U A N L: Niversidad Utónoma de Uevo EÓN F I M E S E P

U NIVERSIDAD AUTÓNOMA DE N UEVO L EÓN
FACULTAD DE I NGENIERÍA M ECÁNICA Y E LÉCTRICA
S UBDIRECCIÓN DE E STUDIOS DE P OSGRADO
C ONTROL DE ROBOTS MÓVILES PARA EL

SEGUIMIENTO DE TRAYECTORIAS
POR
S USANA V IRIDIANA G UTIÉRREZ M ARTÍNEZ
COMO REQUISITO PARCIAL PARA OBTENER EL GRADO DE
DOCTORADO EN INGENIERÍA ELÉCTRICA
AGOSTO 2021
U NIVERSIDAD AUTÓNOMA DE N UEVO L EÓN
FACULTAD DE I NGENIERÍA M ECÁNICA Y E LÉCTRICA
S UBDIRECCIÓN DE E STUDIOS DE P OSGRADO
C ONTROL DE ROBOTS MÓVILES PARA EL

SEGUIMIENTO DE TRAYECTORIAS
POR
S USANA V IRIDIANA G UTIÉRREZ M ARTÍNEZ
COMO REQUISITO PARCIAL PARA OBTENER EL GRADO DE
DOCTORADO EN INGENIERÍA ELÉCTRICA
AGOSTO 2021
A mi madre Leticia Martínez Romo por todo su apoyo.
V
Agradecimientos
A Dios por permitirme terminar este proyecto, adquirir nuevos conocimientos y lograr mis sue-
ños. A mi familia mi mamá Leticia Martínez Romo y mis hermanos Rosa Yadira y Erick Cristhofer
por su apoyo.
A mi asesor de tesis el Dr. Jesús de León Morales por compartir su conocimiento, su guía, su for-
mación y apoyo necesario para lograr este trabajo. También por brindarme su amistad y tiempo.
Quiero agradecer especialmente al Dr. Frank Plestan por permitirme realizar una estancia de in-
vestigación con su equipo de trabajo en el laboratorio de ciencias digitales de Nantes por su apoyo,
comentarios y sobre todo su tiempo.
A los doctores que de alguna manera me apoyaron y que compartieron su conocimiento y su tiem-
po durante el desarrollo de este proyecto: Dr. Oscar Salvador Salas Peña, Dr. Ignacio Ayala, Dr.
Marco Tulio Mata Jimenez, Dr. Rene Galindo Orozco, Dr. Alberto Cavazos González, Dr. José An-
tonio de la O Serna, Dr. Miguel Escalante Gutiérrez.
A mis compañeros y amigos que me acompañaron a lo largo de estos 4 años: José Benedicto, Casa-
nova, José Ángel Cano Gonzalez, Carlos Enrique Alvarado, Aldo Flores Guerrero y Marco Michelle
Vazquez Rodriguez por los momentos de apoyo y valiosa amistad.
Agradezco al MC. Mario Alberto Gonzalez Vázquez, al Dr. Fernando Salinas Salinas y compañe-
ros que durante mi estancia en laboratorio de Sistemas Eléctricos de Potencia y Protecciones, me
apoyaron y me brindaron un espacio para trabajar durante la experimentación de este proyecto.
Al Consejo Nacional de Ciencia y Tecnología (CONACYT) y a la Universidad Autónoma de Nue-
vo León por las becas otorgadas para realizar mis estudios de posgrado y por el apoyo recibido
mediante la convocatoria de Movilidad académica 2018.
VI
RESUMEN
Publicación No.
Susana Viridiana Gutiérrez Martńez, Doctorado en Ingeniería Eléctrica
Universidad Autónoma de Nuevo León, 2021
Profesor asesor: Dr. Jesús de León Morales

Este trabajo se centra en la propuesta de una versión simplificada del algoritmo de control super-
twisting para el seguimiento de trayectorias de robots móviles terrestres y aéreos en presencia de
incertidumbres paramétricas y perturbaciones externas. El algoritmo de control “super-twisting”
es uno de los más populares debido a su robustez y su convergencia en tiempo finito. Además, de
ser robusto ante incertidumbres parámetricas y perturbaciones externas.
Para el diseño del controlador de modo deslizante para el seguimiento de trayectoria se constru-
yó una función fuerte de Lyapunov que se inspira en el diseño del observador de alta ganancia.
La principal contribución es la simplificación de las ganancias al reducir a un solo parámetro de
ajuste las ganancias del control, esto permite una sintonización más sencilla con respecto a los
métodos clásicos. Sin embargo, en el super-twisting las ganancias dependen de la cota de la per-
turbación, la cual generalmente se supone desconocida, lo que ocasiona que se sobrestime el valor
de la ganancia incrementando el esfuerzo de control. Para evitar la sobrestimación se propone una
versión adaptativa de la ganancia del super-twising que permite el auto-ajuste de las ganancias.
Para validar el rendimiento del algoritmos propuestos se utilizan resultados experimentales y si-
mulaciones en el seguimiento de trayectoria de robots móviles terrestres y aéreos. Los resultados
experimentales se muestran en robots móviles terrestres llamados e-puck mediante la estrategia
líder-seguidor utilizando la simplificación de ganancias en el algoritmo de control super twisting.
Finalmente, se muestran los resultados en simulación del control de seguimiento de un cuadriro-
tor para mostrar la eficiencia del algoritmo adaptativo super-twisting.
Índice General
Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . VI
Índice de Figuras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . X
Índice de Tablas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . XII
1. Introducción 1
1.1. Motivación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2. Objetivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3. Estructura de la Tesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2. Generalidades 6
2.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.2. Robots móviles terrestres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.3. Modelos matemáticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.3.1. Modelo cinemático no-holonómico . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.3.2. Modelo cinemático holonómico . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.3.3. Modelo cinemático expresado en coordenadas polares . . . . . . . . . . . . . 14
2.3.4. Modelo dinámico estructura Euler-Lagrange . . . . . . . . . . . . . . . . . . . . 16
2.3.5. Modelo dinámico expresado en variables de estado . . . . . . . . . . . . . . . 17
2.3.6. Seguimiento de trayectoria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.4. Estrategia Líder-Seguidor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.5. Robots móviles aéreos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.5.1. Cuadrirrotor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.5.2. Análisis del modelado de los cuadrirrotores . . . . . . . . . . . . . . . . . . . . 32
VII
ÍNDICE GENERAL VIII
2.5.3. Modelo dinámico del cuadrirrotor . . . . . . . . . . . . . . . . . . . . . . . . . . 36

2.6. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3. Control basado en modos deslizantes 44

3.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.2. Preliminares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.2.1. Difeomorfismo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.2.2. Grado Relativo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.2.3. Derivada de Lie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.2.4. Paréntesis de Lie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.2.5. Controlabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.2.6. Índice característico de controlabilidad . . . . . . . . . . . . . . . . . . . . . . . 50
3.3. Control por modos deslizantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.3.1. Fundamentos del control basado en modos deslizantes . . . . . . . . . . . . . 54
3.4. Algoritmo Super Twisting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.5. Control Adaptativo del algoritmo super-twisting . . . . . . . . . . . . . . . . . . . . . . 63
3.5.1. Control adaptable del algoritmo super-twisting modificado . . . . . . . . . . . 63
3.6. Conclusión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
4. Diseño del control super-twisting modificado para el robot móvil terrestre bajo la estra-
tegia líder-seguidor 71
4.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
4.2. Modelo matemático del robot diferencial . . . . . . . . . . . . . . . . . . . . . . . . . . 71
4.3. Control se seguimiento bajo la estrategia Líder-seguidor . . . . . . . . . . . . . . . . 75
4.4. Resultados experimentales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
4.5. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
5. Diseño del control adaptativo super-twisting para el cuadrirrotor 86

5.1. Modelo matemático del cuadrirrotor . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
5.2. Diseño del control adaptativo super-twisting para el cuadrirrotor . . . . . . . . . . . 89
ÍNDICE GENERAL IX
5.3. Simulación del Cuadrirrotor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94

5.4. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
Conclusiones y trabajo futuro 104
Bibliografía 117
A. Robot E-puck 118
B. Publicaciones 122
B.1. Revistas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
B.2. Congresos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
Índice de figuras
2.1. Diferentes aplicaciones de los robots móviles terrestres . . . . . . . . . . . . . . . . . 7

2.2. Diferentes sistemas de locomoción de los robots móviles terrestres . . . . . . . . . . 7
2.3. Configuración Síncrona . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.4. Configuración con direccionamiento diferencial . . . . . . . . . . . . . . . . . . . . . 9
2.5. Configuración de triciclo clásico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.6. Configuración Ackerman . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.7. Robot con tracción diferencial no-holonómico . . . . . . . . . . . . . . . . . . . . . . 13
2.8. Robot con tracción diferencial modelo holonómico . . . . . . . . . . . . . . . . . . . . 14
2.9. Arquitecturas de control. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.10.Clasificación de los UAV de acuerdo al tipo de despegue y aterrizaje . . . . . . . . . . 25
2.11.Esquema de un cuadrirrotor junto con el sistema de referencia inercial {E} y el siste-
ma de referencia {B} unido al centro de masa del cuadrirrotor . . . . . . . . . . . . . . 32
2.12.Movimiento de cabeceo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.13.Movimiento de alabeo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.14.Movimiento de guiñada. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.1. Función Signo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

3.2. Representación del Modo deslizante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.3. Función de Saturación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
3.4. Trayectorias del sistema que evolucionan en el dominio de Ω+ y Ω∗ . . . . . . . . . . 65
4.1. Differential mobile robot . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
X
ÍNDICE DE FIGURAS XI
4.2. Estrategia Líder-Seguidor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76

4.3. Robot e-puck . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
4.4. Diseño de comunicación basado en un enfoque líder-seguidor . . . . . . . . . . . . . 81
4.5. Seguimiento de trayectoria de de los robot líder y seguidor . . . . . . . . . . . . . . . 82
4.6. Distancia entre el líder y el seguidor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
4.7. Error de seguimiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
4.8. Velocidades del seguidor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
5.1. Marco de referencia del cuadrirrotor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87

5.2. Esquema de control. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
5.3. Trayectoria en 3D del cuadrirrotor controlado por los tres controladores. . . . . . . . 96
5.4. Entradas de control Uc , Uφ , Uθ y Uψ versus tiempo (s) con los tres controladores -
Primera Columna. control ASTW . Segunda columna. control ASMC . Tercera co-
lumna. control SAST . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
5.5. Ganancia Adaptable en las coordenadas x, y y altura z versus tiempo (s).Superior.
Controlador ASTW . Central Controlador ASMC. Inferior Controlador SAST . . . . . 97
5.6. Ganancia Adaptable en los ángulos de Euler versus tiempo (s).Superior. Controlador
ASTW . Central Controlador ASMC. Inferior Controlador SAST . . . . . . . . . . . . . 98
5.7. Índices de rendimiento de los errores de seguimiento mediante la Integral del error
absoluto (IAE). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
5.8. Índices de rendimiento de los errores de seguimiento mediante la Integral del error
cuadrático (ISE). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
5.9. Índices de rendimiento en la entrada de control UC . . . . . . . . . . . . . . . . . . . . 100
5.10.Índices de rendimiento en las entradas de control Uφ , Uθ y Uψ . . . . . . . . . . . . . 100
5.11.Perturbación δ Z (t ) y estimación versus tiempo(s). . . . . . . . . . . . . . . . . . . . . 101
A.1. Robot móvil e-puck . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119

A.2. La estructura mecánica del robot e-puck en una vista explosionada. . . . . . . . . . . 121
Índice de tablas
5.1. Parámetros del cuadrirrotor. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94

5.2. Parametros para los controladores ASTW, ASMC y SAST. . . . . . . . . . . . . . . . . . 95
XII
Capítulo 1
Introducción
La robótica móvil ha tenido gran auge en la última década gracias a los avances mostrados
en la industria, la medicina, la agricultura, las aplicaciones militares, entre otros. En la industria,
se pueden encontrar robots que realizan trabajos de soldadura, pintura y de desplazamiento de
piezas, por mencionar algunos. En desastres naturales como los terremotos los robots ha sido uti-
lizados para búsqueda y rescate [1].
Los robots móviles se pueden clasificar de acuerdo al medio en el que se desplacen: aéreos, acuá-
ticos y terrestres [2]. Los robots móviles se caracterizan por su capacidad de desplazarse de forma
autonóma en un entorno desconocido o conocido parcialmente.
El problema de control de seguimiento para robots móviles terrestres, generalmente se ha re-

suelto mediante la utilización de controles cinemáticos. Además, si se conoce la posición de los
motores se puede alcanzar el seguimiento [3]. Sin embargo, los robots móviles bajo cargas varia-
bles, o vehículos que se mueven en diferentes terrenos, la fricción cambia. Entonces los modelos
cinemáticos no describen las condiciones en las que opera el robot. Por lo tanto, no resuelven
el problema de seguimiento. Entonces es necesario obtener modelos que describan de mane-
ra completa las condiciones de operación, para diseñar controles que resuelvan el problema de
seguimiento. Sin embargo, a pesar de que estos modelos describen de manera más adecuada el
comportamiento del sistema, resulta que algunos parámetros que aparecen en el modelo no se
conocen de manera precisa. Entonces, resolver el problema de seguimiento de trayectorias en
1
CAPÍTULO 1. INTRODUCCIÓN 2
presencia de incertidumbres parámetricas es un problema abierto. Por otro lado, entre las prin-
cipales aplicaciones de los robots móviles aéreos como los cuadrirrotores se encuentran la toma
de fotografías de estructuras elevadas. Por lo que es necesario mantener la aeronave en vuelo es-
tacionario estable, de tal manera que se le permita recolectar información necesaria, por lo cual
es necesario contar con controladores que mantengan la estabilidad de la aeronave. Sin embargo,
dadas las pequeñas dimensiones los cuadrirrotores están expuestos a perturbaciones importan-
tes tales como ráfagas de viento, las cuales dificultan mantener la posición deseada. Además, el
comportamiento dinámico de estos vehículos es no lineal y está fuertemente acoplado, por lo que
se requiere de controladores que sean lo suficientemente robustos para mantener la estabilidad
bajo diferentes condiciones de operación. En la literatura, el diseño de leyes de control que pro-
porcionen el rendimiento deseado del sistema en lazo cerrado en presencia de perturbaciones
y/o incertidumbres parámetricas es uno de los problemas que se han estudiado en la comunidad
científica. Esto ha generado un gran interés en el desarrollo de los llamados métodos de control
robustos, que se supone que resuelven este problema. A pesar del desarrollo extenso y exitoso del
control adaptativo robusto [4]- [5], el control H∞ [6] y las técnicas predictivas [7], el control de
modo deslizante (SMC) sigue siendo una técnica muy utilizada gracias a sus ventajas que son su
robustez ante perturbaciones externas y su convergencia en tiempo finito [8], [9], [10]. Siendo el
control de modos deslizantes el que ha dado mejores resultados para resolver problemas con in-
certidumbres paramétricas y perturbaciones externas [11–13]. La idea básica del control por modo
deslizante (SMC) consiste en llevar las trayectorias del sistema sobre una variedad o superficie de
deslizamiento y forzarlas a evolucionar sobre ella. Así, el comportamiento dinámico del sistema
en estas condiciones queda determinado por las ecuaciones que definen dicha superficie en el
espacio de estados. Sin embargo, un inconveniente importante del control de modo deslizante es
la existencia de oscilaciones indeseables de alta frecuencia en la entrada de control denominado
efecto de “chattering”, cuando se implementa en aplicaciones prácticas.
Entre los algoritmos de modo deslizante de orden superior, el algoritmo de control “super-
twisting” (STA) es uno de los más populares debido a que es robusto y con una disminución con-
siderable del efecto de “chattering”, lo que lo hace atractivo para el control [14]. Sin embargo, el
controlador STA necesita conocer la cota de las incertidumbres y perturbaciones presentes en el
sistema, las cuales no son siempre medibles o fáciles de estimar. Al sobrestimar la cota de la per-
turbación, la ganancia del controlador es mayor de la necesaria. Como solución, las técnicas de
ganancia adaptativa buscan ajustar continuamente el esfuerzo del controlador, por lo tanto ate-
nuar el “chattering” [15–17].
Por este motivo, en esta tesis se propone el diseño de estrategias de control robusto basada en
modos deslizantes para el seguimiento de trayectorias de robots móviles terrestres con tracción
diferencial y aéreos - cuadrirotor.
1.1. Motivación
El control de modo deslizante es un método robusto para tratar con sistemas no lineales en
presencia de incertidumbres paramétricas y perturbaciones externas [18, 19]. Este enfoque se ba-
sa en el diseño de una "superficie deslizante", que se define a partir de los objetivos de control.
Por lo tanto, el control deslizante obliga a la trayectoria del sistema a alcanzar, en tiempo finito, la
superficie y permanecer en ella; a pesar de las perturbaciones e incertidumbres. Sin embargo, un
inconveniente importante del control de modo deslizante es la existencia de oscilaciones indesea-
bles de alta frecuencia en la entrada de control, cuando se implementa en aplicaciones prácticas.
Estas oscilaciones de alta frecuencia se conocen como fenómeno de “chattering” y pueden dañar
tanto el sistema como los actuadores.
Se han realizado varios esfuerzos para prevenir este fenómeno, como el remplazo de la función de
control discontinuo por una de saturación [20], el uso de observadores [21] y el control de modo
deslizante de alto orden [18].
Entre los algoritmos de modo deslizante de alto orden, el control “super-twisting” es uno de los
más populares debido a su robustez y su convergencia en tiempo finito. Se han propuesto varias
metodologías para el ajuste de las ganancias del algoritmo super twisting [21, 22]. Sin embargo,
cuando se tienen perturbaciones acotadas y cuya cota es desconocidas, suele sobrestimar se el
valor de la ganancia; una solución a este problema es el desarrollo de ganancias adaptativas. Se
han propuesto diferentes estrategias de controladores con ganancias adaptativas [8, 23–25].
En los trabajos de [24,25] que permiten conducir a cero la variable de deslizamiento en presen-
cia de las perturbaciones e incertidumbres; sin embargo, se sobrestima la ganancia adaptativa. Un
enfoque basado en disminuir la ganancia cuando la variable deslizante tiende a cero, se ha desa-
rrollado en el trabajo de [19], permitiendo superar el problema de la sobrestimación de ganancias;
sin embargo, estas estrategias de control requieren numerosos parámetros, y la selección de sus
valores carecen de un método sistemático. En [26] se ha propuesto una ley de adaptación basada
en el algoritmo de modo deslizante difuso. Sin embargo, el desempeño del seguimiento no está
garantizado.
En este trabajo se pretende superar estos inconvenientes mediante la simplificación del algoritmo
de control super-twisting, permitiendo la reducción en el número de parámetros a sintonizar a
uno. Conservando su robustez y reduciendo considerablemente el efecto de “chattering”.
La principal contribución del trabajo es proponer una nueva versión del controlador adaptati-
vo de super-twisting (ASTW) para un clase de sistemas no lineales inciertos.
1.2. Objetivo
En este trabajo de tesis se propone el diseño de una versión simplificada del algoritmo de con-
trol super-twisting para el seguimiento de trayectorias de robots móviles terrestres y aéreos en
presencia de incertidumbres paramétricas y perturbaciones externas.
Permitiendo la reducción de parámetros utilizados en las ganancias de ajuste de control, para pos-
teriormente generar un controlador adaptativo super-twisting.
1.3. Estructura de la Tesis
Este trabajo está organizado de la siguiente forma: En el capítulo 2, se introducen conceptos de

control no lineal, así como estrategias de control basadas en modos deslizantes. Posteriormente,
se describen el modelo matemático del robot diferencial, el diseño del control para el seguimiento
de trayectorias basado en la estructura líder seguidor, y los resultados obtenidos en la experimen-
tación. En el capítulo 4 se describen el modelo matemático del cuadrirotor, el diseño del control
adaptable super-twisting, donde la ganancia del control es la solución de una ecuación diferen-
cial, generando una ganancia dinámica que depende de la superficie deslizante; posteriormente,
se presentan los resultados obtenidos en simulación, mostrando la efectividad del algoritmo pro-
puesto. Finalmente, se presentan las conclusiones y el trabajo futuro.
Capítulo 2
Generalidades
2.1. Introducción
La robótica, es una de las áreas de investigación más importantes en la comunidad científi-

ca [27], el estudio de la robótica móvil juega un papel muy importante en diversas áreas y apli-
caciones, tales como el sector industrial, militar, exploración espacial, entretenimiento, asistencia
médica, seguridad, entre otras muchas aplicaciones.
Los robots móviles se pueden clasificar de acuerdo al medio en el que se desplacen: aéreos,
acuáticos y terrestres [2]. Los robots móviles se caracterizan por su capacidad de desplazarse de
forma autónoma en un entorno desconocido o conocido parcialmente.
Este trabajo se centra en el control de seguimiento de trayectorias de robots móviles terrestres y
aéreos. Este capítulo ofrece una introducción a las bases de los robots móviles terrestres y aéreos.
2.2. Robots móviles terrestres
Los robots móviles terrestres destacan por sus múltiples aplicaciones en la medicina, agricul-
tura, exploración de minas, en la milicia, entre otros. La figura 2.1 muestra robots móviles terres-
tres en algunas de sus diferentes aplicaciones.
Los robots móviles terrestres distribuyen sus sistemas de tracción y dirección sobre los ejes de sus
ruedas de acuerdo a las exigencias de velocidad, maniobrabilidad y características del terreno. La
6
CAPÍTULO 2. GENERALIDADES 7
(a) Exploración en el espacio. (b) Atención en primeros auxilios (c) En la industria.
Figura 2.1: Diferentes aplicaciones de los robots móviles terrestres

precisión y rapidez con que el robot móvil debe alcanzar su destino, implica tener un sistema de
tracción confiable y un sistema de dirección que dote de maniobrabilidad al robot. Esta confiabi-
lidad y maniobrabilidad que debe tener el robot móvil, determinan las características del sistema
de tracción y dirección, no sólo en lo que respecta a la técnica, sino también al número de ruedas
necesarias y al tipo y disposición de éstas para lograr una estructura mecánica estable [28], [29]. En
el caso de los robots móviles terrestres pueden tener diferentes tipos de sistemas de locomoción
como son robots con patas [30], robots con ruedas [31] y robots de orugas [32] (mostradas en la
Figura 2.2).
(a) Robot con patas (b) Robot con ruedas (c) Robot de oruga
Figura 2.2: Diferentes sistemas de locomoción de los robots móviles terrestres
A pesar del amplio estudio de la movilidad de robots con patas y de orugas, el desarrollo más
significativo se ha dado en la locomoción por ruedas. La principal ventaja por la que es convenien-
te utilizar ruedas como medio locomotor es la facilidad para construirlas; otras ventajas es que so-
lo es necesario suministrar energía al eje de las ruedas motrices. Los robots móviles terrestres con
ruedas son vehículos capaces de realizar un movimiento autónomo (sin intervención humana),
debido a que está equipado para que su movimiento se efectué por medio de una computadora
que controla los actuadores. Los robots móviles terrestres con ruedas cuentas con diversas confi-
guraciones [28, 29] que han sido de interés en múltiples estudios, dentro de las cuales se encuen-
tran la configuración Ackerman, triciclo, skid steer, síncrona, tracción omnidireccional y tracción
diferencial.
Configuración síncrona ó synchro-drive. En esta configuración existen transmisiones que

permiten orientar las tres ruedas simultáneamente con una velocidad angular, ω, y permite
que el vehículos se desplace con una velocidad lineal υ. En esta configuración se tiene una
restricción no holónomica como se verá más adelante y dos grados de libertad. La orienta-
ción es no controlable.(figura 2.3)
Figura 2.3: Configuración Síncrona
Configuración con direccionamiento diferencial. Se caracteriza porque el movimiento se

consigue con dos ruedas, acopladas cada una a su propio motor, teniendo normalmente una
o dos ruedas de apoyo. De esta forma se logra que el robot avance en línea recta fijando am-
bos motores a la misma velocidad, también se le puede hacer girar en una u otra dirección
cuando se aplican velocidades diferentes, y se logra que gire sobre su propio eje cuando las
velocidades tienen igual magnitud con sentidos opuestos (Figura 2.4).
Figura 2.4: Configuración con direccionamiento diferencial
Configuración de triciclo clásico La rueda delantera se utiliza para la orientación y la trac-

ción. En este caso las variables de control suelen tomarse como el ángulo de dirección de
la rueda delantera (velocidad angular) y la velocidad de giro de la misma rueda (velocidad
lineal). Se supone que el punto guía (x, y) está en el centro del eje trasero (figura 2.5).
Figura 2.5: Configuración de triciclo clásico
Configuración Ackerman Es la configuracion que tienen las ruedas del automóvil. Se su-
pone que el centro de guiado del vehículo está situado a la mitad del eje de las ruedas de
tracción (ruedas traseras). Esta configuración tiene una pobre maniobrabilidad (Figura 2.6).
Figura 2.6: Configuración Ackerman
En este trabajo los experimentos se realizaron con robots móviles terrestres con ruedas con trac-
ción diferencial mediante la estrategia líder-seguidor. Introduciendo las siguientes hipótesis en de
diseño y operación:
Hipótesis 1. El robot se mueve sobre una superficie plana
Hipótesis 2. El deslizamiento en la ruedas izquierda y derecha son despreciables
Hipótesis 3. El robot es rígido y no cuenta con partes flexibles
Hipótesis 4. El robot tiene restricciones no holonómicas, las cuales se caracterizan por estar sujetos
a restricciones no integrables en las velocidades, es decir, su plano de velocidades está restringido
[33, 34].
Estas hipótesis permiten obtener modelos simplificados, para los cuales es posible diseñar
algoritmos de control y/u observación. Entre ellos se encuentran los sistemas no-holónomicos,
estos sistemas se caracterizan por tener un número menor de grados de libertad controlables res-
pecto al número de grados de libertad totales, en el caso de un robot móvil terrestre de tracción
diferencial, el número total de grados de libertad son 3 (posición x, y y su orientación φ). Sin em-
bargo únicamente se puede controlar el desplazamiento en los ejes x, y así como su orientación,
sin permitir controlar el desplazamiento transversal [35]. Matemáticamente se dice que el sistema
esta sujeto a restricciones no integrables en las velocidades, es decir, su plano de velocidades está
restringido.
El control del movimiento de los robots móviles terrestres, se puede clasificar en cuatro tareas
fundamentales;
localización,
planificación de trayectoria,
seguimiento de trayectoria y
evasión de obstáculos.
Existen diversos trabajos donde se han estudiado estos tópicos de manera detallada, no obs-
tante, sólo se mencionarán los más relevantes relativo al seguimiento de trayectoria. Para lograr
el control de seguimiento de trayectoria se muestran los diferentes modelos matemáticos de los
robots móviles con ruedas de tracción diferencial.
2.3. Modelos matemáticos
La cinemática es el estudio de la matemática del movimiento, sin tener en cuenta los efectos
de las fuerzas sobre él; es decir, de las relaciones geométricas que gobiernan el sistema, y de la
relación entre parámetros de control y comportamiento de sistemas en el espacio estado [36]. La
cinemática estudia el movimiento de un robot considerando un sistema de referencia dado, mien-
tras que un modelo cinemático relaciona posiciones, velocidades y orientación. En esta sección se
revisan algunos modelos cinemáticos para un robot móvil de tracción diferencial considerando
que se cumplen las hipótesis 1-4 presentadas en la sección 2.2.
La representación de las ecuaciones cinemáticas del robot móvil para el control de la trayecto-
ria se puede clasificar en coordenadas cartesianas [37], [38] y coordenadas polares [39], [40], [41].
Aunque la postura del robot móvil se puede representar fácilmente con respecto al marco de des-
tino utilizando las coordenadas polares, la representación de coordenadas cartesianas se adopta
con más frecuencia debido a los posibles puntos singulares en la representación de coordena-
das polares. En [35, 37], el problema de seguimiento global con errores de seguimiento iniciales
arbitrarios se resuelve cuando se restringen las velocidades lineales y angulares deseadas, lo que
ha sido eliminado recientemente en [42]. Aunque un solo controlador está diseñado tanto para
seguimiento como para estabilización en [42], el parámetro de control debe ajustarse según las
trayectorias de referencia, y debe incluirse la entrada de control de excitación persistente. Por otro
lado, como existen incertidumbres en el robot móvil real, las teorías de control de modo deslizante
y adaptativo se emplean en [43–45] para resolver este problema. Los errores de seguimiento sim-
plemente se atenúan en [43] y las velocidades deseadas deben restringirse para un seguimiento
exacto en [44]. En el caso de [45], las perturbaciones externas se consideran utilizando superficies
de deslizamiento en coordenadas polares, pero la postura debe estar restringida y, por lo tanto, las
trayectorias arbitrarias no pueden seguirse globalmente. Por lo tanto, es necesario desarrollar una
ley de control para que el seguimiento de la trayectoria arbitraria sea posible incluso con grandes
errores de seguimiento inicial y perturbaciones sin ninguna restricción en las velocidades desea-
das.
La dinámica, por su parte, se define como el estudio del movimiento a partir del modelado de
las fuerzas aplicadas, teniendo en cuenta la energía y velocidad asociadas a él [46]. Por lo tanto,
es posible conocer la relación entre el movimiento del robot y las fuerzas que actúan en el robot.
Se presentan dos modelos dinámicos de robot móvil, un modelo basado en la formulación Euler-
Lagrange y el otro modelo basado en la formulación presentada en [47].
2.3.1. Modelo cinemático no-holonómico
La posición y orientación del robot móvil de tracción diferencial pueden ser descritos por la
coordenada (x, y) y el ángulo θ respectivamente, la posición y orientación son medidas con res-
pecto a un sistema de referencia fijo. En el robot no-holonómico (ver Figura 2.7), la velocidad
(ẋ, ẏ) está restringida en una sola dimensión, mientras que la posición del centro geométrico
(x, y) no tiene restricción en el plano. El modelo cinemático 2.1 tiene la característica de ser no-
holonómico, es decir, tiene restricciones en la velocidad [33].
   
ẋ  v cos θ 
   
 ẏ  =  v senθ 
    (2.1)
   
θ̇ ω
donde v es la velocidad lineal en dirección perpendicular al eje de sus ruedas y ω es la velocidad

angular.
Figura 2.7: Robot con tracción diferencial no-holonómico
Considerando la siguiente condición no-holonómica
ẋ i senθi − ẏ i cos θ = 0 (2.2)
2.3.2. Modelo cinemático holonómico
Un robot móvil es holonómico si no tiene restricciones de velocidad en el plano coordenado, es

decir, que la posición del robot móvil denotada por (x, y) puede moverse en cualquier dirección.
Ahora considérese un robot móvil de tracción diferencial, y supóngase que la posición (x, y) se
encuentra a una distancia “a” del centro geométrico (eje imaginario que une las ruedas) tal como
se muestra en la Figura 2.8. Entonces se obtiene un modelo holonómico dado por
   
ẋ   v cos θ − aθ 
   
 ẏ  = v senθ + aω cos θ  (2.3)
   
   
θ̇ ω
Este modelo presenta restricciones del tipo holonómicas para a 6= 0, las cuales no involucran
Figura 2.8: Robot con tracción diferencial modelo holonómico
variables de velocidad [48].
2.3.3. Modelo cinemático expresado en coordenadas polares
En [39] se presenta un modelo cinemático expresado en coordenadas polares. Considerando

el modelo cinemático de los robots móviles en coordenadas en el espacio de coordenadas presen-
tado en la ecuación (2.1)    
ẋ  v cos θ 
   
 ẏ  =  v senθ 
   
   
θ̇ ω
donde (x, y) es la posición del robot móvil, θ es el ángulo de orientación entre la dirección
traslacional y el eje X , v, ω son la velocidad lineal y la velocidad angular, respectivamente. En
coordenadas polares, son
x = r cos φ (2.4)
y = r senφ
donde r es la magnitud polar y φ el ángulo polar, respectivamente. Derivando con respecto al

tiempo la ecuación 2.4, se obtiene
ẋ = r˙ cos φ − r senφ φ̇ (2.5)
ẏ = r˙ senφ + r cos φ φ̇
combinando (2.1) y (2.5), el modelo cinemático del robot móvil en coordenadas polares puede
escribirse como
r˙ = v cos (φ − θ)
θ̇ = ω (2.6)
v
φ̇ = − sen(φ − θ)
r
y
(x 2 + y 2 ) y φ = tan−1 ( x ). Con el fin de satisfacer la condición no-holonómica de los
p
donde r =
robots móviles θ en la ecuación (2.1) es el ángulo tangencial, descrito por (r, φ) en coordenadas
polares como
π r˙
θ= + φ − tan−1 ( ) (2.7)
2 r
A partir de la ecuación 2.7 se tiene que (φ − θ) ∈ [−π, 0].

2.3.4. Modelo dinámico estructura Euler-Lagrange
En esta sección, se presenta un modelo dinámico Euler-Lagrange para un robot móvil con
tracción de tipo diferencial. A partir de la ecuación de Lagrange dada por
d ∂L (q, q̇) d ∂L (q, q̇)

µ ¶
− = Ti , i = 1, ..., n (2.8)
dt ∂q̇ i dt ∂q i
donde q ∈ R1×n es el vector de coordenadas generalizadas, T ∈ R1×n es el vector de pares o fuerzas

externas y L (q, q̇) ∈ R corresponde a la función de Lagrange, la cual es definida como una diferen-
cia entre la energía cinética K(q(t ), q̇(t )) y la energía potencial U(q(t )), es decir, donde la matriz
de pares inerciales M (q, q̇) es simétrica y definida positiva de dimensión n × n; C(q, q̇) es la matriz
de fuerzas centrífugas y de Coriolis, que es una matriz de dimensión n × n y satisface la siguiente
propiedad
· ¸
T 1
q̇ Ṁ (q) − C(q, q̇) q̇ = 0, ∀q, q̇ ∈ Rn (2.9)
2
A partir de la formulación lagrangiana, del modelo dinámico no lineal de un robot móvil de

tracción diferencial, donde el centro de masa se encuentra ubicado en el centro geométrico, está
descrito por
    
m 0 v̇ T
    =  1 (2.10)
0 I z ω̇ T2
donde m y I z corresponden a la masa y el momento de inercia del robot móvil, respectivamente; v̇

es la aceleración lineal; ω̇ es la aceleración angular; T = [T1 T2 ]T corresponde al vector de fuerzas
y pares externos.
Si la posición del robot móvil q = [x y]T se encuentra a una distancia a del centro geométrico,
entonces la velocidad del robot móvil en el plano coordenado está descrita por
    
ẋ cos θ −asenθ u
 =   (2.11)
ẏ senθ a cos θ ω
Por lo tanto,        
u̇ cos θ senθ ẍ ωsenθ ω cos θ ẋ
 =  +   (2.12)
ω ω
ω̇ − a1 senθ 1
a cos θ ÿ − a cos θ a senθ ẏ
Ahora, sustituyendo (2.12) en (2.10), el modelo dinámico puede escribirse en función de la posi-
ción del punto q = [x y]T en el plano coordenado como
       
m cos θ msenθ ẍ mωsenθ mω cos θ ẋ T
  +    =  1 (2.13)
− Iaz senθ Iaz cos θ ÿ − Iaz ω cos θ Iz
aθ ẏ T2
π
el cual es válido en los intervalos θ ∈ 0, , de modo que cos(θ) > 0. u y ω son la velocidad lineal
£ ¢
2
y la velocidad angular, respectivamente; la orientación del robot es denotado por θ; q̇ = [ẋ ẏ T ] y

q̈ = [ẍ ÿ]T corresponden a la velocidad y aceleración en el plano coordenado; a es una distancia
que es definida a partir del centro geométrico. Se observa que el término correspondiente a los
pares de fuerzas gravitacionales son nulos, esto es debido a que el robot móvil se desplaza en un
plano bidimensional horizontal, donde el gradiente de la energía potencial es nulo. Por otra parte,
el ángulo θ es calculado a partir de q = [x y]T , el cual es definido para x 6=0.
2.3.5. Modelo dinámico expresado en variables de estado
Otra formulación para un modelo modelo dinámico de un robot móvil con tracción diferencial
holonómico con dos ruedas accionadas es presentado en [49]. El modelo dinámico esta represen-
tado por
Ẋ = f (X ) + g (X )u + δ(X , γ) (2.14)
h iT
donde γ es el vector de variables no medidas, X = x y θ v ω es el vector de estados, y
h iT
u = Tv Tω representa la entrada del sistema, como se muestra en la figura 2.7.
El modelo dinámico mostrado esta definido como

     
ẋ v cos θ − aθ 0 0
     
 ẏ  v senθ + aω cos θ   0
     
     0
     
 θ̇  =  ω + 0 0 (2.15)
     
   2
  
mbr   2r
 v̇   ω2
0
   
   Θv   Θv
  
bmr 2 2r d
ω̇ −2 Θω vω Θω
0
donde Tv = 21 (Tr ) + (Tω ) y Tω = 12 (Tr ) + (Tω ); Tr y Tl son pares aplicados a las ruedas izquierda y
derecha respectivamente; I z , m y r corresponden al momento de inercia con respecto al eje z,
la masa y radio de las ruedas respectivamente. Θv y Θω son definidos como Θv = mr 2 + 2I e , y
Θω = I e d 2 + 2r r (I z + mb 2 ); I e es el momento de inercia de la combinación del rotor y reductor y la
rueda. δ es el vector de incertidumbres y/o perturbaciones.
En el modelo dinámico (2.15) se considera que la masa está a una distancia b 6= 0 con respecto
al centro geométrico. Además, las imprecisiones asociadas con la simplificación corresponden al
vector de incertidumbres.
En este trabajo se utiliza una simplificación del modelo dinámico del robot con tracción diferen-
cial, donde se desconocen la masa, el radio de las ruedas y el momento de inercia con respecto al
eje z, considerando esta información como parte de las incertidumbres del sistema.
2.3.6. Seguimiento de trayectoria
En relación al seguimiento de trayectoria, existen diferentes métodos para lograr esta tarea,
como en la propuesta de un controlador diferenciable de [50], esta técnica se basa en el control
de campos de velocidad (VFC, por sus siglas en inglés) junto con un control adaptativo, aquí la
trayectoria deseada se describe por un vector de velocidad y la principal ventaja del VFC reside
en el hecho que el error en el control del campo de velocidad impide que el robot deje la trayec-
toria deseada, en este estudio se considera un modelo lineal. En el diseño de controladores de
seguimiento de trayectoria para robots móviles, algunos fueron diseñados con base en el modelo
cinemático del robot, como aquellos presentados en [40] y [37]. Sin embargo, para ejecutar ta-
reas que requieren altas velocidades o transporte de cargas pesadas, es fundamental considerar
la dinámica del robot, además de su cinemática. Por eso, algunos estudios presentan el diseño de
controladores que compensan la dinámica del robot. Por ejemplo, [33] presentó una ley de control
para robots móviles no-holonómicos que lleva en consideración la dinámica del vehículo, aunque
las señales de control generadas por este controlador sean pares y que solamente se mostraron
resultados en simulación. El diseño de un controlador adaptable para seguimiento de trayectoria
que genera señales de pares, basado en modelo dinámico, fue presentado en [38] sin embargo,
solamente se mostraron resultados en simulación. En [26] fue propuesto un controlador adap-
table con incertidumbres del sistema que son estimadas por un sistema basado en lógica difusa
y sus parámetros son ajustados en línea. El modelo dinámico usado en dicho trabajo incluye la
dinámica de los actuadores, y las señales generadas son voltajes para los motores del robot. Las
señales de control generadas por los controladores dinámicos presentados en la literatura son, en
general, pares o voltajes para los motores del robot, como en los trabajos mencionados anterior-
mente. Sin embargo, robots comerciales usualmente reciben comandos de velocidades lineal y
angular. En este contexto, en [34] fue presentado un modelo dinámico para robots tipo uniciclo
que tiene la ventaja de aceptar velocidades lineal y angular como entradas, además de un contro-
lador el seguimiento de trayectoria diseñado con base en dicho modelo. Los métodos de control
de seguimiento existentes incluyen principalmente la retroalimentación de estados lineal [51], el
método de control backsteping [52], [53], [54] y método basados en modos deslizantes [39], [55].
Entre los métodos de control anteriores, el método de retroalimentación de estados es un método
de control común, pero la precisión es baja cuando el modelo del robot no es lineal, así como su
trayectoria. Por otro lado, el proceso de diseño del controlador backsteping es complicado y el cos-
to es alto, es difícil satisfacer las necesidades en tiempo real del control de los robots. El método de
cálculo del momento depende del modelo dinámico del robot controlado, pero el modelado diná-
mico es un trabajo muy complejo. Considerando los trabajos [52], [53], [54], la principal deficien-
cia es que las incertidumbres del modelo no se han considerado en el diseño del controlador. Las
incertidumbres pueden desequilibrar o desestabilizar el robot móvil bajo algunas circunstancias.
Para estudiar este problema, algunos investigadores han recurrido a métodos robustos y técnicas
adaptables de control [6], [56], [57], [58], [7]. Aunque estos métodos de control pueden superar
las incertidumbres, algunos de ellos implican cálculos complejos. El control de modo deslizan-
te (SMC) es una estrategia que se ha utilizado con éxito para controlar los robots [35], [39], [13].
Las principales ventajas de SMC son insensibilidad a la variación de los parámetros, indepen-
dencia de perturbaciones externas, respuesta rápida y fácil implementación. En [13], se diseñó
un SMC adaptativo para un robot móvil para lograr el seguimiento de la trayectoria en presencia
de variaciones de parámetros e incertidumbres del modelo. Los resultados fueron verificados en
simulaciones numéricas.
En este trabajo se propone el seguimiento de trayectorias de robots móviles diferenciales utili-
zando el control por modos deslizantes de alto orden, específicamente el algoritmo super-twisting
bajo la estrategia líder-seguidor.
2.4. Estrategia Líder-Seguidor
La autonomía de los sistemas móviles ha sido un tema de investigación en la comunidad cien-

tífica e industrial por sus innumerables aplicaciones. Sin embargo, en muchas de estas aplica-
ciones no es suficiente el empleo de un solo robot. En este caso, es necesario utilizar grupos de
robots para realizar tareas cooperativas donde las operaciones de cada robot están coordinadas y
son coincidentes respecto al tiempo de ejecución. Esto es lo que se conoce como sincronización
en grupos de robots.
La coordinación de los robots implica un control de seguimiento para realizar la tarea de ma-
nera eficiente. Algunos trabajos en donde se trata de dar solución a este problema, ya sea median-
te técnicas de consenso [59], técnicas de sincronización [60] o utilizando técnicas basadas en el
comportamiento grupal de animales o personas [61].
En la literatura, las estrategias de control de robots puede clasificarse en centralizado [62] y
descentralizado [63]. El control centralizado se basa en el monitoreo y control de todos los ro-
bots por un procesador central, donde la información del modelo, proveniente de los sensores y
el control resultante de cada uno de los robots es procesada (Figura 2.9 a). El control descentrali-
zado consiste en un controlador implementado en cada robot; por lo tanto, no hay supervisor, y
la retroalimentación de control es solo la posición relativa detectada de cada robot con respecto a
sus robots vecinos (Figura 2.9 b).
(a) Control centralizado (b) Control descentralizado
Figura 2.9: Arquitecturas de control.
Los grupos de robots pueden ser de dos tipos; de estructura homogénea o de estructura hete-
rogénea. Los grupos de estructura homogénea están conformados por sistemas cuyas dinámicas
no lineales son descritas por la misma ecuación, es decir, todos los robots del grupo son iguales.
Mientras que los grupos de robot de estructura heterogénea, están conformados por robots cuyos
modelos dinámicos son diferentes entre sí.
Para solucionar el problema de seguimiento en múltiples robots se ha propuesto la estrategia de
control líder-seguidor [64], debido a que el control se puede ver como una extensión del problema
tradicional de seguimiento de trayectoria. El enfoque de líder-seguidor se compone de asignar a
un robot como líder que se mueve a lo largo de una trayectoria predefinida, mientras que el ro-
bot o los robots del grupo actúan como seguidores, para mantener una distancia deseada con el
líder [64]. Una vez que se da el movimiento del líder, se puede lograr la separación deseada del
seguidor con el líder eligiendo una ley de control local sobre cada seguidor en función de su diná-
mica de posición relativa. Entonces, la estabilidad del grupo de robots está garantizada, es decir,
todo el grupo puede lograr y mantener la trayectoria deseada.
Aunque, el principal inconveniente del enfoque líder-seguidor es que depende en gran medida
del líder para lograr el objetivo y la dependencia excesiva de un solo robot puede ser indeseable,
especialmente en condiciones adversas [65]. A pesar de esto el enfoque líder-seguidor es común
en la literatura por su simplicidad y escalabilidad.
En la literatura se han propuesto diferentes técnicas para el control de seguimiento de trayec-

toria de robots móviles no autónomos [31], [42], [54] que consta del diseño de modelado y contro-
lador para el líder siguiendo el control de seguimiento para los robots móviles denominados se-
guidores. Se han presentado algunos modelos y controladores en la literatura [39–41] que utilizan
principalmente la representación basada en coordenadas polares. Sin embargo, los modelos tie-
nen un problema de singularidad en la representación de coordenadas polares. En [51] presentan
un controlador basado en la linealización de entrada-salida, pero es localmente estable. El contro-
lador basado en modos deslizantes es globalmente estable pero complejo, se presenta en [55]. Co-
mo se conoce, la representación del modelo cinemático de los robots móviles para el seguimiento
de trayectoria puede utilizar coordenadas cartesianas o coordenadas polares. Aunque la distan-
cia y la orientación del robot se pueden representar fácilmente mediante coordenadas polares, la
representación de coordenadas cartesianas puede evitar los posibles puntos singulares que se pre-
sentan en la representación de coordenadas polares. Se han planteado trabajos bajo la estrategia
líder-seguidores para el seguimiento de trayectoria siguiendo una formación especifica mediante
el control super-twisting clásico en [66,67]; sin embargo, solo se realizan simulaciones sin lograr la
implementación. En este trabajo se explora la presentación de coordenadas cartesianas y se deriva
un nuevo modelo cinemático para la configuración líder-seguidor de robots móviles con tracción
diferencial.
En los trabajos de robots móviles colaborativos se tienen limitaciones físicas para realizar la
implementación, y los modelos intuitivos que se utilizan a menudo para describir tales sistemas
no siempre los capturan con la precisión adecuada. Para demostrar esto de manera efectiva, se han
utilizado la simulación y los robots reales. Como se observó en el estudio de la literatura mostrada
en los párrafos anteriores la mayoría se centran en estudios verificados por medio de simulacio-
nes, ya que requiere de una inversión significativamente menor de tiempo, dinero y mantenimien-
to, pero para comprender realmente las diferencias entre la simulación y la realidad, también es
necesario llevar a cabo experimentos en robots reales, por lo que los laboratorios de investiga-
ción han considerado robots a pequeña escala con el fin de minimizar el espacio físico y el man-
tenimiento. Generalmente, los laboratorios han diseñado y construido sus propios robots y sus
plataformas. Además, en el mercado hay una serie de robots móviles disponibles comercialmen-
te adecuados para la investigación de robots en conjunto como Khepera II y III de K-Team, Lego
Mindstorms de la empresa lego y Create de iRobot. Sin embargo, el robot móvil educativo e-puck
de hardware abierto desarrollado por el École Poltchnique Féderale de Lausanne (EPFL) se volvió
muy popular debido a la investigación que ha desarrollado en robots colaborativos en los últimos
años [45].
En la literatura se encuentran algunos estudios realizados con robots e-pucks como el presen-
tado por [68] donde utilizan varios robots e-pucks trabajando como un enjambre permitiendo el
intercambio de información entre robots y también con cualquier otro dispositivo compatible.
En [69] se presenta la implementación por medio de robots e-puck para la evasión de obstáculos
utilizando una estrategia de control basada en lógica difusa. En [70] se propone una estrategia pa-
ra transportar un objeto grande a una meta utilizando una gran cantidad de robots móviles que
son significativamente más pequeños que el objeto, empujando el objeto en posiciones donde la
línea de visión directa a la meta está obstruida por el objeto. Esta estrategia está totalmente des-
centralizada y no requiere comunicación explícita ni mecanismos de manipulación específicos.
En aplicaciones como mapeo de áreas en [71] se propone formar una representación del entorno
del robot basada en una Red Neuronal Recurrente (RNN) para diferentes escenarios. En [42] se
plantea una técnica para el seguimiento de líneas y la prevención de colisiones en los sistemas
robóticos móviles en tiempo real.
En este trabajo se aborda el problema de seguimiento por medio de la estrategia líder-seguidor
de robots diferenciales, este esquema es uno de los más conocidos y estudiados, una caracterís-
tica importante de este esquema es que al estar sujeto a la trayectoria del líder, la trayectoria del
seguidor se verá afectada por perturbaciones externas. Para lograr el seguimiento se propone una
nueva versión del controlador de super-twisting con menos parámetros para ajustar a fin de pre-
servar las propiedades de robustez y reducir el esfuerzo de control. Este trabajo implementa la es-
trategia líder-seguidor mediante el control simplificado de super-twisting de robots diferenciales
que realizan un seguimiento de trayectoria con una distancia específica entre líder y el seguidor.
Además, para comprobar la efectividad del control propuesto se realizan experimentos con robots
e-pucks.
2.5. Robots móviles aéreos
Los robots móviles aéreos generalmente denominados vehículos aéreos no tripulados (en in-
glés Unmanned Aerial Vehicle, y con siglas UAV) los cuales se emplearon durante la primera guerra
mundial. Posteriormente, se utilizaron como objetivos en entrenamientos tanto en Estados Uni-
dos como en Gran Bretaña. Durante la guerra de Vietnam, los UAV fueron utilizados por el ejercito
estadounidense en tareas de reconocimiento, lanzamiento de proyectiles y distribución de comu-
nicados.
Actualmente, los UAV son utilizados en diversas aplicaciones, tales como: vigilancia, reconoci-
miento e inspección de áreas estratégicas poco accesibles para las aeronaves tripuladas conven-
cionales. Entre los diferentes tipos de UAV, los cuadrirrotores han extendido su uso en los ámbitos
militar y civil debido a características importantes tales como: capacidad de miniaturización, gran
maniobrabilidad, ser relativamente económicos y de fácil mantenimiento [72].
Los UAV se pueden clasificar según diferentes criterios, entre los cuales se tienen los siguientes: el
tipo de despegue, el tipo de alas y de la manera en que estos se sustentan. Con respecto al tipo de
despegue se tienen: las aeronaves de despegue vertical y las de despegue no vertical. Dentro de la
categoría de despegue vertical se encuentran los UAV de ala rotativa o hélice (helicópteros y cua-
drirrotores) y los auto-sustentados (dirigibles y globos). Con respecto a la categoría de despegue
no vertical se encuentran: las aeronaves de ala flexible (parapentes o ala delta) y las de ala fija (ae-
roplanos). En la Figura 2.10 se muestran los diferentes tipos de aeronaves en los que se clasifican
los UAV de acuerdo a su despegue y aterrizaje. [72].
Figura 2.10: Clasificación de los UAV de acuerdo al tipo de despegue y aterrizaje
Este trabajo propondrá una estrategia de control adaptable, basada en la técnica de modos
deslizantes, para el control de altitud y posición de un UAV del tipo cuadrirrotor. Entre las princi-
pales aplicaciones de los cuadrirrotores se encuentran la toma de fotografías o radiografías indus-
triales de estructuras elevadas, edificios, columnas de puentes, cables de alta tensión, entre otros.
Para dichas aplicaciones es necesario mantener la aeronave en vuelo estacionario estable, de tal
manera que se le permita recolectar información necesaria, por lo cual es necesario contar con
controladores que mantengan la estabilidad de la aeronave y así mejore su desempeño. Además,
el uso del cuadrirrotor como transporte de carga de un lugar a otro, ha implicado que su peso total
cambie durante el desarrollo de la tarea. Estos cambios deben considerarse en la propuesta del
controlador con el fin de que no generen pérdidas de desempeño, lo que ocasiona cambios en lí-
nea o cada que se realiza la entrega de un paquete diferente, es por esto que se proponen controles
robustos que permitan realizar esta tarea sin necesidad de hacer cambios que puedan generar un
accidente.
2.5.1. Cuadrirrotor
Hasta el momento se ha hablado de los robots móviles aéreos de modo general. Sin embar-
go, uno de los temas principales en este trabajo se centra en el estudio de una clase especial de los
UAV, los cuadrirrotores o cuadrirrotor. Actualmente, han ganado popularidad y son de gran impor-
tancia debido a la gran variedad de aplicaciones que los involucran. Con base en la clasificación
mostrada en la Figura 2.10 es posible definir a los cuadrirrotor de la siguiente manera [73]:
D EFINICIÓN 2.1. Un cuadrirrotor es un Vehículo Aéreo no Tripulado (UAV) de despegue vertical y

ala rotativa, que consiste en una estructura mecánica con cuatro rotores unidos a un cuerpo rígido
en forma de cruz ubicado de forma equidistante de su centro de masa.
En el centro de la estructura se encuentran localizados diferentes elementos, tales como la

batería que proporciona la energía al equipo, los sensores de posición, velocidad, de presión; el
procesador, la estación de comunicación y equipos para transmisión de datos de vídeo e imagen.
Está clase de UAV realiza vuelo estacionario estable y efectúa maniobras precisas al equilibrar las
fuerzas de empuje producidas por cada uno de los 4 rotores. Al cambiar la velocidad de al menos
un rotor, se logra el desplazamiento del cuadrirrotor. El seguimiento de trayectoria previamente
calculada es uno de los problemas en el control de los cuadrirrotores, debido a que el control de
la posición depende de la orientación y la dirección; además de la de velocidad que permite el
control del vuelo. El interés de estudiar este tipo de vehículos radica en su versatilidad y de su ma-
niobrabilidad permitiendo un gran número de tareas. Sin embargo, la navegación se ve afectada
por requerir tener una percepción del ambiente que no en todos los casos se consigue. Por otro
lado, debido a su tamaño, la estabilidad del vehículo durante el vuelo se ve fácilmente afectada por
perturbaciones externas e incertidumbres paramétricas. Algunos factores a los que se enfrentan
son a un medio altamente cambiante, como consecuencia de la fricción con el viento, velocidades
de viento variables y cambio en la humedad del entorno, la dinámica de rotación, variaciones en el
peso, ráfagas de viento, ruido en las mediciones, entre otras. Adicionalmente, el control automáti-
co del cuadrirrotor ha despertado el interés en los investigadores, debido a que las ecuaciones que
describen el comportamiento dinámico del cuadrirrotor son no lineales y están fuertemente aco-
pladas. Adicionalmente, el sistema del cuadrirrotor es subactuado debido a que cuenta con seis
grados de libertad (GDL) y cuatro actuadores independientes que son las entradas de control. Los
cuadrirrotores se caracterizan por dinámicas complejas, un comportamiento no lineal entre las
diversas variables de interés e incertidumbres paramétricas. Como una alternativa para estos pro-
blemas se utilizan técnicas de control adaptativas y robustas que permiten una solución al proble-
ma de regulación y seguimiento de trayectorias en lazo cerrado para un cuadrirrotor, para contar
con un sistema eficiente de navegación y estabilización. Además, las técnicas de control por lo ge-
neral requieren de un conocimiento exacto de los estados del sistema, y en el cuadrirrotor, se tiene
una reducida cantidad de sensores disponibles. También, la medición de los sensores puede estar
corrompida por el ruido. La técnica de control apropiada depende principalmente de los objeti-
vos de aplicación para los que se diseñe al cuadrirrotor. Se han propuesto diversos controladores
lineales y no lineales, buscando como un objetivo principal conseguir un alto nivel de estabilidad
( [74], [75], [76], [77], [78], [79]). Entre las principales técnicas de control resaltan controladores
proporcional derivativo (PD), proporcional integral derivativo (PID), backstepping, H∞, estima-
dores de estado basados en filtros de Kalman, regulador lineal cuadrático (LQR por sus siglas en
inglés), redes neuronales, algoritmos difusos, etc. ( [80], [76], [81], [82], [83]). Existen controladores
implementados para diferentes modelos del cuadrirrotortor, cada uno definido con sus respecti-
vas particularidades dependiendo de los objetivos. Esto propicia que algún controlador presente
ventajas con las particularidades del caso. No obstante, éstos pueden exhibir alguna degradación
en su desempeño, para condiciones de operación distintas para las cuales fue diseñado. Más aún,
información exacta de los parámetros constantes o variables del sistema podría no estar disponi-
ble para la implementación de algún controlador. El modelo no lineal es de gran utilidad, debido
a que proporciona mayor información del comportamiento físico del sistema [76]. Sin embargo,
el modelo linealizado se emplea ampliamente en la literatura, debido a que en general presenta
buenos resultados de regulación alrededor de un punto de equilibrio. Este modelo se utiliza con
condiciones definidas de vuelo (hover) siendo estables y efectivos sólo en rangos de operación que
corresponden a ángulos razonablemente pequeños. Dentro de las ventajas de estos diseños basa-
dos en controladores lineales se puede mencionar: presentan desempeño aceptable, tienen una
estructura simple y pueden ser sintonizados con un modelo lineal aproximado. Para implemen-
taciones en tiempo real, es importante considerar una ley de control robusta que considere un
desempeño aceptable para diversas condiciones operativas, un controlador basado en el modelo

linealizado reduce su aplicabilidad [84]. El controlador PID funciona calculando los errores o dife-
rencia entre la salida medida y el valor de referencia asignado, definiendo las entradas de control
para ajustar la velocidad de los motores. Aunque este método de control ha sido propuesto inicial-
mente para sistemas lineales, también se ha utilizado para el control de sistemas no lineales [78].
En ( [85], [79], [81], [82], [83], [86]) los estudios se enfocan en determinar un control óptimo a través
de algoritmos de control convencionales PD y PID, cada trabajo tiene su propia metodología de
sintonización. En [81] se presenta un algoritmo PD para mejorar la respuesta transitoria principal-
mente ante diferentes perturbaciones, la orientación del cuadrirrotor se analiza mediante el uso
de cuaterniones para evitar singularidades. En [79] se utiliza un algoritmo PID aplicado a un mode-
lo matemático derivado a partir de la aproximación de Lagrange, en este estudio no se consideran
los efectos giroscópicos, obteniendo un modelo relativamente simple, esto permite contar con un
primer acercamiento en el modelado, simulación e implementación de un cuadrirrotor de estas
características. En [87] se considera una versión del modelo incluyendo efectos giroscópicos, rea-
lizando un análisis dinámico con controladores PD, backstepping y control inverso, el último tiene
como objetivo el control del sistema a través de dinámica inversa. El algoritmo LQR es una forma
de control óptimo lineal que tiene como objetivo reducir la magnitud de la entrada de control sin
afectar su desempeño. En [85] se emplea este regulador para obtener los parámetros de ajuste que
minimizan las alteraciones no deseadas (altitud), y al mismo tiempo limitar la energía de la acción
de control usando un algoritmo que minimice una función de costo o índice de desempeño con
factores de ponderación. En [88] se compara el desempeño del controlador LQR contra un contro-
lador no lineal basado en el análisis de Lyapunov, el modelo se desarrolla a partir de la formulación
LaGrange-Euler. En [83] se encuentran algoritmos PID y LQR, primero se presentan las constantes
del controlador PID derivadas de la teoría LQR, posteriormente se sintoniza el algoritmo PID con
un procedimiento utilizando como función la integral del tiempo por el error absoluto (ITAE). De
igual manera los controles convencionales se utilizan como complementos de controladores más
complejos y robustos, en [89] se fundamenta el diseño de controladores no lineales backstepping.
En [86] se implementa un controlador backstepping especificando los parámetros empleados en
la etapa de simulación, donde se proponen condiciones iniciales adversas para el vuelo estable
del cuadrirrotor, los resultados muestran un desempeño adecuado ante perturbaciones. En [90] el
algoritmo de modos deslizantes se utiliza como observador de estado para estabilizar el sistema,
adicionalmente se diseña un observador-estimador que pretende despreciar las perturbaciones
inherentes del sistema con el menor número de sensores, esto se logra mediante una estrategia
de linealización en la retroalimentación. Es importante citar que en la literatura donde se desarro-
llan algoritmos complejos de control, su desempeño se compara bajo diversas circunstancias con
controladores convencionales analizando su capacidad de controlabilidad. En [84] se implementa
una estrategia de modos deslizantes y posteriormente se discuten beneficios del controlador fren-
te a las características de operación que entrega un controlador PID. En [57] se contempla el uso de
un controlador por modos deslizantes, proporcionando detalles de las simulaciones que validan
su desempeño considerando algunos objetivos como la estimación de variables aerodinámicas y
el seguimiento de trayectorias. Por su parte en ( [80]; [78]; [91]; [58]; [56]) se optimizan controla-
dores convencionales con algoritmos adaptativos, en [86] se presentan consideraciones del entre-
namiento de la red neural, tanto en línea como fuera de línea, definiendo una sola capa oculta
para estimar parámetros desconocidos en el modelo. En [78] un neuro-controlador PID realiza el
cálculo de los coeficientes óptimos para un adecuado desempeño, se enfatiza una correcta carac-
terización de los valores primarios por ejemplo la regla de aprendizaje, en este tipo de algoritmos
se busca disminuir la demanda de operaciones en la etapa de procesamiento. En [83] se lleva a
cabo un control adaptativo con una estrategia complementada utilizando modos deslizantes. Las
diferentes representaciones del modelo dinámico para esta clase de sistemas, convergen a cierto
nivel de complejidad dependiendo de los factores que se reconocen y afectan al sistema. Algu-
nos trabajos enfocan sus esfuerzos en estudios más detallados, como en [92], donde se proponen
controladores PVA (posición-velocidad-aceleración) basados en observaciones de las velocidades
del cuadrirrotor y se evalúan en un modelo denominado flexible. En el modelo se analizan las vi-
braciones del cuerpo asociadas al movimiento de los rotores, y otro modelo simplificado que es
equivalente al descrito en gran parte de los trabajos relacionados al control de este vehículo. Por
otra parte, en [93] se comparan dos controladores basados en el aprendizaje mediante iteracio-
nes (ILC), para verificar el desempeño de los esquemas se realizan diversas simulaciones para el
seguimiento de trayectorias planificadas variables. En [89] se hace un análisis de contribuciones
previas [94], [88] concluyendo su desarrollo con un mayor número de variables que describen la
dinámica del sistema, además, describen algunas de las consideraciones que se deben tomar en
cuenta en la etapa de implementación del control al sistema cuadrirrotor. Finalmente, se puede
apreciar que el uso de estimadores y observadores de estado es una opción importante para este
tipo de tareas de control. En [95] se tiene el diseño con un filtro de Kalman lineal, e incluye una ver-
sión no lineal del filtro del Kalman extendido, diseñado mediante una estrategia lineal cuadrática
para mejorar el desempeño del primero y comparar los resultados. Algunas plataformas experi-
mentales como el Starmac [96] y el OS4 [43] han permitido evaluar el seguimiento de trayectorias
mediante algunos de los esquemas de control citados, con resultados satisfactorios tanto en am-
bientes interiores como exteriores. Las diversas técnicas de control tienen un desempeño satisfac-
torio pero en general quedan limitadas a algunas condiciones operativas y condiciones de diseño,
en tal sentido, es necesario mejorar el desempeño del cuadrirrotor contando con un controlador
adaptativo que permita hacer frente a variaciones paramétricas, perturbaciones del sistema y ope-
raciones desconocidas, con características importantes para una implementación en tiempo real.
De forma particular un inconveniente que tienen algunos esquemas de control robustos y adap-
tativos reportados en la literatura es que al realizar su diseño se necesita conocer su modelo, la
magnitud de las perturbaciones internas o externas, ocasionando que el procedimiento de análi-
sis y diseño sea muy complejo y a la vez difícil ( [76]; [97]).
Por otro lado, las estrategias de control basadas en el control por modos deslizantes (SMC) han
demostrado ser un método efectivo para el rechazo a perturbaciones e incertidumbres paramétri-
cas lo cual elimina la necesidad de un modelado exacto del sistema. Adicionalmente, esta técnica
de control tiene ventajas como convergencia en tiempo finito y estabilidad asintótica . Sin em-
bargo, debido a la naturaleza discontinua de los controles basado en modos deslizantes se tiene
como principal inconveniente el fenómeno llamado “chattering” o ruido de alta frecuencia, el
cual puede dañar tanto al sistema como a los actuadores. Con el objetivo de reducir el efecto del
“chattering” se han llevado acabo diversos esfuerzos, un ejemplo de esto es el control por modos
deslizantes de alto orden (HOSMC) [98], el cual conserva la principal ventaja del SMC, mientras
que al mismo tiempo presenta un mejor desempeño en relación a los efectos del “chattering” [16].
Entre las estrategias de control por modos deslizantes de alto orden, destaca el algoritmo de con-
trol super twisting, ofrece las mismas ventajas que los SMC tradicionales, solamente requiere del
conocimiento de la variable deslizante s y, además, proporciona una señal de control continua lo
cual reduce significativamente el “chattering”. Cabe mencionar que el “chattering” no puede ser
eliminado, solo es posible ajustarlo. Estas técnicas han sido aplicadas exitosamente a cuadrirro-
tores en [99] para el control de orientación, donde se estabilizan los ángulos de Euler logrando
buenos resultados a una altura de 1 m. Sin embargo, se observa “chattering” en las entradas de
control debido a la presencia de ruido en los sensores. En [100] se demostró su estabilidad y la
convergencia en tiempo finito basada en el análisis de Lyapunov. Ya que la superficie de desliza-
miento está compuesta por los errores de seguimiento, se requiere de un conocimiento completo
de los estados del sistema. Para solucionar este problema, en la literatura podemos encontrar con-
troles por modos deslizantes basados en la información proporcionada por observadores. En [101]
se presenta un control por modos deslizantes basado en un observador de perturbaciones, donde
se logra un seguimiento óptimo de trayectorias y el “chattering” es reducido en la señal de control.
Por otra parte, los observadores basados en técnicas por modos deslizantes, han sido ampliamente
usados debido a ventajas como convergencia en tiempo finito e insensibilidad ante incertidum-
bres e.g. observados super twisting (STO), observador de alto orden por modos deslizantes (HOS-
MO). En [102], [103] se presentan resultados para un controlador super twisting (STC) basado en
observadores STO y HOSMO, donde se demuestra que implementar un STC basado en STO no
es posible debido a los términos discontinuos que aparecen en la ley de control que no permiten
satisfacer la condición del segundo orden deslizante. Para solucionar este problema, se propuso la
implementación de un STC basado en un HOSMO, donde se logran suficientes condiciones para
alcanzar el segundo orden deslizante (s = ṡ = 0).
2.5.2. Análisis del modelado de los cuadrirrotores
En la Figura 2.11 se muestra el esquema del cuadrirrotor. Para describir la posición del vehículo
se emplea el denominado sistema de referencia, el cual consta de un origen y tres ejes orientados
conforme a la regla de la mano derecha [2]. En la Figura 2.11 el sistema de referencia inercial se
representa como {E} y el sistema de referencia unido al cuerpo del cuadrirrotor se representa como
{B}. Los rotores 1 y 3 giran en el sentido de las manecillas del reloj mientras que los otros dos rotores
lo hacen en sentido opuesto.
Figura 2.11: Esquema de un cuadrirrotor junto con el sistema de referencia inercial {E} y el sistema
de referencia {B} unido al centro de masa del cuadrirrotor
Al conjunto de variables independientes que permiten determinar la posición y orientación de

un sistema de forma única se le denomina grados de libertar (GDL). Los elementos que proveen la
fuerza para que un dispositivo se mueva se denominan actuadores.
Los sistemas en los que el número de GDL es igual al número de actuadores se denominan sis-
temas completamente actuados. Sin embargo, existen casos en los que el número de GDL es mayor
que el número de actuadores disponibles. Los sistemas con esta característica se denominan sis-
temas subactuados.
Los cudrirrotores se mueven y se orientan de modo arbitrario en el espacio dado que poseen
tres GDL para su movimiento traslacional (x, y, z) y tres para su movimiento rotacional (φ, θ, ψ).
Sin embargo, el movimiento deseado en un cuadrirrotor se obtiene al controlar de modo adecuado
cuatro motores, es decir, poseen cuatro actuadores. Por lo tanto, los cuadrirrotores son sistemas
subactuados, debido a que cuentan con seis GDL y sólo cuatro actuadores.
En un cuadrirrotor, los actuadores generan los pares que corresponden a las entradas de con-
trol del sistema lo que permite posicionarlo y orientarlo. Los grados de libertad del cuadrirrotor
son los ejes cartesianos (x, y, z), y los ángulos de Euler (φ, θ, ψ), que representan los ángulos de
alabeo, cabeceo y guiñada (en inglés roll , pitch y yaw), respectivamente. Los 4 grados de libertad
que se pretenden controlar son:
Altura z: Es el desplazamiento vertical en el eje Z para alcanzar una altura deseada. Para esto
se debe generar un fuerza de empuje igual en cada uno de los 4 rotores, y dependiendo de
está fuerza de empuje, el cuadrirrotor puede despegar, ascender, descender o aterrizar.
Cabeceo φ: El cabeceo (pitch) es el ángulo de giro en torno al eje Y y se logra manteniendo

la misma velocidad en los rotores 2 y 4, y una variación de empujes entre los rotores 1 y
3, dependiendo si se desea desplazar el cuadrirrotor hacia adelante o hacia atrás, como se
muestra en la Figura2.12.
Figura 2.12: Movimiento de cabeceo.
Alabeo θ: El alabeo (roll) es el ángulo de giro en torno al eje X y se logra manteniendo la

misma velocidad en los rotores 1 y 3, y una variación de empujes entre los rotores 2 y 4,
dependiendo si se desea desplazar el cuadrirrotor hacia la izquierda o derecha, como se
muestra en la Figura2.13.
Figura 2.13: Movimiento de alabeo.
Guiñada ψ: La guiñada (yaw) es el ángulo de giro en torno al eje Z, ya sea para girar en sentido
horario o anti-horario. Para girar en sentido horario se necesita mantener el mismo empuje
en los rotores 2 y 4, y el mismo empuje en el par de rotores 1 y 3, pero en mayor proporción
a los del primer par. Para girar en sentido anti-horario se debe mantener el mismo empuje
en el par de rotores 1 y 3, y el mismo en los rotores 2 y 4, pero en mayor proporción al primer
par, como se muestra en la Figura2.14.
Figura 2.14: Movimiento de guiñada.
Al tener la misma velocidad en los cuatro rotores, los pares estarán balanceados, por lo tanto el
cuadrirrotor no girará, manteniéndose en una posición estable y al incrementar la velocidad de
los cuatro rotores de forma sincronizada, se afectará la altura del cuadrirrotor.
2.5.3. Modelo dinámico del cuadrirrotor
Las ecuaciones de movimiento que describen a un cuadrirrotor se obtienen empleado dis-

tintos enfoques tales como el método cuasi-lagrangiano, las ecuaciones de Euler-lagrange, las
ecuaciones de Newton-Euler basadas en el balance de fuerzas y pares. En este trabajos se emplea
el método Newton-Euler. A continuación se muestran los modelos dinámicos Euler-langrange y
Newton-Euler empleados en los cuadrirrotores.
Considerando las siguientes hipótesis para el desarrollo del modelo dinámico del cuadrirrotor:
Hipótesis 5. Las hélices del cuadrirrotor se consideran rígidas.
Hipótesis 6. La estructura del cuadrirrotor se supone rígida y simétrica.

Hipótesis 7. El origen del centro de referencia del cuadrirrotor coincide con el centro de gravedad.
Hipótesis 8. Las fuerzas de empuje producidas por los rotores, son proporcionales a la velocidad de
giro de la hélice.
Hipótesis 9. Se supone que todas las perturbaciones están uniformemente acotadas y son Lipschitz
continuas.
Estas hipótesis se utilizan para simplificar el modelo del cuadrirrotor para poder controlar su
movimiento.
Modelo dinámico Euler-Lagrange
Las coordenadas generalizadas del cuadrirrotor son
q = x, y, z, φ, θ, ψ R6
¡ ¢
∈ (2.16)
donde x, y, z denotan la posición en el plano cartesiano, y φ, θ, ψ son los tres ángulos de Euler
¡ ¢
(alabeo, cabeceo y guiñada) y representan la orientación del cuadrirrotor. Por lo tanto, el modelo
se puede dividir en coordenadas de traslación y rotación
² = (x, y, z) ∈ R3 , η = (φ, θ, ψ) ∈ S3 (2.17)
La energía cinética de traslación del cuadrirrotor es
m T
T t r ans , ²̇ ²̇ (2.18)
2
donde m es la masa del cuadrirrotor. Le energía cinética de rotación es
1
Tr ot , η̇Jη̇ (2.19)
2
La matriz J actúa como la matriz de inercia para la energía cinética rotacional completa del cua-
drirrotor expresada en términos de las coordenadas generalizadas η. La única energía potencial
que toma en cuenta la fuerza gravitacional (g ) está dada por
U = mg z (2.20)
donde m es la masa del cuadrirrotor, g la fuerza de gravedad.

El Lagrangiano es
L(q, q̇) = T t r ans + Tr ot −U
m T 1 (2.21)
= ²̇ ²̇ + η̇Jη̇ − mg z
2 2
El modelo para la dinámica completa del cuadrirrotor para las ecuaciones Euler-Lagrange con
fuerzas externas generalizadas esta dado por
d ∂L ∂L
− =F (2.22)
d t ∂q̇ ∂q
donde F = (F ² , T ). T es el momento generalizado y F ² es la fuerza de translación aplicada al cua-

drirrotor debido a las entradas de control. Despreciando las fuerzas del cuerpo pequeño, por que
generalmente son de magnitudes menores que las entradas de control u y T , entonces se escribe
como  
0
 
F̂ = 
0
 (2.23)
 
u
donde (ver la Figura2.11)

u = F1 + F2 + F3 + F4 (2.24)
y
F i = k i ω2i , i = 1, · · · , 4 (2.25)
donde k i > 0 es una constante y ωi es la velocidad angular del motor “i” (M i , i = 1, · · · , 4), entonces
F ² = R F̂ (2.26)
donde R es la matriz de transformación que representa la orientación del cuadrirrotor,

 
 cθ cψ sψ sθ −s θ 
 
R = c s −
 ψ θφ ψ φ s c s s s
ψ θ φ + c c
ψ φ c s
θ φ
 (2.27)
 
cψ sθ cφ + sψ sφ sψ sθ cφ − cψ sφ cθ cφ
donde, dado un ángulo υ, las expresiones de la matriz de rotación corresponden c υ = cos (υ), s υ =
sen(υ). Los momentos generalizados en las variables η son
 
τ ψ 
τ,
 
 τθ  (2.28)

 
τφ
n
τψ = τM i
X
i =1
τθ = (F 2 − F 4 )l
τφ = (F 3 − F 1 )l
donde l es la distancia de los motores al centro de gravedad y τM i es el par producido por el motor
Mi .
Dado que el lagrangiano no contiene términos cruzados en la combinación de energía cinética ²̇ y
η̇ (ver (2.21)), la ecuación de Euler-Lagrange se puede dividir en la dinámica para las coordenadas
² y la dinámica η. Se obtiene
 
 0 
m ²̈ + 
 
 0  = F² (2.29)

 
mg
1 ∂ T
Jη̈ + J̇η̇ − (η̇ Jη̇) = τ (2.30)
2 ∂η
Definiendo el vector de Coriolis
1 ∂ T
V̄ (η η̇) = J̇η̇ − (η̇ Jη̇) (2.31)
2 ∂η
Se puede escribir
Jη̈ + V̄ (η, η̇) = τ (2.32)
También, se puede reescribir V̄ (η, η̇) como
1 ∂
V̄ (η, η̇) = (J̇ − )(η̇T J)η̇
2 ∂η
= C (η, η̇)η̇ (2.33)
donde C (η, η̇) se refiere a los términos de Coriolis asociados con η que depende de J.
Finalmente, se obtiene
   
 −senθ   0 
m ²̈ = u 
   
cos θsenφ +  0  (2.34)
  
   
cos θ cos φ −mg
Jη̈ = −C (η, η̇) + τ (2.35)
Con el objetivo de simplificar el modelo, se propone el cambio de variables de entrada, como
τ = C (η, η̇) + Jτ̃ (2.36)
donde  
τ̃ψ 
τ̃ = 
 
 τ̃θ  (2.37)

 
τ̃φ
son las nuevas entradas. Entonces,

η̈ = τ̃ (2.38)
Reescribiendo las ecuaciones (2.34)-(2.35)
m ẍ = −usenθ
m ÿ = u cos θsenφ
m z̈ = u cos θ cos φ − mg (2.39)
ψ̈ = τ̃ψ
θ̈ = τ̃θ
φ̈ = τ̃φ
Las entradas de control u, τ̃ψ , τ̃θ y τ̃φ corresponden al empuje total o la entrada colectiva (dirigida
desde la parte inferior de la aeronave) y los nuevos momentos angulares (momento de guiñada,
momento de cabeceo y momento de alabeo).
Modelo dinámico Newton-Euler

La formulación dinámica de Newton-Euler divide el sistema en dos, uno de traslación y otro de
rotación.
Las ecuaciones que representan el comportamiento dinámico del cuadrirrotor (ver la Figura 2.11),
en el marco de referencia fijo al cuerpo (marco-B) , cuentan con las siguientes ventajas:
La matriz de inercia es invariante en el tiempo.
La simetría del cuerpo simplifica las ecuaciones.
De acuerdo con [104], el modelo dinámico del cuadrirrotor que describe los movimientos de
traslación y rotación, representados en un marco de coordenadas fijo con el origen en la masa
central, esta dado por

Uc
Ẍ = (s ψ s φ + c ψ c φ s θ ) + δx
m
Uc
Ÿ = (−c ψ s φ + s ψ s θ c φ ) + δy
m
Uc
Z̈ = (c φ c θ ) − g + δz
m (2.40)
φ̈ = Uφ I x−1 − (I z − I y )θ̇ ψ̇I x−1 + δφ
θ̈ = Uθ I y−1 − (I x − I z )φ̇ψ̇I y−1 + δθ
ψ̈ = Uψ I z−1 − (I y − I x )φ̇θ̇I z−1 + δψ
las expresiones en el modelo dinámico correspondientes a s (·) = sen(·) y c (·) = cos(·). I x , I y y I z son
los momentos de inercia del vehículo con respecto al los ejes X , Y y Z respectivamente.
Las entradas de control U∗ (∗ = {c, φ, θ, ψ}) están dadas por
Uc = b(Ω21 + Ω22 + Ω23 + Ω24 )

Uφ = b(−Ω22 + Ω24 )
(2.41)
Uθ = b(Ω21 − Ω23 )
Uψ = d (−Ω21 + Ω22 − Ω23 + Ω24 )
donde Ωi (i = {1, 2, 3, 4}) son las velocidades de los cuatro rotores, b y d son constantes positivas.
Los términos δx , δ y , δz , δφ , δθ and δψ representan las perturbaciones e incertidumbres (dinámicas
no modeladas y ráfagas de viento) que se suponen acotadas.
El modelo matemático que describe el comportamiento dinámico del cuadrirrotor consiste en 6
ecuaciones diferenciales de segundo orden, cada uno representa un grado de libertad y se definen
en (2.40).
2.6. Conclusiones
En este capítulo se introdujeron las bases de la robótica móvil en robots terrestres y aéreos,
permitiendo conocer sus características y clasificaciones, así como algunas aplicaciones. Además,
se describió la estrategia líder-seguidor la cual será usada para controlar los robots móviles terres-
tres. También, se propusieron hipótesis basadas en las características de cada uno de los robots
móviles que se utilizaran en los capítulos 4 y 5.
Capítulo 3
Control basado en modos deslizantes
3.1. Introducción
En este capítulo, se introducen definiciones y conceptos importantes de la teoría de control

basado en modos deslizantes para resolver el problema de seguimiento en robots móviles terres-
tres y aéreos. Se presenta un estado del arte al control no lineal para posteriormente presentar
los algoritmos de control basados en modos deslizantes. Posteriormente, se describe el diseño del
control adaptable super-twisting, basado en una ganancia dinámica para una clase de sistemas
no lineales con incertidumbres paramétricas y perturbaciones externas.
3.2. Preliminares
3.2.1. Difeomorfismo
D EFINICIÓN 3.1. Sea φ(q) = (x 1 (q), · · · , x n (q)) : U → V ⊂ Rn un homeomorfismo, que es uno a uno
y sobre, es decir, biyectivo, con φ, φ−1 continúas y Rn = R × · · · × R, R son los números reales. Si φ
y φ−1 son mapeos suaves, φ es llamado un difeomorfismo. Si φ y φ−1 son definidas en Rn y son
mapeos suaves, φ es llamado un difeomorfismo global [105].
44
CAPÍTULO 3. CONTROL BASADO EN MODOS DESLIZANTES 45
3.2.2. Grado Relativo
El grado relativo es un índice que permite determinar la dimensión del subespacio que es en-
trada y salida (SISO) controlable [106].
D EFINICIÓN 3.2. Considere el sistema no lineal entrada y salida (SISO)
ẋ = f (x) + g (x)u
y =h(x), (3.1)
donde x ∈ X ⊂ Rn es el vector de estados del sistema, u : Rn → R es la entrada de control, f : Rn → Rn

y g : Rn → Rn , son funciones vectoriales en el espacio de estados y h : Rn → R es una función escalar.
Además f , g y h son suficientemente suaves, tiene grado relativo r , con 1 ≤ r ≤ n, en x 0 si
1. L g L kf h(x) = 0 ∀x ∈ U0 , 0 ≤ k ≤ r − 2.
2. L g L rf −1 h(x 0 ) 6= 0 ∀x ∈ U0
donde U0 es una vecindad en el origen. L es la derivada de Lie que se definirá en la siguiente sección.
Si
L g L kf h(x) = 0, ∀x ∈ x 0 , ∀k ≥ 0
se dice que r = ∞
Note que el grado relativo se puede interpretar como el número de veces que es necesario
derivar la salida del sistema hasta que aparezca la entrada explícitamente.
3.2.3. Derivada de Lie
Las propiedades de controlabilidad y observabilidad de los sistemas no lineales, así como el

diseño de estrategias de control, pueden ser estudiadas a través de las herramientas de geometría
diferencial. Dentro de las operaciones frecuentemente utilizadas son la derivada y el corchete de
Lie [106].
D EFINICIÓN 3.3. Sea una función escalar h(x) y una función vectorial f (x) en el espacio de estados,
con h : Rn → R, y f : Rn → R. La derivada de Lie se define como la función escalar L f h : Rn → R, dada
por
∂h
L f h(x) = f (x) (3.2)
∂x
∂h
que indica la derivada de h(x) en a lo largo del campo f (x). La expresión representa el gradiente
∂x
de h(x):
∂h ∂h(x) ∂h(x) ∂h(x)
· ¸
∇h(x) = = ··· (3.3)
∂x ∂x 1 ∂x 2 ∂x n
Se introduce la derivada L f h(x) evaluada en el campo f donde es posible realizar la misma

operación de forma repetida.
∂ (L F h(x))
L g L f h(x) = g (x) (3.4)
∂x
Para el caso donde h es derivada k veces a lo largo de f , se obtiene L kf h(x), donde
∂ ³ k−1 ´
L kf h(x) = L f h(x) f (x) (3.5)
∂x
Dados los campos vectoriales de Rn , f (x) y g (x), el corchete de Lie de f y g es un nuevo vector
definido por
£ ¤ ∂g ∂f
f , g (x) = ad f g = f (x) − g (x) (3.6)
∂x ∂x
El símbolo ad es una notación compacta que permite representar la operación de corchetes de Lie
de forma recursiva. Esta representación se obtiene de la siguiente manera
ad 0f g = g
ad f g = [ f , g ]
ad 2f g = [ f , ad f g ] = [ f , [ f , ad f g ]] (3.7)
..
.
ad if g = [ f , ad if −1 g ], i = 1, 2, · · ·
3.2.4. Paréntesis de Lie
D EFINICIÓN 3.4. La derivada de Lie se define como:
£ ¤
f , g (h) = f (g (h)) − g ( f (h)) = L f L g h − L g L f h (3.8)
formando un álgebra de Lie no conmutativa sobre C ∞ (p). El paréntesis de Lie [ f , g ] es un campo

vectorial debido a que satisface la regla de Leibniz
[ f , g ](h 1 h 2 ) = L f L g (h 1 h 2 ) − L g L f (h 1 h 2 )
¡ ¢ ¡ ¢
= L f (L g h1)h2 + h 1 (L g h 2 ) − L g (L f h 1 )h 2 + h 1 (L f h 2 )
¡ ¢
= L f L g h 1 − L g L f h 1 h 2 + h 1 (L f L g h 2 − L g L f h 2 ) + (L g h 1 )(L f h 2 ) + (L f h 1 )(L g h 2 )
− (L f h 1 )(L g h 2 ) − (L g h 1 )(L f h 2 )
= [ f , g ](h 1 )h 2 + h 1 [ f , g ](h 2 )
Es un operador lineal (a 1 , a 2 ∈ ℜ)
[ f , g ](a 1 h 1 + a 2 h 2 ) = L f L g (a 1 h 1 + a 2 h 2 ) − L g L f (a 1 h 1 + a 2 h 2 )
= a 1 [ f , g ](h 1 ) + a 1 [ f , g ](h2) (3.9)
Por ejemplo, la operación L f L g h sobre h no define un campo vectorial, debido a que no cumple con
la regla de Leibniz
L f L g (h 1 h 2 ) = L f ((L g h 1 )h 2 + h 1 (L g h 2 ))
= (L f L g h 1 )h 2 + h 1 (L f L G h 2 ) + (L g h 1 )(L f h 2 ) + (L g h 1 (L g h 2 )) (3.10)
El paréntesis de Lie [ f , g ]de los campos vectoriales f y g esta denotado por ad f g o por L f g . Los
paréntesis de Lie repetidos se denotan como
ad if = ad f (ad if −1 g ), ad 1f g = ad f g , ad 0f = g (3.11)
Ya que [ f , g ] = −[g , f ] el álgebra es no conmutativa.

Dado tres campos vectoriales f , g y q la identidad de Jacobi se cumple
ad f ad g q + ad g ad q f + ad q ad f g = 0 (3.12)
El paréntesis de Lie es bi-lineal sobre R, es decir
[a f + b g , q] = a[ f , g ] + b[g , q]
[ f , a g + b q ] = a[ f , g ] + b[ f , q] (3.13)
Dadas dos funciones suaves α, β y dos campos vectoriales suaves f , g , se cumple lo siguiente
[α f , βg ] = αβ[ f , g ] + α(L f β)g − β(L g α) f (3.14)
A partir la ecuación (3.14) se puede calcular el paréntesis de Lie en coordenadas locales (x 1 , · · · , x n ).

entonces
n
X ∂ n
X ∂
f = fi , g= gj (3.15)
i =1 ∂x i j =1 ∂x j
Los paréntesis de Lie son
" #
n
X ∂ X n ∂
[f ,g] = fi , gj
i =1 ∂x i j =1 ∂x j
n X n ∂ ∂ ∂ ∂ ∂ ∂
µ µ ¶ · ¸¶
X
= fi ( gj) −gj fi + fi g j , (3.16)
i =1 j =1 ∂x i ∂x j ∂x j ∂x i i ∂x j
Por definición
∂ ∂ ∂ ∂ ∂
· ¸ µ ¶ µ ¶
(h) = h − h =0 (3.17)
∂x j ∂x i ∂x j ∂x j ∂x i
por esto,
∂ ∂
· ¸
, =0 (3.18)
∂x i ∂x j
En conclusión, la formula para calcular los paréntesis de Lie, dada una vecindad de coordenadas es
Ã ¶!
n n ∂ ∂ ∂
µ ¶ µ
£ ¤ X X
f ,g = fj gi − g j fj (3.19)
i =1 j =1 ∂x j ∂x j ∂x i
df
Denotada por dx
o J ( f ) el Jacobiano del campo vectorial f (x) = [ f 1 (x), · · · f n (x)]T de una matriz de
n × n esta definida como  
∂ f1 ∂ f1
 ∂x1 ··· ∂x n 
df  .. .. .. 
= . . .  (3.20)
dx 
 
∂ fn ∂ fn

∂x 1
··· xn
La ecuación (3.19) se puede reescribir en notación vector como
£ ¤ dg df
f ,g = f− g (3.21)
dx dx
3.2.5. Controlabilidad
D EFINICIÓN 3.5. De la teoría de sistemas lineales, el concepto de controlabilidad se refiere a deter-

minar si, a partir de una condición inicial x 0 es posible llevar el vector de estado al origen x = 0 en
un tiempo finito, usando la entrada de control u(t ) [75].
Controlabilidad en sistemas lineales

Considerando el siguiente sistema lineal
ẋ = Ax + Bu (3.22)
Linealizando alrededor de (x, u) = (0, 0), donde
∂ f ¯¯ ∂ f ¯¯
¯ ¯
A= B= (3.23)
∂x ¯(x,0)=(0,0) ∂u ¯(x,0)=(0,0)
El par (A, B ), A ∈ Rn×n , B ∈ Rn×n es controlable si y sólo si la matriz de controlabilidad,
³ ´
C = B AB A2 B · · · An−1 B , C ∈ Rn×np
donde es de rango n pleno.

Controlabilidad de sistemas no lineales
Considere la siguiente clase de sistemas no lineales


ẋ
 = f(x) + g(x)u
(3.24)

y
 = h(x)
donde x ∈ Rn representa el vector de estados, u ∈ Rm es la entrada de control, las funciones f(x) y

g(x) son campos vectoriales suaves.
D EFINICIÓN 3.6. El sistema 3.24 es controlable si la matriz C f ,g

£ ¤
h i
C f ,g = g(x), ad f g(x), · · · , ad n−1
f g(x)
donde
∂g(x) ∂f(x)
ad f g = f(x) − g(x)
∂x ∂x
es de rango completo, es decir, el rango de C f ,g = n, donde n es la dimensión del sistema.
3.2.6. Índice característico de controlabilidad
Considérese el siguiente sistema no lineal con una entrada y una salida dado por
ẋ(t ) = f (x(t )) + g (x(t ))u(t ), x(t ) ∈ RnX 1 ,u ∈ R (3.25)
y(t ) = h(x(t )),
donde los términos f (.), g (.) ∈ RnX 1 son campos vectoriales suaves y la salida medible h(x(t )) es
una función suave tal que h(0) = 0. Ahora, sea L lf h(x) la l −ésima derivada de Lie de h(x) con
respecto a f (x).
Por otra parte, a partir de la definición de grado relativo se pueden extender al caso multiva-
riable. Considérese el sistema no lineal con múltiples entradas y múltiples salidas dado por
m
x(t ) ∈ RnX 1 ,u ∈ R
X
ẋ(t ) = f (x(t )) + g i (x(t ))u i (t ) 1≤i ≤m (3.26)
i =1
y j (t ) = h j (x(t )), 1≤ j ≤m
con f , g 1 , . . . , g m como campos vectoriales suaves y h 1 , . . . , h m son funciones suaves de valor

real. Además, el campo vectorial g i (x) y las funciones h j (x) son tal que rango{g 1 (0), . . . , g m (0)} = m
y rango{d h 1 (0), . . . , d h m (0)} = m. Entonces los índices característicos de controlabilidad están
definidos como sigue
D EFINICIÓN 3.7. Los índices característicos de controlabilidad son un conjunto de m enteros {r 1 , . . . , r m }

que están asociados al sistema 3.26 en una vecindad del origen U0 como
L g j L kf h i = 0, 1 ≤ j ≤ m, 1 ≤ k ≤ r i − 2, ∀x ∈ U0
r −1
L g j L fi h i (x) 6= 0, para alguna j , 1 ≤ j ≤ m, ∀x ∈ U0
Además, el índice característico e controlabilidad r i = ∞, si
L g i L kf h i = 0, ∀x ∈ U0 , ∀k ≥ 0
para 1 ≤ i ≤ m [106].
3.3. Control por modos deslizantes
El control de sistemas no lineales con incertidumbre es uno de los temas principales de la

teoría de control robusto. Debido a que no se dispone de un modelo matemático preciso de la
planta a controlar. Esto puede deberse a una falta de conocimiento de la dinámica de la planta,
relaciones complejas entre los componentes que interactúan o simplemente parámetros incier-
tos o perturbaciones desconocidas. Como resultado, en la formulación de cualquier problema de
control, siempre hay una discrepancia entre la dinámica real de la planta y su modelo matemático
utilizado para el diseño del controlador. Diseñar leyes de control que proporcionen la eficiencia
deseada del sistema en lazo cerrado en presencia de estas perturbaciones y/o incertidumbres pa-
rámetricas es un problema abierto en las investigaciones de los últimos años, generado un amplio
interés en el desarrollo de los llamados métodos de control robustos, que pretenden resolver este
problema.
Los diferentes enfoques tales como los basados en el control robusto adaptativo [107], el con-
trol H∞ [108,109], las técnicas predictivas [110] y el control de modo deslizante (SMC) son los más
utilizados. La teoría de control H∞ es una herramienta que permite atacar el problema de una ma-
nera muy general, sin embargo es necesario que los sistemas a controlar sean lineales o puedan ser
razonablemente descritos mediante un sistema o conjunto de sistemas lineales en una determi-
nada zona de operación. El control robusto H∞ está en la actualidad sólidamente fundamentada,
si bien no son frecuentes las aplicaciones a problemas de índole práctica. Esto es debido a que la
formulación matemática de estos problemas en el marco no lineal conduce por lo general a ex-
presiones matemáticas complejas que no permiten a menudo obtener soluciones explícitas que
resulten fáciles de implementar [111].
El control basado en modos deslizantes (CMD) se desarrolló en la Unión Soviética en la dé-
cada delos 60s con la aparición del concepto matemático de los ”Sistemas de Estructura Varia-
ble"(VSS por sus siglas en inglés) considerándose el modo principal de operación para este tipo
de sistemas [112]. El control basado en modos deslizantes se ha empleado en diversos sistemas,
por las ventajas que presenta desde el punto vista de robustez en aplicaciones para el control de
sistemas no lineales, variantes en el tiempo, sistemas con incertidumbres y con perturbaciones
externas [113]. Siendo el control de modos deslizantes el que ha dado mejores resultados para
resolver problemas con incertidumbres paramétricas y perturbaciones externas [11–13]. Además,
el control por modos deslizantes permite la separación del movimiento del sistema completo en
componentes parciales e independientes de dimensiones inferiores, y reduce la sensibilidad a las
variaciones de los parámetros de la planta y perturbaciones.
La idea básica del control por modo deslizante (SMC) consiste en llevar las trayectorias del sis-
tema sobre una variedad o superficie de deslizamiento y forzarlas a evolucionar sobre ella. Así, el
comportamiento dinámico del sistema en estas condiciones queda determinado por las ecuacio-
nes que definen dicha superficie en el espacio de estados.
Sin embargo, su diseño requiere el conocimiento de la cota de las perturbaciones, lo que se
considera una tarea difícil desde el punto de vista practico. Además, la principal desventaja del
SMC, es el denominado efecto de “chattering” que es la existencia de oscilaciones indeseables de
alta frecuencia en el control. Estas oscilaciones dan por resultado una baja precisión en el control,
alta disipación de potencia en los circuitos conmutadores y desgaste en los componentes mecá-
nicos [21]. Recientemente se han realizado diversos trabajos, en los cuales se trata solucionar este
problema mediante el remplazo de la función de control discontinuo por una de saturación [20],
el uso de observadores [21] y el control de modo deslizante de orden superior (HOSM) [18]. Los
modos deslizantes de orden superior (HOSM) permiten reducir el inconveniente del “chattering”
con muy buenas características de robustez, restringiendo el movimiento del sistema sobre la va-
riedad de deslizamiento, estableciendo condiciones de mayor suavidad al mismo.
Entre los algoritmos de modo deslizante de orden superior, el algoritmo de control “super-twisting”
(STA) es uno de los más populares debido a que es robusto y con una disminución considerable
del efecto de “chattering”, lo que lo hace atractivo para el control [14].
Sin embargo, el controlador STA necesita conocer la cota de las incertidumbres y perturba-
ciones presentes en el sistema, las cuales no son siempre medibles o fáciles de estimar. Al sobre-
estimar la cota de la perturbación, la ganancia del controlador es mayor de la necesaria. Como
solución, las técnicas de ganancia adaptativa buscan ajustar continuamente el esfuerzo del con-
trolador, por lo tanto atenuar el “chattering” [15–17]. Se han propuesto varios controladores con
ganancias adaptativas basados en la función de Lyapunov [8,23,25,114,115]. El enfoque en los tra-
bajos de [23] y [8] permiten llevar a cero la variable deslizante en presencia de las perturbaciones e
incertidumbres; sin embargo, se sobre-estima la ganancia adaptativa. Un enfoque basado en dis-
minuir la ganancia cuando la variable deslizante tiende a cero, se ha desarrollado en los trabajos
de [8, 25] y [19] para superar este problema. Sin embargo, estas estrategias de control requieren
numerosas ganancias/parámetros, y la selección de sus valores carece de un método sistemático
de ajuste.
Por lo que este trabajo se propone una modificación del control Super Twisting propuesto
en [116], en la cual únicamente se requiere de un parámetro para sintonizar el control, lo cual faci-
lita la implementación y sintonización en un sistema físico. Posteriormente, se propone una ley de
adaptación para la ganancia del control super-twisting modificado, obteniendo una ganancia di-
námica. El algoritmo super-twisting de control modificado se implementa para el seguimiento de
trayectoria de robots móviles terrestres en el capítulo 4 y el algoritmo super-twisting modificado
con la ley de adaptación para la ganancia se verifica en robots móviles aéreos capitulo 5.
3.3.1. Fundamentos del control basado en modos deslizantes
El diseño de la ley de control de modos deslizantes se puede dividir en dos etapas:
Etapa 1. consiste en la construcción de una superficie de deslizamiento adecuada para que

la distancia de la dinámica del sistema confinado a la superficie deslizante S produzca un
comportamiento deseado.
Etapa 2. Implica el diseño de una ley de control discontinuo que fuerce a la trayectoria del
sistema a la superficie deslizante y la mantenga ahí.
De este modo, es posible lograr la estabilización del sistema, el seguimiento de referencias y la

regulación de variables. Consideremos el sistema no lineal dado por
ẋ(t ) = f (t , x) + g (t , x)u(t ) (3.27)
donde x(t ) ∈ ℜn , u(t ) ∈ ℜm , f (t , x) ∈ ℜn y g (t , x) ∈ ℜn×m . La componente de retroalimentación

discontinua (ver Figura 3.1) está dada por

u + (t , x) σi (x) > 0
i
ui = , i = 1, 2, 3 (3.28)
u − (t , x) σ (x) < 0
i i
donde σi (x) es la i −ésima superficie deslizante, dada por
σ(x) = {σ1 (x), σ2 (x), · · · , σm (x)}T = 0 (3.29)

Figura 3.1: Función Signo

El diseño de la ley de control discontinuo que fuerce la trayectoria del sistema a la superficie des-
lizante y la mantenga ahí esta dada por
u = u i si g n(σ)
En la Figura 3.2 se muestra la representación del modo de deslizamiento, donde el comportamien-

to en la trayectoria del estado se desliza sobre la superficie y converge a un estado estable incluido
en dicha superficie. También, se puede observar la dinámica del sistema cuando se encuentra
por encima de la superficie de deslizamiento (σ(x)) > 0, la cual se encuentra denotada como x 0 y
cuando se encuentra por debajo de la región de deslizamiento (σ(x) < 0).
Figura 3.2: Representación del Modo deslizante
Para mantener el régimen de deslizamiento ideal, la señal de control debe ser capaz de con-
mutar con una frecuencia infinita entre valores positivos a negativos, esto produce el efecto de
“chattering”, así que las trayectorias oscilan alrededor de la superficie de deslizamiento como se
muestra en la Figura 3.2. La presencia de estas oscilaciones pueden excitar dinámicas no modela-
das, reducir la exactitud del control, introducir grandes pérdidas en circuitos eléctricos de poten-
cia y producir fallas en dispositivos mecánicos. Este efecto puede reducirse por diferentes métodos
como:
Remplazo de la función de control discontinuo por una de saturación [20]. En este caso
se reemplaza la parte discontinua por función de saturación, la cual aproxima el término
si g n(u) en un límite de la superficie discontinua u = 0. Sin embargo, la convergencia del
vector de estado permanece en la vecindad de la superficie de deslizamiento, cuya amplitud
depende de una constante δ, dada por

si g n(σ) si |s| > δ
sat (σ, δ) = (3.30)
σ

δ si ≤ δ
donde 0 < δ < 1. Por lo tanto, el comportamiento del controlador se ve afectado como se
muestra en Figura 3.3.
Figura 3.3: Función de Saturación
Método basado en observadores Este método permite pasar por la dinámica de la planta
generando un filtro para efecto de “chattering". Este enfoque reduce el problema del control
robusto al problema de la estimación robusta exacta y, en consecuencia, puede deteriorar la

robustez con respecto a las incertidumbres de la planta debido al desajuste entre el observa-
dor y la dinámica de la planta. Además, el observador necesita una convergencia en tiempo
finito, por lo general se utilizan observadores basados en modos deslizantes [21].
Control de modo deslizante de orden superior (HOSM) [18]. Permite la convergencia en

tiempo finito a cero de la variable deslizante y sus derivadas. Este enfoque se desarrolló ac-
tivamente durante las últimas dos décadas [9], [117] , [22], [118] no solo como un medio
de atenuación del “chattering", sino también como medio de control robusto de plantas de
grado relativo dos y superior. Teóricamente, los modos de deslizamiento de orden superior
suprimirían totalmente el efecto de “chattering” en el modelo del sistema (pero no en el
sistema real), cuando se incluyen actuadores y sensores o se tienen incertidumbres en el
modelo de la planta.
Existen diferentes enfoques para el análisis del efecto de “chattering” que tienen en cuenta di-
ferentes causas para las oscilaciones: la presencia de actuadores y sensores rápidos [119], [120]
la existencia de retardo de tiempo e histéresis [12], [17], entre otras. En este trabajo se utiliza el
control por modos deslizante de segundo orden (2-SMC), en específico el super-twisting por sus
características de robustez en aplicaciones no lineales con salidas de grado relativo 1 y 2. El control
de super-twisting tiene las siguientes propiedades:
El control de super-twisting es un control de modos deslizantes de segundo orden, donde σ

y σ̇ −→ 0 en tiempo finito.
El control de super-twisting es continuo.
Con base en las investigaciones que se han llevado acabo sobre los modos deslizantes, el contro-
lador super-twisting es eficiente y suficiente para estabilizar en tiempo finito la dinámica de una
planta, mejorar la robustez de la planta, y este ha sido implementado en sistemas electromecáni-
cos y no es difícil su implementación.
3.4. Algoritmo Super Twisting
Considere la siguiente clase de sistemas no lineales
ẋ = f (x, t ) + g (x, t )u (3.31)
donde x ∈ Rn es el vector de estados, u ∈ R es la entrada de control. Las funciones f (x, t ) y g (x, t )

son funciones suaves; además, f (x, t ) contiene los términos inciertos/perturbaciones y g (x, t ) 6= 0.
Hipótesis 10. La variable deslizable s = s(x, t ) es diseñada tal que la dinámica deseada de (3.31) se
logre cuando s(x, t ) = 0. Además, el grado relativo del sistema (3.31) es igual a 1 con respecto a la
variable deslizante y la dinámica interna es estable.
Hipótesis 11. La dinámica de la variable deslizante es la siguiente
ṡ = a 0 (x) + b 0 (x)u + ρ(t ) (3.32)
con a 0 (x) y b 0 (x) son funciones conocidas. ρ(t ) representa las incertidumbres perimétricas y las per-
turbaciones externas.
Hipótesis 12. La perturbación ρ(t ) y su derivada ρ̇(t ) son acotadas, es decir, existe δ1 > 0 y δ2 > 0
tal que, |ρ(t )| ≤ δ1 y |ρ̇(t )| ≤ δ2 .
Considere la siguiente entrada de control u definida como
1
u= (−a 0 (x) + v) (3.33)
b 0 (x)
que linealiza la dinámica de la variable deslizante cuando no está actuando ninguna perturba-
ción/incertidumbre, y la entrada de control “ nueva ” v está dada por
t L2
Z
1
v = −2L|s| sign(s) −
2 sign(s)dτ (3.34)
0 2
Entonces, el control (u) esta basado en el algoritmo super-twisting [18] donde L es la ganancia. Ba-
jo el control (3.33)-(3.34), se deduce que la dinámica de la variable deslizante s(x, t ) es la siguiente
t L2
Z
ṡ = −2L|s|1/2 sign(s) − sign(s)dτ + ρ(t ) (3.35)
0 2
Teniendo en cuenta que el control (3.34) solo depende de la ganancia L, que simplifica su sintoni-
zación. Considere la siguiente transformación de coordenadas
z1 = s
(3.36)
t L2
Z
z2 = − sign(s)d τ + ρ(t )
0 2
Entonces, la dinámica de s (3.35) se reescribe como
ż 1 = −2L|z 1 |1/2 sign(z 1 ) + z 2

(3.37)
L2
ż 2 = − sign(z 1 ) + ρ̇(t )
2
Significa que el sistema en lazo cerrado (3.35) es equivalente al sistema (3.37). Entonces, la prueba
de convergencia al origen se da de la siguiente manera
T EOREMA 3.1. Considere el sistema (3.32) en lazo cerrado con la entrada de control (3.34). Además,
se supone que se cumple la hipótesis 3, donde la perturbación y su derivada son acotadas. Entonces,
los estados del sistema en lazo cerrado (3.33) convergen a las referencias dadas en tiempo finito en
presencia de perturbaciones e incertidumbres paramétricas, para L > 0 lo suficientemente grande.
Demostración. Se define el siguiente cambio de coordenadas
ξ1 = |z 1 |1/2 sign(z 1 )
z2 (3.38)
ξ2 =
L
donde L > 0. A partir del sistema (3.37), se obtiene
L
ξ̇1 = (−2ξ1 + ξ2 )
2|ξ1 |
(3.39)
L 2|ξ1 |ρ̇(t , x)
µ ¶
ξ̇2 = −ξ1 +
2|ξ1 | L2
Entonces, el sistema (3.39) se puede escribir como
L © T
ξ̇ = (A − S−1
∞ C C)ξ + Φ
ª
(3.40)
2|ξ1 |
donde
       
ξ1 0 1 0 h i 0
ξ = , A =  , B =  , C = 1, 0 , Φ =  2|ξ1 |ρ̇(t , x)  ,
 
ξ2 0 0 1
L2
 
1 −1
S∞ =   una matriz simétrica positiva definida que se obtiene mediante la solución de
−1 2
la ecuación algebraica de Lyapunov
S∞ + AT S∞ + S∞ A − CT C = 0. (3.41)
Ahora, se analiza la convergencia de la dinámica de seguimiento (3.39), considere la siguiente fun-

ción candidata de Lyapunov
V(ξ) = ξT S∞ ξ (3.42)
Teniendo en cuenta que V(ξ) es continua y diferenciable en todas partes excepto en el conjunto φ =
{(ξ1 , ξ2 ) ∈ R2 |ξ1 = 0}. Dado que las trayectorias del sistema no permanecen a φ antes de alcanzar
el origen, la derivada del tiempo de V(ξ) puede calcularse de la manera habitual en todas partes,
excepto cuando las trayectorias se cruzan en φ. Si las trayectorias alcanzan el origen después de
un tiempo T , permanecerán ahí.
La derivada del tiempo de V(ξ) en las trayectorias de (3.39) es la siguiente
L © T
−ξ S∞ ξ + 2ξT S∞ Φ
ª
V̇(ξ) ≤ (3.43)
2|ξ1 |
Considerando la norma cuadrada en el término no lineal 2ξT S∞ Φ, y la cota del término que
incluye la perturbación satisface |Φ(t , ξ)| ≤ δ|ξ|, se obtiene
L © T
−ξ S∞ ξ + 2||S∞ ||δ||ξ||2
ª
V̇(ξ) ≤ (3.44)
2|ξ1 |
La función V(ξ) satisface la siguiente desigualdad
λmi n (S∞ )||ξ||2 ≤ V(ξ) ≤ λmax (S∞ )||ξ||2 (3.45)
donde λmi n (S∞ ) y λmax (S∞ ) son el mínimo y máximo valor propio de la matriz S∞ respectiva-
mente; se obtiene
1/2
V(ξ)
|ξ1 | ≤ ||ξ|| ≤ (3.46)
λ1/2 (S )
mi n ∞
Entonces, se obtiene que

1/2
V̇(ξ) ≤ −γV(ξ) (3.47)
donde
L −µ 2||S∞ ||δ
γ= , µ=
2λ−1/2 (S )
mi n ∞
λmi n (S∞ )
Seleccionando L lo suficientemente grande, tal que la desigualdad L > µ se satisfaga, entonces

V̇(ξ) es negativa definida, V(ξ) es una función fuerte de Lyapunov y las trayectorias convergen en
tiempo finito. Con el fin de estimar el tiempo de convergencia, considere que la siguiente ecuación
diferencial
υ̇ = −γυ1/2 , υ(0) = υ0 (3.48)
cuya solución es
· ¸2
1/2 1
υ(t ) = υ0 − γt (3.49)
2
Considerando el principio de comparación [105], donde V(ξ) < υ(t ), cuando V(ξ) (0) < υ0 , entonces
ξ converge a cero en tiempo finito y alcanza este valor en
1/2
2V(ξ,L) (0)
T≤ (3.50)
ψ
Como resultado, cuando los estados ξ1 y ξ2 convergen a cero en tiempo finito. Esto implica que los
estados z 1 , z 2 también convergen a cero en tiempo finito.
Se ha propuesto un nuevo algoritmo de control super-twisting, facilitando la sintonización de

las ganancias que dependen de un solo parámetro. Sin embargo, es necesario conocer las cotas
de las perturbaciones así como las de su derivada para poder encontrar las ganancias adecuadas
para lograr los objetivos de control. En muchos de los casos las perturbaciones son desconocidas
o variantes en el tiempo, por lo tanto, se requieren valores de los parámetros de las ganancias sufi-
cientemente grandes para contrarrestar el efecto de la perturbación en el sistema, lo que conlleva
a la sobre estimación de las ganancias. En consecuencia, se incrementa el efecto del “chattering”,
este inconveniente es una de las razones principales por las que se han desarrollado leyes de adap-
tación para las ganancias.
3.5. Control Adaptativo del algoritmo super-twisting
La principal ventaja para los controladores adaptativos es: que la ganancia es dinámica de
acuerdo con la magnitud de las incertidumbres y perturbaciones que puede reducir el efecto de
“chattering” mientras conserva las propiedades de SMC [44].
A continuación se presenta la ley de adaptación de la ganancia para el algoritmo super-twisting
propuesto en esta sección.
3.5.1. Control adaptable del algoritmo super-twisting modificado
Partiendo de la ecuación (3.37) considerando L como una función del tiempo, para represen-
tarlo en forma conveniente para el análisis de Lyapunov, considere el siguiente cambio de coorde-
nadas
ξ1 = |z 1 |1/2 sign(z 1 )
z2 (3.51)
ξ2 =
L(t )
donde L(t ) es una función del tiempo y satisface L(t ) ≥ L ∗ > 0. L ∗ > 0 arbitrariamente pequeña.
A partir del sistema (3.51), se obtiene
L(t )
ξ̇1 = (−2ξ1 + ξ2 ) + ρ (3.52)
2|ξ1 |
L(t ) L̇(t )
ξ̇2 = (−ξ1 ) − ξ2
2|ξ1 | L(t )
Entonces, el sistema (3.52) se puede escribir como
L(t ) T L̇(t ) T
ξ̇ = (A − S−1
∞ C C)ξ − BB ξ + CT ρ (3.53)
2|ξ1 | L(t )
donde
     
ξ1 0 1 0 h i
ξ = , A =  , B =  , C = 1, 0 ,
ξ2 0 0 1
 
1 −1
S∞ =   una matriz simétrica positiva definida que se obtiene mediante la solución de
−1 2
la ecuación algebraica de Lyapunov
S∞ + AT S∞ + S∞ A − CT C = 0. (3.54)
Considerando el modo deslizante real de segundo orden (2-SM) a partir de |s| ≤ µ1 y |ṡ| ≤ µ2 [121],
considere la siguiente definición
D EFINICIÓN 3.8. Considere el sistema (3.52), y suponga el modo deslizante real de segundo orden 2-
SM se ha establecido. Entonces, existe µ∗ > 0 y V(ξ) = ξT S ∞ ξ, tal que ξ ∈ Ω∗ con Ω∗ = ξ|V(ξ) < µ∗ .
© ª
El tamaño del dominio del modo deslizante real de segundo orden Ω∗ determina la precisión prác-
tica de la ley de ganancia adaptativa. Como se muestra mas adelante, debido a la ley de adapta-
ción de la ganancia, y dado que las perturbaciones e incertidumbres son desconocidas, la ganan-
cia puede ser demasiado pequeña en comparación con las perturbaciones e incertidumbres; el
control asegura que las trayectorias pueden dejar este dominio a un dominio más grande Ω+ en
tiempo finito. Una vez que las trayectorias se encuentra en el dominio Ω+ , las trayectorias regre-
san a Ω∗ tan pronto la ganancia de adaptación compensa el efecto de las perturbaciones como se
puede ver en la Figura 3.4.
Figura 3.4: Trayectorias del sistema que evolucionan en el dominio de Ω+ y Ω∗ .
Ahora, se establece el siguiente teorema.
T EOREMA 3.2. Considere que el sistema no lineal (3.32). Se supone que la perturbación ρ(x, t ) satis-
face la hipótesis 12. Entonces, el modo deslizante real de segundo orden se establece bajo la acción
de la ley de control
Z t 2
L (τ)
· ¸
1 1/2
u= −a 0 (x) − 2L(t )|s| sign(s) − sign(s(τ))dτ
b 0 (x) 0 2
Con la siguiente ley de adapatación (L(0) > L ∗ )

k L(t ) 1/2


 − p |L(t ) − L ∗ | + |s|

 2 2
if L(t ) ≥ L ∗


 Z t ¶µ Z t 2
L (τ)
µ ¶
2 1


∗ 1/2 2
(L(t ) − L ) + 2 |s| sign(s) + L (τ)sign(s(τ))d τ − sign(s(τ))d τ

L̇(t ) = L (t ) L(t ) 0 0 2








L∗ if L < L ∗


(3.55)
p ¡
con L ∗ > 0 y k > 0 definida tal que k < 2 L̄η 1 − η 2 , con
¢
λ1/2
max (S∞ )
η1 =
2
||S∞ CT ||δ1
η2 = (3.56)
λ1/2 (S )
mi n ∞
η2
L̄ > .
η1
El parámetro L ∗ se introduce para garantizar que L(t ) tome valores positivos. Se escoge arbitraria-
mente pequeño.
Demostración. El primer paso consiste en demostrar que el sistema (3.52) converge hacia el ori-
gen. Considere la siguiente función candidata de Lyapunov
1 ¡ ¢2
V(ξ,L) = ξT S∞ ξ + L(t ) − L ∗ (3.57)
2
con
1
V(ξ) = ξT S∞ ξ, V(L) = (L(t ) − L ∗ )2 .
2
Considerando la derivada del tiempo de la función de Lyapunov a lo largo de las trayectorias del
sistema (3.52), se obtiene
L(t ) £ T
µ ¶
T T T T 2 T T
−ξ S∞ ξ − ξ C Cξ + 2ξ S∞ C ρ + L̇(t ) (L(t ) − L ) −
∗
ξ S∞ BB ξ (3.58)
¤
V̇(ξ,L) =
2|ξ1 | L(t )
La función V(ξ) satisface la siguiente desigualdad
λmi n (S∞ )||ξ||2 ≤ V(ξ) ≤ λmax (S∞ )||ξ||2 (3.59)
donde λmi n (S∞ ) y λmax (S∞ ) son los los valores propios mínimo y máximo de la matriz S∞ respec-
tivamente; se tiene
1/2
V(ξ)
|ξ1 | ≤ ||ξ|| ≤ (3.60)
λ1/2 (S )
mi n ∞
Considerando la hipótesis 12, es decir, |ρ|≤ δ1 , tomando en cuenta (3.58) y (3.59), se obtiene
L(t )
· ¸
1/2 1/2 ∗ 2 T T
|ξ1 | + η 2V(ξ) + L̇(t ) L(t ) − L − ξ S∞ BB ξ
¡ ¢
V̇(ξ,L) ≤ −L(t )η 1V(ξ) − (3.61)
2 L(t )
donde
λ1/2
max (S∞ ) ||S∞ CT ||ρ M
η1 = , η2 = .
2 λ1/2
mi n
(S ∞ )
k
Al sumar y restar el término p |L(t ) − L ∗ | en (3.61), se obtiene
2
ª 1/2 k L(t )
V̇(ξ,L) ≤ − L(t )η 1 − η 2 V(ξ) − p |(L(t ) − L ∗ )| −
©
|ξ1 |
2 2
(3.62)
k
· ¸
∗ 2 T T
ξ S∞ BB ξ + p |(L(t ) − L ∗ )|
¡ ¢
+ L̇(t ) L(t ) − L −
L(t ) 2
Entonces,
k k L(t )
· ¸
1/2 ∗ ∗ ∗ 2 T T
ξ S∞ BB ξ
¡ ¢
V̇(ξ,L) ≤ −ψV(ξ) − p |(L(t ) − L )| + p |(L(t ) − L )| − |ξ1 | + L̇(t ) L(t ) − L −
2 2 2 L(t )
(3.63)
con ψ = L(t )η 1 − η 2 . Usando la desigualdad de Jensen
(|a|q + |b|q )1/q ≤ |a| + |b|, q > 0
1
y seleccionando a = V(ξ) , b = V(L) , q = , entonces se tiene
2
1/2 k 1/2
−ψV(ξ) − p |(L(t ) − L ∗ )| ≤ −φV(ξ,L) (3.64)
2
k
µ ¶
con φ = min ψ, p . Seleccionando la ley de adaptación L̇ como
2
k L(t )
− p |L(t ) − L ∗ | + |ξ1 |
2 2
L̇(t ) = ¢, L(t ) > L ∗ (3.65)
2 ¡ T
∗
(L(t ) − L ) − ξ S∞ BB ξ T
L(t )
Considerando que la ley de adaptación (3.65) funciona en la ganancia adaptativa L(t ), la ecuación
(3.63) se puede reducir como sigue
1/2
V̇(ξ,L) ≤ −φV(ξ,L) . (3.66)
Ahora , el estudio se concentrara en el término ψ,y su signo. Se analiza la estabilidad del sistema en
lazo cerrado. Especialmente, se analiza el comportamiento de la derivada del tiempo de la función
de Lyapunov. Para asegurar la estabilidad de V̇(ξ,L) , considera la ecuación (3.66)
1/2 k
V̇(ξ,L) ≤ −ψV(ξ) − p |L(t ) − L ∗ | (3.67)
2
Además, usando (3.67), la ley de la ganacia adaptativa L(t ) es acotado, lo que se derminará más
adelante. Considere los siguientes casos.
η2
Caso 1. Suponga que L(t ) ≥ L̄ y L̄ = ; entonces, ψ = L̄η 1 − η 2 > 0. Resulta los siguiente
η1
1/2
V̇(ξ,L) ≤ −φV(ξ,L) (3.68)
k
Recordando φ = mi n(ψ, p ). φ > 0; Esto implica que los estados ξ convergen en tiempo finito al
2
domino Ω∗ que es un conjunto compacto que contiene al origen.
Caso 2. Se supone L ∗ < L(t ) < L̄ esto implica ψ < 0. A partir de (3.67), V̇(ξ,L) se puede volver in-
definido. Tan pronto como el estado ξ se incremente, se regresa al Caso 1. Entonces, el estado ξ
comienza a converger a Ω∗ en tiempo finito y así sucesivamente.
Ahora, el dominio Ω∗ (Definición 1) se determina el valor de µ∗ . Considere el Caso 2, a partir de la

ecuación (3.67), se tiene
k
V̇(ξ,L) ≤ −ψVξ1/2 − (L(t ) − L ∗ ) < 0 (3.69)
2
Se tiene
k2
V(ξ) < |L̄ − L ∗ |2 =: µ∗ (3.70)
2ψ2
donde Ω∗ = ξ | V(ξ) ≤ µ∗ es un conjunto compacto que contiene el origen.

© ª
El comportamiento de L̇ es evaluado en el máximo valor de |L̇| cuando L → L ∗ y ξ → 0. Considere

la ecuación (3.67) en el Caso 1
1/2 1/2
V̇(ξ,L) ≤ −ψV(ξ) − M |L(t ) − L ∗ | ≤ −φV(ξ,L) <0
k
donde φ = mi n(ψ, p ) es la razón de convergencia de los estados (ξ, L) en el punto de equilibro
2
(0, L ∗ ).
p
Definiendo α1 = M |L(t ) − L ∗ | donde L(t ) > L̄ > 0 y α2 = ψ ξT S∞ ξ = ψ||ξ||. Es claro que α1 y α2
son funciones lineales de L(t ) y ||ξ||, respectivamente, obteniendo
V̇(ξ,L) ≤ −ψ||ξ|| − M |L(t ) − L ∗ |
Seleccionando L ∗ y k tal que

k
ψ>M = p ,
2
esto implica que el estado ξ converge a cero más rápido que L(t ) converge a L ∗ . Considerando este
resultado, se determina el límite de L̇ como sigue
k L 2 |ξ1 |
− p |L − L ∗ |L +
2 2
lı́m L̇(ξ, L) = lı́m
L→L ∗ ,ξ→0 L→L ∗ , ξ→0 L(L − L ∗ ) − 2ξT S∞ BBT ξ
L 2 |ξ1 |
−M |L − L ∗ |L +
= lı́m∗ lı́m 2 (3.71)
L→L ξ→0 L(L − L ∗ ) − 2ξT S∞ BBT ξ
−M |L − L ∗ |L
= lı́m∗ (since L − L ∗ > 0)
L→L L(L − L ∗ )
= lı́m∗ (−M ) = −M ,
L→L
Entonces, no existe singularidad en la ecuación (3.67) cuando L → L ∗ y ξ → 0. Además, cuando

ψ = L(t )η 1 − η 2 < 0, el estado ξ se incrementa, en lugar de tender a cero, y viceversa, L(t ) se incre-
menta hasta que ψ es positiva y mayor que M , entonces se regresa al Caso 1.
Ahora, a partir (3.51)-(3.54), se obtiene que s y ṡ convergen a cero en tiempo finito. Además, cuan-
do ξ2 → 0, es posible estimar la perturbación como se muestra a continuación
t L 2 (τ)
Z
ρ(t ) = si g n(s(τ)d τ (3.72)
0 2
3.6. Conclusión
En este capítulo se presentaron las definiciones y conceptos básicos de los sistemas no lineales,
permitiendo introducir las ideas y los conceptos matemáticos básicos para entender el control
por modos deslizantes con adaptación, destacándose sus atractivas características de robustez y
la posibilidad de ser aplicados sistemas no lineales. Posteriormente, se planteó el problema para
el algoritmo de control super twisting, se propuso el uso de una ganancia, permitiendo mostrar su
estabilidad y convergencia al origen por medio de una función fuerte de Lyapunov. Finalmente, se
desarrolló una ley de adaptación para la ganancia del control lo que permitió adaptar la ganancia
en términos de las variaciones de la perturbación, sin sobrestimar este valor. Adamas, a través de
este algoritmo se puede estimar la perturbación cuando los estados convergen a cero.
Capítulo 4
Diseño del control super-twisting modificado

para el robot móvil terrestre bajo la
estrategia líder-seguidor
4.1. Introducción
En este capítulo se desarrolla el modelo matemáticos del robot móvil terrestre con tracción
diferencial, se propone el diseño del control bajo la estrategá líder-seguidor con la propuesta del
algoritmo super-twisting modificado propuesto en el capitulo 3. Finalmente se muestran los re-
sultados obtenidos en experimentación con dos robots diferenciales llamados e-puck.
4.2. Modelo matemático del robot diferencial
En un esquema líder-seguidor con robots idénticos se presenta el modelo cinematico del i-

ésimo robot, el cual es el siguiente
   
ẋ i  v i cos θi 
   
 ẏ  =  v sin θ  (4.1)
 i  i i
   
θ̇i ωi
71
CAPÍTULO 4. DISEÑO DEL CONTROL SUPER-TWISTING MODIFICADO PARA EL ROBOT MÓVIL TERRESTR
donde x i , y i son las coordenadas Cartesianas a partir del centro del masa de cada robot, θi es el
ángulo de orientación, v i y w i corresponden a la velocidad lineal y la velocidad angular respecti-
vamente del i-ésimo robot como se muestra en la figura 4.1.
Figura 4.1: Differential mobile robot
Considerando la siguiente condición no-holonómica
ẋ i sin θi − ẏ i cos θ = 0 (4.2)
A partir de la condición (4.2), el modelo cinemático (4.1) se puede escribir como

   
ẋ i  v i cos θi − ωi sin θi 
   
 ẏ  = v sin θ + ω cos θ  (4.3)
 i  i i i i
   
θ̇i ωi
El modelo dinámico considera la evolución de su posición x i , y i y orientación θi , así como la

evolución de sus velocidades lineal v i , angular w i y sus respectivas aceleraciones v̇ i y ẇ i . Para la

obtención de este modelo se consideran las siguientes hipótesis.
Hipótesis 13. Los momentos de inercia del motor, el sistema de engranes y la rueda son desprecia-
dos.
Hipótesis 14. La masa y la inercia de los robots son los parámetros inciertos.
Hipótesis 15. Se considera que el centro de masa coincide con el centro geométrico de cada robot
móvil.
A partir de las hipótesis 13, 14 y 15, el modelo dinámico para N robots diferenciales es el siguiente
       
·
xi v i cos θi − ωi sin θi
0 0 0
       
·  
 y  v i sin θi + ωi cos θi  0
    
 i  0    0 
 u 1i
    
·      
θ  =  ωi  + 0 0   +  0  ; i ∈ N = [1, ..., N ] (4.4)
 i      
·      u 2i  
vi   0  1 0 ρ 1i 
       
       
·
ωi 0 0 1 ρ 2i
donde u 1i y u 2i son las entradas de control del robot i , ρ 1i y ρ 2i son los términos inciertos/perturbaciones.
Considerando Xi = (x i , y i , θi , v i , w i )T el vector de estados, ui = (u 1i , u 2i )T es el vector de entradas
de control, δi = (0, 0, 0, ρ 1i , ρ 2i )T es el vector de perturbaciones y Yi = (x i , y i )T corresponde a la
salida del sistema. Entonces, la ecuación (4.4) se puede escribir como
Ẋi = f (Xi ) + g (Xi )ui + δi

(4.5)
Yi = CXi
donde
   
v cos θi − ωi sin θi 0 0
 i   
v i sin θi + ωi cos θi 
   
0 0  
1 0 0 0 0
   
   
f (Xi ) = 
 ωi ,
 g (Xi ) = 
0 0, C= 
    0 1 0 0 0
0 1 0
   
 
   
0 0 1
Con el fin de verificar la controlabilidad del sistema (4.5), se considera la siguiente transformación
ψ(X i ):
   
h (X ) xi
 1i i   
   
 h 2i (X i )   yi 
   
ψ(Xi ) = L f h 1i (X i ) = v i cos θi − ωi sin θi 
   
  
 (4.6)
   
L f h 2i (X i ) v i sin θi + ωi cos θi 
   
   
ξ(X i ) θi
En consecuencia, ψ(Xi ) es un difeomorfismo cuyo jacobiano es no singular, y los índices caracte-

rísticos de controlabilidad son {2, 2}. Por lo tanto, el sistema (4.5) es retroalimentación de estado
parcialmente linealizable.
Con la siguiente transformación de coordenadas, la ecuación (4.5) está dada por
.
z 1i = z 3i
.
z 2i = z 4i
.
z 3i = (u 1i + ρ 1i ) cos ξi − (u 2i + ρ 2i ) sin ξi − ωi z 4i (4.7)
.
z 4i = (u 1i + ρ 1i ) sin ξi + (u 2i + ρ 2i ) cos ξi + ωi z 3i
.
ξi = −u 1i sin(ξi ) + u 2i cos(ξi )
A partir de (4.7) la dinámica interna es la siguiente
ξ̇i = −u 1i sin(ξi ) + u 2i cos(ξi ) (4.8)
donde ξ̇i es entrada acotada, estado acotado [122]. Además, el sistema tiene una fase mínima dé-
bil, debido a que su dinámica cero ξ̇i = θ̇i = ωi es estable [105].
De la ecuación (4.8) se obtiene la siguiente entrada de control
    
u cos ξi sin ξi v1i + ωi z 4i + φ1i
 1i  =    (4.9)
u 2i − sin ξi cos ξi v2i − ωi z 3i + φ2i
donde φ1i = −ρ 1i cos ξi +ρ 2i sin ξi , φ2i = −ρ 1i si nξi −ρ 2i cosξi , v1i y v2i son las nuevas entradas de
control.
Como resultado, de la linealización de la retroalimentación de estado, el sistema se expresa como
.
Zi = AZi + B(vi + δi ), i = 1, 2, . . . , N (4.10)
   
02x2 I 2x2 02x2
A=  ; B= 
02x2 02x2 I 2x2
donde Zi = (z 1i , z 2i , z 3i , z 4i )T , vi = (v1i , v2i )T y δi = (φ1i , φ2i )T . Entonces, el sistema resultante

se encuentra en la forma de Brunosky y las perturbaciones y errores del modelado satisfacen la
condición de apareamiento (“matching condition”), es decir, perturbaciones y errores ocurren en
el mismo punto del lazo donde se aplica el control, permitiendo diseñar una ley de control robusto.
Para poder diseñar la estrategia de control se introduce la siguiente hipótesis
Hipótesis 16. Los términos de perturbación δi y δ̇i son acotadas, es decir, existe D 1 > 0 y D 2 > 0 tal
que ||δi || ≤ D 1 y ||δ̇i || ≤ D 2 .
4.3. Control se seguimiento bajo la estrategia Líder-seguidor
Esta sección presenta un esquema de ley de control líder-seguidor para lograr el seguimiento
de la trayectoria de los robots móviles, donde la posición de cada robot está representada por
Żi = AZi + B(vi + δi )
yi = C Zi
 
1 0 0 0
C = 
0 1 0 0
donde vi es la entrada de control. En la Figura 4.2 se muestra que el robot seguidor mantiene
una separación especifica (∆i j ) con respecto al líder, y el robot líder sigue la trayectoria deseada.
(x i , y i ).
Figura 4.2: Estrategia Líder-Seguidor
Definiendo el error de seguimiento como
e j = (y j − ∆i j − yi ), i , j = 1, . . . , N , j 6= i (4.11)
donde yi es la trayectoria de referencia seguida por líder y el seguidor. El término escalar ∆i , j es la

distancia de separación entre líder y el seguidor que siguen la trayectoria deseada.
Entonces, la superficie deslizante diseñada para resolver el problema de seguimiento, bajo la es-
trategia líder-seguidor es la siguiente
. .
S j = Λ j (y j − ∆i , j − yi ) + (y j − yi ) (4.12)
donde S j = [S 1 j S 2 j ]T es el vector cuyas componentes son las superficies deslizantes, Λ j es una

matriz diagonal cuyas componentes son constantes positivas.
La dinámica de la superficie con respecto al tiempo es la siguiente
. . . ..
S j = Λ j (y j − yi ) + v j + δ j − yi (4.13)
Definiendo la entrada de control auxiliar v j para el sistema (4.10) como
.
v j = −Λ j (ẏ j − yi ) + ÿi − K 1 j Π j − K 2 j Γ j (4.14)
  R 
t
0 si g n(S 1 j )d τ
1/2
|S 1 j | si g n(S 1 j )
Πj =   ; Γj = R
t
0 si g n(S 2 j )d τ
1/2
|S 2 j | si g n(S 2 j )
Υ2j
I 2x2 , y Υ j > 0. Note, que solo el parámetro (Υ j ) es requerido como
donde K 1 j = 2Υ j I 2x2 , K 2 j =
2
ganancia, esto simplifica la implementación y la sintonización del control. Sustituyendo el control
(4.14) en la ecuación (4.13), es posible escribir la dinámica de la superficie como
.
S j = −K 1 j Π j − K 2 j Γ j + δ j (4.15)
Introduciendo el siguiente cambio de coordenadas
ζ1 j =S j
(4.16)
ζ2 j = − K2 j Γ j + δ j
Entonces, la dinámica del sistema en las nuevas coordenadas está dada por
ζ̇1 j = − K1 j Π j + ζ2 j
(4.17)
ζ̇2 j = − K2 j si g n(ζ1 j ) + δ̇ j
Ahora, considere el siguiente cambio de coordenadas
ξ1 j = Πj
ζ2 j (4.18)
ξ2 j =
Υj
Entonces la dinámica de la ecuación (4.18) está dada por

   
Υj −2I 2x2 I 2x2 02x2
ξ˙j =   ξj +   (4.19)
2||ξ1 j || −I 2x2 02x2 Bδ̇ j
h iT h iT
donde ξ j = ξ1 j ξ2 j y ξ̇ j = ξ̇1 j ξ̇2 j , representándolo de la siguiente manera
1
ξ̇ j = Υj C C]ξ j + Φ j
[A − S−1 T
(4.20)
2||ξ1i ||
con
   
02x2 I 2x2 2I 2x2 0 2x2
A =   , S−1 CT C =  ,
Υj
02x2 02x2 I 2x2 02x2
 
³ ´ 02x2
C = I 2x2 02x2 , Φ j =  
Bδ̇ j
donde Υ j es una constante positiva arbitraria, y SΥ j es la solución de la siguiente matriz algebraica
Υ j SΥ j + AT SΥ j + SΥ j A − B T B = 0 (4.21)
Hipótesis 17. Φ j representa los términos inciertos cuyos componentes satisfacen la condición de
Lipshitz, i.e., ||Φ j || ≤ φ j ||ξ j ||, para φ j > 0.
Ahora se formula el siguiente teorema
T EOREMA 4.1. Considere el sistema (4.10) en lazo cerrado bajo la acción del control (4.14). Además
se satisfacen las hipótesis 16 y 17. Entonces, los estados del sistema (4.17) en lazo cerrado convergen
al error de seguimiento que tiende a cero en tiempo finito en presencia de perturbaciones.
Demostración. Considere la función candidata de Lyapunov
V(ξ j ) = ξTj S Υ j ξ j (4.22)

cuya derivada con respecto al tiempo está dada por
1 n o
V̇(ξ j ) = −Υ j ξTj S Υ j ξ j + 2ξTj S Υ j Φ j (4.23)
2|ξ1 j |
Considerando la norma del término no lineal 2ξTj S Υ j Φ j , a partir de la hipótesis 17, i.e. ||Φ j || ≤
φ j ||ξ j ||, para φ j > 0, y usando la siguiente desigualdad
° °2 ° °2
λmi n (S Υ j ) °ξ j ° ≤ V(ξ j ) ≤ λmax (S Υ j ) °ξ j °
donde λmi n (S Υ j ) y λmax (S Υ j ) son los valores propios mínimos y máximos de la matriz S Υ j .
Entonces, se tiene
−Υ j 2 φ j ||S Υ j ||||ξ j ||2

V̇(ξ j ) ≤ ξTj S Υ j ξ j +
2||ξ1 j || 2||ξ1 j ||
(4.24)
−1
≤ (Υ j − η)V(ξ j )
2||ξ1 j ||
1/2
2φ j ||S Υ j || V(ξ)
donde η = . Considere la siguiente desigualdad ||ξ j || ≤ se satisface entonces,
λmax (S Υ j ) λ1/2 (S )
mi n Υ j
se obtiene
V̇ξ j ≤ −Å j Vξ1/2
j
(4.25)
(Υ j − η)λ1/2 (S )
mi n j
donde Å j = . Seleccionando Υ j lo suficientemente grande tal que se cumpla la
2
siguiente desigualdad Υ j > η, entonces V̇ξ j es negativa definida.
De forma similar al capítulo anterior, para estimar la convergencia en tiempo finito, considere la
siguiente ecuación diferencial escalar
ϑ̇ = −Å j ϑ1/2 , ϑ(0) = ϑ0
cuya solución está dada por

Åj
ϑ(t ) = (ϑ1/2
0 − t )1/2
2
A partir del principio de separación [123], donde V(ξ j ) (t ) ≤ ϑ(t ) cuando V(ξ j ) (0) ≤ ϑ0 . por lo tanto,
ξ j converge a cero en tiempo finito y alcanza ese valor en el tiempo dado por
q
2 V(ξ j ) (0)
T =
Åj
Entonces, cuando los estados ξ1 j y ξ2 j convergen a cero en tiempo finito. Como resultado, los
estados ζ1 j y ζ2 j convergen a cero también. Por lo tanto, S j y Ṡ j tiende a cero. Entonces, el error
de seguimiento (4.11), a partir del sistema (4.1)-(4.7) converge al origen.
4.4. Resultados experimentales
En esta sección, se presentan resultados experimentales para mostrar el rendimiento de las

técnicas de control propuestas para un esquema líder-seguidor. Se utilizaron dos robots llamados
e-puck, los cuales cuentan con dos ruedas accionadas a través de motores de paso. Además, se
utiliza la odometría para obtener la posición real de los robots, mientras que la computadora ge-
nera las trayectorias de los robots y calcula las leyes de control para cada uno de ellos. La señal de
control enviada a cada robot es a través del protocolo Bluetooth desde una computadora portátil
por la plataforma Matlab ® . Cada robot tiene un diámetro de 75 mm, la masa de 0.2 Kg. La figura
4.3 muestra uno de los robots e-puck (Ver apéndice A para más información de los robots e-puck).
Figura 4.3: Robot e-puck

Cada robot obtiene la velocidad de cada rueda mediante las siguientes ecuaciones
ωi ωi
v l ,i = v i + ; v r,i = v i − , i = 1, . . . , N (4.26)
2 2
donde v l ,i y v r,i son la velocidad izquierda y derecha de cada motor respectivamente. La figura 4.4
representa el esquema de comunicación entre la computadora y cada robot mediante la estrategia
líder-seguidor.
Figura 4.4: Diseño de comunicación basado en un enfoque líder-seguidor
Para diferenciar cada robot en la nomenclatura del sistema, el líder se denota con L y el segui-
dor con F (por su traducción al inglés). Las condiciones iniciales de los robots son [x L (0), y L (0)]T =
[0, 0.300], [x F (0), y F (0)]T = [0, 0] y se considera la distancia deseada entre el líder y el seguidor co-
mo ∆d = 0.100. Las velocidades iniciales son cero.
La figura 4.5a muestra el seguimiento de los robots basada en la estrategia líder-seguidor a
partir de la ecuación (4.8). El líder se mueva a lo largo de la trayectoria circular y el seguidor realiza
la misma trayectoria con una distancia especifica del líder. La Figura 4.5b muestra la trayectoria
del líder ( línea solida-roja), la del seguidor (línea punteada-azul), y la distancia entre el líder y el
seguidor (∆F L ). Además, en la Figura 4.5c muestra el recorrido de los robots en el experimento.
(a) Movimiento de los robots (b) Seguimiento de trayectoria y Distancia ∆F L
(c) Trayectoria de los robots
Figura 4.5: Seguimiento de trayectoria de de los robot líder y seguidor
Las ganancias del control son ΥL = 100 y ΥF = 80. La distancia entre el líder y seguidor se mues-
tra en la Figura 4.6, donde ∆LF = ∆i j converge a 0.100 m que es la distancia deseada (∆d ) entre los
robots. La Figura 4.7 muestra el error de seguimiento.
0.12
∆FL
0.1
0.08
∆FL (m)
0.06
0.04
0.02
0 1 2 3 4 5 6 7 8
Time (s)
Figura 4.6: Distancia entre el líder y el seguidor
0.08
∆d-∆LF
0.06
0.04
Error
0.02
-0.02
0 1 2 3 4 5 6 7 8
Time (s)
Figura 4.7: Error de seguimiento
La Figura 4.8 muestra las velocidades izquierda y derecha del seguidor, respectivamente. Ade-
más, la ley de control de Super Twisting redujo considerablemente el efecto de “chattering".
0.4
vl
0.2
vI (RPM)
-0.2
-0.4
-0.6
0 1 2 3 4 5 6 7 8
Time (s)
(a) Velocidad de la rueda izquierda
0.5
vr
vr (RPM)
-0.5
0 1 2 3 4 5 6 7 8
Time (s)
(b) Velocidad de la rueda derecha
Figura 4.8: Velocidades del seguidor

4.5. Conclusiones
En este capítulo se presentó un control super-twisting modificado bajo la estrategia líder-

seguidor para dos robots de tracción diferencial. Teniendo una ganancia de ajuste de control que
es más simple e intuitiva que las ganancias utilizadas en el algoritmo clásico. Permitiendo realizar
los experimentos en los robots e-puck, con leyes de control que son aplicables a los actuadores.
Capítulo 5
Diseño del control adaptativo super-twisting

para el cuadrirrotor
5.1. Modelo matemático del cuadrirrotor
Un cuadrirrotor es un vehículo conformado de cuatro rotores idénticos y sus hélices los cua-
les están ubicados en los vértices de un cuadrado. Las hélices generan un empuje en dirección
perpendicular al plano definido por los rotores.
El sistema está sujeto a dos marcos de referencia como se muestra en la figura 5.1, uno fijo
(E) y otro móvil(B). La matriz de cosenos directores permite relacionar el sistema móvil con el
de referencia (fijo). La formulación dinámica de Euler-Lagrange divide el sistema en dos, uno de
traslación y otro de rotación. Las ecuaciones que representan el comportamiento dinámico del
cuadrirrotor, en el marco de referencia fijo al cuerpo (marco-B), cuentan con las siguientes venta-
jas:
La matriz de inercia es invariante en el tiempo.
La simetría del cuerpo simplifica las ecuaciones.
De acuerdo con [104], el modelo dinámico del cuadrirrotor que describe los movimientos de
traslación y rotación, representados en un marco de coordenadas fijo con el origen en la masa
86
CAPÍTULO 5. DISEÑO DEL CONTROL ADAPTATIVO SUPER-TWISTING PARA EL CUADRIRROTOR 87
Figura 5.1: Marco de referencia del cuadrirrotor
central, esta dado por

Uc
Ẍ = (s ψ s φ + c ψ c φ s θ ) + δx
m
Uc
Ÿ = (−c ψ s φ + s ψ s θ c φ ) + δy
m
Uc
Z̈ = (c φ c θ ) − g + δz
m (5.1)
φ̈ = Uφ I x−1 − (I z − I y )θ̇ ψ̇I x−1 + δφ
donde X , Y son las coordenadas en el plano horizontal, Z representa la altitud, Los ángulos θ, φ,
ψ, Cabeceo (pitch) alrededor del eje Y , alabeo (roll) alrededor del eje X y guiñada(yaw) alrededor
del eje Z . m es la masa del cuadrirrotor, g la fuerza de gravedad, s (·) = si n(·) y c (·) = cos(·). I x , I y y
I z son los momentos de inercia del vehículo con respecto al los ejes X , Y y Z respectivamente.
Las entradas de control U∗ (∗ = {c, φ, θ, ψ}) están dadas por
Uc = b(Ω21 + Ω22 + Ω23 + Ω24 )

Uφ = b(−Ω22 + Ω24 )
(5.2)
Uθ = b(Ω21 − Ω23 )
Uψ = d (−Ω21 + Ω22 − Ω23 + Ω24 )
donde Ωi (i = {1, 2, 3, 4}) son las velocidades de los cuatro rotores, b y d b y d son coeficientes de
sustentación y par de torsión respectivamente. Los términos δx , δ y , δz , δφ , δθ and δψ representan
las perturbaciones e incertidumbres (dinámicas no modeladas y ráfagas de viento) que se suponen
acotadas.
El modelo matemático que describe el comportamiento dinámico del cuadrirrotor consiste en 6
ecuaciones diferenciales de segundo orden, cada uno representa un grado de libertad y se definen
en (5.1). Adicionalmente, se consideran las siguientes hipótesis:
Hipótesis 18. Las fuerzas centrales y momentos de álabe son despreciables.
Hipótesis 19. Los coeficientes de arrastre y empuje son constantes.
La estrategia de control se conforma de dos lazos como se muestra en la Figura 5.2 permitiendo
el seguimiento de la trayectoria definida como: X r e f , Yr e f , Zr e f and ψr e f
Lazo 1 esta compuesto por el control de X y Y . Además, El lazo de control externo propor-
ciona la referencia de los ángulos de cabeceo (θr e f ) y alabeo (φr e f ).
Lazo 2 esta compuesto por las cuatro leyes de control: Control de alabeo (φ), Control de
cabeceo (θ), control de guiñada (ψ) y el control de altitud (Z );
Hipótesis 20. Se supone que todas las variables del vector de estado son conocidas.
En los siguientes capítulos se utilizarán las ecuaciones obtenidas del modelo dinámico del cuadri-
rrotor, para el diseño del control adaptable super-twisting.
Figura 5.2: Esquema de control.

5.2. Diseño del control adaptativo super-twisting para el cuadri-
rrotor
Diseño del control para el Lazo 1
El lazo 1 debe proporcionar las trayectorias de referencia para φ y θ y para garantizar el control de
X y Y . Para lograr estos objetivos, solo se usa el ángulo de inclinación para moverse alrededor del
eje X suponiendo que φ ≈ ψ ≈ 0 mientras que solo se usa el ángulo de inclinación para avanzar en
la dirección Y , lo que significa que θ ≈ ψ ≈ 0. Después, el modelo (5.1) se reescribe para X Y como
Uc Uc
Ẍ = s θ + δx Ÿ = s φ + δy (5.3)
m m
Definiendo las trayectorias de referencia para los ángulos θ y φ como:
m m
µ ¶ µ ¶
θr e f = arcsin vx φr e f = arcsin vy (5.4)
Uc Uc
donde v x y v y son dos entradas virtuales. Entonces, para la ley de control φ y θ son φ = φr e f y
θ = θr e f , entonces se obtiene
Ẍ = v x + δx Ÿ = v y + δ y (5.5)
Definiendo las variables deslizantes como
S x = ė x + λx e x , S y = ė y + λ y e y
donde λx > 0 , λ y > 0, e x = X − X r e f (t ), e y = Y − Yr e f (t ), entonces, la derivada de las variables

deslizantes es:
1
Ṡ x = ë x + λx ė x = (mv x + δx ) − Ẍ r e f (t ) + λx ė x
m
(5.6)
1 ¡
= ë y + λ y ė y = mv y + δ y − Ÿr e f (t ) + λ y ė y
¢
Ṡ y
m
Las entradas virtuales de control v x y v y se definien como
v x = w x + Ẍ r e f (t ) − λx ė x v y = w y + Ÿr e f (t ) − λ y ė y (5.7)
con w x y w y (Definidas en la sección 5.2) se obtiene
δx δy
Ṡ x = w x + , Ṡ y = w y + . (5.8)
m m
Diseño del control del Lazo 2
Como complemento del sistema del Lazo 1, la dinámica de altitud y actitud se obtiene de la si-
guiente forma
Uc
Z̈ = (c φ c θ ) − mg + δz
m
φ̈ = Uφ I x−1 − (I z − I y )θ̇ ψ̇I x− 1 + δφ
(5.9)
El objetivo de control de realizar un seguimiento de la altitud deseada Zr e f (t ) y la orientación por

medio de los ángulos deseados φr e f (t ), θr e f (t ), ψr e f (t ).

Se definen como siguiente el vector deslizante
    
S
 Z   Ż − Żr e f (t ) + λz (Z − Zr e f (t ))   zė + λ e
z z 
 φ̇ − φ̇r e f (t ) + λφ (φ − φr e f (t ))  ė φ + λφ e φ 
     
 Sφ  
S =   =   =  (5.10)
     

 S   θ̇ − θ̇ (t ) + λ (θ − θ (t ))  ė + λ e 
 θ  θ  θ θ θ 

 re f re f 
     
Sψ ψ̇ − ψ̇r e f (t ) + λψ (ψ − ψr e f (t )) ė ψ + λψ e ψ
Se obtiene la derivada del vector deslizante como
δz
  c c
φ θ
 
− Z̈r e f (t ) + λz Ż − Żr e f (t )
¡ ¢
−g + 0 0 0    
m   m δz
 

 Iz − I y
 
  1

  Uc   
θ̇ ψ̇ − φ̈r e f (t ) + λφ φ̇ − φ̇r e f (t )
¡ ¢  0  
 − 0 0 
  δ
  
Ix Ix  φ
Uφ  
  
      
Ṡ =  + · +

 Ix − Iz   1   
φ̇ψ̇ − θ̈r e f (t ) + λθ θ̇ − θ̇r e f (t ) Uθ 
¡ ¢
−   0 0 0    δθ
   
 Iy   Iy    


    
Uψ
     
 I y − Ix   1  δφ
− φ̇θ̇ − ψ̈r e f (t ) + λψ (ψ̇ − ψ̇r e f (t )) 0 0 0
Iz Iz
| {z } | {z }
A B
(5.11)
El control es definido como
    
U
 c    wc 
    
 Uφ    wφ 
 = B −1 −A +  (5.12)
    
 
 U   w
 θ   θ
 
 
    
Uψ wψ
con w c , w φ , w θ y w ψ definidos en la subsección 5.2, se tiene
 
δz
   
 Ṡ Z  wc
 
   
  δφ
     
 Ṡ φ   wφ 
 =  + (5.13)
     
 
 Ṡ  w
 θ  θ   δθ
   
 
     
Ṡ ψ wψ
 
δφ
Términos del Control Super-Twisting adaptable
Los términos del control w # (# = {X , Y , Z , φ, θ, ψ}) presentados en las ecuaciones (5.7)-(5.12) ahora
se definen de tres formas diferentes. Con el objetivo de mostrar el rendimiento del control super-
twisting adaptable simplificado (SAST) se presenta una comparación con dos algoritmos utiliza-
dos en la literatura el control super-twisting adaptable (ASTW) [24] y el control adaptativo de mo-
do deslizante de primer orden (ASMC) [124]. Entonces, los términos w # (# = {X , Y , Z , φ, θ, ψ} son
definidos como
Control super-twisting adaptable (ASTW) [24]. La entrada de control w # es definida como
t β# (t )
Z
1/2
w # = −α# (t )|S # | sign(S # ) − sign(S # )d τ (5.14)
0 2
con las ganancias α# (t ) y β# (t ) determinadas de la siguiente manera
 ω# γ# sign(|S # | − µ# ), if α# > 0
 r

α̇# (t ) = 2
if α# = 0 (5.15)

 0,
β# (t ) = 2²# α#
donde ω# , γ# , µ# , ²# constantes positivas arbitrarias.
Control modo deslizante adaptable (ASMC) [124]. La entrada de control w # se define como
w # = −K # (t )sign(S # ) (5.16)
con la ley de adaptativa K # (t ) definida como

 K̄ # |S # |sign(|S # | − ²# ) if K # > µ#
K̇ # (t ) = (5.17)
 µ if K # ≤ µ#
#
con K # (0) > 0, K̄ # > 0, µ# > 0 y ²# = 2K # (t )Te , Te es el periodo de muestreo. El parámetro ²#

debe elegirse lo suficientemente pequeño para garantizar una alta precisión y lo suficiente-
mente grande para garantizar que K # esté acotado. Además, µ# es seleccionada de manera
que no se tenga una ganancia negativa K # .
Control Control Super-Twisting Adaptable Simplificado (SAST). La entrada de control w #

está basada en el Teorema 3.2.
Z t 2
L (τ)
· ¸
1
u= −a 0 (x) − 2L(t )|s|1/2 sign(s) − sign(s(τ))dτ
b 0 (x) 0 2
Con la siguiente ley de adapatación (L(0) > L ∗ )
k L(t ) 1/2


 − p |L(t ) − L ∗ | + |s|

 2 2
if L(t ) ≥ L ∗


 Z t ¶µ Z t 2
L (τ)
µ ¶
2 1


(L(t ) − L ∗ ) + 2 |s|1/2 sign(s) + L 2 (τ)sign(s(τ))d τ − sign(s(τ))d τ

L̇(t ) = L (t ) L(t ) 0 0 2








L∗ if L < L ∗


(5.18)
p ¡
con L ∗ > 0 y k > 0 definida tal que k < 2 L̄η 1 − η 2 , con
¢
λ1/2
max (S∞ )
η1 =
2
||S∞ CT ||δ1
η2 = (5.19)
λ1/2 (S )
mi n ∞
η2
L̄ > .
η1
Como se mencionó anteriormente, el parámetro L ∗ se introduce para garantizar que L(t )

tome valores positivos. Se selecciona arbitrariamente pequeño.
El desempeño de los algoritmos AST, ASMC y el controlador propuesto se evalúan en las mismas
condiciones. El objetivo es evaluar el rendimiento de cada controlador en términos de error de
seguimiento, efectos de “chattering” y proceso de ajuste basados en número de parámetros.
5.3. Simulación del Cuadrirrotor
El sistema y los algoritmos de control se han implementado en el entorno Matlab® / Simulink,

utilizando el algoritmo de integración de Euler con un paso fijo de 10−3 s. Los parámetros del
sistema (5.1) se muestran en la tabla 5.1. Las trayectorias de referencia en X and Y estan definidas
Tabla 5.1: Parámetros del cuadrirrotor.
Parametro Descripcion Valor Unidad

m Masa 0.4 kg
g Gravedad 9.81 m/s 2
Ix Roll inercia (φ) 0.0027 kg · m 2
Iy Pitch inercia (θ) 0.0029 kg · m 2
Iz Yaw inercia (ψ) 0.0053 kg · m 2
como una trayectoria circular, la altura Z es contante (Zr e f = 1 m) y el ángulo ψr e f = 0. Los valores
iniciales están definidos como
[X (0) Y (0) Z (0) φ(0) θ(0) ψ(0)]T = [0 1.5 0 0.5 0.5 0.5]T
Para demostrar las propiedades de robustez del algoritmo propuesto, se han introducido las si-
guientes perturbaciones externas [125]
δ X = sin(t ), δY = cos(t ), δ Z = 0.5 sin(0.5t ) cos(0.5t ),
δφ = 0.5 sin(0.5t ), δθ = 0.5 cos(0.5t ), δψ = 0.5 cos(0.5t ) sin(0.5t )
Además, se afecta la medición del estado por un ruido blanco con una desviación estándar
igual a 0.0001 y un tiempo de muestreo de 0.001 s [104].
Nota 1. Se considera que las posiciones, los ángulos, las velocidades y las aceleraciones, así como las
entradas de control están físicamente acotadas en la práctica; y las posibles perturbaciones externas,
como las ráfagas de viento, se modelan la mayoría de las veces como señales sinusoidales que están
claramente acotadas y son Lipschitz continuas.
La Tabla 5.2 muestra los parámetros de los controladores para cada controlador de seguimien-
to; La sintonización de cada uno de los parámetros de control se ha realizado para garantizar las
condiciones de convergencia, y también para obtener los mejores resultados. Está claro que el
algoritmo propuesto tiene un número reducido de parámetros de ajuste lo que facilita su imple-
mentación.
Tabla 5.2: Parametros para los controladores ASTW, ASMC y SAST.
ASTW ² X = ²Y = ² Z = ²φ = ²θ = ²ψ = 0.001
γ X = γY = γ Z = γφ = γθ = γψ = 1
µ X = µY = µ Z = 0.01, µφ = µθ = 0.005, µψ = 0.001
ω X = ωY = ω Z = ωφ = ωθ = ωψ = 2
ASMC µ X = µY = µ Z = µφ = µθ = µψ = 0.1
Te X = 0.001, Te Y = Te φ = Te θ = Te ψ = 0.01, Te Z = 0.001
K̄ X = 10, K̄ Y = K̄ Z = K̄ ψ = 100, K̄ φ = K̄ θ = 50
SAST L ∗X = L ∗Y = L ∗Z = L ∗φ = L ∗θ = L ∗ψ = 0.008
k X = 0.03, kY = k Z = 0.02, kφ = kψ = 0.025, kθ = 0.05
La Figura5.3 muestra la trayectoria en 3D del cuadrirrotor y la trayectoria deseada, el control (5.12)

basando respectivamente en los algoritmos de control ASTW, ASMC y SAST. Los resultados de la
simulación muestran un seguimiento preciso de todos los controladores, a pesar de las perturba-
ciones, las incertidumbres y el ruido blanco.
Figura 5.3: Trayectoria en 3D del cuadrirrotor controlado por los tres controladores.
La Figura 5.4 muestra las señales de control obtenidas de cada esquema de control. Se puede ob-
servar que el ASMC induce un notable efecto de “chattering” mientras que este último se reduce
considerablemente con los controladores ASTW y SAST; presentando esfuerzos similares.
La Figura 5.5 muestra las ganancias adaptativas en las coordenadas x, y y z y la Figura 5.6 mues-
Figura 5.4: Entradas de control Uc , Uφ , Uθ y Uψ versus tiempo (s) con los tres controladores -
Primera Columna. control ASTW . Segunda columna. control ASMC . Tercera columna. control
SAST .
tra las ganancias adaptativas en los ángulos de Euler para cada controlador. Como puede verse,
ASMC tiene un tiempo de convergencia mayor. Una solución sería aumentar el parámetro K̄ # ; sin
embargo, en este caso, el transitorio de K # (t ) seria mucho mas importante generando un efecto de
“chattering” mayor. Además, se observa que las ganancias obtenidas por el controlador SAST pro-
puesto parecen más suaves que las de ASTW. Sin embargo, el comportamiento del sistema en lazo
cerrado es bastante similar con los controladores ASTW y SAST. La principal diferencia, lo cual se
considera una ventaja, es la disminución del número de parámetros de ajuste (mucho mayor para
ASTW).
Figura 5.5: Ganancia Adaptable en las coordenadas x, y y altura z versus tiempo (s).Superior. Con-
trolador ASTW . Central Controlador ASMC. Inferior Controlador SAST
Figura 5.6: Ganancia Adaptable en los ángulos de Euler versus tiempo (s).Superior. Controlador
ASTW . Central Controlador ASMC. Inferior Controlador SAST
De acuerdo con los resultados de las simulaciones, la comparación de los rendimientos se realiza
entre los controladores SAST y ASTW que tienen niveles de rendimiento similares. Para comparar
formalmente el rendimiento de ambos controladores adaptativos super-twisting, se definen tres
índices
Para el error de seguimiento e # : la Integral del error absoluto (IAE) y la integral del error
cuadratico (ISE);
Para las entradas de control: el error cuadrático medio (RMS).
La Figura 5.7 muestra los resultados obtenidos para cada índice de rendimiento del error de
seguimiento e # mediante la Integral del error absoluto (IAE). La Figura 5.8 muestra los resultados
obtenidos para cada índice de rendimiento del error de seguimiento e # mediante la integral del
error cuadrático (ISE). La Figura 5.9 muestra los resultados de los índices de rendimiento en la
entrada de control Uc y la Figura 5.10 de las entradas de control Uφ , Uθ y Uψ obtenidos mediante
el error cuadrático medio (RMS).
Figura 5.7: Índices de rendimiento de los errores de seguimiento mediante la Integral del error
absoluto (IAE).
Figura 5.8: Índices de rendimiento de los errores de seguimiento mediante la Integral del error
cuadrático (ISE).
Figura 5.9: Índices de rendimiento en la entrada de control UC .
Figura 5.10: Índices de rendimiento en las entradas de control Uφ , Uθ y Uψ .
Se puede concluir que el super-twisting adaptativo simplificado (SAST) tiene los valores más
pequeños en los índices de rendimiento, garantizando un alto nivel de precisión y un nivel redu-
cido del “chattering”.

A partir de la ecuación (3.72) es posible estimar δ# , tan pronto como ξ# y ξ̇# convergen a cero: esta
propiedad se ilustra en la Figura 5.11 con δ Z .
0.3
0.2
0.1
-0.1
-0.2
-0.3
-0.4
0 5 10 15
Time (s)
Figura 5.11: Perturbación δ Z (t ) y estimación versus tiempo(s).

5.4. Conclusiones
En este capitulo se presentó el control super-twisting adaptable simplificado, implementado

en el modelo de un cuadrirrotor y comparándolo con 2 algoritmos de control con ganancias adap-
tables. Permitiendo mostrar por medio de los índices de rendimiento que el control SAST presenta
mejores resultados en la reducción del efecto de “chattering”, obteniendo una ganancia adaptable
sin necesidad de conocer la cota de la perturbación haciendo mas intuitivo la elección de los pa-
rámetros que tiene la ley de adaptación. Los resultados validan el rendimiento de la estrategia de
control propuesta SAST, asegurando la convergencia exponencial a cero de la dinámica del error
de seguimiento, a pesar de la influencia de perturbaciones e incertidumbres externas. Además,
esta ley de adaptación permitirá la aplicación en robots móviles aéreos y en sistemas físicos con el
control super-twisting sin sobrestimar sus ganancias.
Conclusiones y trabajo futuro
En este trabajo se presentó una simplificación del algoritmo de control super-twisting, el cual
simplifica su implementación, ya que se reduce el número de parámetros a sintonizar a uno. Ade-
más, de su robustez y de reducir considerablemente el efecto de “chattering”. Para demostrar la
efectividad y el desempeño del algoritmo de control super twisting simplificado se realizó una
implementación en robots móviles terrestres diferenciales bajo la estrategia líder-seguidor. El pa-
rámetro de ajuste de control permite una ganancia simple e intuitiva. Como resultado, los expe-
rimentos pudieron llevarse a cabo bajo una ley de control aplicable a los actuadores, es decir, los
motores. Mediante este trabajo se logró atenuar el control de la señal, por lo que no es observable
el “chattering”. Este trabajo se se podría extender a más seguidores.
Además, se ha propuesto una versión de ganancias adaptables al control super-twisting simplifi-
cado, para lograr un seguimiento preciso de la trayectoria a pesar de las perturbaciones. Se diseña
una función de Lyapunov y proporciona la ley de adaptación de las ganancias del controlador. Se
dan condiciones suficientes para asegurar la convergencia en tiempo finito a cero, tanto de la va-
riable deslizante como de su derivada en tiempo finito. Las principales ventajas de la estrategia
propuesta son
1. Sólo se requieren dos parámetros para ajustar la ganancia adaptativa.
2. La acción de control presenta una importante reducción del efecto de “chattering”.
3. Es posible estimar formalmente la perturbación a partir de la ganancia adaptativa.
Se proporcionan simulaciones numéricas del control de en un cuadrirrotor para ilustrar la efica-

cia del del algoritmo de control super-twisting adaptativo simplificado. Finalmente, la robustez y
103
eficiencia de los algoritmos de control propuestos han sido verificadas bajo escenarios realísticos
y dinámicos utilizando robots móviles terrestres diferenciales y aéreos.
Como trabajo futuro, se pretende extender la simplificación del algoritmo super-twisting a los
controladores basados en modos deslizantes de orden superior, permitiendo reducir estos a un
parámetro de sintonización, debido a que entre más grande es el orden del controlador más ga-
nancias son necesarias, incrementando la dificultad de sintonizarlas. Permitiendo extender el uso
de los controlados basados en modo deslizante a sistemas de orden superior al del super-twisting
y adaptar la ganancia por medio del algoritmo de control super-twisting adaptativo simplificado.
Bibliografía
[1] R. Sheh, S. Schwertfeger, and A. Visser, “16 years of robocup rescue,” KI-Künstliche Intelli-
genz, vol. 30, no. 3-4, pp. 267–277, 2016.
[2] J. Angeles and J. Angeles, Fundamentals of robotic mechanical systems, vol. 2. Springer, 2002.
[3] W. Dong and W. Xu, “Adaptive tracking control of uncertain nonholonomic dynamic sys-
tem,” IEEE Transactions on Automatic Control, vol. 46, no. 3, pp. 450–454, 2001.
[4] X. Wang, H. Zhao, Q. Sun, and Y.-H. Chen, “A new high-order adaptive robust control
for constraint following of mechanical systems,” Asian Journal of Control, vol. 19, no. 5,
pp. 1672–1687, 2017.
[5] D. Wang, H. He, and D. Liu, “Adaptive critic nonlinear robust control: A survey,” IEEE transac-
tions on cybernetics, vol. 47, no. 10, pp. 3429–3451, 2017.
[6] A. T. Azar, F. E. Serrano, I. A. Hameed, N. A. Kamal, and S. Vaidyanathan, “Robust h-infinity

decentralized control for industrial cooperative robots,” in International Conference on Ad-
vanced Intelligent Systems and Informatics, pp. 254–265, Springer, 2019.
[7] S. Heshmati-Alamdari, G. C. Karras, P. Marantos, and K. J. Kyriakopoulos, “A robust predicti-

ve control approach for underwater robotic vehicles,” IEEE Transactions on Control Systems
Technology, vol. 28, no. 6, pp. 2352–2363, 2019.
[8] Y. B. Shtessel, J. A. Moreno, F. Plestan, L. M. Fridman, and A. S. Poznyak, “Super-twisting

adaptive sliding mode control: A lyapunov design,” in Decision and Control (CDC), 2010 49th
IEEE Conference on, pp. 5109–5113, IEEE, 2010.
105
BIBLIOGRAFÍA 106
[9] G. Bartolini, A. Ferrara, A. Pisano, and E. Usai, “On the convergence properties of a 2-
sliding control algorithm for non-linear uncertain systems,” International Journal of Con-
trol, vol. 74, no. 7, pp. 718–731, 2001.
[10] F. Abdelhedi and N. Derbel, “Adaptive second order sliding mode control under parametric
uncertainties: application to a robotic system,” International Journal of Modelling, Identifi-
cation and Control, vol. 27, no. 4, pp. 332–341, 2017.
[11] C. Edwards and S. Spurgeon, Sliding mode control: theory and applications. Crc Press, 1998.
[12] V. I. Utkin, “Sliding modes in optimization and control problems,” 1992.
[13] L. Wu, S. K. Mazumder, and O. Kaynak, “Sliding mode control and observation for com-
plex industrial systems—part i,” IEEE Transactions on Industrial Electronics, vol. 64, no. 8,
pp. 6680–6683, 2017.
[14] C. T. Heng, Z. Jamaludin, A. Y. B. Hashim, L. Abdullah, and N. A. Rafan, “Design of super

twisting algorithm for chattering suppression in machine tools,” International Journal of
Control, Automation and Systems, vol. 15, no. 3, pp. 1259–1266, 2017.
[15] Y. Shtessel, L. Fridman, and F. Plestan, “Adaptive sliding mode control and observation,”
International Journal of Control, vol. 89, no. 9, pp. 1743–1746, 2016.
[16] H. Lee and V. I. Utkin, “Chattering suppression methods in sliding mode control systems,”
Annual reviews in control, vol. 31, no. 2, pp. 179–188, 2007.
[17] V. Utkin and A. Poznyak, “Advances in sliding mode control–concept, theory and implemen-
tation,” Adaptive Sliding Mode Control. Springer, Berlin, 2013.
[18] A. Levant, “Higher-order sliding modes, differentiation and output-feedback control,” Inter-
national journal of Control, vol. 76, no. 9-10, pp. 924–941, 2003.
[19] S. Mobayen, F. Tchier, and L. Ragoub, “Design of an adaptive tracker for n-link rigid robotic
manipulators based on super-twisting global nonlinear sliding mode control,” International
Journal of Systems Science, vol. 48, no. 9, pp. 1990–2002, 2017.
BIBLIOGRAFÍA 107
[20] J.-S. Han, T.-I. Kim, T.-H. Oh, S.-H. Lee, and D.-i. D. Cho, “Effective disturbance compensa-
tion method under control saturation in discrete-time sliding mode control,” IEEE Transac-
tions on Industrial Electronics, 2019.
[21] V. I. Utkin and A. S. Poznyak, “Adaptive sliding mode control with application to super-twist
algorithm: Equivalent control method,” Automatica, vol. 49, no. 1, pp. 39–47, 2013.
[22] A. Levant, “Sliding order and sliding accuracy in sliding mode control,” International journal
of control, vol. 58, no. 6, pp. 1247–1263, 1993.
[23] A. Dávila, J. A. Moreno, and L. Fridman, “Variable gains super-twisting algorithm: A lyapunov
based design,” in American Control Conference (ACC), 2010, pp. 968–973, IEEE, 2010.
[24] Y. Shtessel, F. Plestan, and M. Taleb, “Lyapunov design of adaptive super-twisting controller
applied to a pneumatic actuator,” IFAC Proceedings Volumes, vol. 44, no. 1, pp. 3051–3056,
2011.
[25] Y. Shtessel, M. Taleb, and F. Plestan, “A novel adaptive-gain supertwisting sliding mode con-
troller: methodology and application,” Automatica, vol. 48, no. 5, pp. 759–769, 2012.
[26] H. Li, J. Wang, H. Du, and H. R. Karimi, “Adaptive sliding mode control for takagi–sugeno
fuzzy systems and its applications,” IEEE Transactions on Fuzzy Systems, vol. 26, no. 2,
pp. 531–542, 2018.
[27] A. O. Baturone, Robótica: manipuladores y robots móviles. Marcombo, 2005.
[28] R. Siegwart, I. R. Nourbakhsh, and D. Scaramuzza, Introduction to autonomous mobile ro-

bots. MIT press, 2011.
[29] T. Bräunl, Embedded robotics: mobile robot design and applications with embedded systems.
Springer Science & Business Media, 2008.
[30] J. Carpentier, S. Tonneau, M. Naveau, O. Stasse, and N. Mansard, “A versatile and efficient
pattern generator for generalized legged locomotion,” in 2016 IEEE International Conference
on Robotics and Automation (ICRA), pp. 3555–3561, IEEE, 2016.
BIBLIOGRAFÍA 108
[31] R. Silva-Ortigoza, G. Silva-Ortigoza, V. M. Hernández-Guzmán, V. R. Barrientos-Sotelo, J. M.

Albarrán-Jiménez, and V. M. Silva-Garcia, “Trajectory tracking in a mobile robot without
using velocity measurements for control of wheels,” IEEE Latin America Transactions, vol. 6,
no. 7, pp. 598–607, 2008.
[32] W. Saab, W. S. Rone, and P. Ben-Tzvi, “Discrete modular serpentine robotic tail: design, analy-
sis and experimentation,” Robotica, vol. 36, no. 7, pp. 994–1018, 2018.
[33] R. M. Murray and S. S. Sastry, “Nonholonomic motion planning: Steering using sinusoids,”
IEEE transactions on Automatic Control, vol. 38, no. 5, pp. 700–716, 1993.
[34] D. Wang and G. Xu, “Full-state tracking and internal dynamics of nonholonomic wheeled
mobile robots,” IEEE/ASME Transactions on mechatronics, vol. 8, no. 2, pp. 203–214, 2003.
[35] J.-J. Slotine and S. S. Sastry, “Tracking control of non-linear systems using sliding surfa-
ces, with application to robot manipulators,” International journal of control, vol. 38, no. 2,
pp. 465–492, 1983.
[36] Y. Cheng, R. Jia, H. Du, G. Wen, and W. Zhu, “Robust finite-time consensus formation con-
trol for multiple nonholonomic wheeled mobile robots via output feedback,” International
Journal of Robust and Nonlinear Control, vol. 28, no. 6, pp. 2082–2096, 2018.
[37] P. Panahandeh, K. Alipour, B. Tarvirdizadeh, and A. Hadi, “A kinematic lyapunov-based con-

troller to posture stabilization of wheeled mobile robots,” Mechanical Systems and Signal
Processing, vol. 134, p. 106319, 2019.
[38] J. K. Lee, Y. H. Choi, and J. B. Park, “Sliding mode tracking control of mobile robots with
approach angle in cartesian coordinates,” International Journal of Control, Automation and
Systems, vol. 13, no. 3, pp. 718–724, 2015.
[39] D. Chwa, “Sliding-mode tracking control of nonholonomic wheeled mobile robots in polar
coordinates,” IEEE transactions on control systems technology, vol. 12, no. 4, pp. 637–644,
2004.
BIBLIOGRAFÍA 109
[40] L. Liu, R. Guo, J. Ji, Z. Miao, and J. Zhou, “Practical consensus tracking control of multiple
nonholonomic wheeled mobile robots in polar coordinates,” International Journal of Robust
and Nonlinear Control, vol. 30, no. 10, pp. 3831–3847, 2020.
[41] H. Chen, S. Xu, L. Chu, F. Tong, and L. Chen, “Finite-time switching control of nonholonomic
mobile robots for moving target tracking based on polar coordinates,” Complexity, vol. 2018,
2018.
[42] M. M. Almasri, A. M. Alajlan, and K. M. Elleithy, “Trajectory planning and collision avoidance
algorithm for mobile robotics system,” IEEE Sensors journal, vol. 16, no. 12, pp. 5021–5028,
2016.
[43] S. Bouabdallah and R. Siegwart, “Backstepping and sliding-mode techniques applied to an

indoor micro quadrotor,” in Proceedings of the 2005 IEEE international conference on robo-
tics and automation, pp. 2247–2252, IEEE, 2005.
[44] D. Luo, X. Xiong, S. Jin, and S. Kamal, “Adaptive gains of dual level to super-twisting algo-
rithm for sliding mode design,” IET Control Theory & Applications, vol. 12, no. 17, pp. 2347–
2356, 2018.
[45] F. Mondada, M. Bonani, X. Raemy, J. Pugh, C. Cianci, A. Klaptocz, S. Magnenat, J.-C. Zufferey,
D. Floreano, and A. Martinoli, “The e-puck, a robot designed for education in engineering,”
in Proceedings of the 9th conference on autonomous robot systems and competitions, vol. 1,
pp. 59–65, IPCB: Instituto Politécnico de Castelo Branco, 2009.
[46] R. Vidal, O. Shakernia, and S. Sastry, “Formation control of nonholonomic mobile robots
with omnidirectional visual servoing and motion segmentation,” in 2003 IEEE Internatio-
nal Conference on Robotics and Automation (Cat. No. 03CH37422), vol. 1, pp. 584–589, IEEE,
2003.
[47] S. Roy, I. N. Kar, and J. Lee, “Toward position-only time-delayed control for uncertain euler–
lagrange systems: Experiments on wheeled mobile robots,” IEEE Robotics and Automation
Letters, vol. 2, no. 4, pp. 1925–1932, 2017.
BIBLIOGRAFÍA 110
[48] M. W. Mehrez, K. Worthmann, J. P. Cenerini, M. Osman, W. W. Melek, and S. Jeon, “Model

predictive control without terminal constraints or costs for holonomic mobile robots,” Ro-
botics and Autonomous Systems, vol. 127, p. 103468, 2020.
[49] A. El-Shenawy, A. Wellenreuther, A. S. Baumgart, and E. Badreddin, “Comparing different

holonomic mobile robots,” in 2007 IEEE International Conference on Systems, Man and Cy-
bernetics, pp. 1584–1589, IEEE, 2007.
[50] W. E. Dixon, W. Galluzo, G. Hu, and C. Crane, “Adaptive velocity field control of a wheeled
mobile robot,” in Proceedings of the Fifth International Workshop on Robot Motion and Con-
trol, 2005. RoMoCo’05., pp. 145–150, IEEE, 2005.
[51] F. A. Yaghmaie, F. Bakhshande, and H. D. Taghirad, “Feedback error learning control of tra-
jectory tracking of nonholonomic mobile robot,” in 20th Iranian Conference on Electrical
Engineering (ICEE2012), pp. 889–893, IEEE, 2012.
[52] A. Zelei, L. L. Kovács, and G. Stépán, “Computed torque control of an under-actuated service
robot platform modeled by natural coordinates,” Communications in Nonlinear Science and
Numerical Simulation, vol. 16, no. 5, pp. 2205–2217, 2011.
[53] Z.-G. Hou, A.-M. Zou, L. Cheng, and M. Tan, “Adaptive control of an electrically driven non-
holonomic mobile robot via backstepping and fuzzy approach,” IEEE Transactions on Con-
trol Systems Technology, vol. 17, no. 4, pp. 803–815, 2009.
[54] E. Kayacan and G. Chowdhary, “Tracking error learning control for precise mobile robot path
tracking in outdoor environment,” Journal of Intelligent & Robotic Systems, vol. 95, no. 3,
pp. 975–986, 2019.
[55] J.-y. Zhai and Z.-b. Song, “Adaptive sliding mode trajectory tracking control for wheeled mo-
bile robots,” International Journal of Control, vol. 92, no. 10, pp. 2255–2262, 2019.
[56] B. J. Emran and A. Yesildirek, “Robust nonlinear composite adaptive control of quadro-
tor,” International journal of digital information and wireless Communications, vol. 4, no. 2,
pp. 213–225, 2014.
BIBLIOGRAFÍA 111
[57] L. Luque-Vega, B. Castillo-Toledo, and A. G. Loukianov, “Robust block second order sliding
mode control for a quadrotor,” Journal of the Franklin Institute, vol. 349, no. 2, pp. 719–739,
2012.
[58] C. Nicol, C. Macnab, and A. Ramirez-Serrano, “Robust neural network control of a qua-
drotor helicopter,” in 2008 Canadian conference on electrical and computer engineering,
pp. 001233–001238, IEEE, 2008.
[59] Z. Peng, G. Wen, A. Rahmani, and Y. Yu, “Distributed consensus-based formation control for
multiple nonholonomic mobile robots with a specified reference trajectory,” International
Journal of Systems Science, vol. 46, no. 8, pp. 1447–1457, 2015.
[60] S.-J. Chung and J.-J. E. Slotine, “Cooperative robot control and concurrent synchronization
of lagrangian systems,” IEEE transactions on Robotics, vol. 25, no. 3, pp. 686–700, 2009.
[61] M. Shiomi, F. Zanlungo, K. Hayashi, and T. Kanda, “Towards a socially acceptable collision
avoidance for a mobile robot navigating among pedestrians using a pedestrian model,” In-
ternational Journal of Social Robotics, vol. 6, no. 3, pp. 443–455, 2014.
[62] C. De La Cruz and R. Carelli, “Dynamic modeling and centralized formation control of mobi-
le robots,” in IEEE Industrial Electronics, IECON 2006-32nd Annual Conference on, pp. 3880–
3885, IEEE, 2006.
[63] J. R. Lawton, R. W. Beard, and B. J. Young, “A decentralized approach to formation maneu-

vers,” IEEE transactions on robotics and automation, vol. 19, no. 6, pp. 933–941, 2003.
[64] A. K. Das, R. Fierro, V. Kumar, J. P. Ostrowski, J. Spletzer, and C. J. Taylor, “A vision-based

formation control framework,” IEEE transactions on robotics and automation, vol. 18, no. 5,
pp. 813–825, 2002.
[65] J. A. Fax and R. M. Murray, “Information flow and cooperative control of vehicle formations,”
IEEE transactions on automatic control, vol. 49, no. 9, pp. 1465–1476, 2004.
BIBLIOGRAFÍA 112
[66] N. Liu, R. Ling, Q. Huang, and Z. Zhu, “Second-order super-twisting sliding mode control for
finite-time leader-follower consensus with uncertain nonlinear multiagent systems,” Mat-
hematical Problems in Engineering, vol. 2015, 2015.
[67] G. Zhang, Y. Wang, J. Wang, J. Chen, and D. Qian, “Disturbance observer–based super-
twisting sliding mode control for formation tracking of multi-agent mobile robots,” Mea-
surement and Control, vol. 53, no. 5-6, pp. 908–921, 2020.
[68] C. M. Cianci, X. Raemy, J. Pugh, and A. Martinoli, “Communication in a swarm of miniature

robots: The e-puck as an educational tool for swarm robotics,” in International Workshop
on Swarm Robotics, pp. 103–115, Springer, 2006.
[69] S. H. A. Mohammad, M. A. Jeffril, and N. Sariff, “Mobile robot obstacle avoidance by using
fuzzy logic technique,” in 2013 IEEE 3rd International Conference on System Engineering and
Technology, pp. 331–335, IEEE, 2013.
[70] J. Chen, M. Gauci, W. Li, A. Kolling, and R. Groß, “Occlusion-based cooperative transport
with a swarm of miniature mobile robots,” IEEE Transactions on Robotics, vol. 31, no. 2,
pp. 307–321, 2015.
[71] E. A. Antonelo, B. Schrauwen, and D. Stroobandt, “Event detection and localization for small
mobile robots using reservoir computing,” Neural Networks, vol. 21, no. 6, pp. 862–871, 2008.
[72] R. Austin, Unmanned aircraft systems: UAVS design, development and deployment, vol. 54.
John Wiley & Sons, 2011.
[73] A. B. L. T. Miranda Colorado Roger, Garrido Moctezuma Rubén Alejandro and H. B. J. Ernes-
to, DRONES - Modelado y control de cuadrotores, vol. 1. 2018.
[74] Z. Xie and Z. Zhong, “Aircraft path planning under adverse weather conditions,” in MATEC
Web of Conferences, vol. 77, p. 15001, EDP Sciences, 2016.
[75] C. Chen, “Linear system theory and design: Oxford university press,” New York, USA, 1999.
BIBLIOGRAFÍA 113
[76] H. Boudjedir, O. Bouhali, and N. Rizoug, “Adaptive neural network control based on neu-
ral observer for quadrotor unmanned aerial vehicle,” Advanced Robotics, vol. 28, no. 17,
pp. 1151–1164, 2014.
[77] Y. Huang, H. Wu, H. Liu, and Z. Yin, Intelligent Robotics and Applications: 10th International
Conference, ICIRA 2017, Wuhan, China, August 16–18, 2017, Proceedings, Part I, vol. 10462.
Springer, 2017.
[78] M. Fatan, B. L. Sefidgari, and A. V. Barenji, “An adaptive neuro pid for controlling the alti-
tude of quadcopter robot,” in 2013 18th International Conference on Methods & Models in
Automation & Robotics (MMAR), pp. 662–665, IEEE, 2013.
[79] A. L. Salih, M. Moghavvemi, H. A. Mohamed, and K. S. Gaeid, “Modelling and pid contro-
ller design for a quadrotor unmanned air vehicle,” in 2010 IEEE International Conference on
Automation, Quality and Testing, Robotics (AQTR), vol. 1, pp. 1–5, IEEE, 2010.
[80] K. Chee and Z. Zhong, “Control, navigation and collision avoidance for an unmanned aerial
vehicle,” Sensors and Actuators A: Physical, vol. 190, pp. 66–76, 2013.
[81] Y. Kutsuna, M. Ando, and M. Yamada, “Adaptive tracking control of quad-rotor helicopter in
quaternion based on input-output linearisation with online estimation of inertia moment,”
International Journal of Advanced Mechatronic Systems, vol. 6, no. 5, pp. 237–246, 2015.
[82] B. Erginer and E. Altug, “Modeling and pd control of a quadrotor vtol vehicle,” in 2007 IEEE
Intelligent Vehicles Symposium, pp. 894–899, IEEE, 2007.
[83] L. M. Argentim, W. C. Rezende, P. E. Santos, and R. A. Aguiar, “Pid, lqr and lqr-pid on a quad-
copter platform,” in 2013 International Conference on Informatics, Electronics and Vision
(ICIEV), pp. 1–6, IEEE, 2013.
[84] H. Yañez Badillo, R. Tapia Olvera, O. Aguilar Mejía, and F. Beltrán Carbajal, “Control neuro-
nal en línea para regulación y seguimiento de trayectorias de posición para un quadrotor,”
Revista Iberoamericana de Automática e Informática Industrial, vol. 14, no. 2, pp. 141–151,
2017.
BIBLIOGRAFÍA 114
[85] B. T. M. Leong, S. M. Low, and M. P.-L. Ooi, “Low-cost microcontroller-based hover control
design of a quadcopter,” Procedia Engineering, vol. 41, pp. 458–464, 2012.
[86] S. Bouabdallah and R. Y. Siegwart, “Full control of a quadrotor,” in IEEE/RSJ International

Conference on Intelligent Robots and Systems, 2007: IROS 2007; Oct. 29, 2007-Nov. 2, 2007,
San Diego, CA, pp. 153–158.
[87] İ. C. Dikmen, A. Arisoy, and H. Temeltas, “Attitude control of a quadrotor,” in 2009 4th Inter-
national Conference on Recent Advances in Space Technologies, pp. 722–727, IEEE, 2009.
[88] P. Castillo, P. García, R. Lozano, and P. Albertos, “Modelado y estabilización de un helicóptero

con cuatro rotores,” Revista Iberoamericana de Automática e Informática Industrial RIAI,
vol. 4, no. 1, pp. 41–57, 2007.
[89] A. A. Mian and W. Daobo, “Modeling and backstepping-based nonlinear control strategy for
a 6 dof quadrotor helicopter,” Chinese Journal of Aeronautics, vol. 21, no. 3, pp. 261–268,
2008.
[90] A. Benallegue, A. Mokhtari, and L. Fridman, “High-order sliding-mode observer for a qua-
drotor uav,” International Journal of Robust and Nonlinear Control: IFAC-Affiliated Journal,
vol. 18, no. 4-5, pp. 427–440, 2008.
[91] M. A. Rendón and F. F. Martins, “Path following control tuning for an autonomous un-
manned quadrotor using particle swarm optimization,” IFAC-PapersOnLine, vol. 50, no. 1,
pp. 325–330, 2017.
[92] S. Estelles and M. Tomas-Rodriguez, “Quadrotor multibody modelling by vehiclesim: adap-

tive technique for oscillations in a pva control system,” Journal of Vibration and Control,
vol. 23, no. 16, pp. 2704–2723, 2017.
[93] P.-i. Pipatpaibul and P. Ouyang, “Application of online iterative learning tracking control for
quadrotor uavs,” International Scholarly Research Notices, vol. 2013, 2013.
BIBLIOGRAFÍA 115
[94] S. Bouabdallah, P. Murrieri, and R. Siegwart, “Design and control of an indoor micro qua-
drotor,” in IEEE International Conference on Robotics and Automation, 2004. Proceedings.
ICRA’04. 2004, vol. 5, pp. 4393–4398, IEEE, 2004.
[95] T. Bresciani, “Modelling, identification and control of a quadrotor helicopter,” MSc Theses,
2008.
[96] G. Hoffmann, S. Waslander, and C. Tomlin, “Quadrotor helicopter trajectory tracking con-
trol,” in AIAA guidance, navigation and control conference and exhibit, p. 7410, 2008.
[97] Z. T. Dydek, A. M. Annaswamy, and E. Lavretsky, “Adaptive configuration control of multiple

uavs,” Control Engineering Practice, vol. 21, no. 8, pp. 1043–1052, 2013.
[98] I. Gonzalez-Hernandez, F. M. Palacios, S. S. Cruz, E. S. E. Quesada, and R. L. Leal, “Real-time

altitude control for a quadrotor helicopter using a super-twisting controller based on high-
order sliding mode observer,” International Journal of Advanced Robotic Systems, vol. 14,
no. 1, p. 1729881416687113, 2017.
[99] M. Vahdanipour and M. Khodabandeh, “Adaptive fractional order sliding mode control for a
quadrotor with a varying load,” Aerospace Science and Technology, vol. 86, pp. 737–747, 2019.
[100] A. Swamp et al., “Second order sliding mode control for quadrotor,” in 2016 IEEE First Inter-
national Conference on Control, Measurement and Instrumentation (CMI), pp. 92–96, IEEE,
2016.
[101] Z. Zhao, D. Cao, J. Yang, and H. Wang, “High-order sliding mode observer-based trajec-
tory tracking control for a quadrotor uav with uncertain dynamics,” Nonlinear Dynamics,
vol. 102, no. 4, pp. 2583–2596, 2020.
[102] V. K. Tripathi, A. K. Kamath, L. Behera, N. K. Verma, and S. Nahavandi, “Finite-time su-

per twisting sliding mode controller based on higher-order sliding mode observer for real-
time trajectory tracking of a quadrotor,” IET Control Theory & Applications, vol. 14, no. 16,
pp. 2359–2371, 2020.
BIBLIOGRAFÍA 116
[103] J. Chang, J. Cieslak, J. Dávila, A. Zolghadri, and J. Zhou, “Adaptive second-order sliding mode
observer for quadrotor attitude estimation,” in 2016 American Control Conference (ACC),
pp. 2246–2251, IEEE, 2016.
[104] O. Mofid and S. Mobayen, “Adaptive sliding mode control for finite-time stability of quad-
rotor uavs with parametric uncertainties,” ISA transactions, vol. 72, pp. 1–14, 2018.
[105] A. Isidori, Nonlinear control systems. Springer Science & Business Media, 2013.
[106] R. Marino, “Nonlinear control design: Geometric,” Adaptive and robust, 1995.
[107] S. Sastry and M. Bodson, Adaptive control: stability, convergence and robustness. Courier
Corporation, 2011.
[108] I. R. Manchester and J.-J. E. Slotine, “Robust control contraction me-

trics: A convex approach to nonlinear state-feedback hˆè\infty
cont r ol ,00 I E E EC ont r ol Sy st emsLet t er s, vol . 2, no. 3, pp. 333 − −338, 2018.
[109] J. NOGUERA, O. GARCIA, and C. ROBLES, “Modelado y control de un robot manipulador utilizan-
do las técnicas de control estándar y h infinito,” Revista Espacios, vol. 38, no. 58, 2017.
[110] M. Krstic, P. V. Kokotovic, and I. Kanellakopoulos, Nonlinear and adaptive control design. John
Wiley & Sons, Inc., 1995.
[111] C. Vivas, Control óptimo y robusto H [signo de infinito] de sistemas no lineales: aplicaciones a siste-
mas electromecánicos. PhD thesis, Universidad de Sevilla, 2004.
[112] V. I. Utkin, “Sliding mode control design principles and applications to electric drives,” IEEE
transactions on industrial electronics, vol. 40, no. 1, pp. 23–36, 1993.
[113] Y. Shtessel, C. Edwards, L. Fridman, and A. Levant, Sliding mode control and observation, vol. 10.
Springer, 2014.
[114] C. Edwards and Y. Shtessel, “Adaptive dual-layer super-twisting control and observation,” Interna-
tional Journal of Control, vol. 89, no. 9, pp. 1759–1766, 2016.
BIBLIOGRAFÍA 117
[115] X. Xiong, S. Kamal, and S. Jin, “Adaptive gains to super-twisting technique for sliding mode design,”
Asian Journal of Control, 2019.
[116] J. A. Moreno and M. Osorio, “A lyapunov approach to second-order sliding mode controllers and
observers,” in 2008 47th IEEE conference on decision and control, pp. 2856–2861, IEEE, 2008.
[117] G. Bartolini, A. Pisano, E. Punta, and E. Usai, “A survey of applications of second-order sliding
mode control to mechanical systems,” International Journal of control, vol. 76, no. 9-10, pp. 875–
892, 2003.
[118] Y. Orlov, L. Aguilar, and J. Cadiou, “Switched chattering control vs. backlash/friction phenomena
in electrical servo-motors,” International Journal of Control, vol. 76, no. 9-10, pp. 959–967, 2003.
[119] I. Boiko*, “Analysis of sliding modes in the frequency domain,” International Journal of Control,
vol. 78, no. 13, pp. 969–981, 2005.
[120] L. M. Fridman, “Chattering analysis in sliding mode systems with inertial sensors,” International
Journal of Control, vol. 76, no. 9-10, pp. 906–912, 2003.
[121] Y. B. Shtessel, J. A. Moreno, and L. M. Fridman, “Twisting sliding mode control with adaptation:
Lyapunov design, methodology and application,” Automatica, vol. 75, pp. 229–235, 2017.
[122] C. De La Cruz and R. Carelli, “Dynamic model based formation control and obstacle avoidance of
multi-robot systems,” Robotica, vol. 26, no. 3, pp. 345–356, 2008.
[123] H. K. Khalil, “Noninear systems,” Prentice-Hall, New Jersey, vol. 2, no. 5, pp. 5–1, 1996.
[124] F. Plestan, Y. Shtessel, V. Bregeault, and A. Poznyak, “New methodologies for adaptive sliding mode
control,” International journal of control, vol. 83, no. 9, pp. 1907–1919, 2010.
[125] H. Ríos, R. Falcón, O. A. González, and A. Dzul, “Continuous sliding-mode control strategies for
quadrotor robust tracking: real-time application,” IEEE Transactions on Industrial Electronics,
vol. 66, no. 2, pp. 1264–1272, 2018.
[126] GCtronic, “e-puck education robot.” urlhttp://www.e-puck.org/, 2018.

Apéndice A
Robot E-puck
En el presente apéndice se muestra lo relacionado con el robot móvil E-puck que su utilizó
para el control super-twisting simplificado bajo la estrategia líder-seguidor.
Los robots móviles e-puck fueron desarrollados como hardware abierto en la Escuela Politéc-
nica Federal de Lausana (EPFL) [126], cuyo objetivo de desarrollo fue alcanzar los siguientes crite-
rios: tamaño de escritorio, amplio rango de posibilidades desde el punto de vista de un ingeniero
hasta un estudiante, amigable con el usuario, bajo costo, ideología abierta. Priorizando la flexibi-
lidad y el tamaño de escritorio. La figura A.1 muestra la imagen de uno los robots e-puck utilizado
durante los experimentos.
El hardware de los robots e-puck esta conformado de los siguientes elementos
Microcontrolador. Dispone de un microcontrolador dsPIC 30F6014A de la empresa micro-

chip. Este cuenta con un procesador de 16 bits con archivo de registro de 16 entradas y un
procesador digital de señales. Tiene una velocidad de 64MHz y provee 16 MIPS picos de po-
der de procesamiento. Memoria RAM de 8Kb y Flash de 144Kb.
Sensores. Ocho sensores infrarrojos de proximidad, ubicados alrededor de la carrocería del

robot. Un acelerómetro 3D. Tres micrófonos para captura de sonidos por triangulación.
Actuadores. Dos motores paso a paso con una resolución de 1000 pasos por revolución.
Un altavoz conectado a un códec de audio.
118
APÉNDICE A. ROBOT E-PUCK 119
Figura A.1: Robot móvil e-puck

Ocho LED rojos con la posibilidad de modular su intensidad lumínica.
Un grupo de LED verdes.
Interfaz de usuario. el e-puck contiene varios dispositivos para interactuar con el usuario y
comunicarse con otros equipos: Dos LED muestran el estado de la batería: uno indica si el
robot está encendido, mientras que el otro indica una condición de batería baja.
Un conector para interactuar con un depurador en circuito, para programar la memoria
flash y depurar el código.
Un receptor de control remoto por infrarrojos, para controlar el e-puck.
Una interfaz serial RS232 clásica para comunicarse una computadora de escritorio.
Un enlace de radio Bluetooth para conectarse a una computadora de escritorio o para co-
municarse con hasta otros 7 e-pucks.
Un botón de reinicio.
Un interruptor giratorio de 16 posiciones para especificar un número de 4 bits, que se puede
utilizar, por ejemplo, para seleccionar entre comportamientos o parámetros pre-programados.
Mecánica. El robot tiene un diámetro de 75 mm. y una altura que depende de las extensiones
conectadas. La estructura mecánica del e-puck consiste en inyecciones de partes plásticas.
La estructura del robot es simple, está hecha de solo cuatro piezas de plástico: el cuerpo
principal, anillo de luz y las dos ruedas.
El cuerpo principal es el núcleo de la estructura mecánica y encierra la batería. El usuario
puede extraer la batería de la parte inferior del e-puck. Los dos motores simplemente se
atornillan lateralmente al cuerpo principal, con las ruedas unidas directamente al motor eje.
La placa de circuito impreso principal, que contiene la mayoría de la electrónica, se atornilla
en la parte superior del cuerpo principal.
Las partes mecánicas son transparentes y permiten observar todos componentes. anillo de
difusión de luz
La Figura A.2 muestra la estructura mecánica del e-puck en una vista explosionada.
El robot se puede programar con distintos lenguajes como por ejemplo: ensamblador, C, python,
Matlab ® , etc. Este trabajo se desarrollo en la plataforma de Matlab ® , además de ser relativamente
sencillo, no requieren licencia para su uso.
Figura A.2: La estructura mecánica del robot e-puck en una vista explosionada.
Apéndice B
Publicaciones
B.1. Revistas
Gutierrez, S. V., De León - Morales, J., Plestan, F., & Salas - Peña, O. (2019). A simplified version
of adaptive super-twisting control. International Journal of Robust and Nonlinear Control.
Cano-González, J. A., Salas-Peña, O., Gutierrez, S. V., De León-Morales, J. (2020). Quadrotor Al-
titude Control Based on Sliding Mode Control. Iranian Journal of Science and Technology, Transac-
tions of Electrical Engineering, 1-9.
B.2. Congresos
Zhang, C., Gutierrez, S. V., Plestan, F., & de León-Morales, J. (2019). Adaptive super-twisting
control of floating wind turbines with collective blade pitch control. IFAC-PapersOnLine, 52(4),
117-122.
122

U A N L: Niversidad Utónoma de Uevo EÓN F I M E S E P

Cargado por

Copyright:

Formatos disponibles

U A N L: Niversidad Utónoma de Uevo EÓN F I M E S E P

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

U A N L: Niversidad Utónoma de Uevo EÓN F I M E S E P

Cargado por

Copyright:

Formatos disponibles

U NIVERSIDAD AUTÓNOMA DE N UEVO L EÓN

FACULTAD DE I NGENIERÍA M ECÁNICA Y E LÉCTRICA

S UBDIRECCIÓN DE E STUDIOS DE P OSGRADO

C ONTROL DE ROBOTS MÓVILES PARA EL

S USANA V IRIDIANA G UTIÉRREZ M ARTÍNEZ

COMO REQUISITO PARCIAL PARA OBTENER EL GRADO DE

DOCTORADO EN INGENIERÍA ELÉCTRICA

FACULTAD DE I NGENIERÍA M ECÁNICA Y E LÉCTRICA

S UBDIRECCIÓN DE E STUDIOS DE P OSGRADO

C ONTROL DE ROBOTS MÓVILES PARA EL

S USANA V IRIDIANA G UTIÉRREZ M ARTÍNEZ

COMO REQUISITO PARCIAL PARA OBTENER EL GRADO DE

DOCTORADO EN INGENIERÍA ELÉCTRICA

Profesor asesor: Dr. Jesús de León Morales

Índice de Tablas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . XII

2.5.3. Modelo dinámico del cuadrirrotor . . . . . . . . . . . . . . . . . . . . . . . . . . 36

3. Control basado en modos deslizantes 44

5. Diseño del control adaptativo super-twisting para el cuadrirrotor 86

5.3. Simulación del Cuadrirrotor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94

Conclusiones y trabajo futuro 104

A. Robot E-puck 118

2.1. Diferentes aplicaciones de los robots móviles terrestres . . . . . . . . . . . . . . . . . 7

3.1. Función Signo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

4.1. Differential mobile robot . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72

4.2. Estrategia Líder-Seguidor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76

5.1. Marco de referencia del cuadrirrotor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87

A.1. Robot móvil e-puck . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119

5.1. Parámetros del cuadrirrotor. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94

El problema de control de seguimiento para robots móviles terrestres, generalmente se ha re-

1.3. Estructura de la Tesis

Este trabajo está organizado de la siguiente forma: En el capítulo 2, se introducen conceptos de

La robótica, es una de las áreas de investigación más importantes en la comunidad científi-

2.2. Robots móviles terrestres

(a) Exploración en el espacio. (b) Atención en primeros auxilios (c) En la industria.

Figura 2.1: Diferentes aplicaciones de los robots móviles terrestres

Figura 2.2: Diferentes sistemas de locomoción de los robots móviles terrestres

Configuración síncrona ó synchro-drive. En esta configuración existen transmisiones que

Figura 2.3: Configuración Síncrona

Configuración con direccionamiento diferencial. Se caracteriza porque el movimiento se

Figura 2.4: Configuración con direccionamiento diferencial

Configuración de triciclo clásico La rueda delantera se utiliza para la orientación y la trac-

Figura 2.5: Configuración de triciclo clásico

Figura 2.6: Configuración Ackerman

Hipótesis 1. El robot se mueve sobre una superficie plana

Hipótesis 2. El deslizamiento en la ruedas izquierda y derecha son despreciables

Hipótesis 3. El robot es rígido y no cuenta con partes flexibles

2.3. Modelos matemáticos

2.3.1. Modelo cinemático no-holonómico

holonómico, es decir, tiene restricciones en la velocidad [33].

donde v es la velocidad lineal en dirección perpendicular al eje de sus ruedas y ω es la velocidad

Figura 2.7: Robot con tracción diferencial no-holonómico

Considerando la siguiente condición no-holonómica

ẋ i senθi − ẏ i cos θ = 0 (2.2)

2.3.2. Modelo cinemático holonómico

Un robot móvil es holonómico si no tiene restricciones de velocidad en el plano coordenado, es

se muestra en la Figura 2.8. Entonces se obtiene un modelo holonómico dado por

Figura 2.8: Robot con tracción diferencial modelo holonómico

variables de velocidad [48].

2.3.3. Modelo cinemático expresado en coordenadas polares