Control tolerante a fallos en propulsores de ROV mediante SMC+TD3
DOI:
https://doi.org/10.17979/ja-cea.2026.47.13690Palabras clave:
Vehículo subacuático autónomo, Arquitecturas de Control en sistemas marinos, Control tolerante a fallos, Control por aprendizaje reforzado, Control por modos deslizantesResumen
Este trabajo analiza una arquitectura de control tolerante a fallos producidos en los propulsores de un ROV tipo Bluerov2 que está fundamentada en la utilización combinada de un sistema de control basado en modos deslizantes (SMC) y de un controlador basado en aprendizaje profundo reforzado y, más concretamente, en Twin Delayed Deep Deep Deterministic Policy Gradient (TD3). En este diseño, el algoritmo SMC establece un control dinámico robusto, siempre activado, y que toma constantemente las acciones necesarias para mitigar los efectos de las perturbaciones propias del medio, imprecisiones en el modelado, etc. Por otro lado, el agente TD3, una vez ha sido entrenado convenientemente, se encargará de realizar una corrección adicional puntual orientada a mitigar los efectos producidos por imprevistas pérdidas de eficiencia de los propulsores. El trabajo de validación realizado en simulación muestra reducciones del error de yaw ante fallos horizontales, manteniendo los valores de roll y pitch acotados y preservando el comportamiento de SMC ante fallos verticales.
Referencias
Benzon, M. V., Sørensen, F. F., Uth, E. T., Jouffroy, J., Liniger, J. y Pedersen, S. (2022). An open-source benchmark simulator: Control of a BlueROV2 underwater robot. Journal of Marine Science and Engineering, vol. 10, no. 12, 1898.
Edwards, C. y Spurgeon, S. K. (1998). Sliding mode control: Theory and applications. Taylor & Francis.
Fossen, T. I. (2021). Handbook of marine craft hydrodynamics and motion control (2nd ed.). John Wiley & Sons.
Goodfellow, I., Bengio, Y. y Courville, A. (2016). Deep learning. MIT Press.
Hosseinnajad, A. y Loueipour, M. (2023). Fault tolerant control system for an ROV based on a novel integral sliding mode control and a state and fault observer in the presence of thruster limitations. Ocean Engineering, vol. 280, 114687. https://doi.org/10.1016/j.oceaneng.2023.114687
Lillicrap, T. P., Hunt, J. J., Pritzel, A., Heess, N., Erez, T., Tassa, Y., Silver, D. y Wierstra, D. (2016). Continuous control with deep reinforcement learning. International Conference on Learning Representations.
Liu, M., Yu, S. y Xu, H. (2025). Fault-Tolerant Control of ROV Based on HJI Integral Sliding Mode. En L. Liu, Y. Niu, W. Fu, y Y. Qu (Eds.), Proceedings of 4th 2024 International Conference on Autonomous Unmanned Systems (4th ICAUS 2024), Springer Nature Singapore, pp. 232–241.
Sainz, J. J., Revestido, E., Llata, J. R., & Velasco, F. J. (2023). Auto-tuning of Non-Linear Model Predictive Controllers for a Remote Operated Vehicle. OCEANS 2023 -- Limerick. https://doi.org/10.1109/OCEANSLimerick52467.2023.10244375
Sainz, J. J., Becerra, V., Revestido, E., Llata, J. R., Alonso, L., & Torre, C. (2024). Adaptive ROV controller for monitoring marine structures. Jornadas de Automatica, 45. https://doi.org/10.17979/ja-cea.2024.45.10807
Sutton, R. S. y Barto, A. G. (2018). Reinforcement learning: An introduction (2nd ed.). MIT Press.
Yin, Z., Gan, W., Ou, J. y Wang, Z. (2024). Fault-Tolerant Control of Remotely Operated Vehicle Thrusters Based on the Dung Beetle Optimizer. 2024 7th International Conference on Advanced Algorithms and Control Engineering (ICAACE), pp. 1186–1189. https://doi.org/10.1109/ICAACE61206.2024.10548829
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 José Ramón Llata, Jose Joaquin Sainz, Elías Revestido, Carlos Torre-Ferrero, Luciano Alonso, Sandra Robla
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
