Deep Neural Network-based Sliding Mode Observers

This thesis presents and analyzes a novel observer-based control framework integrating Deep Neural Networks (DNNs) with Sliding Mode Observers (SMOs). This approach aims to achieve accurate approximation of the uncertain dynamics of the system under control in presence of disturbances, dealt with Integral Sliding Mode (ISM) to ensure robustness. Drawing inspiration from adaptive control principles, the DNNs are trained online via Lyapunov-based adaptation laws enhanced with Barrier Lyapunov Functions (BLFs) to impose prescribed approximation error bound. The framework is then applied to control scenarios in which the system must satisfy states and input constraints, exploiting DNN-estimates in a Model Predictive Control (MPC). The DNN-SMO methodology has been theoretically analyzed and its validity verified through numerical simulations on two benchmark examples: a Duffing oscillator and a 3-DoF robotic manipulator, demonstrating practical convergence and constraint satisfaction.

Questa tesi presenta e analizza un innovativo framework di controllo basato su osservatori, integrando Reti Neurali Profonde (DNNs) con Osservatori a Modo Scorrevole (SMOs). Tale approccio mira a un'accurata approssimazione della dinamica incerta del sistema sotto controllo in presenza di disturbi, gestiti tramite Integral Sliding Mode (ISM) per garantire robustezza. Traendo ispirazione dai principi di controllo adattivo, le DNN vengono addestrate online tramite leggi di adattamento basate sull'analisi di Lyapunov, potenziate con Funzioni a Barriera di Lyapunov (BLFs) per imporre vincoli predefiniti sull'errore di stima. Il framework è poi applicato a sistemi soggetti a vincoli su stati e ingressi, sfruttando le stime delle DNN all'interno di un Controllore Predittivo (MPC). La metodologia DNN-SMO è stata analizzata teoricamente e validata in simulazione su: un oscillatore Duffing e un manipolatore robotico a 3 giunti, dimostrando convergenza pratica e soddisfazione dei vincoli.