Este artigo investiga o problema do controle de rastreamento da posição do atuador final de um robô espacial micro-nano de flutuação livre no espaço cartesiano, sem depender de modelos cinemáticos ou dinâmicos explícitos. Para enfrentar esse desafio, foi construída uma arquitetura de aprendizado em duas camadas. A primeira camada utiliza uma rede neural profunda para aprendizado cinemático, capturando o mapeamento não linear das coordenadas cartesianas do atuador final para a velocidade angular das articulações e gerando uma trajetória de referência das articulações. A segunda camada adota uma rede baseada no operador de Koopman para construir uma representação de linearização aproximada da dinâmica do espaço articular do robô espacial de flutuação livre. Com base nesse modelo, é proposta uma solução de controle preditivo fracionário terminal que incorpora o operador fracionário Grünwald–Letnikov, que, em comparação com o controle preditivo tradicional, melhora o desempenho do controle online e aperfeiçoa a velocidade e precisão do rastreamento. Resultados de simulação validam a eficácia da solução proposta, demonstrando que, no design do controlador, não é necessária a análise explícita dos modelos cinemáticos e dinâmicos, sendo possível alcançar um rastreamento preciso e rápido do atuador final apenas com treinamento baseado em trajetórias de entrada e saída.

Robô espacial de flutuação livre;rede neural profunda;aprendizado de modelo focado no controle;controle preditivo