https://repositorio.ufsc.br/handle/123456789/128640 2026-04-30T10:49:11Z https://repositorio.ufsc.br/handle/123456789/272618 Embedded nonlinear optimization tools for real-time model predictive control: application for renewable microgrids Sanches, Vinícius Moreno Microrredes desempenham um papel fundamental no contexto da transição energética. A literatura específica indica o Controle Preditivo Baseado em Modelo como algoritmo chave para a operação adequada de gestão de demandas e cargas, operando como Controladores Centrais de Microrredes. No entanto, estes algoritmos encontram uma barreira significativa em relação à sua implementação para sistemas não lineares com requisitos de tempo real (período de amostragem curto e dinâmica rápida): a elevada carga computacional da otimização inerente impede a aplicação em microcontroladores embarcados com menor capacidade numérica. Para abordar esse tópico, exploramos a estrutura Linear com Parâmetros Variantes para desenvolver um solver dedicado, que converte o problema não linear em uma formulação quadrática. O algoritmo em questão combina elementos de representação exata, através de inclusões lineares, com a simplicidade de resolução de otimização por meio de estruturas quadradas. O solver proposto, denominado LPV-PILOT, tem como base o método de ponto interior, além de outras técnicas consagradas (barreira logarítmica, warm-start, contingência, ingredientes terminais, restrições apertadas, etc.). Dessa forma, possibilitamos a rápida convergência do problema de otimização e a determinação da lei de controle preditivo não linear, além de discutirmos sobre garantias teórica de estabilidade e robustez correspondentes. O solver é avaliado através de exemplos numéricos e experimentais, cujos resultados destacam sua adequação para sistemas não lineares operando sob tempos de amostragem estritos (na ordem dos millisegundos), embarcados em hardware de baixo custo. Não obstante, o algoritmo proposto é validado em uma microrrede renovável física de escala reduzida, demonstrando sua viabilidade prática.; Abstract: Microgrids play a fundamental role in the context of the energy transition. Literature widely identifies Model Predictive Control as a key algorithm for the adequate management of demands and loads, operating as Microgrid Central Controllers. However, these algorithms encounter a significant barrier regarding their deployment in real-time nonlinear systems (short sampling period and fast dynamics): the high computational burden of the inherent optimization hinders their application in embedded microcontrollers with limited numerical resources. To address this issue, we explore the Linear Parameter-Varying (LPV) framework to develop a dedicated solver that converts the nonlinear problem into a quadratic formulation. This algorithm combines elements of exact representation, through linear inclusions, with the simplicity of solving optimization problems via quadratic structures. The proposed solver, named LPV-PILOT, employs an interior-point method alongside other optimization techniques (log-barrier, warm-start, fallback, terminal ingredients, constraint tightening, etc.). Thus, we enable fast convergence of the optimization problem and the determination of a nonlinear predictive control law, while discussing theoretical stability and robustness guarantees. The solver is evaluated under both numerical and experimental scenarios, and the results highlight its suitability for nonlinear systems operating under strict sampling times on low-cost embedded hardware. Furthermore, the proposed algorithm is validated on a physical small-scale renewable microgrid, demonstrating its practical viability. Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia de Automação e Sistemas, Florianópolis, 2026. 2026-01-01T00:00:00Z https://repositorio.ufsc.br/handle/123456789/272569 A study on implicit behavioral cloning for multimodal behavior learning in autonomous driving Benoski, Willian do Nascimento Finato A condução autônoma requer tomada de decisão em ambientes complexos e dinâmicos, nos quais podem existir múltiplas ações válidas para um único cenário. Abordagens tradicionais de aprendizado por imitação, como o Behavioral Cloning (BC), apresentam limitações em contextos multimodais, pois tendem a convergir para uma ação média e sofrem com mode collapse. Os Energy-Based Models (EBMs) oferecem uma alternativa ao modelar uma função de energia sobre o espaço de ações, possibilitando o aprendizado de comportamentos mais diversos e adaptáveis. Esta pesquisa investiga o Implicit Behavioral Cloning (IBC), um método baseado em EBM voltado ao aprimoramento do aprendizado de políticas multimodais na condução autônoma. São propostas modificações no algoritmo de treinamento original com o objetivo de aumentar a eficiência do aprendizado da função de energia, resultando no método denominado Data Augmented IBC (DA-IBC). A avaliação do DA-IBC foi conduzida em cenários de condução urbana no simulador CARLA, sob diferentes condições, incluindo a presença ou ausência de rotas pré-determinadas e níveis crescentes de complexidade, com obstáculos dinâmicos como semáforos, pedestres e veículos. O método foi comparado ao IBC e ao BC em tarefas que exigem tomada de decisão multimodal, como interseções. Os resultados indicam que o DA-IBC supera o BC em cenários multimodais. Em interseções com possibilidade de conversão à direita, o agente treinado com BC escolheu essa ação em 94% dos casos, enquanto o DA-IBC distribuiu suas decisões entre seguir à direita (40%), em frente (25%) e à esquerda (35%). Com o aumento da complexidade das tarefas, o DA-IBC apresentou melhor conformidade com os semáforos, reduzindo em 50% as infrações em comparação ao BC, além de aumentar a distância percorrida em 62% em relação ao IBC. Ademais, ao interagir com obstáculos, o DA-IBC evitou a maioria das infrações observadas. Esses resultados sugerem que o DA-IBC constitui uma abordagem promissora para o aprendizado de comportamentos de condução complexos a partir de demonstrações limitadas de especialistas, embora sejam necessárias melhorias adicionais para lidar com cenários que envolvem múltiplos obstáculos simultâneos.; Abstract: Autonomous driving requires decision-making in complex and dynamic environments, in which multiple valid actions may exist for a single scenario. Traditional imitation learning approaches, such as Behavioral Cloning (BC), present limitations in multimodal contexts, as they tend to converge to an average action and suffer from mode collapse. Energy-Based Models (EBMs) provide an alternative framework by learning an energy function over the action space, enabling the development of more diverse and adaptable behaviors. This research investigates Implicit Behavioral Cloning (IBC), an EBM-based method aimed at improving the learning of multimodal policies for autonomous driving. Modifications to the original training algorithm are proposed to increase the efficiency of energy function learning, resulting in a method termed Data Augmented IBC (DA-IBC). The evaluation of DA-IBC was conducted in urban driving scenarios within the CARLA simulator under varying conditions, including the presence or absence of predetermined routes and progressively increasing levels of complexity, with dynamic obstacles such as traffic lights, pedestrians, and vehicles. The method was compared against IBC and BC in tasks that require multimodal decision-making, such as intersections. The results indicate that DA-IBC outperforms BC in multimodal scenarios. At intersections with a possible right turn, the BC-trained agent chose this action in 94% of the cases, whereas DA-IBC distributed its decisions among turning right (40%), going straight (25%), and turning left (35%). As task complexity increased, DA-IBC demonstrated improved compliance with traffic lights, reducing infractions by 50% compared to BC, and also increased the distance traveled by 62% relative to IBC. Furthermore, when interacting with obstacles, DA-IBC avoided the majority of observed infractions. These findings suggest that DA-IBC represents a promising approach for learning complex driving behaviors from limited expert demonstrations, although further improvements are required to enhance decision-making in scenarios involving multiple simultaneous obstacles. Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia de Automação e Sistemas, Florianópolis, 2025. 2026-01-01T00:00:00Z https://repositorio.ufsc.br/handle/123456789/272313 Diffusion models for offline behavior cloning in autonomous driving scenarios Machado, Bruno Maciel Esta pesquisa investiga a aplicação de modelos de difusão em uma estrutura de Clonagem Comportamental (BC) offline para enfrentar desafios na condução autônoma, particularmente em cenários que exigem tomada de decisão multimodal. O objetivo principal é explorar como esses modelos podem mitigar as limitações das técnicas tradicionais de BC, como o BC baseado em Erro Quadrático Médio (MSE-BC), em termos de expressividade e captura de diferentes comportamentos de especialistas. O estudo levanta a hipótese de que o BC baseado em difusão (Diffusion-BC) pode modelar efetivamente ações complexas de condução e que uma nova arquitetura proposta, Diffusion-2BC, que integra a perda do MSE-BC com o Diffusion-BC, pode aprimorar ainda mais o desempenho, mantendo capacidades multimodais cruciais. Experimentos foram conduzidos em vários ambientes simulados, incluindo uma tarefa simplificada chamada Claw, o CarRacing do OpenAI Gym e o simulador de alta fidelidade CARLA. Essas avaliações envolveram tanto tarefas de BC condicional, onde o agente segue uma trajetória predefinida de referência, quanto tarefas de BC incondicional, onde o agente navega livremente, permitindo a avaliação da aprendizagem multimodal. Os resultados demonstram que o Diffusion-BC consistentemente supera o MSE-BC na captura de distribuições de ação multimodais e na obtenção de melhores métricas de desempenho, por exemplo, no ambiente Claw e no CarRacing (o Diffusion-BC apresentou uma melhora na pontuação de cerca de 35% em relação ao MSE-BC). Além disso, a arquitetura Diffusion-2BC proposta mostrou melhorias significativas, particu- larmente no CARLA. Em tarefas condicionais no CARLA, o Diffusion-2BC aprendeu a navegação livre de infrações mais rapidamente e alcançou maiores distâncias em comparação com o Diffusion-BC e o MSE-BC. Em tarefas complexas de navegação multimodal não guiada dentro do CARLA, o Diffusion-2BC alcançou distâncias médias percorridas substancialmente maiores e exibiu robustamente diversos comportamen- tos de direção multimodal, ao contrário do MSE-BC unimodal ou do menos consistente e performático Diffusion-BC, neste experimento o Diffusion-2BC apresentou uma pon- tuação de cerca de 2.5 vezes a do MSE-BC e de quase 6 vezes a do Diffusion-BC. Este trabalho conclui que os modelos de difusão, especialmente o Diffusion-2BC proposto, oferecem uma abordagem promissora para o desenvolvimento de agentes de aprendizagem por imitação offline altamente performáticos, adaptáveis e expressivos para veículos autônomos.; Abstract: This research investigates the application of diffusion models within an offline Behavior Cloning (BC) framework to address challenges in autonomous driving, particularly in scenarios requiring multimodal decision-making. The primary objective is to explore how these models can mitigate limitations of traditional BC techniques, such as Mean Squared Error-based BC (MSE-BC), in terms of expressiveness and handling diverse expert behaviors. The study hypothesizes that diffusion-based BC (Diffusion-BC) can effectively model complex driving actions and that a novel proposed architecture, Diffusion-2BC, which integrates MSE loss with Diffusion-BC, can further enhance performance while retaining crucial multimodal capabilities. Experiments were conducted in various simulated environments, including OpenAI Gym's CarRacing, and the high-fidelity CARLA simulator. These evaluations involved both conditional BC tasks, where the agent follows a predefined trajectory, and unconditional BC tasks, where the agent navigates freely, allowing for the assessment of multimodal learning. Results demonstrate that Diffusion-BC consistently outperforms MSE-BC in capturing diverse action distributions and achieving better performance metrics, for instance, CarRacing (Diffusion-BC presented a score improvement of almost 35\%). Furthermore, the proposed Diffusion-2BC architecture showed significant improvements, particularly in CARLA. In conditional CARLA tasks, Diffusion-2BC learned infraction-free navigation faster and achieved greater distances compared to Diffusion-BC and MSE-BC. In complex, unguided multimodal navigation tasks within CARLA, Diffusion-2BC achieved substantially longer average travel distances and robustly exhibited diverse driving behaviors, unlike the unimodal MSE-BC or the less consistent Diffusion-BC, in this experiment Diffusion-2BC presented almost 2.5 times the MSE-BC score and almost 6 times the score Diffusion-BC. This work concludes that diffusion models, especially the proposed Diffusion-2BC, offer a promising approach for developing highly performant, adaptable, and expressive offline imitation learning agents for autonomous vehicles. Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia de Automação e Sistemas, Florianópolis, 2025. 2025-01-01T00:00:00Z https://repositorio.ufsc.br/handle/123456789/272050 Plataforma reconfigurável para aquisição de dados de impedância elétrica por meio das técnicas de tomografia, de espectroscopia e de tomometria aplicada a microsensores Regis, Adriano Este documento de tese apresenta o projeto, desenvolvimento e validação de uma plataforma reconfigurável para aquisição automática de medições de impedância elétrica, aplicável às técnicas de espectroscopia, tomografia e tomometria por impedância elétrica. A pesquisa foi conduzida em duas etapas principais e complementares. A primeira envolveu o desenvolvimento de um sistema preliminar de medição voltado à Tomografia por Impedância Elétrica (TIE), construído com circuitos discretos, multiplexadores analógicos e controle sequencial, que permitiu avaliar a viabilidade do método, a estabilidade dos sinais e as limitações associadas à latência e sincronização das medições. Os resultados obtidos nessa fase forneceram subsídios técnicos e metrológicos para a definição da arquitetura final da plataforma reconfigurável. A segunda etapa consistiu na concepção de uma arquitetura modular composta por um conjunto de implementações de hardware gerenciadas por um microcontrolador AVR e por um sistema de medição baseado no frontend de conversão de impedância AD5933. A este núcleo integram-se três módulos funcionais: a SpectroBoard, voltada à análise espectroscópica; a Multi4067Board, baseada em multiplexadores analógicos para medições comutadas; e a TomoBoard, que introduz uma topologia inovadora de eletrodos, capaz de realizar chaveamento reversível e medições combinadas. O desenvolvimento da plataforma envolveu o projeto eletrônico dos circuitos, a implementação de firmwares dedicados e a definição de protocolos experimentais específicos para cada técnica de aquisição. Foram conduzidos experimentos com modelos elétricos de células, soluções salinas, sensores multieletrodos e objetos de interesse com forma e composição previamente conhecidas. Os resultados obtidos demonstraram coerência entre medições teóricas e experimentais, confirmando o desempenho da plataforma nas três configurações propostas.; Abstract: This doctoral thesis presents the design, development, and validation of a reconfigurable platform for the automated acquisition of electrical impedance measurements, applicable to the techniques of Electrical Impedance Spectroscopy (EIS), Electrical Impedance Tomography (EIT), and Electrical Impedance Tomometry (EITm). The research was conducted in two main and complementary stages. The first stage involved the development of a preliminary measurement system dedicated to EIT, built with discrete circuits, analog multiplexers, and sequential control. This setup enabled the evaluation of method feasibility, signal stability, and the limitations associated with measurement latency and synchronization. The results obtained in this phase provided the technical and metrological basis for defining the final architecture of the reconfigurable platform. The second stage comprised the design of a modular architecture composed of hardware implementations managed by an AVR microcontroller and a measurement system based on the AD5933 impedance conversion frontend. This core integrates three functional modules: the SpectroBoard, focused on spectroscopic analysis; the Multi4067Board, employing analog multiplexers for switched measurements; and the TomoBoard, which introduces an innovative electrode topology capable of reversible switching and combined measurements. The development process involved the electronic design of circuits, the implementation of dedicated firmware, and the definition of specific experimental protocols for each acquisition technique. Experiments were conducted using electrical cell models, saline solutions, multi-electrode sensors, and reference objects with known geometry and composition. The results demonstrated strong agreement between theoretical and experimental data, validating the performance of the proposed platform across the three configurations. Tese (doutorado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia de Automação e Sistemas, Florianópolis, 2026. 2026-01-01T00:00:00Z