Este artículo investiga el problema del control de seguimiento de la posición del efector final de un robot espacial micro-nano flotante libremente en el espacio cartesiano, sin depender de modelos cinemáticos o dinámicos explícitos. Para abordar este desafío, se construyó una arquitectura de aprendizaje de dos niveles. El primer nivel utiliza una red neuronal profunda para el aprendizaje cinemático, capturando el mapeo no lineal desde las coordenadas cartesianas del efector final a la velocidad angular de las articulaciones y generando una trayectoria de referencia para las articulaciones. El segundo nivel emplea una red basada en el operador de Koopman para construir una representación linealizada aproximada de la dinámica del espacio articular del robot espacial flotante. Basado en este modelo, se propone un esquema de control predictivo fraccional terminal que incorpora el operador fraccional de Grünwald–Letnikov, que en comparación con el control predictivo tradicional, mejora el rendimiento del control en línea y mejora la velocidad y precisión del seguimiento. Los resultados de la simulación validan la efectividad del esquema propuesto, mostrando que en el diseño del controlador no es necesario analizar explícitamente los modelos cinemáticos y dinámicos, y que se puede lograr un seguimiento de trayectoria preciso y rápido del efector final basándose únicamente en el entrenamiento con trayectorias de entrada-salida.

Robot espacial flotante libre;red neuronal profunda;aprendizaje de modelos orientado al control;control predictivo