A teoria completa sobre métodos de controle moderno pode ser dividida em Controle
Baseado em Modelos (MBC)3e Controle Guiado por Dados (DDC). O processo de modelagem
usando MBC consiste em modelar ou identificar a planta e em seguida projetar um controlador baseado na modelagem da planta4. Normalmente não é possível realizar uma modelagem fiel ao sistema real, assim a modelagem da planta é uma aproximação, o aparecimento de erro é inevitável e a não modelagem de algumas dinâmicas do sistema inevitavelmente vai surgir. Devido a estas dinâmicas não modeladas, um sistema de controle em circuito fechado, projetado com a abordagem MBC, é inerentemente menos seguro e menos robusto (HOU; WANG,2013).
Normalmente, durante o processo de criação de um controlador para um sistema com incertezas é recomendável gerar primeiro a modelagem de um controlador robusto ao invés de gastar um esforço significativo para obter um modelo muito preciso de um sistema desconhecido. Porém, existem obstáculos práticos e teóricos para alcançar um processo perfeito de modelagem. Por exemplo, dinâmicas não modeladas e robustez formam um par de problemas inevitáveis e que não podem ser resolvidas simultaneamente utilizando o ferramental convencional teórico MBC. Alem disso, quanto mais preciso é o modelo, mais esforço ou custo deve ser gasto no projeto do sistema de controle. Uma modelagem precisa da planta pode ser mais difícil que projetar o sistema de controle. Se a dinâmica do sistema é de uma ordem muito elevada, esta dinâmica não pode ser usada como um modelo para projetar o sistema de controle, pois normalmente conduz a um controlador de ordem muito elevada. Este tipo de controlador não é apropriado para o uso prático (HOU; WANG,2013).
O termo "data-driven"foi primeiro proposto na ciência da computação e absorvido depois pela comunidade de controle. Até 2013, existiam poucos métodos DDC e com diferentes nomes, como Controle Guiado por Dados, Controle Baseado em Dados, Controle sem Modelo (Modeless Control), Model-Free Adaptive Control (MFAC), Iterative Feedback Tuning (IFT), virtual reference feedback tuning(VRFT), e iterative learning control (ILC). Existem algumas diferenças entre os termos Controle Guiado por Dados e Controle Baseado em Dados. O Controle Guiado por Dados sugere que o processo é um controle de circuito fechado e seu ponto de partida e de destino são dados, enquanto controle baseado em dados significa que o processo é um
3Em inglês, Model-Based Control.
3.4. CONTROLE DE LOCOMOÇÃO COM DDC 44 controle em circuito aberto e seu ponto de partida e de destino usam dados.
HOU; WANG(2013) apresentam a definição a seguir. O Controle Guiado por Dados inclui todas as teorias e métodos nos quais o controlador é projetado diretamente com os dados de entrada/saída do sistema controlado ou com o conhecimento obtido do processamento dos dados da planta. Nenhuma informação explícita sobre o modelo matemático do processo controlado deve ser utilizada. A estabilidade, a convergência e a robustez podem ser garantidas por meio de análise matemática rigorosa sob certas suposições razoáveis.
Os sistemas de controle consistem principalmente de duas partes, o objeto controlado e o controlador. No mundo real, as plantas (objeto controlado) podem ser categorizadas em quatro classes. Na classe C1, os modelos matemáticos são obtidos diretamente a partir de princípios elementares ou a partir da técnica de identificação. A classe C2 é semelhante a classe C1, mas os modelos obtidos são aproximadamente precisos e embutidos de algum grau de incerteza. Na classe C3, os princípios elementares ou os modelos matemáticos baseados em identificação são complexos com ordem muito elevada e com não-linearidade, etc. Na classe C4, os modelos matemáticos baseados em identificação são difíceis de determinar ou indisponíveis.
A teoria moderna de controle, MBC, oferece um bom tratamento para as classes C1 e C2. Na classe C3, se o modelo for muito complexo, composto de centenas de equações e variáveis de estados, a teoria MBC não é indicada. Sistemas muito complexos da classe C3 podem ser classificados como C4. Controladores muito complexos geralmente são custosos ou difíceis de usar e falhas podem ocorrer muito facilmente. Assim, para sistemas de controle deste tipo, a redução do modelo ou do controlador é inevitável. Usualmente, modelos matemáticos complexos não são apropriados para o projeto de controladores, por causa da dificuldade de projetar controladores e analisar as propriedades do sistema de controle (HOU; WANG,2013). Considerando as classes descritas acima, a teoria MBC resolve apenas os problemas quando modelos matemáticos estão disponíveis e as incertezas estão restritas a um limite moderado. Neste sentido, apenas as classes C1 e C2 são mais apropriadas para a teoria MBC. Para as classes C3 e C4 é inevitável usar os métodos de controle DDC. Assim, uma completa teoria de controle deve incluir todos os métodos capazes de tratar todas as quatro classes de objetos controlados (HOU; WANG,2013).
A principal diferença entre MBC e DDC é que a abordagem para projetar um sistema de controle baseado em modelo só é possível se um modelo estiver disponível. A abordagem para projetar um sistema de Controle Guiado por Dados é apropriada para a situação em que um modelo matemático não está disponível. Levando em consideração esta importante diferença, a abordagem DDC apresenta as seguintes características:
1. O controlador não possui explicitamente qualquer parte do modelo da planta. 2. A estabilidade e convergência, de modo geral, não dependem da acurácia do modelo,
3. O ponto mais marcante nas abordagens DDC é que, diferente da teoria MBC, as dinâmicas não modeladas não estão diretamente relacionadas a robustez.
A principal forma de identificar se um controlador foi concebido com MBC ou DDC é verificar se o projeto foi baseado no modelo da dinâmica do sistema. Caso o modelo do sistema esteja envolvido no controlador, então este controlador é um método MBC, caso contrário este controlador é um método DDC. A partir deste ponto de vista, alguns métodos de controle baseados em rede neural, métodos de controle fuzzy, e muitos outros métodos de controle inteligente são métodos DDC (HOU; WANG,2013).
Na teoria MBC, a robustez refere-se a habilidade de um sistema de controle em lidar com incertezas ou dinâmicas não-modeladas. No entanto, não existem dinâmicas não-modeladas em métodos DDC, pois o comportamento dinâmico de um sistema está embutido implicitamente nos dados coletados deste sistema. Na prática, os dados podem ser contaminados por distúrbios externos ou perdas causadas por falhas em sensores, atuadores ou rede. Por isso, o estudo de robustez de métodos DDC devem focar na influência de dados ruidosos e dados ausentes (HOU; WANG,2013).
3.4.1
DDC em um Bípede Simulado
Um exemplo de aplicação de um método DDC no controle de movimentação de um robô humanóide é apresentado porLEE; KIM; LEE(2010). Os controladores de locomoção são projetados para todas as partes do corpo com o objetivo de reproduzir a locomoção humana de modo natural e realístico. Estes controladores são guiados por dados obtidos em movimentações de referência, como o movimento de rotação no próprio eixo, giro e locomoção para frente em linha reta. O desafio principal desta abordagem é modular um fluxo contínuo de dados de referência de maneira constante enquanto realiza a sincronização com simulação da dinâmica direta do corpo simulado.
O controle interativo proposto porLEE; KIM; LEE(2010) consiste de três componentes principais: Motor de Animação, Controle Guiado por Dados e Controle com Rastreamento Dinâmico. O motor de animação fornece ao usuário do sistema um controle de alto-nível para selecionar os comportamentos do bípede através de uma interface interativa e de funcionamento contínuo. Os padrões de movimento são selecionados em uma base de dados. O fluxo dos padrões gerados alimenta uma fila de movimentos de referência e depois são consumidos pelo mecanismo de controle com rastreamento que conduz o bípede através de simulação da dinâmica direta. O papel do DDC é manter o equilíbrio do bípede enquanto realiza a sincronização entre os dados de referência e a simulação.
O corpo do bípede simulado possui 13 partes rígidas (cabeça, tronco, pélvis, braços, antebraços, coxas, pernas e pés) e 12 articulações esféricas conectando as partes do corpo. O total de graus de liberdade para o modelo é 42. Os dados da captura dos movimentos formam conjuntos cujos dados são organizados em sequência levando em consideração o contato do pé
3.5. DISCUSSÃO 46