Titolo della tesi: Energy-Based and Machine Learning Approaches to Passivity-Preserving and Safety-Critical Control
La presente ricerca affronta la sintesi e l’analisi di controllori non lineari orientati alla sicurezza, basati su una prospettiva energetico-passiva e sull’impiego di strumenti computazionali moderni. In particolare, vengono proposti tre contributi principali: (i) un’analisi comparativa di differenti formulazioni di Control Barrier Function (CBF), valutandone l’effetto sui flussi energetici e sulle prestazioni del sistema in compiti di controllo safety-critical per robot manipolatori; (ii) un approccio basato su Physics-Informed Neural Networks (PINNs) per automatizzare la risoluzione dell’equazione alle derivate parziali (PDE) alla base del metodo Interconnection and Damping Assignment Passivity-Based Control (IDA-PBC); (iii) una metodologia di apprendimento automatico model-based per la sintesi di CBF in grado di preservare la passività del sistema in presenza di saturazioni di ingresso.
Nel loro insieme, i risultati delineano un percorso costruttivo verso controllori capaci di garantire sicurezza o stabilizzazione, rendendo espliciti i meccanismi energetici di modellazione, dissipazione e trasferimento attraverso i quali tali proprietà vengono assicurate. Le metodologie proposte vengono validate mediante simulazioni e test sperimentali su sistemi robotici non lineari e sottoattuati, dimostrando robustezza e scalabilità. In particolare, lo studio comparativo sulle CBF è validato su un robot planare a 3R e su un manipolatore a 7 gradi di libertà; la pipeline IDA-PBC basata su PINN riduce le ipotesi restrittive di risolvibilità e garantisce stabilizzazione tramite smorzamento appropriato; infine, la progettazione di CBF assistita da apprendimento conserva la passività in sistemi cart-pole e manipolatori 2R soggetti a saturazione d’ingresso.
Complessivamente, il lavoro contribuisce a chiarire le interrelazioni tra sicurezza, prestazioni e comportamento energetico, ampliando gli strumenti per la progettazione di controllori energy-shaping e safety-critical integrati con tecniche di apprendimento automatico.