Dissertation/Thesis Tesis de la Universidad de Zaragoza Sebastián Rodríguez, Eduardo Sagüés Blázquiz, Carlos Montijano Muñoz, Eduardo Distributed Multi-robot Control: Physics, Geometry and Learning 2254-7606 2025-171 Los sistemas multi-robot se perfilan como una solución prometedora para abordar tareas complejas, superando las capacidades de un solo robot. Su inherente paralelismo, su robustez ante fallos individuales y su capacidad para operar en entornos a gran escala los hacen especialmente atractivos para aplicaciones como búsqueda y rescate, vigilancia medioambiental, pastoreo y agricultura o automatización de almacenes. Sin embargo, la coordinación y el control de múltiples robots que operan mediante una infraestructura distribuida plantean retos fundamentales. En concreto, esta tesis aborda tres aspectos clave de los sistemas multi-robot distribuidos: (i) la eficacia de la coordinación en entornos altamente no lineales y volátiles; (ii) la reconstrucción rápida y precisa de información global; (iii) la escalabilidad de las políticas de control en el número de robots; y (iv) la gestión de la alimentación y energía. Para abordar los tres puntos, la tesis explota tres herramientas: (i) las propiedades físicas de los sistemas distribuidos, (ii) técnicas de control geométrico y (iii) métodos de optimización distribuida y aprendizaje automático. La primera parte de la tesis aborda el problema de control de sistemas dinámicos no lineales con respecto a la entrada mediante un equipo de robots. El principal ejemplo motivador es el del pastoreo multi-robot, en el que los robots aprovechan la dinámica reactiva altamente no lineal de los evasores para dirigirlos hacia regiones deseadas. Desarrollamos una novedosa técnica de control, denominada Control Implícito, capaz de estabilizar dinámicas no lineales en entrada y salida en tiempo continuo e imponer comportamientos transitorios deseados. Caracterizamos formalmente las principales propiedades de este nuevo método de control y mostramos sus beneficios para pastoreo multi-robot. La formulación original de Control Implícito es adecuada para sistemas centralizados. Por lo tanto, para lograr su descentralización, diseñamos nuevas técnicas de optimización distribuida, consenso y disenso. Con ellas se consigue, respectivamente, el método de optimización distribuida de primer orden más rápido que existe, la reconstrucción efectiva por parte de los robots de las magnitudes de control de interés, y la coordinación y evitación de colisiones basadas en percepción. La segunda parte de la tesis se centra en la estimación estocástica distribuida para la adquisición rápida y precisa de contexto global. Como punto de partida, nos centramos en recuperar las propiedades de optimalidad del filtro de Kalman estándar centralizado en entornos distribuidos, preservando las propiedades de escalabilidad de los algoritmos existentes. Resolvemos el problema proponiendo el primer filtro de Kalman distribuido óptimo certificable bajo correlaciones desconocidas. Descubrimos que la fusión consistente de estimaciones correladas puede plantearse como un programa semidefinido que calcula el elipsoide exterior más pequeño que encierra la intersección de un conjunto de elipsoides. El programa local semidefinido se integra de forma transparente en un algoritmo de filtro de Kalman distribuido activado por eventos, desarrollando el estimador estocástico distribuido más rápido y eficiente, desde el punto de vista de la comunicación, para sistemas lineales gaussianos. El éxito de la solución nos motiva a seguir trabajando en la reconstrucció de la solución global del método elipsoidal de L¨owner-John, un programa semidefinido con aplicaciones en control robusto, visión por computador y estimación estocástica. La tesis deriva, por primera vez, soluciones en tiempo continuo y discreto para casos estáticos y variables en el tiempo. La tercera parte de la tesis aborda el problema del aprendizaje de políticas de control multi-robot distribuidas que sean escalables y efectivas tanto en tareas cooperativas como competitivas. Detectamos que existe una variedad de tareas multi-robot que son difíciles de modelar matemáticamente, lo que motiva el uso de técnicas de aprendizaje. Proponemos una novedosa parametrización de políticas informada por la física y adaptada para abordar simultáneamente la escalabilidad, la eficiencia muestral en entrenamiento y la precisión en el comportamiento. La formulación se basa en los sistemas hamiltonianos, una descripción general pero sencilla de los sistemas físicos para codificar la naturaleza distribuida de los sistemas multi-robot. Complementamos el dise˜no con una parametrización basada en atención para manejar topologías variables en el tiempo. El éxito de esta novedosa parametrización se demuestra eficaz en entornos de aprendizaje por refuerzo y aprendizaje por imitación. La cuarta y última parte de la tesis gira en torno a cómo trasladar algunas de estas técnicas de control multi-robot a sistemas energéticos. Los problemas examinados en esta parte se estudian desde la perspectiva de la teoría de control: identificación, estimación y control de dispositivos de potencia. En primer lugar, proponemos una solución para el problema de identificación automática de modelos térmicos de dispositivos de potencia a partir de demostraciones, con amplias aplicaciones en el diseño térmico óptimo de dispositivos de potencia. A continuación, consideramos la estimación y predicción estocástica de la tensión de baterías en instalaciones fotovoltaicas, donde la regresión de procesos gaussianos permite una predicción eficaz en infraestructuras medioambientales críticas. La última aplicación consiste en el control implementable no lineal de convertidores resonantes en serie de doble puente activo, un componente fundamental en muchos dispositivos, que van desde los propios robots autónomos a las estaciones de energía. eng ingeniería de control; robótica; inteligencia artificial; Universidad de Zaragoza, Prensas de la Universidad Zaragoza 2025 2025

http://zaguan.unizar.es/record/161733/files/TESIS-2025-172.pdf; Imported from Invenio.