کنترل تکرار آموز به منظور افزایش دقت انجام مانورهای تکراری در ربات‌های هوایی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشکده ی مهندسی هوافضا، دانشگاه صنعتی شریف

2 دانشکده ی مهندسی هوافضا، دانشگاه صنعتی شرف

چکیده

در این مقاله به‌منظور بهبود دقت تعقیب مانورهای تکراری در ربات‌های هوایی از روش کنترل‌کننده‌ی آموزش‌پذیر استفاده شده است. بدین منظور کنترل‌کننده‌ی اصلی بر اساس روش کنترل مد لغزشی طراحی شده است. این کنترل‌کننده تا حدودی در مقابل عدم قطعیت سیستم مقاوم است. در کنار این کنترل‌کننده، از روش حافظه محور کنترل تکرارآموز از نوع تناسبی ـ مشتقی، به‌صورت موازی و برون‌خط، استفاده شده است. کنترل‌کننده‌ی تکرارآموز وظیفه‌ی حذف اختلالات تکراری را بر عهده دارد. به منظور افزایش انعطاف‌پذیری سیستم کنترل، از شبکه‌ی عصبی مصنوعی پرسپترون چندلایه استفاده شده است. این شبکه برای تعمیم سیگنال کنترلی، تولید شده توسط کنترل تکرارآموز، به مانورهای مشابه طراحی شده است. در نهایت عملکرد این روش کنترلی بر دینامیک چهارپره، در حضور عدم قطعیت،
بررسی و با روش کنترل مد لغزشی ساده مقایسه شده است. بهبود عملکرد روش کنترلی پیشنهادی در نتایج شبیه‌سازی کاملاً مشهود است.

کلیدواژه‌ها


عنوان مقاله [English]

Iterative Learning Control to Enhance Accuracy of Repetitive Maneuvers for Aerial Robots

نویسندگان [English]

  • A. Banazadeh 1
  • H. Saadatmanesh 2
1 D‌e‌p‌t. o‌f A‌e‌r‌o‌s‌p‌a‌c‌e E‌n‌g‌i‌n‌e‌e‌r‌i‌n‌g S‌h‌a‌r‌i‌f U‌n‌i‌v‌e‌r‌s‌i‌t‌y o‌f T‌e‌c‌h‌n‌o‌l‌o‌g‌y
2 D‌e‌p‌t. o‌f A‌e‌r‌o‌s‌p‌a‌c‌e E‌n‌g‌i‌n‌e‌e‌r‌i‌n‌g S‌h‌a‌r‌i‌f U‌n‌i‌v‌e‌r‌s‌i‌t‌y o‌f T‌e‌c‌h‌n‌o‌l‌o‌g‌y
چکیده [English]

In this study, in order to enhance the accuracy of tracking repetitive maneuvers in Unmanned Aerial Vehicles (UAVs), a learning-based control scheme is proposed. At the outset, the controller is designed based on the sliding mode control (SMC) technique. In addition, the offline PD-type memory-based iterative learning control (ILC) is used along with SMC. The purpose of using ILC method is to reduce the effect of system uncertainty on the controller and decrease repetitive errors by adjusting the input control signal to dynamics and thus, to increase the reliability of following the desired path. In the ILC scheme, the error of states is saved during the maneuvers which will be used in the subsequent iteration. Also, in order to increase flexibility of the new control structure, ILC-SMC, a multilayer perceptron (MLP) has been developed. This network is designed to extend the control signal, generated by ILC, to similar maneuvers. The inputs of this neural network are the initial conditions for starting the maneuver and the output of the neural network is a gain that is multiplied by the stored control signal ILC and produces a new control signal. This generated signal will be suitable for similar maneuvers. The Levenberg–Marquardt (LM) algorithm has been used to train the multilayer perceptron artificial neural network. This method was then used in loop maneuvers. In this simulation, the difference between the maneuvers was in the acceleration of the maneuver, the radius of the maneuver, and the initial speed of the maneuver. This reduced the tracking error for similar maneuvers without performing the training process for the ILC control component. The presented control scheme is applied to a quadrotor aerial vehicle for tracking desired trajectories and it is shown that the vehicle is able to follow the desired trajectory better than the conventional SMC in the presence of uncertainties.

کلیدواژه‌ها [English]

  • Iterative Learning Control
  • sliding Mode Control
  • Uncertainties
  • Multilayer Perceptron Neural Network
  • quadrotor (UAV)