En el ámbito de los sistemas robóticos avanzados, el análisis de alcanzabilidad se ha consolidado como una herramienta vital para garantizar la seguridad y el rendimiento. Sin embargo, una barrera significativa ha sido el uso predominante de modelos de caja blanca, dejando a muchos sistemas con modelos de caja negra fuera de estas metodologías.
La investigación reciente, presentada por Vamsi Krishna Chilakamarri, Zeyuan Feng y Somil Bansal, rompe con esta limitación desarrollando un método innovador que computa conjuntos alcanzables para sistemas dinámicos de caja negra. El enfoque propuesto se basa en una aproximación eficiente de la función hamiltoniana usando muestras de la dinámica del sistema, lo cual, a su vez, permite resolver las ecuaciones diferenciales parciales de Hamilton-Jacobi (HJ-PDE).
Se idearon dos estrategias principales dentro de este enfoque: una que emplea redes neuronales para estimar la función hamiltoniana y otra que, bajo la asunción de sistemas control-afines, utiliza una aproximación mediante la evaluación de vértices extremos del hipercubo de control. Este segundo método es particularmente útil al manejar sistemas lineales por piezas y garantiza resultados más conservadores, pero robustos.
Las pruebas realizadas con un coche de ruedas deslizantes y un robot cuadrúpedo, ambos modelados como sistemas de caja negra, dieron resultados prometedores. La primera estrategia, la que utiliza redes neuronales, obtuvo un valor más preciso de las “tuberías de recuperación” (BRT) en ambientes complejos, mientras que el método alternativo control-afín destacó por su rapidez al no requerir de un entrenamiento extenso.
A través de simulaciones, se demostró una capacidad superior para aproximar conjuntos alcanzables y controladores seguros en comparación con métodos tradicionales, ya sean basados en modelos o libres de modelos. Este avance supone un paso importante hacia la implementación de análisis de seguridad en un diseño de control automatizado y seguro para sistemas que operan en alta complejidad.
Este desarrollo no solo amplía el abanico de aplicaciones potenciales para la tecnología robótica en entornos inciertos, sino que también marca el camino para futuros estudios que busquen integrar técnicas de aprendizaje más sofisticadas para manejar casos de mayor dimensión y complejidad.