aborda el diseño avanzado de algoritmos basados en MPC (Model Predictive Control), incorporando restricciones dinámicas y robustez frente a incertidumbres inherentes en sistemas de movilidad aérea no tripulada, como eVTOL y drones UAM. El enfoque integra conocimiento profundo en dinámica/control, optimización convexa, y análisis de estabilidad, utilizando simulaciones con herramientas de HIL y modelos de planta híbridos para validar el rendimiento en tiempo real. Se considera además la adaptación a normativas aeronáuticas y operacionales mediante técnicas híbridas de control colaborativo y predicción multiobjetivo en entornos con fuerte presencia de perturbaciones externas y restricciones de seguridad operacional.
Las capacidades de laboratorio incluyen bancos HIL/SIL con sistemas redundantes y adquisición avanzada de datos para evaluar la tolerancia a fallos y robustez frente a variaciones ambientales. La trazabilidad se asegura mediante estándares de desarrollo y certificación relacionados con la normativa aplicable internacional en sistemas autónomos y críticos, manteniendo alineación con procesos de validación conforme a ARP4754A y ARP4761. La formación prepara perfiles profesionales en ingeniería de controles, desarrollo de software MPC, seguridad funcional, validación de sistemas críticos, y gestión de proyectos de automatización aérea.
7.100 €
Aprenderás a integrar todo el proceso de desarrollo de producto desde la concepción del modelo hasta su validación final, aplicando metodologías centradas en el usuario. Desarrollarás competencias en diseño paramétrico, ergonomía, simulación, materiales sostenibles, visualización 3D y gestión de manufactura, garantizando soluciones eficientes, seguras y alineadas con los estándares industriales actuales.
Aprenderás a integrar todo el proceso de desarrollo de producto desde la concepción del modelo hasta su validación final, aplicando metodologías centradas en el usuario. Desarrollarás competencias en diseño paramétrico, ergonomía, simulación, materiales sostenibles, visualización 3D y gestión de manufactura, garantizando soluciones eficientes, seguras y alineadas con los estándares industriales actuales.
**Requisitos recomendados para un aprovechamiento óptimo del curso:** Se recomienda contar con una base sólida en aerodinámica, teoría de control y estructuras. Es imprescindible un nivel de idioma Español o Inglés B2+/C1. Se ofrecen programas de nivelación (bridging tracks) para aquellos estudiantes que puedan necesitarlo.
1.1 Fundamentos de Control Óptimo para vehículos autónomos: definición, objetivos de rendimiento, variables de estado y control
1.2 Modelado dinámico para vehículos autónomos: cinemática, dinámica no lineal, restricciones y aproximaciones de linealización
1.3 Formulación de problemas de optimización en tiempo continuo: coste, restricciones, condiciones de optimalidad y estabilidad
1.4 Introducción al Control Predictivo (MPC): principios, predicción, horizonte y ciclo de retroalimentación
1.5 MPC en tiempo discreto: discretización, horizonte de predicción, función de coste y restricciones en el dominio discreto
1.6 Restricciones y penalizaciones en MPC: físicas, de seguridad, de confort y de rendimiento
1.7 Robustez y manejo de incertidumbre en MPC: mismatch de modelo, perturbaciones, enfoques robustos y adaptativos
1.8 Implementación en tiempo real: complejidad computacional, plataformas embebidas, hardware y tasas de muestreo
1.9 Integración con sensores y fusión de datos: percepción, estimación de estado y alimentación del modelo
1.10 Caso de estudio: go/no-go y matriz de riesgos para una solución de MPC en vehículos autónomos
2.1 Fundamentos de MPC en tiempo real: principios, diferencias con controles clásicos y alcance
2.2 Modelado dinámico para vehículos autónomos: discretización, linealización y precisión
2.3 Restricciones en MPC: estados, entradas, seguridad y límites operativos
2.4 Implementación en tiempo real: solucionadores, complejidad computacional y tiempos de ciclo
2.5 Robustez e incertidumbre: desajustes de modelo, ruido y técnicas de mitigación
2.6 Configuración del horizonte de predicción y pesos: impacto en rendimiento y estabilidad
2.7 Integración de MPC con sensores y fusión de datos: percepción, estimación y control
2.8 Validación y verificación: simulación, pruebas en banco y hardware-in-the-loop (HIL)
2.9 Aplicaciones típicas en vehículos autónomos: control de velocidad, trayectoria y maniobras
2.10 Tendencias y retos futuros: MPC adaptativo, control con restricciones no lineales y seguridad en tiempo real
3.1 Introducción al control óptimo: definición, objetivos y diferencias frente a controles convencionales; relevancia en vehículos autónomos y sistemas navales.
3.2 Control Predictivo (MPC): principios básicos, concepto de horizonte de predicción, actualización en tiempo real y manejo de restricciones.
3.3 Formulación del problema de control óptimo: estados, entradas, dinámica del sistema, función de coste y restricciones.
3.4 Modelado de sistemas dinámicos para vehículos autónomos: modelos lineales y no lineales, discretización, rugosidad y incertidumbre.
3.5 Funciones de coste en MPC: seguimiento de referencia, minimización de consumo/ruido, penalización de cambios y consideraciones multiobjetivo.
3.6 Restricciones en control óptimo: límites físicos (estado/entrada), restricciones de seguridad y entornos operativos.
3.7 Estabilidad y robustez: conceptos de estabilidad, diseño robusto y manejo de perturbaciones e incertidumbres.
3.8 Implementación en tiempo real: algoritmos de optimización (QP/NLP), complejidad computacional, latencia y requisitos de hardware.
3.9 Validación y verificación: simulación, pruebas en banco de pruebas y entornos hardware-in-the-loop para asegurar desempeño.
3.10 Casos prácticos y clínica de introducción: revisión de proyectos iniciales de control óptimo y MPC en vehículos autónomos, evaluación de riesgos y criterios de éxito.
4.1 Introducción al Control Óptimo en Vehículos Autónomos: objetivos, alcance y beneficios
4.2 Fundamentos de Control Óptimo y Control Predictivo (MPC)
4.3 Arquitecturas de control para vehículos autónomos: centralizado, distribuido y jerárquico
4.4 Modelos dinámicos relevantes: cinemática, dinámica y simplificaciones
4.5 Restricciones habituales en MPC: estado, entradas, seguridad y consumo
4.6 Robustez y manejo de incertidumbres en modelos y mediciones
4.7 Optimización en tiempo real: algoritmos, solvers y complejidad
4.8 Integración con sensores y percepción: fusión de datos y eventos
4.9 Evaluación de rendimiento: métricas, costos y validación
4.10 Casos de estudio y aplicaciones reales en carretera, urbano y pruebas simuladas
5. 1 Introducción al Control Óptimo: Definición, Objetivos y Aplicaciones en Vehículos Autónomos
5. 2 Fundamentos Matemáticos: Cálculo Variacional, Principio del Máximo de Pontryagin
5. 3 Formulación de Problemas de Control Óptimo: Funcionales de Costo, Restricciones y Variables de Estado
5. 4 Tipos de Control Óptimo: Control Óptimo Lineal-Cuadrático (LQR), Control Óptimo No Lineal
5. 5 Discretización y Resolución Numérica: Métodos de Diferencias Finitas y Elementos Finitos
5. 6 Introducción al Control Predictivo (MPC): Conceptos Básicos y Horizonte de Predicción
5. 7 Estabilidad y Robustez en Control Óptimo: Análisis y Diseño de Sistemas Estables
5. 8 Herramientas de Simulación y Software: MATLAB, Simulink y Otros Entornos de Desarrollo
5. 9 Revisión de Sistemas Dinámicos: Modelado Matemático de Vehículos Autónomos (ej. vehículos terrestres y aéreos)
5. 10 Ejemplos y Aplicaciones Preliminares: Trayectoria y Control de Velocidad
6.1 Fundamentos del Control Óptimo: Principios y conceptos clave.
6.2 Control Predictivo (MPC): Introducción y metodología.
6.3 Arquitectura del Control de Vehículos Autónomos.
6.4 Modelado de Sistemas Dinámicos para Control.
6.5 Restricciones en Vehículos Autónomos: Tipos y ejemplos.
6.6 Robustez en el Control: Introducción y consideraciones.
6.7 Requisitos de Tiempo Real en Vehículos Autónomos.
6.8 Aplicaciones del Control Óptimo y MPC: Ejemplos.
6.9 Herramientas y software para simulación y diseño.
6.10 Caso de estudio: Implementación básica de un controlador.
7.1 Introducción al Control Óptimo: Conceptos Fundamentales y Objetivos
7.2 Fundamentos Matemáticos: Cálculo Variacional y Teoría de Control Clásica
7.3 Modelado de Sistemas Dinámicos: Ecuaciones de Estado y Representación
7.4 Definición y Formulación del Problema de Control Óptimo
7.5 Funciones de Costo: Definición y Selección en el Contexto Automotriz
7.6 Principio del Máximo de Pontryagin: Desarrollo y Aplicación
7.7 Control Óptimo Lineal-Cuadrático (LQR): Teoría y Aplicaciones
7.8 Introducción al Control Predictivo (MPC): Conceptos y Beneficios
7.9 Discretización y Resolución Numérica de Problemas de Control Óptimo
7.10 Herramientas de Simulación y Software para Control Óptimo
8. 1 Introducción a los Vehículos Autónomos (VA): Historia, tendencias y futuro.
8. 2 Principios de Ingeniería de Control: Conceptos clave y fundamentos matemáticos.
8. 3 Arquitectura de Control para VA: Sensores, actuadores, y unidad central de procesamiento.
8. 4 Modelado de Sistemas Dinámicos: Modelos matemáticos para la representación de VA.
8. 5 Control Clásico: Fundamentos y aplicaciones en VA (PID, etc.).
8. 6 Control Moderno: Introducción al control por espacio de estados.
8. 7 Introducción al Control Predictivo (MPC): Conceptos básicos y beneficios.
8. 8 Introducción al Control Óptimo: Conceptos básicos y beneficios.
8. 9 Desafíos del Control en VA: Restricciones, robustez y tiempo real.
8. 10 Herramientas de simulación y diseño de controladores para VA.
9.1 Introducción al Control Óptimo y MPC: Conceptos Clave y Aplicaciones en Vehículos Autónomos
9.2 Modelado de Sistemas Dinámicos para Control: Fundamentos Matemáticos y Herramientas
9.3 Formulación del Problema de Control Óptimo: Funciones de Costo y Restricciones
9.4 Métodos de Resolución de Control Óptimo: Programación Dinámica y Variacional
9.5 Introducción al Control Predictivo (MPC): Principios y Estructura
9.6 Diseño de Controladores MPC: Horizonte de Predicción, Horizonte de Control y Funciones de Costo
9.7 Estabilidad y Robustez en Control Óptimo y MPC: Análisis y Diseño
9.8 Implementación de Controladores Óptimos y MPC: Consideraciones de Tiempo Real
9.9 Herramientas de Software para Control Óptimo y MPC: Simulación y Diseño
9.10 Ejemplos Prácticos: Aplicaciones de Control Óptimo y MPC en Vehículos Autónomos
10.1 Conceptos fundamentales: Sistemas de coordenadas, marcos de referencia.
10.2 Cinemática: Posición, velocidad, aceleración.
10.3 Dinámica: Fuerzas, momentos, ecuaciones de movimiento.
10.4 Modelado: Modelos cinemáticos y dinámicos simplificados.
10.5 Aplicaciones: Trayectorias, estabilidad y control.
10.6 Sensores: Tipos y fundamentos.
10.7 Actuadores: Tipos y fundamentos.
10.8 Ejemplos prácticos: Simulación y análisis de sistemas.
10.9 Introducción al diseño de sistemas de control.
10.10 Herramientas y software para simulación y análisis.
Consulta “Calendario & convocatorias”, “Becas & ayudas” y “Tasas & financiación” en el mega-menú de SEIUM
Nuestro equipo está listo para ayudarte. Contáctanos y te responderemos lo antes posible.
Si, contamos con certificacion internacional
Sí: modelos experimentales, datos reales, simulaciones aplicadas, entornos profesionales, casos de estudio reales.
No es obligatoria. Ofrecemos tracks de nivelación y tutorización
Totalmente. Cubre e-propulsión, integración y normativa emergente (SC-VTOL).
Recomendado. También hay retos internos y consorcios.
Sí. Modalidad online/híbrida con laboratorios planificados y soporte de visados (ver “Visado & residencia”).