Integrazione del backstepping basato su Lyapunov e della logica neuro‑fuzzy con controllo a scorrimento per il tracciamento preciso di traiettorie di robot a guida differenziale

Robot che Rimangono sulla Rotta

Dai robot raccoglitori nei magazzini ai rover planetari, molti robot si muovono su due ruote motrici come una sedia a rotelle elettrica. Far seguire a queste macchine un percorso con precisione dell’ordine del centimetro è più difficile di quanto sembri: i pavimenti sono irregolari, le ruote slittano, i motori possono saturare e la meccanica del robot è spesso complessa. Questo articolo presenta un nuovo “cervello” per tali robot: uno schema di controllo chiamato Fixed Ultra‑Hybrid Adaptive Controller (FUHAC), progettato per mantenere un robot a due ruote incollato alla rotta pianificata, anche quando l’ambiente è disordinato e variabile.

Perché Guidare Due Ruote è Così Difficile

I robot mobili a guida differenziale sterzano facendo ruotare le ruote sinistra e destra a velocità diverse. Questa disposizione semplice nasconde una fisica complessa. Il robot non può spostarsi lateralmente, il baricentro può essere spostato, e attrito, urti e carichi sconosciuti lo deviano costantemente dalla traiettoria. I controllori classici come il PID o schemi più avanzati basati su un solo metodo funzionano bene solo in condizioni ristrette: possono seguire senza problemi curve dolci ma incontrano difficoltà con curve strette, spinte improvvise o modelli imperfetti. I ricercatori hanno provato ad aggiungere moduli di apprendimento, logica fuzzy o strati di controllo robusto, ma questi ibridi vengono spesso assemblati in modo ad hoc, senza una solida garanzia che l’intero sistema resti stabile.

Fondere Diversi “Cervelli” in Uno Solo

Gli autori propongono FUHAC come un’architettura unificata che combina deliberatamente quattro idee di controllo diverse, ciascuna dedicata a una parte del problema. Un nucleo di backstepping fornisce uno sterzo fluido basato sul modello che, in teoria, avvicina il robot alla traiettoria desiderata. Un modulo neuro‑fuzzy si sovrappone a questa base e impara a cancellare effetti sconosciuti — come attriti non modellati o piccole irregolarità meccaniche — osservando come evolve l’errore di tracciamento. Uno strato a scorrimento (sliding‑mode) aggiunge un guscio protettivo robusto che reagisce rapidamente a disturbi maggiori e garantisce che spinte e raffiche limitate possano essere respinte in tempo finito. Infine, un osservatore di disturbi monitora il movimento del robot e stima le forze esterne agenti su di esso, così che il controllore possa contrastarle proattivamente invece di limitarsi a reagire. Invece di combinare questi elementi con pesi fissi, FUHAC utilizza un fattore di fusione basato sulle prestazioni che sposta l’influenza tra di essi in tempo reale, a seconda dell’ampiezza e della caratteristica oscillatoria dell’errore di tracciamento.

Reazioni Rapide, Apprendimento Lento

Un’innovazione chiave di FUHAC è il modo in cui separa i riflessi rapidi dagli aggiustamenti strategici più lenti. Il controllore esegue due cicli di adattamento: un ciclo veloce, aggiornato ogni 30 millisecondi, che modifica i guadagni per sopprimere deviazioni e oscillazioni improvvise, e un ciclo più lento, aggiornato ogni 150 millisecondi, che regola gradualmente i parametri per la precisione a lungo termine e l’efficienza energetica. Questo schema a due velocità è scelto in modo che il robot percepisca i parametri lenti come quasi costanti mentre affronta movimenti rapidi, un principio ispirato alla separazione delle scale temporali nella teoria del controllo. Per mantenere tutto sotto controllo matematico, gli autori costruiscono una singola funzione di tipo energia (una funzione di Lyapunov) che cattura contemporaneamente l’errore di tracciamento, l’errore di apprendimento, il comportamento a scorrimento e gli errori dell’osservatore di disturbi. Dimostrano quindi che, sotto ipotesi ragionevoli, questa energia può solo diminuire o stabilizzarsi, il che significa che la deviazione del robot dalla traiettoria resta limitata e, se gli errori di approssimazione e le perturbazioni diminuiscono, può persino annullarsi nel tempo.

Mettere il Controllore alla Prova

Per valutare il comportamento di FUHAC, il gruppo ha eseguito simulazioni su tre traiettorie di riferimento: un otto, un cerchio e un rombo con spigoli netti. Queste curve sollecitano aspetti diversi del moto: curvatura continua, inversione di curvatura e cambi di direzione bruschi. In tutti i casi l’errore di posizione finale è rimasto sotto i 4 centimetri, con piccoli indici di errore cumulato e una coppia media dei motori modesta, inferiore a 10 newton‑metro. Il controllore si è stabilizzato su un tracciamento quasi costante in circa 12,7 secondi, mantenendo le oscillazioni entro una banda ristretta; il guadagno di scorrimento adattativo è aumentato il giusto per mantenere la robustezza senza sprecare energia. In confronto a PID standard, solo backstepping e solo sliding‑mode, FUHAC ha eguagliato o superato la loro accuratezza riducendo drasticamente il “chatter” ad alta frequenza che può consumare gli attuatori. Gli autori hanno anche testato il metodo su dati registrati da un robot Pioneer reale. Qui, effetti non modellati come lo slittamento delle ruote e la saturazione dei motori hanno prodotto errori maggiori — dell’ordine dei metri piuttosto che dei centimetri — ma l’anello chiuso è rimasto stabile e si è ripreso dopo manovre aggressive, sottolineando la robustezza del framework.

Cosa Significa per i Robot di Tutti i Giorni

FUHAC dimostra che un controllo «a molti cervelli» accuratamente orchestrato può offrire ai robot su ruote sia precisione sia resilienza. Unificando sterzo fluido basato sul modello, compensazione basata sull’apprendimento, protezione robusta e stima delle perturbazioni sotto una singola prova di stabilità, il metodo supera gli ibridi per tentativi verso un progetto più fondato. In pratica, questo potrebbe aiutare robot da pavimento, sedie a rotelle assistive e piattaforme di ispezione a seguire percorsi stretti con accuratezza sub‑decimetrica, consumando energia moderata e tollerando urti, rumore e carichi variabili. Sebbene la messa a punto dei suoi numerosi parametri sia più complessa rispetto a un semplice PID, il controllore rimane abbastanza leggero dal punto di vista computazionale per i moderni processori embedded. Gli autori vedono FUHAC come una base per sistemi futuri che integrino tale controllo con visione, mappatura e persino deep reinforcement learning, aprendo la strada a robot mobili più affidabili e intelligenti che navigano in ambienti reali.

Citazione: 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

Parole chiave: controllo robot mobile, tracciamento traiettoria, controllore ibrido adattativo, robot a guida differenziale, reiezione delle perturbazioni