طراحی سامانه یادگیری لایه ای و شبیه سازی لایه به لایه کنترلگر بر روی ربات پرنده چهارروتور بر اساس الگوریتم بهینه‌سازی ازدحام افزایشی ذرات

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجو، گروه مهندسی مکانیک، دانشگاه اصفهان، اصفهان، ایران

2 استادیار، گروه مهندسی مکانیک، دانشگاه اصفهان، اصفهان، ایران

چکیده

دراین مقاله به طراحی یک سامانه خلبان خودکار با معماری لایه ای و مکانیسم پیاده سازی لایه به لایه کنترلگر بر روی ربات پرنده چهار روتوربر اساس الگوریتم بهینه‌سازی ازدحام افزایشی ذرات ارائه می شود. دراین سامانه هدایت پرنده به‌جای آنکه در انحصار یک کنترلگر واحد باشد توسط یک سیستم چندعاملی که حداقل از 4 عامل کنترلگر ساخته‌شده است، انجام می­گیرد. با توزیع وظایف کنترلی و قراردادن فصول مشترک برای لایه‌های کنترل‌کننده،پهپاد قادربه جابجاکرد ناختیارات کنترلی بین لایه‌ها می‌باشد و این امرموجب جلوگیری از عملکرد نامناسب پهپاد  خواهد شد.علاوه برآن لایه ها قادر خواهند بود از مکانیسم کنترلی لایه دیگر رفتار مورد نظر خود را یاد بگیرند. در فرآیند یادگیری لایه ای، یک مکانیسم بهینه‌سازی جدید برای کنترلگرهای شبکه عصبی ارائه می‌شود که بهینه­سازی ازدحام افزایشی ذرات نامیده می‌شود. در یک لایه آموزشی کنترلگر غیرخطی مد لغزشی و گام به عقب پیاده سازی شده است و رفتار و کارایی این کنترلگرها با شبیه‌سازی مورد مقایسه قرار گرفته‌اند در نهایت در این مقاله یک کنترلگر موفق شبکه عصبی در لایه، برای سیستم کاملاً غیرخطی با تنظیم وزن‌های شبکه توسط الگوریتم ازدحام افزایشی ذرات طراحی‌شده است که قابلیت یادگیری رفتار کنترلگر های لایه های دیگر را دارا می‌باشد.

کلیدواژه‌ها


[1] Bouabdallah S., Siegwart R,. Backstepping and Sliding-mode Techniques Applied to an Indoor Micro Quadrotor, in Robotics and Automation, 2005. ICRA 2005. Proceedings of the 2005 IEEE International Conference,  pp. 2247-2252, 2005.
[2] Adigbli p., Nonlinear Attitude and Position Control of a MicroQuadrotor using Sliding Mode and Backstepping Techniques, in 3rd US-European Competition and Workshop on Micro Air Vehicle Systems & European Micro Air Vehicle and Conference and Flight Competition (EMAV2007), Toulouse, France, 2007.
[3] Bouabdallah S., Noth A., Siegwart R., PID vs LQ control techniques applied to an indoor micro quadrotor, in Intelligent Robots and Systems, 2004. (IROS 2004). Proceedings. 2004 IEEE/RSJ International Conference on, vol.3, pp. 2451-2456, 2004.
[4] Castillo P., R. Lozano, Dzul A., Stabilization of a mini-rotorcraft having four rotors, in Intelligent Robots and Systems, 2004. (IROS 2004). Proceedings. IEEE/RSJ International Conference on, vol.3, pp. 2693-2698, 2004.
[5] Castillo P., A. Dzul A., R. Lozano, Real-time stabilization and tracking of a four-rotor mini rotorcraft, IEEE Transactions on Control Systems Technology, vol. 12, pp. 510-516, 2004.
[6] Wang B., Wang F.,. Chen B. M., Lee T. H., Robust flight control system design for an indoor miniature coaxial helicopter, in Intelligent Control and Automation (WCICA), 10th World Congress on, pp. 2918-2924, 2012.
[7]Y. Ciann-Dong, L. Wen-Hsiung, Nonlinear H∞ & infinity decoupling hover control of helicopter with parameter uncertainties, in American Control Conference, 2003. Proceedings of the 2003, vol.4, pp. 3454-3459, 2003.
[8]R. Enns, J. Si, Helicopter flight control design using a learning control approach, in Decision and Control, 2000. Proceedings of the 39th IEEE Conference on, vol.2, pp. 1754-1759, 2000.
[9] Calise A. J., Kim B. S., Leitner J., J Prasad J. V. R., Helicopter adaptive flight control using neural networks, in Decision and Control, 1994., Proceedings of the 33rd IEEE Conference on, vol.4, pp. 3336-3341, 1994.
[10]                S. K. Kannan, E. N. Johnson, Adaptive trajectory based control for autonomous helicopters, in Digital Avionics Systems Conference, 2002. Proceedings. The 21st, vol.2, pp. 8D1-1-8D1-12, 2002.
[11]                Farrell J., M. Sharma, Polycarpu M, Backstopping-Based Flight Control with Adaptive Function Approximation, Journal of Guidance, Control, and Dynamics, vol. 28, pp. 1089-1102, 2005.
[12]                H. Bolandi, M. Rezaei, R. Mohsenipour, H. Nemati, S. M. Smailzadeh, Attitude Control of a Quadrotor with Optimized PID Controller,  vol. 4, ed: published by Intelligent Control and Automation, 2013.
[13]                M. Zareb, R. Ayad, W. Nouibat, Fuzzy-PID hybrid control system to navigate an autonomous mini-Quadrotor, in Systems and Control (ICSC), 2013 3rd International Conference on, pp. 906-913, 2013.
[14]                A. A. Mian, W. Daobo, Modeling and Backstepping-based Nonlinear Control Strategy for a 6 DOF Quadrotor, Chinese Journal of Aeronautics, vol. 21, pp. 261-268, 2008.
[15]                J. Dunfied, M. Tarbouchi, G. Labonte, Neural network based control of a four rotor helicopter, in Industrial Technology, 2004. IEEE ICIT '04. 2004 IEEE International Conference on, vol. 3, pp. 1543-1548, 2004.
[16]                B. Y. Lee, H. I. Lee, M. J. Tahk, Analysis of adaptive control using on-line neural networks for a quadrotor UAV, in Control, Automation and Systems (ICCAS), 2013 13th International Conference, pp. 1840-1844, 2013.
[17]                M. T. Frye, R. S. Provence, Direct Inverse Control using an Artificial Neural Network for the Autonomous Hover of a Helicopter, in Systems, Man and Cybernetics (SMC), IEEE International Conference, pp. 4121-4122, 2014.
[18]                C. L. Hwang, Hybrid neural network under-actuated sliding-mode control for trajectory tracking of quad-rotor unmanned aerial vehicle, in Neural Networks (IJCNN), The 2012 International Joint Conference on, pp. 1-8, 2012.
[19]                S. Rezazadeh, M. A. Ardestani, P. S. Sadeghi, Optimal attitude control of a quadrotor UAV using Adaptive Neuro-Fuzzy Inference System (ANFIS), in Control, Instrumentation, and Automation (ICCIA), 2013 3rd International Conference on, pp. 219-223, 2013.
[20] M. Lower, W. Tarnawski, Quadrotor Navigation Using the PID and Neural Network Controller, in Theory and Engineering of Complex Systems and Dependability: Proceedings of the Tenth International Conference on Dependability and Complex Systems DepCoS-RELCOMEX, Poland, Springer International Publishing, pp. 265-274, 2015.