Sul controllo model based e model free di Flapping Wing Micro Air Vehicles = On the model based and model free control of Flapping Wing Micro Air Vehicles

Flapping Wing Micro Air Vehicles (FWMAVs) sono micro-droni ispirati a uccelli e insetti capaci di generare portanza e spinta attraverso il movimento oscillatorio delle ali, il che conferisce loro un'eccezionale manovrabilità. Tuttavia, questo particolare meccanismo di volo introduce anche notevoli difficoltà nella modellazione della loro dinamica e aerodinamica a causa di forti non linearità. Data questa complessità, sviluppare algoritmi di controllo efficaci diventa problematico. La teoria del controllo classica si propone di trovare sequenze di controllo che guidino un sistema lungo una traiettoria desiderata soddisfando determinati requisiti e, sebbene ciò sia possibile, applicare tali metodi a sistemi altamente non lineari può risultare difficile. In alternativa, il Reinforcement Learning (RL), sotto-campo del machine learning nato negli anni '90, si concentra sull'apprendimento di una politica di controllo con una conoscenza limitata o nulla della dinamica del sistema. I recenti progressi nel RL hanno portato allo sviluppo del Deep Reinforcement Learning (DRL), che utilizza reti neurali e altri approssimatori di funzione per apprendere strategie di controllo complesse. Tuttavia, l'addestramento di questi modelli può essere computazionalmente oneroso e difficile da ottimizzare. Di fronte al progredire dello stato dell’arte e allo sviluppo di architetture e algoritmi sempre più complessi, ci si chiede se soluzioni più semplici e dirette possano ottenere prestazioni comparabili o addirittura migliori in certi scenari. Questo lavoro si propone quindi di valutare le prestazioni delle Radial Basis Function (RBFs) come approssimatori di funzione in due casi studio. Nel primo, più semplificato, il controllore RBF verrà confrontato con un Regolatore Lineare Quadratico (LQR, controllo ottimo), nel secondo caso studio, più realistico, si analizzeranno le problematiche di apprendimento dei controllori RBF rispetto alle reti neurali.