Apresenta uma solução inovadora de controle por redes neurais artificiais aprendendo segundo a técnica de aprendizagem por reforço usando algoritmos genéticos para integrar múltiplos sistemas ativos no controle de estabilidade de um veículo. Estudo, restringido a um domínio de manobras, foi desenvolvido excluindo falhas e alterações da planta no tempo. Contribui para responder como o controlador de dinâmica veicular pode ser aperfeiçoado para atuação simultânea de múltiplos sistemas ativos. Contempla o desenvolvimento do neurocontrolador e algoritmo de aprendizagem na plataforma Matlab, de um modelo de dinâmica veicular em ambiente ADAMS e do modelo de referência, atuadores e observador com programação Matlab. Analisa a estabilidade da planta e define regiões de atuação do controlador. Apresenta um estudo e definição da técnica de controle de estabilidade em guinada para nortear a função de otimização, o treinamento e as simulações. Treinamento da rede neural para acomodar as não linearidades envolvidas na planta e para otimizar a integração dos múltiplos sistemas ativos focando nas especificações de desempenho do controlador e no domínio de situações a serem analisadas. Simulação de situações e manobras para validação e avaliação do desempenho do controlador com co-simulação entre Matlab e ADAMS. Resultados qualitativos e quantitativos do desempenho do controlador justificando a integração efetiva dos sistemas e o neurocontrolador não-linear. / Presents an innovative control solution with artificial neural networks learning using reinforcement learning by genetic algorithms to integrate multiple active systems to control yaw vehicle stability. Study restricted to a maneuver domain and excluding plant changes in time and failures. Contributes to answer how the vehicle dynamics controller can be improved for multiple simultaneous active systems. Development of the neurocontroller and learning algorithm in Matlab, vehicle dynamics model in ADAMS environment and reference model, actuators and observer with Matlab programming. Plant stability analysis and activation areas definition. Study and method definition for stability yaw control to guide the task of optimization, training and simulation. Training the neural network to accomplish the plant nonlinearity and to optimize the multiple active systems synergy targeting the controller performance specifications and the analyzed conditions domain. Conditions and maneuvers simulation to validate and evaluate the controller performance using cosimulation between Matlab and ADAMS. Qualitative and quantitative controller results justifying the effective systems integration and non-linear neurocontroller.

Apresenta uma solução inovadora de controle por redes neurais artificiais aprendendo segundo a técnica de aprendizagem por reforço usando algoritmos genéticos para integrar múltiplos sistemas ativos no controle de estabilidade de um veículo. Estudo, restringido a um domínio de manobras, foi desenvolvido excluindo falhas e alterações da planta no tempo. Contribui para responder como o controlador de dinâmica veicular pode ser aperfeiçoado para atuação simultânea de múltiplos sistemas ativos. Contempla o desenvolvimento do neurocontrolador e algoritmo de aprendizagem na plataforma Matlab, de um modelo de dinâmica veicular em ambiente ADAMS e do modelo de referência, atuadores e observador com programação Matlab. Analisa a estabilidade da planta e define regiões de atuação do controlador. Apresenta um estudo e definição da técnica de controle de estabilidade em guinada para nortear a função de otimização, o treinamento e as simulações. Treinamento da rede neural para acomodar as não linearidades envolvidas na planta e para otimizar a integração dos múltiplos sistemas ativos focando nas especificações de desempenho do controlador e no domínio de situações a serem analisadas. Simulação de situações e manobras para validação e avaliação do desempenho do controlador com co-simulação entre Matlab e ADAMS. Resultados qualitativos e quantitativos do desempenho do controlador justificando a integração efetiva dos sistemas e o neurocontrolador não-linear. / Presents an innovative control solution with artificial neural networks learning using reinforcement learning by genetic algorithms to integrate multiple active systems to control yaw vehicle stability. Study restricted to a maneuver domain and excluding plant changes in time and failures. Contributes to answer how the vehicle dynamics controller can be improved for multiple simultaneous active systems. Development of the neurocontroller and learning algorithm in Matlab, vehicle dynamics model in ADAMS environment and reference model, actuators and observer with Matlab programming. Plant stability analysis and activation areas definition. Study and method definition for stability yaw control to guide the task of optimization, training and simulation. Training the neural network to accomplish the plant nonlinearity and to optimize the multiple active systems synergy targeting the controller performance specifications and the analyzed conditions domain. Conditions and maneuvers simulation to validate and evaluate the controller performance using cosimulation between Matlab and ADAMS. Qualitative and quantitative controller results justifying the effective systems integration and non-linear neurocontroller.

The theoretical part of this work deals with evolutionary algorithms (EA), neural networks (NN) and their synthesis in the form of neuroevolution. From a practical point of view, the aim of the work is to show the application of neuroevolution on two different tasks. The first task is the evolutionary design of the convolutional neural network (CNN) architecture that would be able to classify handwritten digits (from the MNIST dataset) with a high accurancy. The second task is the evolutionary optimization of neurocontroller for a simulated Falcon 9 rocket landing. Both tasks are computationally demanding and therefore have been solved on a supercomputer. As a part of the first task, it was possible to design such architectures which, when properly trained, achieve an accuracy of 99.49%. It turned out that it is possible to automate the design of high-quality architectures with the use of neuroevolution. Within the second task, the neuro-controller weights have been optimized so that, for defined initial conditions, the model of the Falcon booster can successfully land. Neuroevolution succeeded in both tasks.