Controle robusto e inteligente de quadricópteros sujeitos a distúrbios de vento
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Biblioteca Digital de Teses e Dissertações da USP |
Texto Completo: | https://www.teses.usp.br/teses/disponiveis/18/18153/tde-19012022-092722/ |
Resumo: | O desenvolvimento de sistemas de controle aplicados a quadricópteros que atuam em ambientes hostis é um desafio complexo. Isto porque, para obter um bom desempenho de voo autônomo com robustez, deve-se projetar um sistema de controle que considere não só distúrbios externos como também outros fatores que possam depreciar a qualidade de voo. Recentemente, uma das técnicas mais utilizadas é o controle inteligente composto por redes neurais artificiais (RNAs). Neste caso, as redes são combinadas com controladores, formando uma arquitetura capaz de se adaptar ao ambiente de operação e, consequentemente, reduzir o erro de seguimento de trajetória. Diante disso, este trabalho tem o objetivo de desenvolver arquiteturas inteligentes para controle de posição de quadricópteros, melhorando o desempenho de voo durante o rastreamento de trajetória. As arquiteturas propostas combinam um regulador linear quadrático robusto (RLQR) com redes neurais profundas. Além disso, o desempenho das arquiteturas propostas é avaliado através de um estudo comparativo, utilizando outros três controladores presentes na literatura: regulador linear quadrático (LQR), proporcional-integral-derivativo (PID) e linearização por realimentação (LR). As arquiteturas foram desenvolvidas utilizando a plataforma robot operating system (ROS) e os experimentos foram realizados primeiramente em um ambiente simulado e, em seguida, utilizando um quadricóptero comercial, o ParrotTM Bebop 2.0. Para ambos os casos, foram realizados dois conjuntos de experimentos, com e sem a aplicação de distúrbio de vento na aeronave. Os resultados mostraram que a utilização de redes neurais combinadas com controladores, robustos ou não, melhoram o desempenho de voo de quadricópteros. Isto foi visualizado tanto para condições normais de voo quanto para voos em que o quadricóptero foi submetido à influência de distúrbios de vento. |
id |
USP_67073e71b6653c482c342f824e0df75e |
---|---|
oai_identifier_str |
oai:teses.usp.br:tde-19012022-092722 |
network_acronym_str |
USP |
network_name_str |
Biblioteca Digital de Teses e Dissertações da USP |
repository_id_str |
2721 |
spelling |
Controle robusto e inteligente de quadricópteros sujeitos a distúrbios de ventoRobust and intelligent control of quadrotors subject to wind disturbancesControle robustoDisturbance estimationEstimativa de DistúrbiosNeural networksQuadricópteroQuadrotorRastreamento de trajetóriaRedes neuraisRobust controlTrajectory trackingO desenvolvimento de sistemas de controle aplicados a quadricópteros que atuam em ambientes hostis é um desafio complexo. Isto porque, para obter um bom desempenho de voo autônomo com robustez, deve-se projetar um sistema de controle que considere não só distúrbios externos como também outros fatores que possam depreciar a qualidade de voo. Recentemente, uma das técnicas mais utilizadas é o controle inteligente composto por redes neurais artificiais (RNAs). Neste caso, as redes são combinadas com controladores, formando uma arquitetura capaz de se adaptar ao ambiente de operação e, consequentemente, reduzir o erro de seguimento de trajetória. Diante disso, este trabalho tem o objetivo de desenvolver arquiteturas inteligentes para controle de posição de quadricópteros, melhorando o desempenho de voo durante o rastreamento de trajetória. As arquiteturas propostas combinam um regulador linear quadrático robusto (RLQR) com redes neurais profundas. Além disso, o desempenho das arquiteturas propostas é avaliado através de um estudo comparativo, utilizando outros três controladores presentes na literatura: regulador linear quadrático (LQR), proporcional-integral-derivativo (PID) e linearização por realimentação (LR). As arquiteturas foram desenvolvidas utilizando a plataforma robot operating system (ROS) e os experimentos foram realizados primeiramente em um ambiente simulado e, em seguida, utilizando um quadricóptero comercial, o ParrotTM Bebop 2.0. Para ambos os casos, foram realizados dois conjuntos de experimentos, com e sem a aplicação de distúrbio de vento na aeronave. Os resultados mostraram que a utilização de redes neurais combinadas com controladores, robustos ou não, melhoram o desempenho de voo de quadricópteros. Isto foi visualizado tanto para condições normais de voo quanto para voos em que o quadricóptero foi submetido à influência de distúrbios de vento.The development of control systems applied to quadrotors operating in hostile environments is a complex challenge. This is because, to obtain good autonomous flight performance with robustness, one must design a control system that considers external disturbances and factors that can depreciate flight quality. Nowadays, one of the techniques on the rise is intelligent control composed of artificial neural networks (ANNs). In this case, the networks are combined with controllers, forming an architecture capable of adapting to the operating environment and, consequently, reduce trajectory tracking error. In this context, this work aims to develop intelligent architectures to improve the flight performance of autonomous quadrotors. The proposed architectures combine a Robust Linear Quadratic Regulator (RLQR) with deep neural networks. Furthermore, the performance of the proposed architectures is evaluated through a comparative study using three other controllers present in the literature: linear quadratic regulator (LQR), proportional-integral-derivative (PID) and feedback linearization (FL). The architectures were developed using the robot operating system (ROS) platform, and the experiments were performed first in a simulated environment and then with a commercial quadrotor, the ParrotTM Bebop 2.0. Two sets of experiments were performed for both cases, with and without applying wind disturbance to the aircraft. The results showed that using neural networks combined with controllers, robust or not, improves quadrotor flight performance. The improvement was seen both for normal flight conditions and for flights where the quadrotor was subjected to wind disturbances.Biblioteca Digitais de Teses e Dissertações da USPTerra, Marco HenriqueSimplício, Paulo Victor Galvão2021-12-16info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://www.teses.usp.br/teses/disponiveis/18/18153/tde-19012022-092722/reponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USPLiberar o conteúdo para acesso público.info:eu-repo/semantics/openAccesspor2022-02-07T19:53:04Zoai:teses.usp.br:tde-19012022-092722Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212022-02-07T19:53:04Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false |
dc.title.none.fl_str_mv |
Controle robusto e inteligente de quadricópteros sujeitos a distúrbios de vento Robust and intelligent control of quadrotors subject to wind disturbances |
title |
Controle robusto e inteligente de quadricópteros sujeitos a distúrbios de vento |
spellingShingle |
Controle robusto e inteligente de quadricópteros sujeitos a distúrbios de vento Simplício, Paulo Victor Galvão Controle robusto Disturbance estimation Estimativa de Distúrbios Neural networks Quadricóptero Quadrotor Rastreamento de trajetória Redes neurais Robust control Trajectory tracking |
title_short |
Controle robusto e inteligente de quadricópteros sujeitos a distúrbios de vento |
title_full |
Controle robusto e inteligente de quadricópteros sujeitos a distúrbios de vento |
title_fullStr |
Controle robusto e inteligente de quadricópteros sujeitos a distúrbios de vento |
title_full_unstemmed |
Controle robusto e inteligente de quadricópteros sujeitos a distúrbios de vento |
title_sort |
Controle robusto e inteligente de quadricópteros sujeitos a distúrbios de vento |
author |
Simplício, Paulo Victor Galvão |
author_facet |
Simplício, Paulo Victor Galvão |
author_role |
author |
dc.contributor.none.fl_str_mv |
Terra, Marco Henrique |
dc.contributor.author.fl_str_mv |
Simplício, Paulo Victor Galvão |
dc.subject.por.fl_str_mv |
Controle robusto Disturbance estimation Estimativa de Distúrbios Neural networks Quadricóptero Quadrotor Rastreamento de trajetória Redes neurais Robust control Trajectory tracking |
topic |
Controle robusto Disturbance estimation Estimativa de Distúrbios Neural networks Quadricóptero Quadrotor Rastreamento de trajetória Redes neurais Robust control Trajectory tracking |
description |
O desenvolvimento de sistemas de controle aplicados a quadricópteros que atuam em ambientes hostis é um desafio complexo. Isto porque, para obter um bom desempenho de voo autônomo com robustez, deve-se projetar um sistema de controle que considere não só distúrbios externos como também outros fatores que possam depreciar a qualidade de voo. Recentemente, uma das técnicas mais utilizadas é o controle inteligente composto por redes neurais artificiais (RNAs). Neste caso, as redes são combinadas com controladores, formando uma arquitetura capaz de se adaptar ao ambiente de operação e, consequentemente, reduzir o erro de seguimento de trajetória. Diante disso, este trabalho tem o objetivo de desenvolver arquiteturas inteligentes para controle de posição de quadricópteros, melhorando o desempenho de voo durante o rastreamento de trajetória. As arquiteturas propostas combinam um regulador linear quadrático robusto (RLQR) com redes neurais profundas. Além disso, o desempenho das arquiteturas propostas é avaliado através de um estudo comparativo, utilizando outros três controladores presentes na literatura: regulador linear quadrático (LQR), proporcional-integral-derivativo (PID) e linearização por realimentação (LR). As arquiteturas foram desenvolvidas utilizando a plataforma robot operating system (ROS) e os experimentos foram realizados primeiramente em um ambiente simulado e, em seguida, utilizando um quadricóptero comercial, o ParrotTM Bebop 2.0. Para ambos os casos, foram realizados dois conjuntos de experimentos, com e sem a aplicação de distúrbio de vento na aeronave. Os resultados mostraram que a utilização de redes neurais combinadas com controladores, robustos ou não, melhoram o desempenho de voo de quadricópteros. Isto foi visualizado tanto para condições normais de voo quanto para voos em que o quadricóptero foi submetido à influência de distúrbios de vento. |
publishDate |
2021 |
dc.date.none.fl_str_mv |
2021-12-16 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://www.teses.usp.br/teses/disponiveis/18/18153/tde-19012022-092722/ |
url |
https://www.teses.usp.br/teses/disponiveis/18/18153/tde-19012022-092722/ |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.none.fl_str_mv |
|
dc.rights.driver.fl_str_mv |
Liberar o conteúdo para acesso público. info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Liberar o conteúdo para acesso público. |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.coverage.none.fl_str_mv |
|
dc.publisher.none.fl_str_mv |
Biblioteca Digitais de Teses e Dissertações da USP |
publisher.none.fl_str_mv |
Biblioteca Digitais de Teses e Dissertações da USP |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da USP instname:Universidade de São Paulo (USP) instacron:USP |
instname_str |
Universidade de São Paulo (USP) |
instacron_str |
USP |
institution |
USP |
reponame_str |
Biblioteca Digital de Teses e Dissertações da USP |
collection |
Biblioteca Digital de Teses e Dissertações da USP |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP) |
repository.mail.fl_str_mv |
virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br |
_version_ |
1809090850278342656 |