Strategie di identificazione dei sistemi per macchinari da costruzione intelligenti

This thesis investigates system identification techniques for modeling the motion dy namics of a compact skid-steer tracked robot, with a focus on turn-in-place maneu vers. The central objective is to determine an accurate, interpretable input-output model based on real experimental data. The research question guiding this work is: Which model structure and identification method best capture the translational and rotational behavior of the robot using available onboard sensor signals? Arange of identification techniques are explored, including autoregressive linear models (ARX and ARMAX), subspace methods (N4SID), and nonlinear optimiza tion approaches. Data used for modeling was obtained from sensors onboard a skid steer robot executing left and right turning maneuvers. Input signals include the commanded linear velocity,the measured linear velocity and the measured angular velocity, while outputs consist of the planar position (x, y) and yaw angle (ψ). This selection of signals allowed the model to capture both the translational and rota tional dynamics of the skid-steer system more accurately. Especially during in-place turning maneuvers. All signals were carefully synchronized, downsampled, and aligned in time before modeling. The dataset was split into training and validation sets to ensure reliable model evaluation. Both manual implementations and MATLAB built-in functions were employed, with performance measured using fit percentage, Root Mean Squared Error (RMSE), and the coefficient of determination (R2). The results demonstrate that linear models– specifically ARX and ARMAX– consistently achieved the highest accuracy in predicting both translational and rotational outputs. These models outperformed more complex alternatives, partic ularly in terms of R2 and RMSE metrics on validation data. The final conclusion recommends using a two-input, three-output model configuration with [vk,ωk] as inputs and [x,y,ψ] as outputs for future control and estimation tasks.

Questa tesi indaga le tecniche di identificazione dei sistemi per la modellazione della dinamica di movimento di un robot cingolato compatto con sterzata differenziale (skid-steer), con particolare attenzione alle manovre di rotazione sul posto (turn-in-place). L’obiettivo principale è determinare un modello ingresso-uscita accurato e interpretabile, basato su dati sperimentali reali. La domanda di ricerca che guida questo lavoro è: Quale struttura di modello e quale metodo di identificazione rappresentano meglio il comportamento traslazionale e rotazionale del robot utilizzando i segnali disponibili dai sensori di bordo? È stata esplorata una gamma di tecniche di identificazione, tra cui modelli autoregressivi lineari (ARX e ARMAX), metodi subspaziali (N4SID) e approcci di ottimizzazione non lineare. I dati utilizzati per la modellazione sono stati raccolti da sensori montati su un robot skid-steer che eseguiva manovre di svolta a sinistra e a destra. I segnali in ingresso comprendono la velocità lineare comandata, la velocità lineare misurata e la velocità angolare misurata, mentre le uscite sono costituite dalla posizione planare (x, y) e dall’angolo di imbardata (ψ). Questa selezione di segnali ha permesso al modello di rappresentare con maggiore precisione la dinamica sia traslazionale che rotazionale del sistema skid-steer, specialmente durante le manovre di rotazione sul posto. Tutti i segnali sono stati accuratamente sincronizzati, sottocampionati e allineati temporalmente prima della modellazione. Il dataset è stato suddiviso in insiemi di addestramento e di validazione per garantire una valutazione affidabile del modello. Sono state utilizzate sia implementazioni manuali che funzioni integrate di MATLAB, e le prestazioni sono state misurate utilizzando la percentuale di fit, l’errore quadratico medio (RMSE) e il coefficiente di determinazione (R²). I risultati dimostrano che i modelli lineari – in particolare ARX e ARMAX – hanno costantemente raggiunto la massima accuratezza nella previsione sia degli output traslazionali che rotazionali. Questi modelli hanno superato alternative più complesse, soprattutto in termini di R² e RMSE sui dati di validazione. La conclusione finale raccomanda l’uso di una configurazione a due ingressi e tre uscite, con [vk, ωk] come ingressi e [x, y, ψ] come uscite, per future applicazioni di controllo e stima.