ayudar a robots de limpieza, sillas de ruedas asistivas y plataformas de inspección a seguir trayectorias ajustadas con precisión subdecimétrica, consumiendo energía moderada y tolerando baches, ruido y cargas variables. Aunque ajustar sus numerosos parámetros es más complejo que para un PID simple, el controlador sigue siendo lo bastante ligero computacionalmente para los procesadores embebidos modernos. Los autores ven a FUHAC como una base para futuros sistemas que integren este tipo de control con visión, cartografía e incluso aprendizaje profundo por refuerzo, allanando el camino hacia robots móviles más fiables e inteligentes que naveguen en entornos del mundo real.

Cita: Xu, P., Maghsoudniazi, M. & Maghsoudniazi, Y. Integrating Lyapunov based backstepping and neuro fuzzy logic with sliding mode control for precise trajectory tracking of differential drive robots. Sci Rep 16, 11961 (2026). https://doi.org/10.1038/s41598-026-39667-1

Palabras clave: control de robots móviles, seguimiento de trayectoria, controlador híbrido adaptativo, robots con transmisión diferencial, rechazo de perturbaciones