Learning-based navigation and model-based control for UAV load transportation systems

Abstract

This thesis investigates autonomous navigation and cooperative payload transportation strategies for aerial robotic systems, focusing on Unmanned Aerial Vehicles (UAVs) operating in semi-structured environments under dynamic uncertainties. The work is organized into two complementary parts. The first part addresses the autonomous navigation problem by proposing reinforcement learning- based methods for global and local path planning in grid-based environments. Navigation strategies are developed to simultaneously consider multiple criteria, such as path length, safety, and energy consumption, as well as decentralized mechanisms for local obstacle avoidance under distinct agent priorities. Experimental results demonstrate that the proposed approaches provide competitive performance and improved flexibility when compared with classical path-planning methods. The second part focuses on cooperative payload transportation using aerial robots, investigating different mechanical configurations and control strategies to deal with unknown payloads and coupled dynamics. Initially, cooperation between UAVs and unmanned ground vehicles is explored for heterogeneous transportation missions. Subsequently, an adaptive control strategy for cooperative payload transportation in tandem configuration is proposed, enabling online compensation of parametric uncertainties. From the comparative analysis between rigidly attached and cable- suspended payload configurations, cable-suspended transportation is identified as the most feasible practical solution, although it introduces additional challenges related to payload oscillation and underactuated nonlinear dynamics. Based on this analysis, the main contribution of this thesis is the development of robust-adaptive control strategies for cooperative cable-suspended payload transportation, capable of estimating uncertainties, rejecting external disturbances, and mitigating payload oscillations during transportation tasks. The proposed approaches are evaluated through simulations and experimental validations, demonstrating the feasibility of integrating artificial intelligence techniques for navigation with model-based control methods for suspended payload stabilization. Thus, this thesis contributes to the advancement of autonomous aerial robotic systems for logistics, inspection, and cooperative transportation missions in real-world environments. Keywords: Reinforcement Learning; Adaptive Control; Robust Control; Cooperative Payload Transportation; Parametric Uncertainties

Esta tese investiga estratégias de navegação autônoma e transporte cooperativo de cargas por sistemas robóticos aéreos, com foco em Veículos Aéreos Não Tripulados (VANTs) operando em ambientes semi-estruturados e sujeitos a incertezas dinâmicas. O trabalho está organizado em duas partes complementares. A primeira aborda o problema de navegação autônoma, propondo métodos baseados em aprendizado por reforço para planejamento global e local de trajetórias em ambientes representados por grades. São desenvolvidas estratégias de navegação capazes de considerar múltiplos critérios, como distância, segurança e consumo energético, além de mecanismos descentralizados para desvio local de obstáculos com prioridades distintas entre agentes. Os resultados experimentais demonstram que as abordagens propostas apresentam desempenho competitivo e maior flexibilidade quando comparadas a métodos clássicos de planejamento. A segunda parte da tese concentra-se no transporte cooperativo de cargas por robôs aéreos, explorando diferentes configurações mecânicas e estratégias de controle para lidar com cargas desconhecidas e dinâmicas acopladas. Inicialmente, é investigada a cooperação entre VANTs e veículos terrestres não tripulados para missões heterogêneas de transporte. Em seguida, é proposta uma estratégia adaptativa para transporte cooperativo em configuração tandem, permitindo compensação online de incertezas paramétricas. A partir da análise comparativa entre cargas rigidamente acopladas e cargas suspensas por cabos, identifica-se que o transporte por cabos apresenta maior viabilidade prática, embora introduza desafios adicionais relacionados à oscilação da carga e à natureza subatuada do sistema. Com base nessa análise, a principal contribuição desta tese consiste no desenvolvimento de estratégias robustas e adaptativas para o transporte cooperativo de cargas suspensas por cabos, capazes de estimar incertezas, rejeitar distúrbios externos e mitigar oscilações durante o transporte. As abordagens propostas são avaliadas por meio de simulações e validações experimentais, demonstrando a viabilidade do uso integrado de técnicas de inteligência artificial para navegação e métodos baseados em modelo para controle de cargas suspensas. Dessa forma, esta tese contribui para o avanço de sistemas robóticos aéreos autônomos voltados a aplicações logísticas, inspeção e missões cooperativas em ambientes reais. Palavras-chave: Aprendizado por reforço; Controle Adaptativo; Controle Robusto; Transporte Cooperativo de Cargas; Incertezas Paramétricas