Estimadores de estado distribuídos com aplicações ao controle flocking

• Autor(a) principal: Gomes, Rodrigo Binotto
• Data de Publicação: 2020
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da UFRGS
• Texto Completo: http://hdl.handle.net/10183/215019
• topic: Sistemas multiagentes; Filtro de Kalman; Sistemas de controle; Automação; Multiagent sensor network; Multiagent state estimation; Diffusion Kalman filter; Flocking control algorithm

Neste trabalho é apresentado um estudo sobre estratégias distribuídas de estimação de estado aplicadas em problemas envolvendo redes multiagente de sensores (ou nós). Nesse tipo de problema a rede de nós é utilizada para cooperativamente estimar o estado de um sistema dinâmico. Diferentemente da abordagem clássica onde as medidas de todos os nós são agregadas em um único ponto para solução do problema de estimação, em uma estratégia distribuída os nós compartilham dados com os demais nós no seu entorno e após esse compartilhamento de informação uma estimativa para o estado do sistema é determinada localmente em cada um deles. Sem a necessidade de todos os nós enviarem dados para uma central de processamento, através de uma estratégia distribuída existe uma redução significativa na demanda por energia de comunicação na rede, além de tornar o sistema mais robusto a falhas, tendo em vista que não existe um único ponto responsável pela estimativa. Um dos principais algoritmos de estimação distribuídos abordados na literatura é o Filtro de Kalman Difuso (DKF), uma adaptação multiagente do Filtro de Kalman clássico, que no trabalho desenvolvido foi explorado em conjunto com a lei de controle flocking. Essa lei de controle visa conduzir uma rede móvel de nós a um comportamento coletivo formando arranjos espaciais e em geral é assumido na literatura que os nós possuem acesso ao estado de um sistema de referência que guia o movimento da rede. Foi então considerado o caso onde os nós somente possuem acesso a medidas corrompidas por ruído relacionas ao estado do sistema de referência e para aplicar a lei de controle flocking foi proposta a inclusão do DKF em cascata com o algoritmo de controle, permitindo assim estimar a trajetória do sistema de referência. A partir de estudos de caso em ambiente de simulação foram obtidos resultados que indicam que o DKF supera o desempenho de outros algoritmos de estimação distribuída já aplicados para esse problema, atingindo o desempenho próximo do ótimo - que é obtido através de uma estratégia centralizada.