Contenido principal del artículo

Javier Argente Mena
Facultad de Informática, Universidad Complutense de Madrid
España
Jesus Enrique Sierra Garcia
a:1:{s:5:"es_ES";s:21:"Universidad de Burgos";}
España
Matilde Santos Peña
Universidad Complutense de Madrid
España
Núm. 45 (2024), Control Inteligente
DOI: https://doi.org/10.17979/ja-cea.2024.45.10910
Recibido: jun. 5, 2024 Aceptado: jun. 22, 2024 Publicado: jul. 12, 2024
Derechos de autor

Resumen

En este trabajo se aplica un control convencional, que se ha sintonizado mediante una estrategia heurística, a un modelo de un vehículo de guiado automático (AGV). El modelo dinámico del AGV se ha extendido mediante la inclusión del modelado de los motores, y se ha identificado la causalidad de las ecuaciones para facilitar su implementación computacional. La función de coste del algoritmo genético (AG) usada para ajustar los parámetros del controlador de seguimiento de trayectoria se ha definido en base a dos criterios: el error de seguimiento y penalizar la agresividad de la acción de control. Mediante simulación se ha probado en una trayectoria sinusoidal que el esquema de control implementado, tanto de velocidad como de navegación, funcionan correctamente.

Detalles del artículo

Citas

Abajo, M. R., Sierra-García, J. E., Santos, M., 2022. Evolutive tuning optimization of a pid controller for autonomous path-following robot. In: 16th International Conference on Soft Computing Models in Industrial and Environmental Applications (SOCO 2021). Springer, pp. 451–460. DOI: https://doi.org/10.1007/978-3-030-87869-6_43

Espinosa, F., Santos, C., Sierra-García, J., 2020. Transporte multi-agv de una carga: estado del arte y propuesta centralizada. Revista Iberoamericana de Autom´atica e Inform´atica industrial 18 (1), 82–91. DOI: https://doi.org/10.4995/riai.2020.12846

Ghorbal, K., 2017. Modeling physics with differential-algebraic equations.

Martín Villalaba, C., Urquía Moraleda, A., 2018. Modeling and simulation in engineering using Modelica. Universidad Nacional de Educación a Distancia.

Moshayedi, A. J., Li, J., Sina, N., Chen, X., Liao, L., Gheisari, M., Xie, X., 2022. Simulation and validation of optimized pid controller in agv (automated guided vehicles) model using pso and bas algorithms. Computational Intelligence and Neuroscience 2022. DOI: https://doi.org/10.1155/2022/7799654

Reis, W. P. N. d., Couto, G. E., Junior, O. M., 2023. Automated guided vehicles position control: a systematic literature review. Journal of Intelligent Manufacturing 34 (4), 1483–1545. DOI: https://doi.org/10.1007/s10845-021-01893-x

Sánchez, R., Sierra-García, J. E., Santos, M., 2022. Modelado de un agv híbrido triciclo-diferencial. Revista Iberoamericana de Autom´atica e Informática industrial 19 (1), 84–95. DOI: https://doi.org/10.4995/riai.2021.14622

Sierra-Garcia, J. E., Santos, M., 2024a. Combining reinforcement learning and conventional control to improve automatic guided vehicles tracking of complex trajectories. Expert Systems 41 (2), e13076. DOI: https://doi.org/10.1111/exsy.13076

Sierra-Garcia, J. E., Santos, M., 2024b. Federated discrete reinforcement learning for automatic guided vehicle control. Future Generation Computer Systems 150, 78–89. DOI: https://doi.org/10.1016/j.future.2023.08.021