Adaptive Performance Control for Bipolar-Coordinate Based Multi-Robot Formations under Input Saturation

This thesis investigates the application of Prescribed Performance Control (PPC) to multiagent formation systems with realistic robotic constraints. Building on the bipolar coordinate framework, the work develops a saturation aware extension of PPC that enables decentralized formation control for differential drive mobile robots. The methodology combines finitetime funnels, adaptive bound modulation, and reference relaxation to guarantee transient and steady-state performance under actuator limits. Additional ingredients such as initializationfree shaping, topology switching during agent crossings, and an heuristic collision handling are integrated to enhance robustness in practice. The proposed framework is validated through real experiments on TurtleBot3 robots, using a Qualisys motion capture system and a ROS2- based architecture. Results demonstrate that the controller is able to achieve formation tracking while preserving shape, scale, and orientation in the presence of input saturation, sensing noise, and communication imperfections. The findings confirm that PPC can be effectively adapted to non-holonomic agents in realistic environments, offering a scalable and flexible approach to formation control.

Questa tesi studia l’applicazione del Prescribed Performance Control (PPC) al controllo di formazioni multi-agente in condizioni robotiche realistiche. Basandosi sul framework delle coordinate bipolari, viene proposta un’estensione del PPC saturation-aware che consente un controllo decentralizzato di robot mobili a due ruote differenziali. La metodologia integra finitetime funnels, adaptive bound modulation e reference relaxation, garantendo prestazioni sia transitorie che a regime anche in presenza di limiti sugli attuatori. Per aumentarne la robustezza sono inoltre introdotti ulteriori ingredienti, quali initialization-free shaping, topology switching durante l’incrocio degli agenti e una gestione euristica delle collisioni. Il framework è validato tramite esperimenti reali con robot TurtleBot3, utilizzando un sistema di motion capture Qualisys e un’architettura basata su ROS2. I risultati dimostrano che il controllore è in grado di mantenere il formation tracking preservando forma, scala e orientamento, anche in presenza di input saturation, rumore di misura e imperfezioni di comunicazione. Nel complesso, il lavoro conferma che il PPC può essere adattato con successo a robot non-olonomici in scenari realistici, offrendo un approccio scalabile e flessibile al formation control.