Os equipamentos robóticos foram inicialmente criados para atuarem em ambientes industriais fechados. Com o passar do tempo, melhorias foram conquistadas. Atualmente, não se limitam mais à realização de tarefas simples e repetitivas em locais especialmente preparados. Novos equipamentos, capazes de atuarem em ambientes abertos e de realizarem as mais diversas atividades, estão sendo desenvolvidos. Para tanto, é necessário que seus sistemas de controle realizem uma efetiva interação com o mundo onde estão inseridos. Fazem-se necessários, portanto, novos sistemas controladores com capacidade de uma contínua adaptação ao ambiente dinâmico onde operam. As redes neurais artificiais, devido a sua capacidade de tratamento de problemas não lineares – matematicamente difíceis de serem resolvidos, estão sendo empregadas no controle destes processos. O gerenciamento da trajetória de um veículo móvel em ambientes abertos ou fechados é um procedimento altamente não-linear, logo, a aplicação das redes neurais artificiais é bastante promissora. Apesar de sua grande versatilidade, as redes neurais artificiais têm sido utilizadas apenas como sistemas de mapeamento. A grande maioria delas necessita de uma fase de treinamento para que possam armazenar a diversidade de estados possíveis do sistema. Quando atuam, elas simplesmente mapeiam os seus valores de entrada (estado atual) nas soluções previamente armazenadas. Contudo, esta não é a melhor abordagem para os sistemas abertos, ou seja, para os processos cujas situações e possibilidades não podem ser totalmente enumeradas e que podem ser mutáveis no decorrer do tempo. Este trabalho apresenta uma metodologia de controle neural adaptativo para guiar um veículo móvel até o seu destino em ambientes contendo obstáculos fixos ou móveis. Diferentemente das abordagens tradicionais, não existe a necessidade de um treinamento prévio da rede. A rede neural artificial escolhida promove uma contínua adaptação do sistema enquanto atua. Neste processo, são utilizados sensores que fornecem subsídios para que a rede possa gerar, adaptativamente, soluções parciais que façam com que o veículo autônomo se aproxime cada vez mais do seu objetivo, até, finalmente, atingi-lo. / The robotic equipments were created initially to actuate in closed industrial environments. Improvements have been acquieved in this area. Nowadays, they are no longer limited to perform simple and repetitive tasks in controlled places. New equipments, capable of acting in open environments and doing the most several activities, are being developed. For so much, it is necessary that its control systems accomplish an effective interaction with the world where they are inserted. Therefore, new systems controllers with capacity of a continuous adaptation to the dynamic environments are essential. Artificial neural networks, due to their capacity of dealing wit non-linear problems – mathematically difficult to be solved – are being used to control these kind of processes. Guide a mobile vehicle through an open or controlled environments is a highly non-linear procedure; therefore, the use of an artificial neural nets is quite promising. In spite of its great versatility, they have just been used as mapping systems. Most of them need a training phase so that they can store the diversity of system’s possible states. When they actuate, they simply map their input values (current state) to the solutions previously stored. However, this is not the best approach for open systems, i.e. systems whose situations and possibilities cannot be totally enumerated and that can change in time. This work presents an adaptive neural control methodology to guide a mobile vehicle to its target in environments with fixed or mobile obstacles. Differently from the traditional approaches, the need of a previous training phase of the neural network doesn't exist. The chosen model of artificial neural net promotes a continuous adaptation of the system while it actuates. Sensors are used to provide informations to the net. This way it generates partial solutions that makes the autonomous vehicle gets closer of its goal, until, finally, reach it.

Os equipamentos robóticos foram inicialmente criados para atuarem em ambientes industriais fechados. Com o passar do tempo, melhorias foram conquistadas. Atualmente, não se limitam mais à realização de tarefas simples e repetitivas em locais especialmente preparados. Novos equipamentos, capazes de atuarem em ambientes abertos e de realizarem as mais diversas atividades, estão sendo desenvolvidos. Para tanto, é necessário que seus sistemas de controle realizem uma efetiva interação com o mundo onde estão inseridos. Fazem-se necessários, portanto, novos sistemas controladores com capacidade de uma contínua adaptação ao ambiente dinâmico onde operam. As redes neurais artificiais, devido a sua capacidade de tratamento de problemas não lineares – matematicamente difíceis de serem resolvidos, estão sendo empregadas no controle destes processos. O gerenciamento da trajetória de um veículo móvel em ambientes abertos ou fechados é um procedimento altamente não-linear, logo, a aplicação das redes neurais artificiais é bastante promissora. Apesar de sua grande versatilidade, as redes neurais artificiais têm sido utilizadas apenas como sistemas de mapeamento. A grande maioria delas necessita de uma fase de treinamento para que possam armazenar a diversidade de estados possíveis do sistema. Quando atuam, elas simplesmente mapeiam os seus valores de entrada (estado atual) nas soluções previamente armazenadas. Contudo, esta não é a melhor abordagem para os sistemas abertos, ou seja, para os processos cujas situações e possibilidades não podem ser totalmente enumeradas e que podem ser mutáveis no decorrer do tempo. Este trabalho apresenta uma metodologia de controle neural adaptativo para guiar um veículo móvel até o seu destino em ambientes contendo obstáculos fixos ou móveis. Diferentemente das abordagens tradicionais, não existe a necessidade de um treinamento prévio da rede. A rede neural artificial escolhida promove uma contínua adaptação do sistema enquanto atua. Neste processo, são utilizados sensores que fornecem subsídios para que a rede possa gerar, adaptativamente, soluções parciais que façam com que o veículo autônomo se aproxime cada vez mais do seu objetivo, até, finalmente, atingi-lo. / The robotic equipments were created initially to actuate in closed industrial environments. Improvements have been acquieved in this area. Nowadays, they are no longer limited to perform simple and repetitive tasks in controlled places. New equipments, capable of acting in open environments and doing the most several activities, are being developed. For so much, it is necessary that its control systems accomplish an effective interaction with the world where they are inserted. Therefore, new systems controllers with capacity of a continuous adaptation to the dynamic environments are essential. Artificial neural networks, due to their capacity of dealing wit non-linear problems – mathematically difficult to be solved – are being used to control these kind of processes. Guide a mobile vehicle through an open or controlled environments is a highly non-linear procedure; therefore, the use of an artificial neural nets is quite promising. In spite of its great versatility, they have just been used as mapping systems. Most of them need a training phase so that they can store the diversity of system’s possible states. When they actuate, they simply map their input values (current state) to the solutions previously stored. However, this is not the best approach for open systems, i.e. systems whose situations and possibilities cannot be totally enumerated and that can change in time. This work presents an adaptive neural control methodology to guide a mobile vehicle to its target in environments with fixed or mobile obstacles. Differently from the traditional approaches, the need of a previous training phase of the neural network doesn't exist. The chosen model of artificial neural net promotes a continuous adaptation of the system while it actuates. Sensors are used to provide informations to the net. This way it generates partial solutions that makes the autonomous vehicle gets closer of its goal, until, finally, reach it.

Os equipamentos robóticos foram inicialmente criados para atuarem em ambientes industriais fechados. Com o passar do tempo, melhorias foram conquistadas. Atualmente, não se limitam mais à realização de tarefas simples e repetitivas em locais especialmente preparados. Novos equipamentos, capazes de atuarem em ambientes abertos e de realizarem as mais diversas atividades, estão sendo desenvolvidos. Para tanto, é necessário que seus sistemas de controle realizem uma efetiva interação com o mundo onde estão inseridos. Fazem-se necessários, portanto, novos sistemas controladores com capacidade de uma contínua adaptação ao ambiente dinâmico onde operam. As redes neurais artificiais, devido a sua capacidade de tratamento de problemas não lineares – matematicamente difíceis de serem resolvidos, estão sendo empregadas no controle destes processos. O gerenciamento da trajetória de um veículo móvel em ambientes abertos ou fechados é um procedimento altamente não-linear, logo, a aplicação das redes neurais artificiais é bastante promissora. Apesar de sua grande versatilidade, as redes neurais artificiais têm sido utilizadas apenas como sistemas de mapeamento. A grande maioria delas necessita de uma fase de treinamento para que possam armazenar a diversidade de estados possíveis do sistema. Quando atuam, elas simplesmente mapeiam os seus valores de entrada (estado atual) nas soluções previamente armazenadas. Contudo, esta não é a melhor abordagem para os sistemas abertos, ou seja, para os processos cujas situações e possibilidades não podem ser totalmente enumeradas e que podem ser mutáveis no decorrer do tempo. Este trabalho apresenta uma metodologia de controle neural adaptativo para guiar um veículo móvel até o seu destino em ambientes contendo obstáculos fixos ou móveis. Diferentemente das abordagens tradicionais, não existe a necessidade de um treinamento prévio da rede. A rede neural artificial escolhida promove uma contínua adaptação do sistema enquanto atua. Neste processo, são utilizados sensores que fornecem subsídios para que a rede possa gerar, adaptativamente, soluções parciais que façam com que o veículo autônomo se aproxime cada vez mais do seu objetivo, até, finalmente, atingi-lo. / The robotic equipments were created initially to actuate in closed industrial environments. Improvements have been acquieved in this area. Nowadays, they are no longer limited to perform simple and repetitive tasks in controlled places. New equipments, capable of acting in open environments and doing the most several activities, are being developed. For so much, it is necessary that its control systems accomplish an effective interaction with the world where they are inserted. Therefore, new systems controllers with capacity of a continuous adaptation to the dynamic environments are essential. Artificial neural networks, due to their capacity of dealing wit non-linear problems – mathematically difficult to be solved – are being used to control these kind of processes. Guide a mobile vehicle through an open or controlled environments is a highly non-linear procedure; therefore, the use of an artificial neural nets is quite promising. In spite of its great versatility, they have just been used as mapping systems. Most of them need a training phase so that they can store the diversity of system’s possible states. When they actuate, they simply map their input values (current state) to the solutions previously stored. However, this is not the best approach for open systems, i.e. systems whose situations and possibilities cannot be totally enumerated and that can change in time. This work presents an adaptive neural control methodology to guide a mobile vehicle to its target in environments with fixed or mobile obstacles. Differently from the traditional approaches, the need of a previous training phase of the neural network doesn't exist. The chosen model of artificial neural net promotes a continuous adaptation of the system while it actuates. Sensors are used to provide informations to the net. This way it generates partial solutions that makes the autonomous vehicle gets closer of its goal, until, finally, reach it.

This thesis proposes and evaluates a new cooperative guidance law called General Vector Explicit - Impact Time and Angle Control Guidance (GENEX-ITACG). The motivation for GENEX-ITACG came from an explicit trajectory shaping guidance law called General Vector Explicit Guidance (GENEX). GENEX simultaneously achieves design specifications on miss distance and terminal missile approach angle while also providing a design parameter that adjusts the aggressiveness of this approach angle. Encouraged by the applicability of this user parameter, GENEX-ITACG is an extension that allows a salvo of missiles to cooperatively achieve the same objectives of GENEX against a stationary target through the incorporation of a cooperative trajectory shaping guidance law called Impact Time and Angle Control Guidance (ITACG). ITACG allows a salvo of missile to simultaneously hit a stationary target at a prescribed impact angle and impact time. This predetermined impact time is what allows each missile involved in the salvo attack to simultaneously arrived at the target with unique approach angles, which greatly increases the probability of success against well defended targets. GENEX-ITACG further increases this probability of kill by allowing each missile to approach the target with a unique approach angle rate through the use of a user design parameter. The incorporation of ITACG into GENEX is accomplished through the use of linear optimal control by casting the cost function of GENEX into the formulation of ITACG. The feasibility GENEXITACG is demonstrated across three scenarios that demonstrate the ITACG portion of the guidance law, the GENEX portion of the guidance law, and finally the entirety of the guidance law. The results indicate that GENEX-ITACG is able to successfully guide a salvo of missiles to simultaneously hit a stationary target at a predefined terminal impact angle and impact time, while also allowing the user to adjust the aggressiveness of approach.

Mobile robots need to move in the real world for the majority of tasks. Their control is often intertwined with the tasks they have to solve. Unforeseen events must have an adequate and prompt reaction, in order to solve the corresponding task satisfactorily. A robust system must be able to respond to a variety of events with specific solutions and strategies to keep the system running. Robot navigation control systems are essential for this. In this thesis we present a robot navigation control system that fulfills these requirements: Move Base Flex. Furthermore, the map representation used to model the environment is essential for path planning. Depending on the representation of the map, path planners can solve problems like simple 2D indoor navigation, but also complex rough terrain outdoor navigation with multiple levels and varying slopes, if the corresponding representation can model them accurately. With Move Base Flex, we present a middle layer navigation framework for navigation control, that is map independent at its core. Based on this, we present the Mesh Navigation Stack to master path planning in complex outdoor environments using a developed mesh map to model surfaces in 3D. Finally, to solve path planning in complex outdoor environments, we have developed and integrated the Continuous Vector Field Planner with the aforementioned solutions and evaluated it on five challenging and complex outdoor datasets in simulation and in the real-world. Beyond that, the corresponding developed software packages are open source available and have been released to easily reproduce the provided scientific results.