• active perception
• active sensing
• Lyapunov-based MPC
• nonholonomic wheeled robots
• percezione attiva
• veicoli autonomi

Nel seguente lavoro di tesi viene sviluppato un controllo predittivo ottimo basato su Lyapunov per l'applicazione della tecnica di active sensing su veicoli autonomi.
La percezione attiva o active sensing è una tecnica nativa degli esseri umani, ed è basata sulla considerazione secondo il quale il processo decisionale relativo alla scelta delle azioni da compiere nei sistemi dinamici è dipendente dalla qualità dei segnali ricevuti. I sensori sotto questo aspetto non hanno un ruolo passivo di semplice ricezione di segnali esterni, ma anzi coinvolgono il sistema di controllo alla pianificazione di traiettoria che permettano la ricezione di dati sempre più accurati e ricchi di informazione.
Studi sui comportamenti degli esseri umani hanno mostrato come, a causa del rumore presente sia nel sistema sensoriale che nel sistema motorio, il sistema nervoso centrale debba necessariamente stimare gli stati del sistema, quali ad esempio la posizione degli arti, al fine di eseguire un obbiettivo. Questo sembra essere raggiunto dalla combinazione di più afferenze sensoriali, in grado di aumentare la qualità dell’informazione e diminuire l'incertezza sulla stima degli stati.
La modellazione di una legge di controllo ottimo in grado di poter emulare tali comportamenti è ottenuta accoppiando ad una legge di controllo in feedback capace di adempiere al task in questione, una legge di controllo in feedforward capace di correggere la traiettoria in maniera da massimizzare la quantità e la qualità di informazione ricevuta e ridurre gli effetti negativi causati dal rumore.
Anche in campo robotico, il problema di stima per l'adempimento di specifici compiti o di navigazione in ambienti non ben strutturati può sfruttare la modellizzazione appena descritta.
Il seguente lavoro di tesi, partendo dai comportamenti legati agli esseri umani, definisce un controllo ottimo basato sul modello del sistema che riesce a combinare un'azione di controllo in feedforward che massimizza l'informazione acquisita dai sensori ed un'azione di feedback che garantisce l'adempimento del task esecutivo.
La strategia di controllo che si è scelto di adottare è quella del Lyapunov-based Model Predictive Control (LbMPC) che consente di combinare le due azioni di controllo simultaneamente. Questa tecnica di controllo permette di considerare un indice di costo da ottimizzare e ,tramite imposizione di vincoli prefissati, di garantire i criteri di stabilità per l'esecuzione del task e di poter limitare gli ingressi di controllo arbitrariamente. Inoltre, scegliendo come metrica di ottimizzazione l'autovalore minimo del Gramiano di Costruibilità è possibile selezionare la traiettoria che massimizza la quantità di informazione raccolta lungo tutto il percorso rispettando al contempo i vincoli prefissati.
Per mostrarne il corretto funzionamento del metodo proposto è stato considerato lo studio su un veicolo mobile uniciclo che deve svolgere i compiti di inseguimento di traccia, inseguimento della traiettoria di un altro uniciclo e controllo di postura.
In tutti e tre i casi si è mostrato come l'applicazione della legge di controllo active sensing riesca a minimizzare l'incertezza di stima dovuta alla presenza di rumore presente nei sensori, attuando delle analisi statistiche di confronto rispetto a controllori che non condividono la caratteristica di percezione attiva.