Dergiler / Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi / 2023 / Cilt: 23 Sayı: 1

Yapay Sinir Ağları Kullanarak Akıllı Kuadkopter Kontrolü

Intelligent Quadcopter Control Using Artificial Neural Networks

Celal Onur Gökçe(AFYON KOCATEPE ÜNİVERSİTESİ)0000-0003-3120-7808
Sayfa
138–142
Yayın Tarihi
2023-03-01
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Literatürdeki mevcut başarılı kontrolörlere göre yüzde on civarında bir performans artışı gözlemlenmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada ileri seviyede bir kontrolör mimarisi tasarlanmış ve geliştirilmiştir.
📊
Temel Bulgular & Veri:Bu yaklaşım doğrusallıktan yüksek derecede farklı olan kuadkopterin kontrol performansını artırmıştır.
💡
Sonuç & Katkı:Literatürdeki mevcut başarılı kontrolörlere göre yüzde on civarında bir performans artışı gözlemlenmiştir.
🔬Tür:Literatür & Derleme Çalışması
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Kuadkopter kontrolü · PSO · tek katmanlı sinir ağı

Özet

Bu çalışmada ileri seviyede bir kontrolör mimarisi tasarlanmış ve geliştirilmiştir. Kontrolöre girdi olarak sadece hata sinyali yerine referans ve ölçüm sinyalleri ayrı ayrı girilmiştir. Bu yaklaşım doğrusallıktan yüksek derecede farklı olan kuadkopterin kontrol performansını artırmıştır. Bu çalışmada tek katmanlı sinir ağı doğrudan kontrolör olarak kullanılmıştır. Basitten başlayarak daha karmaşık bir kontrolörü tasarlayarak bir bakıma kontrolör büyütme yapılmıştır. Bu sayede son derece yüksek boyutlu olan parametre uzayında arama zamanı oldukça azaltılmıştır. Literatürdeki mevcut başarılı kontrolörlere göre yüzde on civarında bir performans artışı gözlemlenmiştir. Sonuçlar hem numerik olarak hem de grafiksel olarak verilmiştir. Elde edilen cesaret verici sonuçlar önerilen kontrolör algoritmasının yeni platformlarda da denenmesinin yolunu açacaktır.

Abstract

An advanced controller architecture and design for quadcopter control implementation is proposed in this study. Instead of using only the error information as input to the controller, reference and measured outputs are used separately independent from each other. This enhances the performance of the controller of quadcopter being a highly non-linear platform. In this study single layer neural network is directly used as a controller. A complex controller is grown from an initially simple PID controller. This elevates the need for time consuming search in huge parameter space due to very high dimensions. About ten percent improvement over state-of-the-art controllers is observed and results are reported both numerically and graphically. Promising results encourage to use the type of controller proposed for various real applications.

🔖

Bu Makaleye Atıf Yap

Gökçe, C. O. (2023). Yapay Sinir Ağları Kullanarak Akıllı Kuadkopter Kontrolü. Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, Cilt: 23 Sayı: 1, 138–142. https://doi.org/10.35414/akufemubid.1229424

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (11)

  1. Agarwal, V., & Tewari, R. R., 2021. Improving energy efficiency in UAV attitude control using deep reinforcement learning. Journal of Scientific Research, 65(3), 209-219.
  2. Barzegar, A., & Lee, D. J., 2022. Deep Reinforcement Learning-Based Adaptive Controller for Trajectory Tracking and Altitude Control of an Aerial Robot. Applied Sciences, 12(9), 4764.
  3. Bouadi, H., Cunha, S. S., Drouin, A., & Mora-Camino, F., 2011, November. Adaptive sliding mode control for quadrotor attitude stabilization and altitude tracking. In 2011 IEEE 12th international symposium on computational intelligence and informatics (CINTI) (pp. 449-455). IEEE.
  4. El Gmili, N., Mjahed, M., Elkari, A., & Ayad, H., 2022. Improved cuckoo search approach based optimal proportional-derivative parameters for quadcopter flight control. Australian Journal of Electrical and Electronics Engineering, 1-14.
  5. Idrissi, M., Salami, M., & Annaz, F., 2022. A Review of Quadrotor Unmanned Aerial Vehicles: Applications, Architectural Design and Control Algorithms. Journal of Intelligent & Robotic Systems, 104(2), 1-33.
  6. Jin, X. Z., He, T., Wu, X. M., Wang, H., & Chi, J., 2020. Robust adaptive neural network-based compensation control of a class of quadrotor aircrafts. Journal of the Franklin Institute, 357(17), 12241-12263.
  7. Karakaya, Ş. E., & Goren, A., 2022. Performance Comparison of PID and NARX Neural Network for Attitude Control of a Quadcopter UAV. Journal of Materials and Mechatronics: A, 3(1), 1-19.
  8. Park, D., Yu, H., Xuan-Mung, N., Lee, J., & Hong, S. K. (2019, December). Multicopter PID Attitude Controller Gain Auto-tuning through Reinforcement Learning Neural Networks. In Proceedings of the 2019 2nd International Conference on Control and Robot Technology (pp. 80-84).
  9. Sonugur, G., Gokce, C. O., Koca, Y. B., Inci, S. S., & Keles, Z., 2021, January. Particle swarm optimization based optimal PID controller for quadcopters. In Dokl Bulg Akad Nauk (Vol. 74, No. 12, pp. 1806-14).
  10. Suhail, S. A., Bazaz, M. A., & Hussain, S., 2022. Adaptive sliding mode-based active disturbance rejection control for a quadcopter. Transactions of the Institute of Measurement and Control, 01423312221099366.
  11. Yoon, J., & Doh, J., 2022. Optimal PID control for hovering stabilization of quadcopter using long short term memory. Advanced Engineering Informatics, 53, 101679.