آمار
| تعداد نشریات | 4 |
| تعداد شماره‌ها | 157 |
| تعداد مقالات | 2,496 |
| تعداد مشاهده مقاله | 1,157,326 |
| تعداد دریافت فایل اصل مقاله | 900,838 |
طراحی کنترل‌کننده غیرخطی پهپاد چهارروتور به کمک روش ترکیبی گرادیان ازدحام ذرات | ||
| نشریه مهندسی مکانیک امیرکبیر | ||
| مقالات آماده انتشار، پذیرفته شده ، انتشار آنلاین از تاریخ 09 آذر 1395 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22060/mej.2016.859 | ||
| نویسندگان | ||
حامد شهبازی  ؛ وحید تیکنی
| ||
| دانشگاه اصفهان | ||
| چکیده | ||
| در این مقاله با ترکیب ایده‌هایی از یادگیری تقویتی گرادیان سیاست و روش ازدحام ذرات یک روش ترکیبی بهینه‌سازی برای کنترل یک سیستم پیچیده غیرخطی ارائه‌شده است که کاربردهای فراوانی در جهان واقعی خواهد داشت. این سیستم ترکیبی بر روی یک پرنده هدایت پذیر از دور چهارروتور نصب‌شده است که باهدف کنترل جهت‌گیری و موقعیت پهپاد عمل می‌کند. در این روش با گرفتن ایده از روش‌های تقویتی، گرادیان سیاست در کنترل‌کننده مشتق گیر تناسبی یک چهارروتور محاسبه می‌شود و در روابط بهینه‌سازی ازدحام ذرات وارد می‌گردد تا بهینه‌سازی علاوه بر فاکتور های لحاظ شده در روش‌های ازدحامی در جهت گرادیان سیاست کنترلی نیز انجام شود. برای انجام بهینه‌سازی ورودی‌های کنترلی و مشخصه‌های سیستم ازجمله: زمان پاسخ‌دهی سیستم، خطای ماندگار سیستم، فراجهش و زمان نشست سیستم در تابع هزینه برای بهینه‌سازی منظور شده‌اند. روش ارائه‌شده بر روی بستر عملی تست چهارروتور پیاده‌سازی و با تعدادی از روش‌های مرسوم مقایسه شده است. | ||
| کلیدواژه ها | ||
| چهارروتور؛ کنترل بهینه؛ گرادیان سیاست؛ بهینه‌سازی ازدحام ذرات | ||
| عنوان مقاله [English] | ||
| Design of a nonlinear Controller on Quadrotor Drone using Combined Method of Gradient Particle Swarm Optimization | ||
| نویسندگان [English] | ||
| Hamed Shahbazi؛ | ||
| چکیده [English] | ||
| In the paper a new method of optimal control in presented which is composed of policy gradient reinforcement learning and particle swarm optimization. This method has a lot of applications in the real world. The combined method is implemented on a quadrotor drone to control attitude and position of the drone. Inspired from reinforcement methods, the gradient of the policy is computed into the PID controller and used in particle swarm optimization to be used in optimization process in addition to other factors. Particle swarm optimization is a stochastic optimization algorithm, inspired by social behavior of fish or bird schooling. Different from GA algorithm there isn’t any operators such as crossover, reproduction and mutation in the PSO algorithm. The PSO algorithm is initialized with creation of particles distributed randomly over the whole solution domain. The particles moves in each iteration with respect to the gbest (the best value found so far) and the pbest (individual particle’s best position). The fitness of particles for a particular position is evaluated by the objective function. To study the performance of fuzzy PID controller on attitude control of the system, a quadrotor is installed to the designed stand. The system consists of accelerometer and gyroscope sensors and a microcontroller which is used to design fuzzy PID attitude controller for the quadrotor. Considering that the experimental data has lots of errors and noises, Kalman filter is used to reduce the noises. Finally using the Kalman filter leads to better estimation of the quadrotor angle position and the fuzzy PID controller performs the desired motions successfully. The presented method is implemented and tested on the quadrotor test bench and compared with some old methods. To check the robustness of the PID controller to the external disturbances, random disturbances are applied to the quadrotor. The controller stabilized the quadrotor rapidly even with disturbance is applied. | ||
| کلیدواژه ها [English] | ||
| Quadrotor, Optimal Control, Policy Gradient, Particle Swarm Optimization | ||
|
آمار تعداد مشاهده مقاله: 404 |
||
