Controlador neural PD para un vehículo aéreo no tripulado entrenado con filtro de Kalman extendido
Autores: Gomez-Avila, Javier; Villaseñor, Carlos; Hernandez-Barragan, Jesus; Arana-Daniel, Nancy; Alanis, Alma Y.; Lopez-Franco, Carlos
Idioma: Inglés
Editor: MDPI
Año: 2020
Disponible con Suscripción Virtualpro
Artículos
2020
Controlador neural PD para un vehículo aéreo no tripulado entrenado con filtro de Kalman extendidoCategoría
Ingeniería y Tecnología
Licencia
Atribución – Compartir igual
Consultas: 3
Citaciones: Sin citaciones
Los robots voladores han despertado un gran interés debido a sus numerosas aplicaciones. Por esta razón, el control de Vehículos Aéreos No Tripulados (UAVs) es uno de los desafíos más importantes en la robótica móvil. Estos tipos de robots suelen ser controlados con controladores Proporcional-Integral-Derivativo (PID); sin embargo, los controladores lineales tradicionales tienen limitaciones al controlar sistemas altamente no lineales e inciertos como los UAVs. En este documento se presenta un esquema de control para la posición de un cuadricóptero. El esquema presentado tiene el comportamiento de un controlador PD y se basa en una Perceptrón Multicapa entrenado con un Filtro de Kalman Extendido. La Red Neuronal se entrena en línea para garantizar la adaptación a los cambios en presencia de dinámicas e incertidumbres. El esquema de control se prueba en experimentos en tiempo real para demostrar su efectividad.
Descripción
Los robots voladores han despertado un gran interés debido a sus numerosas aplicaciones. Por esta razón, el control de Vehículos Aéreos No Tripulados (UAVs) es uno de los desafíos más importantes en la robótica móvil. Estos tipos de robots suelen ser controlados con controladores Proporcional-Integral-Derivativo (PID); sin embargo, los controladores lineales tradicionales tienen limitaciones al controlar sistemas altamente no lineales e inciertos como los UAVs. En este documento se presenta un esquema de control para la posición de un cuadricóptero. El esquema presentado tiene el comportamiento de un controlador PD y se basa en una Perceptrón Multicapa entrenado con un Filtro de Kalman Extendido. La Red Neuronal se entrena en línea para garantizar la adaptación a los cambios en presencia de dinámicas e incertidumbres. El esquema de control se prueba en experimentos en tiempo real para demostrar su efectividad.