The task of controlling complex and nonlinear systems remains a challenge in the implementation of robust control; it is sought to be resilient to disturbances and capable of managing nonlinearities. To achieve this goal, one of the techniques that has been resorted to is the combination of conventional control techniques and metaheuristics, as presented in this work, in which Recurrent High-Order Neural Networks (RHONN) are employed to model a nonlinear system such as that of a differential mobile robot. One of the key points of this work is to address the problem often encountered in the application of experimental control when system parameters are needed for accurate modeling, data filtering, when necessary, disturbances exist, or alternatively, actuators or sensors may have delays in executing a certain action. This work aims to solve the problems that often arise when applying experimental control, such as the difficulty of modeling the system when parameters are unknown, data processing when there is noise, or delays of actuators or sensors when implementing an action. The goal is to obtain an equivalent system, using artificial neural networks, that facilitates the use of data obtained from the system and at the same time provides a robust identifier, capable of withstanding disturbances. Such identifiers are of greater importance when carrying out experimental tests, as they are able to compensate for system variations, wear, or disturbances when obtaining system data.
La tarea de controlar sistemas complejos y no lineales continúa siendo un desafío en lo que respecta a la aplicación de un control robusto; se busca que sea resistente a las perturbaciones y que pueda gestionar las no linealidades. Para lograr este objetivo, una de las técnicas a las que se ha recurrido es la combinación de técnicas de control convencional y metaheurísticas, como las presentadas en este trabajo, en el que se emplean diversas redes neuronales recurrentes de alto orden (RHONN por sus siglas en inglés) para modelar y controlar un sistema no lineal como lo es un robot móvil diferencial. Una red neuronal identificadora la cual proporciona un modelo equivalente, filtrando ruido y otras dos que generan un control adaptivo usando un PID que modificará las ganancias en tiempo real. Uno de los puntos clave de este trabajo es abordar la problemática que frecuentemente se encuentra en la aplicación de un control experimental al necesitar parámetros del sistema para un correcto modelado, un filtrado de datos cuando existan perturbaciones externas, o en su defecto los actuadores o sensores pueden contar con retardos al ejecutar una determinada acción. Este trabajo apunta a resolver los problemas que a menudo se generan al aplicar controles experimentales, como la dificultad de modelar el sistema cuando se desconocen los parámetros, el procesamiento de datos cuando hay ruidos, o los retrasos de los actuadores o sensores al implementar una acción. El objetivo es obtener un sistema equivalente, utilizando redes neuronales artificiales, que facilite el uso de los datos obtenidos del sistema y que, a la vez, proporcione un identificador robusto, capaz de resistir perturbaciones. Este tipo de identificadores tienen una mayor importancia cuando se llevan a cabo pruebas experimentales, ya que son capaces de compensar variaciones del sistema, desgastes o perturbaciones al obtener los datos del sistema.
