Control de posición, velocidad y momentum para Seguimiento de Trayectorias en un Robot Manipulador Hamiltoniano
Mario Iván Nava Bustamante
José Luis Meza Medina
Rodrigo Loera Palomo
Cesar Alberto Hernández Jacobo
Volumen:
1
DOI:
Edición:
11
Resumen
El control de seguimiento de trayectorias en manipuladores robóticos constituye un desafío clave dentro del área del control no lineal, debido a la naturaleza fuertemente acoplada y no lineal de su dinámica. Ante la creciente demanda de precisión y estabilidad en tareas de seguimiento en entornos variables, se requieren estrategias de control que respeten la estructura física del sistema y permitan una regulación eficiente de sus variables fundamentales. Este trabajo propone una estrategia de control basada directamente en las ecuaciones de Hamilton, aprovechando su capacidad para describir la evolución temporal del sistema en términos de coordenadas generalizadas y momentos conjugados. A diferencia de los enfoques clásicos que dependen de modelos Lagrangianos o simplificaciones lineales, la formulación Hamiltoniana permite abordar de manera explícita la interacción entre energía cinética, energía potencial y momentum, proporcionando un marco más estructurado para el diseño del controlador. Se diseña una ley de control multivariable que actúa simultáneamente sobre la posición, la velocidad y el momento del manipulador, con el objetivo de lograr seguimiento preciso de trayectorias deseadas. La estabilidad se garantiza mediante el uso de funciones tipo Lyapunov construidas a partir de la energía total del sistema, y se valida el desempeño a través de simulaciones numéricas en un manipulador de dos grados de libertad.
Palabras clave
Control Hamiltoniano, Control no lineal, Ecuaciones de Hamilton, Momentum generalizado.
Referencias Bibliográficas
Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.
Altawaitan, A., Stanley, J., Ghosal, S., & Duong, T. (2024). Hamiltonian
dynamics learning from point cloud observations for nonholonomic mobile robot control. IEEE International Conference on Robotics and Automation (ICRA).
Beckers, T., & Colombo, A. (2023). Physics-informed neural network design for energy-based control of nonlinear systems. Automatica, 153, 110909. https://doi.org/10.1016/j.automatica.2023.110909
Chang, H. S., Halder, U., Shih, C. H., Naughton, N., Gazzola, M., & Mehta, P. G. (2023). Energy-shaping control of a muscular octopus arm moving in three dimensions. Proceedings of the Royal Society A, 479(2270), 20220593. https://doi.org/10.1098/rspa.2022.0593
Gong, Y., Liu, C., Chen, W., Zhao, D., & Song, J. (2023). Passive control strategy for autonomous excavators based on energy shaping. EEE Transactions on Industrial Electronics.https://doi.org/10.1109/TIE.2023.3299986
Heydari Shahna, M., Bahari, M., & Mattila, J. (2023). Robustness- guaranteed observer-based control strategy with modularity for cleantech EMLA-driven heavy-duty robotic manipulator. arXiv preprint arXiv:2311.15843.
Hu, J., Wang, F., Li, X., Qin, Y., Guo, F., & Jiang, M. (2024). Trajectory
tracking control for robotic manipulator based on soft actor–critic and generative adversarial imitation learning. Biomimetics, 9(12), 779.
Khader, S. A., Yin, H., Falco, P., & Kragic, D. (2021). Learning deep energy shaping policies for stability-guaranteed manipulation. arXiv preprint arXiv:2103.16432.
Liu, Z., Peng, K., Han, L., & Guan, S. (2023). Modeling and control of
robotic manipulators based on artificial neural networks: A review. Iranian Journal of Science and Technology, Transactions of Mechanical Engineering, 47, 1307–1347.
Mao, W., Xu, C., Zhu, Q., Chen, S., & Wang, Y. (2023). Leapfrog diffusion model for stochastic trajectory prediction. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 5517–5526.
Ortega, R., van der Schaft, A. J., Mareels, I., & Maschke, B. (2001). Putting energy back in control. IEEE Control Systems Magazine, 21(2), 18–33.
Rudin, N., Hoeller, D., Reist, P., & Hutter, M. (2022). Learning to walk in minutes using massively parallel deep reinforcement learning. Conference on Robot Learning (CoRL), 91–100.
Schulman, J., Wolski, F., Dhariwal, P., Radford, A., & Klimov, O. (2017). Proximal policy optimization algorithms. arXiv preprint arXiv:1707.06347.
Tinoco, V., Silva, M. F., Santos, F. N., Morais, R., & Magalhães, S. A.
(2025). A review of advanced controller methodologies for robotic manipulators. International Journal of Dynamics and Control, 13, 36.
Van der Schaft, A. J. (2017). L2-gain and passivity techniques in nonlinear control (3rd ed.). Springer. https://doi.org/10.1007/978-3-319-49950-3
Zhang, A., Karacan, K., Sadeghian, H., Wu, Y., Wu, F., & Haddadin, S. (2024). Tactile-Morph Skills: Energy-based control meets data-driven
learning. arXiv preprint arXiv:2408.12285.