TECNICHE DI CONTROLLO OTTIME PER INTERAZIONE TRENO-DRONE NELLA DIAGNOSTICA FERROVIARIA

In this thesis work we will work in a multidisciplinary engineering field, that is, railway diagnostics carried out through the use of diagnostic trains and drones, which represent one of the most advanced technologies in the field of automation. Specifically, the work carried out focuses on the crucial phase of re-entry of the drone on the diagnostic train, once the inspection is finished. The focus is therefore on the optimization of train-drone interaction and the control of the drone in the pursuit of the train and the landing on moving train. The objective of the thesis is therefore the resolution of an optimal non-linear control problem, aimed at minimizing the distance between train and drone, satisfying the kinematic, dynamic and path constraints imposed. For this purpose, the drone can be properly controlled in the two phases via the Linear Quadratic Regulator (LQR) and a combination of Extendend Kalman Filter (EKF) and Model Predictive Control (MPC). First, we try to analyze the trajectory tracking through the LQR algorithm, which has many limitations and little efficiency. The EKF instead, is implemented to coordinate the landing phase and estimate the final point of arrival on the train. For the control of the drone, instead, the MPC is used, which shows strength and precision for the pursuit of the trajectory and for landing on the train. The highly used predictive algorithm, both in the academic and industrial field, due to its remarkable ability to operate with highly non-linear problems and constraints of varying nature, is implemented in MATLAB environment and solved with the toolbox for non-linear programming casadi. To evaluate the efficiency of the implemented control framework, the results of the simulations performed are presented and critically analyzed through graphs and tables comparing both the computational performance and the system response to the input variation.

Nel presente lavoro di tesi si va ad operare in un ambito ingegneristico multidisciplinare ovvero, la diagnostica ferroviaria effettuata mediante l'utilizzo di treni diagnostici e droni, che rappresentano una delle tecnologie più all'avanguardia nel campo dell'automazione. Nello specifico, il lavoro effettuato si concentra sulla fase cruciale di rientro del drone sul treno diagnostico, una volta terminata l'ispezione. L'attenzione è quindi posta sull'ottimizzazione dell'interazione treno-drone e sul controllo del drone nell'inseguimento del treno e sull'atterraggio su treno in movimento. L'obiettivo della tesi è quindi la risoluzione di un problema di controllo ottimo non lineare, volto a minimizzare la distanza tra treno e drone, soddisfacendo i vincoli cinematici, dinamici e di percorso imposti. A tal scopo, il drone può essere opportunamente controllato nelle due fasi tramite il Linear Quadratic Regulator (LQR) e una combinazione di Extendend Kalman Filter (EKF) e Model Predictive Control (MPC). In primo luogo si cerca di analizzare l'inseguimento della traiettoria attraverso l'algoritmo LQR, che presenta molti limiti e poca efficienza. L'EKF invece, viene implementato per coordinare la fase di atterraggio e stimare il punto finale di arrivo sul treno. Per il controllo del drone invece si usa l'MPC, che mostra robustezza e precisione per l'inseguimento della traiettoria e per l'atterraggio sul treno. L'algoritmo predittivo molto impiegato, sia in campo accademico che industriale, per via della sua notevole capacità di operare con problemi altamente non lineari e vincoli di svariata natura, è implementato in ambiente MATLAB e risolto con il toolbox per programmazione non lineare CasAdi. Per valutare l'efficienza del framework di controllo implementato, i risultati delle simulazioni effettuate sono presentati e analizzati criticamente tramite grafici e tabelle confrontando sia le prestazioni computazionali sia la risposta del sistema alla variazione di input.