Este artículo presenta un sistema de control adaptativo innovador que aprovecha el modelado de superficie de múltiples niveles de fidelidad para mejorar la determinación de la orientación de CubeSats. Los sistemas tradicionales de control de actitud sufren por las incertidumbres inherentes a la dinámica de los CubeSats y el ruido de los sensores. Nuestra propuesta combina modelos físicos de baja fidelidad y datos experimentales de alta fidelidad en un modelo sustituto jerárquico que permite una adaptación rápida a condiciones ambientales cambiantes y mantiene una alta precisión en la orientación, reduciendo al mismo tiempo la carga computacional para maximizar la eficacia de misiones con recursos limitados.

Antecedentes teóricos: el modelado de múltiples niveles de fidelidad integra un modelo de baja fidelidad, económico en cómputo pero menos preciso, con un modelo de alta fidelidad derivado de datos experimentales o telemetría en órbita. La función sustituta S(x) se construye como una combinación ponderada S(x) = a LF(x) + (1 - a) HF(x), donde x son las entradas relevantes como pares de control y perturbaciones externas, LF(x) es el modelo físico simplificado, HF(x) proviene de pruebas y telemetría, y a es un coeficiente de ponderación optimizado mediante un proceso bayesiano para minimizar el error de predicción.

Arquitectura del sistema: el sistema propuesto consta de cuatro módulos principales. Módulo de adquisición de datos que recopila información de star trackers, magnetómetros y giroscopios para estimar actitud y velocidades angulares. Módulo de construcción y actualización del modelo sustituto que emplea Gaussian Process Regression para equilibrar exploración y explotación, integrando activamente nuevos datos de alta fidelidad. Módulo de diseño de la ley de control adaptativa que implementa un Model Predictive Control parametrizado por S(x) para minimizar el error de actitud cumpliendo límites de actuadores. Módulo de actuación que convierte las salidas del MPC en torques reales aplicados por las ruedas de reacción.

Metodología y diseño experimental: el entrenamiento del sustituto es iterativo. Se inicia con datos limitados del modelo LF para entrenar el GPR, y luego se aplica aprendizaje activo para seleccionar puntos informativos donde la incertidumbre del GPR es máxima. Esos puntos se evalúan con el modelo HF y se incorporan al GPR, refinando el sustituto. El coeficiente a se ajusta mediante optimización bayesiana con el objetivo de minimizar el error cuadrático medio frente a un conjunto de validación. Para generar datos HF se emplearon pruebas en plataforma tipo ascensor que simulan gradientes de gravedad y torques aerodinámicos, registrando sensores para construir el conjunto HF.

Formulación del MPC: la ley predictiva se formula como un problema de optimización con restricción. Se minimiza el integral del error de actitud sujeto a la dinámica aproximada ? = S(x) + u, límites de actuador |u| <= u_max y restricciones de estado |attitude| <= attitude_max, donde u representa los torques de las ruedas de reacción. El uso del modelo sustituto reduce significativamente el coste computacional del MPC frente al uso directo del modelo físico completo.

Resultados y evaluación: en simulaciones bajo perturbaciones elevadas el sistema con sustituto multi-fidelidad superó a un controlador PID convencional, reduciendo el error de actitud en un 25% frente a PID cuando se simularon presión de radiación solar y torque por dipolo magnético. Las pruebas en ascensor corroboraron las simulaciones mostrando una mejora del 15% en estabilidad de actitud y una reducción del coste computacional por un factor de 5 respecto a la resolución directa con el modelo físico completo. La optimización bayesiana convergió de forma fiable en menos de 20 iteraciones. El análisis de error mostró una precisión de aproximadamente 97.8% con márgenes de error dentro de 1.2 grados (MAE y RMSE controlados).

Discusión: la combinación de eficiencia computacional del LF y precisión del HF ofrece ventajas claras para CubeSats con recursos limitados. El uso de GPR y aprendizaje activo focaliza la adquisición de datos HF donde más se necesita, maximizando el rendimiento por costo de las pruebas. La adaptatividad del sistema permite que la plataforma refine su modelo dinámico en tiempo real, mejorando la robustez frente a perturbaciones no modeladas y degradaciones de sensores.

Conclusiones y trabajo futuro: el estudio demuestra que el modelado sustituto multi-fidelidad es una vía prometedora para el control autónomo de actitud en CubeSats, incrementando precisión y eficiencia y prolongando la vida útil operativa de la misión. Futuras líneas incluyen la incorporación de detección online de anomalías para identificar y mitigar perturbaciones inesperadas, y la exploración de técnicas de aprendizaje por refuerzo para optimizar dinámicamente la ley MPC y el coeficiente de ponderación a, permitiendo una mayor generalización más allá de las condiciones iniciales.

Acerca de Q2BSTUDIO: en Q2BSTUDIO unimos experiencia en desarrollo de software y aplicaciones a medida con competencias avanzadas en inteligencia artificial y ciberseguridad para ofrecer soluciones completas a proyectos aeroespaciales y de IOT. Nuestros servicios de software a medida y aplicaciones a medida están diseñados para integrarse con pipelines de datos reales y sistemas embebidos, garantizando rendimiento y seguridad. Contamos con capacidades en servicios cloud aws y azure para desplegar modelos y controladores en entornos escalables y con prácticas de ciberseguridad y pentesting que protegen las operaciones críticas.

Si busca implementar soluciones personalizadas para control autónomo, analítica avanzada o IA industrial, podemos ayudarle a diseñar e integrar modelos sustitutos, control predictivo y canalizar telemetría en arquitecturas seguras. Con herramientas de servicios inteligencia de negocio y power bi ofrecemos paneles de control que facilitan la toma de decisiones operativas. Conozca nuestras ofertas de desarrollo de aplicaciones y software a medida en software a medida y aplicaciones a medida y descubra nuestras soluciones de inteligencia artificial para empresas, agentes IA y automatización inteligente.

Palabras clave: aplicaciones a medida, software a medida, inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio, ia para empresas, agentes IA, power bi.