Resumen

Tanto si las imprecisiones en los modelos de los sensores se deben a un mal modelado inicial como a daos o desviacin de los sensores, los efectos pueden ser igual de perjudiciales. Los errores de modelado de los sensores dan lugar a una mala estimacin del estado. Esto, a su vez, puede hacer que un sistema de control que dependa de las mediciones de los sensores se vuelva inestable, como en robtica, donde el sistema de control se aplica para permitir la navegacin autnoma. Se ha desarrollado una tcnica denominada filtro neuronal de Kalman ampliado (NEKF) para estimar el estado en un bucle de control y aprender la diferencia entre la dinmica real del sensor y el modelo del sensor. La tcnica requiere mltiples sensores en el sistema de control para que los sensores que funcionan y se modelan correctamente puedan utilizarse como verdaderos. El NEKF entrena una red neuronal en lnea utilizando los mismos residuos que la estimacin del estado. El modelo de sensor resultante puede entonces reincorporarse completamente al sistema para proporcionar la capacidad de estimacin y redundancia aadidas.

• Materias:Sensores táctiles Robots modulares Control robótico Teleoperación Arquitectura de red neuronal
• Subjects:Tactile sensors Modular robots Robotic control Teleoperation Neural network architecture
• Palabras claves:Modelos de sensores; Imprecisiones; Modelización inicial deficiente; Daños en los sensores; Deriva; Estimación del estado
• Keywords:Sensor models; Inaccuracies; Poor initial modeling; Sensor damage; Drift; State estimation