Integração de backstepping baseado em Lyapunov e lógica neuro‑fuzzy com controle de modo deslizante para rastreamento preciso de trajetória em robôs com acionamento diferencial

Robôs que Permanecem na Rota

De coletores em armazéns a rovers planetários, muitos robôs se deslocam sobre duas rodas motrizes, como uma cadeira de rodas motorizada. Fazer essas máquinas seguirem um trajeto com precisão de centímetros é mais difícil do que parece: pisos são irregulares, rodas derrapam, motores saturam e a própria mecânica do robô é complexa. Este artigo apresenta um novo “cérebro” para esses robôs — um esquema de controle chamado Controlador Híbrido Adaptativo Ultra Fixado (FUHAC) — projetado para manter um robô de duas rodas colado à rota planejada, mesmo quando o ambiente é desordenado e mutável.

Por Que Guiar Duas Rodas É Tão Difícil

Robôs móveis com acionamento diferencial direcionam-se girando as rodas esquerda e direita em velocidades diferentes. Essa arquitetura simples esconde física complicada. O robô não pode mover‑se lateralmente, seu centro de massa pode estar deslocado, e atrito, solavancos e cargas desconhecidas o empurram constantemente para fora de curso. Controladores clássicos como PID ou mesmo esquemas mais avançados de método único funcionam bem apenas em condições restritas: podem seguir suavemente curvas suaves, mas têm dificuldades em curvas fechadas, empurrões súbitos ou modelos imperfeitos. Pesquisadores tentaram adicionar módulos de aprendizado, lógica fuzzy ou camadas de controle robusto, mas esses híbridos geralmente juntam peças de forma ad hoc, sem garantia sólida de que todo o conjunto permanecerá estável.

Combinando Vários “Cérebros” em Um Só

Os autores propõem o FUHAC como uma arquitetura unificada que combina deliberadamente quatro ideias de controle diferentes, cada uma lidando com uma parte do problema. Um núcleo de backstepping fornece um direcionamento suave baseado em modelo que, em teoria, conduz o robô à trajetória desejada. Um módulo neuro‑fuzzy fica acima dessa linha de base e aprende a cancelar efeitos desconhecidos — como atrito não modelado ou pequenas peculiaridades mecânicas — observando como o erro de rastreamento evolui. Uma camada de modo deslizante adiciona uma casca protetora rígida que reage rapidamente a distúrbios maiores e garante que empurrões e rajadas limitados possam ser rejeitados em tempo finito. Finalmente, um observador de perturbações monitora o movimento do robô e infere as forças externas atuantes, para que o controlador possa neutralizá‑las proativamente em vez de apenas reagir depois. Em vez de misturar esses elementos com pesos fixos, o FUHAC usa um fator de mesclagem baseado em desempenho que desloca a influência entre eles em tempo real, dependendo da amplitude e da oscilação do erro de rastreamento.

Reações Rápidas, Aprendizado Lento

Uma inovação chave do FUHAC é a forma como separa reflexos rápidos de ajustes estratégicos mais lentos. O controlador roda dois relógios de adaptação: um loop rápido, atualizado a cada 30 milissegundos, que ajusta ganhos para conter desvios e oscilações súbitas, e um loop mais lento, atualizado a cada 150 milissegundos, que ajusta gradualmente parâmetros para precisão de longo prazo e eficiência energética. Esse esquema de taxas duplas é escolhido para que o robô perceba os parâmetros lentos como quase fixos enquanto lida com movimentos rápidos, um princípio inspirado na separação de escalas temporais na teoria de controle. Para manter tudo matematicamente sob controle, os autores constroem uma única função tipo energia (uma função de Lyapunov) que captura erros de rastreamento, erros de aprendizado, comportamento deslizante e erros do observador de perturbações simultaneamente. Eles mostram então que, sob suposições razoáveis, essa energia só pode diminuir ou estacionar, o que significa que a deriva do robô em relação à trajetória permanece limitada e, se erros de aproximação e perturbações decaírem, até desaparece com o tempo.

Testando o Controlador

Para avaliar o comportamento do FUHAC, a equipe realizou simulações em três trajetórias de referência: um oito, um círculo e um losango de cantos agudos. Essas curvas testam aspectos diferentes do movimento: curvatura contínua, reversão de curvatura e mudanças abruptas de direção. Em todos os casos o erro final de posição permaneceu abaixo de 4 centímetros, com pequenos índices de erro acumulado e torque médio dos motores modesto, abaixo de 10 newton‑metros. O controlador estabilizou para um rastreamento quase constante em cerca de 12,7 segundos, mantendo as oscilações dentro de uma faixa estreita; o ganho deslizante adaptativo aumentou o suficiente para preservar a robustez sem desperdiçar energia. Em comparação com PID padrão, backstepping puro e abordagens puras de modo deslizante, o FUHAC igualou ou superou a precisão enquanto reduziu drasticamente o “chattering” de alta frequência que pode desgastar atuadores. Os autores também testaram o método com dados gravados de um robô Pioneer real. Nesse caso, efeitos não modelados como derrapagem das rodas e saturação dos motores produziram erros maiores — na ordem de metros em vez de centímetros —, mas o laço fechado permaneceu estável e recuperou‑se após manobras agressivas, ressaltando a robustez do arcabouço.

O Que Isso Significa para Robôs do Dia a Dia

O FUHAC demonstra que um controle cuidadosamente orquestrado de “muitos cérebros” pode conferir a robôs com rodas tanto precisão quanto resiliência. Ao unificar direção suave baseada em modelo, compensação por aprendizado, proteção robusta e estimação de perturbações sob uma única prova de estabilidade, o método avança além de híbridos de tentativa e erro rumo a um projeto com princípios. Na prática, isso pode ajudar robôs de limpeza, cadeiras de rodas assistivas e plataformas de inspeção a seguir rotas apertadas com precisão sub‑decimétrica, consumindo energia moderada e tolerando solavancos, ruído e cargas variáveis. Embora o ajuste de seus múltiplos parâmetros seja mais complexo do que para um PID simples, o controlador permanece computacionalmente leve o bastante para processadores embarcados modernos. Os autores veem o FUHAC como uma base para sistemas futuros que integrem esse tipo de controle com visão, mapeamento e até aprendizado por reforço profundo, abrindo caminho para robôs móveis mais confiáveis e inteligentes navegando em ambientes do mundo real.

Citação: 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

Palavras-chave: controle de robôs móveis, rastreio de trajetória, controlador híbrido adaptativo, robôs com acionamento diferencial, rejeição de perturbações