Controle Simbiótico de Sistemas Dinâmicos Incertos: Aproveitando a Sinergia Entre Controle de Ganho Fixo e Arquiteturas de Aprendizado Adaptativo

Tanto o controle de ganho fixo quanto as arquiteturas de aprendizado adaptativo visam mitigar os efeitos das incertezas. Em particular, o controle de ganho fixo oferece um comportamento do sistema em malha fechada mais previsível, porém requer o conhecimento dos limites da incerteza. Em contraste, embora o aprendizado adaptativo não exija necessariamente tal conhecimento, ele frequentemente resulta em um comportamento do sistema em malha fechada menos previsível comparado ao controle de ganho fixo. Para esse fim, este artigo apresenta um novo quadro de controle simbiótico que oferece as forças do controle de ganho fixo e das arquiteturas de aprendizado adaptativo. Especificamente, essa estrutura integra sinergicamente essas arquiteturas para mitigar os efeitos das incertezas de maneira mais previsível em comparação ao aprendizado adaptativo isoladamente e não requer qualquer conhecimento sobre tais incertezas. Consideram-se tanto incertezas paramétricas quanto não paramétricas, onde utilizamos redes neurais para aproximar a base da incerteza desconhecida no último caso. Contraintuitivamente, a estrutura proposta tem a capacidade de alcançar um nível desejado de comportamento do sistema em malha fechada mesmo com um número insuficiente de neurônios (por exemplo, quando o erro de aproximação da rede neural é grande) ou diante de parâmetros de aprendizado adaptativo escolhidos de forma inadequada (por exemplo, parâmetros de termo de vazamento elevados).