Мехатронная система управления полетом квадрокоптера и планирование траектории методами оптической одометрии тема диссертации и автореферата по ВАК РФ 05.02.05, кандидат наук Сайфеддин Дахер

  • Сайфеддин Дахер
  • кандидат науккандидат наук
  • 2015, ФГБОУ ВО «Южно-Российский государственный политехнический университет (НПИ) имени М.И. Платова»
  • Специальность ВАК РФ05.02.05
  • Количество страниц 186
Сайфеддин Дахер. Мехатронная система управления полетом квадрокоптера и планирование траектории методами оптической одометрии: дис. кандидат наук: 05.02.05 - Роботы, мехатроника и робототехнические системы. ФГБОУ ВО «Южно-Российский государственный политехнический университет (НПИ) имени М.И. Платова». 2015. 186 с.

Оглавление диссертации кандидат наук Сайфеддин Дахер

ВВЕДЕНИЕ

ГЛАВА 1. АНАЛИЗ МЕТОДОВ И СРЕДСТВ ПЛАНИРОВАНИЯ ТРАЕКТОРИИ ПОЛЕТА И УПРАВЛЕНИЯ КВАДРОКОПТЕРОМ

1.1. Эволюция развития беспилотных летательных аппаратов

1.2. Методы планирования траектории полета беспилотных летательных аппаратов

1.2.1. Программные методы планирования и управления

1.2.1.1. Прямой эксплицитный метод

1.2.1.2. Глобальный эвристический прямой метод

1.2.1.3. Поисковый комбинированный метод

1.2.1.4. Метод прямого расположения и псевдоспектральный метод

1.2.1.5. Методы на базе генетического алгоритма

1.2.2. Аппаратные средства реализации систем управления

1.3. Особенности структуры планирования траектории полета квадрокоптера

1.4. Требования к системе планирования траектории полета и управления квадрокоптером

1.5. Выводы по главе

ГЛАВА 2. ИДЕНТИФИКАЦИЯ И МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ КВАДРОКОПТЕРА КАК ОБЪЕКТА УПРАВЛЕНИЯ

2.1. Анализ аэродинамических особенностей и математическое описание квадрокоптера как объекта управления и описание режимов его полета

2.2. Аэродинамическая модель квадрокоптера, представление его

как линейного объекта и его математическое моделирование

2.3. Представление квадрокоптера со сдвинутым центром тяжести

как нелинейного объекта и его математическое моделирование

2.4. Концепция реактивного управления полетом квадрокоптера в неизвестной среде

2.5. Выводы по главе

ГЛАВА 3. РАЗРАБОТКА СИСТЕМЫ ПЛАНИРОВАНИЯ ТРАЕКТОРИИ ПОЛЕТА КВАДРОКОПТЕРА

3.1. Разработка гибридного поискового алгоритма глобального планирования траектории полета квадрокоптера на базе алгоритма А-стар и метода потенциальных полей

3.2 Планирование траектории с помощью оптической

одометрии

3.2.1. Глобальный алгоритм планирования траектории

3.2.2. Локальное планирование траектории полета с помощью распознавания мобильного агента

3.3. Неопределенность в задачах локального планирования и экстраполяция функции движения агента

3.3.1. Анализ с помощью модели байесовской сети

3.3.2. Анализ влияния температуры источника света на отслеживание динамического агента

3.3.3. Привязка нейронных сетей для решения проблемы дилеммы выбора агента отслеживания

3.3.3.1. Обучение нейронной сети КАЕХ

3.3.3.2. Результаты экстраполяции функции движения агента

3.4. Выводы по главе

ГЛАВА 4. СИНТЕЗ ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ

УПРАВЛЕНИЯ ПОЛЕТОМ КВАДРОКОПТЕРА

4.1. Линейное моделирование и управление квадрокоптером

4.1.1. Синтез системы модального управления полетом квадрокоптера

4.1.2. Построение системы управления полетом методом линейно-квадратичного регулирования

4.1.3. Регулирование состояний полета на базе корректирующего ПД/ ПИД-регулятора

4.1.4. Управление параметрами состояния полета с помощью нечетких регуляторов

4.2. Оптимизация нечетких регуляторов методом роя частиц

4.3. Моделирование системы управления с учетом сдвига центра тяжести и нелинейности квадрокоптера

4.4. Выводы по главе

ГЛАВА 5. РАЗРАБОТКА И ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ ИТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ ПЛАНИРОВАНИЯ И УПРАВЛЕНИЯ АВТОНОМНЫМ ПОЛЕТОМ КВАДРОКОПТЕРА С ПОМОЩЬЮ ОПТИЧЕСКОЙ ОДОМЕТРИИ

5.1. Предложения по практической реализации интеллектуальной системы планирования траектории полета и управления квадрокоптером в неизвестной среде

5.2. Анализ параметров полета квадрокоптера по контрольным

точкам

5.3. Распознавание и отслеживание динамического агента

5.4. Описание процесса обучения квадрокоптера полету и моделирование данного процесса

5.5. Метрологическая оценка системы управления полетом квадрокоптера

5.5.1. Измерения гироскопа тангажа и крена

5.5.2. Измерения гироскопа рыскания

5.5.3. Измерения ультразвукового высотомера

5.5.4. Измерения акселерометра

5.6. Рекомендации по разработке системы планирования траектории полета и автоматического управления беспилотным летательным аппаратом на базе квадрокоптера

5.7. Выводы по главе

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ 1. Листинг програм моделирования

ПРИЛОЖЕНИЕ 2. Листинг програм планирования

ПРИЛОЖЕНИЕ 3. Акт внедрения

Рекомендованный список диссертаций по специальности «Роботы, мехатроника и робототехнические системы», 05.02.05 шифр ВАК

Введение диссертации (часть автореферата) на тему «Мехатронная система управления полетом квадрокоптера и планирование траектории методами оптической одометрии»

ВВЕДЕНИЕ

Актуальность работы. Одной из основных целей мехатроники является создание автоматических устройств, которые могут заменить человека-оператора в опасных для жизни условиях. В связи с этим существенно возрастает роль беспилотных летательных аппаратов (БПЛА). Это связано с успешностью их внедрения для выполнения сложных технологических процессов и операций, таких как мониторинг, фотограмметрия фасадов зданий, инспекция мостов и отслеживание мобильных агентов. Для реализации этих технологических процессов необходимо управлять полетом. В настоящее время управление полетом осуществляется в полуавтоматическом режиме по командам оператора с использованием навигации по опорным точкам или в дистанционном режиме с помощью пульта управления. Наряду с этим существенно возрастает роль программного управления БПЛА на базе интеллектуальных автопилотов. Это связано с мировой тенденцией увеличения уровня автономности БПЛА при решении поставленных целевых задач, таких как планирование и автоматическое управление полетом по заданной траектории.

Анализ источников отечественной и зарубежной литературы по БПЛА показывает, что к настоящему времени отсутствует системный подход к разработке и применению беспилотной авиационной техники в военной и гражданской областях. Это привело к появлению большого количества различных видов, типоразмеров и функционального назначения БПЛА. К классу вертолетного типа относится квадрокоптер. Это мехатронный винтокрылый летательный аппарат (ЛА), имеющий шесть степеней свободы, осуществляющий полет путем изменения скорости вращения роторов, работающих по парам. Это позволяет квадрокоптеру двигаться в трехмерном пространстве с помощью четырех режимов: нависание, крен, тангаж и рыскание. Реализация вышеупомянутых режимов осуществляется с помощью микро-ЭВМ, которая управляет механизмом генерирования подъемной силы

роторов, регулирует положение квадрокоптера в соответствии с выбранным режимом полета и обеспечивает обмен навигационных данных с разными уровнями управления.

В настоящее время управление квадрокоптером осуществляется в полуавтоматическом режиме по командам оператора с использованием навигации по опорным точкам. Параллельно существенно возрастает роль программного управления БПЛА. Это связано с мировой тенденцией увеличения уровня автономности БПЛА при решении поставленных целевых задач, таких как планирование и автоматическое управление полетом по заданной траектории.

Повышение доли использования программного управления БПЛА объясняется необходимостью разгрузки оператора и стремлением сократить степень влияния человеческого фактора, служащего причиной 26 % аварий летательных аппаратов. Важным поводом для внедрения новых алгоритмов управления является также высокий уровень отказов БПЛА при потере связи. На это приходится 17 % отказов от общего количества. Сравнение с пилотируемыми рейсами (ПЛА) показывает, что частота аварии беспилотных полетов в 27000 раз выше. Это означает, что у БПЛА 1611 отказов на миллион часов полета и лишь 0,06 отказов для того же времени у ПЛА.

Стремительный рост ресурсов и быстродействия средств вычислительной техники позволяет осуществлять планирование и управление полетом квадрокоптера с учетом критериев оптимальности по точности его позиционирования и быстродействию в режиме реального времени. Достичь этого можно с помощью искусственного интеллекта на базе комбинации методов нечеткой логики и роя частиц, а также использования системы технического зрения, способных адаптироваться к постоянно изменяющимся условиям и позволяющих формировать необходимые условия в рамках системы управления для реализации нужных маневров в полете. Традиционные алгоритмы управления и планирования траекторий являются в данном случае непригодными к применению, так как

они нуждаются в наличии глобальной системы локализации (ГЛОННАС, GPS).

Соответствие диссертации плану работ ЮРГПУ (НПИ) и целевым комплексным программам. Диссертационная работа выполнена в рамках научного направления ЮРГТУ (НПИ) «Теория и принципы создания робототехнических и мехатронных систем и комплексов», утвержденного ученым советом 25.04.2009 и соответствует госбюджетной теме П.3.865 «Разработка теории и принципов построения интеллектуальных мехатронных и робототехнических систем» (2009-2013 гг.).

Цель работы. В данной диссертации ставится цель создания интеллектуальной системы автономного полета квадрокоптера без вспомогательных навигационных систем. Для ее достижения необходимо решить следующие основные задачи:

- провести идентификацию аэродинамических характеристик квадрокоптера;

- исследовать влияние сдвига реального центра тяжести квадрокоптера от геометрического на управление полетом;

- разработать критерии оптимальности для алгоритма планирования траектории квадрокоптера;

- синтезировать оптимальную систему управления полетом квадрокоптера с учетом сдвига центра его тяжести от геометрического центра;

- синтезировать алгоритм планирования траектории полета квадрокоптера на базе оптической одометрии без вспомогательных навигационных систем;

- разработать метод реализации алгоритма планирования траектории в режиме реального времени для локального и глобального планирования полета;

- разработать рекомендации по созданию систем планирования и управления миниатюрными летательными аппаратами типа квадрокоптера.

Идея работы. Идея работы состоит в учете сдвига реального центра тяжести от геометрического центра аппарата и оптической одометрии для эффективного планирования траектории и управления полетом квадрокоптера на базе методов нечеткой логики с возможностью постоянной самонастройки параметров системы.

Методы исследования. В работе использованы методы классической механики, математического моделирования, аналитической геометрии, кинематического и динамического анализа, аэродинамики, нечеткой логики, искусственных нейросетей, классической и современной теории автоматического управления, методов оптимизации, системы технического зрения, синергетики, мехатроники, робототехники и экспериментальных исследований на базе физической модели с аналитической обработкой результатов на ЭВМ.

Научные положения, выносимые на защиту:

- метод адаптивного управления состояниями полета квадрокоптера по заданной траектории без перерегулирования на базе нечётких регуляторов с учетом сдвига его реального центра тяжести от геометрического, позволяющий обеспечить самонастройку системы к постоянно изменяющимся условиям среды полета;

- метод планирования траектории полета квадрокоптера на базе оптической одометрии без вспомогательных навигационных систем, обеспечивающий автономность и независимость навигации квадрокоптера;

- метод реализации алгоритма локального и глобального планирования траектории полета в режиме реального времени, позволяющий приблизить быстродействие системы к требованиям среды полета.

Научная новизна работы заключается в разработке:

- метода адаптивного управления состояниями полета квадрокоптера по заданной траектории без перерегулирования на базе нечётких регуляторов с учетом сдвига его реального центра тяжести от геометрического, отличающегося использованием регулятора переменных коэффициентов

усиления, оптимизированных с помощью метода роя частиц, позволяющего обеспечить самонастройку системы к постоянно изменяющимся условиям среды полета;

- метода планирования траектории полета квадрокоптера на базе оптической одометрии без вспомогательных навигационных систем, отличающегося экстраполяцией координат полета с помощью нелинейной авторегрессионной модели нейронной сети с экзогенными входами в случае проблемы локального минимума, обеспечивающего автономность и независимость навигации квадрокоптера;

- метода реализации алгоритма локального и глобального планирования траектории полета в режиме реального времени, отличающегося нечувствительностью к отсутствию связи вспомогательных навигационных систем в задачах автономности и локализации, позволяющего приблизить быстродействие системы к требованиям среды полета.

Обоснованность и достоверность результатов обеспечивается корректным использованием фундаментальных законов физики, механики, аэродинамики, оптики, робототехники, классической и современной теории управления, корректными допущениями при составлении математических моделей и подтверждается данными экспериментов на модели системы планирования траектории полета и управления полетом квадрокоптера, результатами физического и компьютерного моделирования. Расхождение результатов математического моделирования и проведенных экспериментов на натурных образцах не превысило 10%.

Научное значение результатов исследований состоит в том, что предложенные в диссертации математические модели, методы синтеза и управления представляют собой методологические основы для разработки БПЛА с абсолютной автономностью полета и адаптацией к изменяющимся условиям окружающей среды, обладающих высокой эксплуатационной эффективностью.

Практическая ценность работы заключается в разработке:

- интеллектуальной системы планирования траектории полета квадрокоптера с помощью системы оптической одометрии, способной генерировать координаты полета с отсутствием вспомогательных систем навигации (ГЛОНАСС, GPS);

- нелинейной модели авторегрессионной нейронной сети с экзогенными входами, позволяющей в случае неопределённости среды изменять задачу локального планирования на задачу экстраполяции движения мобильного маркера;

- нечётких регуляторов для реализации алгоритма автоматического управления полетом квадрокоптера с осуществлением оптимизации на базе метода роя частиц, с возможностью определения значения коэффициентов их усиления в течение полета;

- пакета программ, обеспечивающих возможность реализовать полет в реальном времени в полуавтономном режиме и при автономном управлении.

Внедрение результатов диссертационного исследования.

Разработанные модели и методы приняты к внедрению в проектную и конструкторскую документацию Государственного НИИ Авиационных Систем (г. Москва). Материалы диссертационной работы используются в учебном процессе кафедры «Мехатроника и Гидропневмоавтоматика» ЮРГПУ (НПИ) для студентов специальностей 221000 «Мехатроника и робототехника».

Апробация работы. Основные положения и результаты работы излагались в научных статьях и докладывались на международной научно-технической конференции «The International Symposium on Automation and Robotics in Construction and Mining (ISARC 2014)» (г. Сидней, Австралия, 2014 г.), международной научно-практической конференции «Creative Construction Conference» (г. Прага, Чехия, 2014 г.), 58-м Международном научном коллоквиуме «58. IWK Ilmenau Scientific Colloquium» (г. Ильменау,

Германия, 2014), международной научно-практической конференции «Construction Technology and Management CTM2014» (г. Братислава, Словакия, 2014 г.), XI-ой Международной научно-технической конференции «Вибрация-2014. Вибрационные технологии, мехатроника и управляемые машины» (г. Курск, Россия, 2014), международной научно-технической конференции «Искусственный интеллект. Интеллектуальные системы» (Крым, Россия, 2013), международной научно-технической конференции «Технология 2013» (г. Северодонецк, Украина, 2013).

Публикации. Основные материалы диссертации опубликованы в 22 печатных работах, в том числе 1 статья в журнале, входящем в Web of Science, а 4 - в изданиях, рекомендованных ВАК. Заявлен патент на полезную модель.

Структура и объем диссертации. Диссертация состоит из введения, 5 глав, заключения, списка литературы и 3 приложений. Общий объем работы составляет 186 страниц машинописного текста, содержит 80 рисунок, 11 таблиц, список литературы из 111 наименований.

ГЛАВА 1. АНАЛИЗ МЕТОДОВ И СРЕДСТВ ПЛАНИРОВАНИЯ ТРАЕКТОРИИ ПОЛЕТА И УПРАВЛЕНИЯ КВАДРОКОПТЕРОМ

Специальные мобильные роботы являются самыми распространенными видами роботов, способными свободно перемещаться и адаптироваться к условиям окружающей среды. Однако для этого необходимо получать информацию об окружающем мире и сопоставлять её с данными о собственном положении при планировании траектории, с целью определения последующего шага движения. Это задача называется планированием траектории. Одним из важнейших результатов решения задачи планирования является автономность движения мобильного робота. Это, в свою очередь, решает проблемы полуавтоматического управления роботом, в том числе реализацию полного освобождения оператора и, как следствие, уменьшение оперативных (человеческих) ошибок.

Сегодня существует ряд методов планирования траектории. Основными являются следующие подходы: планирование с использованием энкодеров; применение инерционных датчиков; подходы на базе системы технического зрения и генерирование траектории на основе данных навигационных и локационных систем ГЛОНАСС или GPS.

Эти подходы были успешно использованы для планирования и генерирования траектории движения робота. Однако в зависимости от вида робота и миссии движения каждый из этих подходов показал различные результаты по универсальности использования.

Когда речь идет о планировании траектории воздушных специальных роботов, то есть о беспилотных летательных аппаратах, то все эти методы используются в зависимости от миссии полета, степени автономности движения и состояния окружающей среды [36]. Как показывает анализ литературы, отсутствует конкретная схема соотношения БПЛА с выбранной миссией полета. Это привело к появлению многих подклассов БПЛА с

различными степенями автономности движения, аэродинамических характеристик и управляемости.

Вопрос определения и классификации беспилотных летательных аппаратов, как разновидности летательных аппаратов, изменялся параллельно с процессами развития техники и технологии. Существуют разные мнения по определению БПЛА, но основные из них два: классификация по функциональности и системности.

По первому определению БПЛА это летательный аппарат без экипажа на борту, оснащенный двигателем и поднимающийся в воздух за счет действия аэродинамических сил, управляемый автономно или дистанционно (полуавтономное и ручное управление), способный нести нагрузку летательного или нелетательного воздействия [19].

Второе определение гласит о том, что БПЛА являются беспилотными авиационными комплексами (БАС), под которыми понимается совокупность комплекса с БПЛА, куда входят наземный пункт дистанционного управления с людьми, управляющими им и обеспечивающими его функционирование, и каналами управления и связи с потребителями результатов функционирования БАС [22]. При этом БПЛА делятся на четыре основные группы: БАС с дистанционно пилотируемым летательным аппаратом; с беспилотным автоматическим летательным аппаратом; с дистанционно управляемым летательным аппаратом и с летательным аппаратом, дистанционно управляемым авиационной системой.

Несмотря на разные определения, с точки зрения мехатроники и робототехники, БПЛА это вид специальных роботов, который принадлежит к классу летательных аппаратов, не пилотируемых летчиком, в том числе к тем, чей полет заранее запрограммирован на земле и не может быть скорректирован оператором в процессе его выполнения. Это приводит к пониманию планирования траектории и управления полета.

1.1. Эволюция развития беспилотных летательных аппаратов

Полет - древнейшая мечта человечества. Первый успешный полет был осуществлен в 1903 году, и с тех пор эта техническая сфера неуклонно развивается. Человек попробовал многие конструкции пока не нашел оптимальные подъемные системы. Прошли десятки лет и человек может летать на звуковых и ультразвуковых скоростях. Были построены огромные самолеты с большими несущими крыльями. Быстрота появления новых технологий в сфере авиации потребовала организовать этот емкий и прибыльный рынок.

Самолеты классифицируются по группам, называемым «поколение». Самолеты одного поколения имеют похожие конструктивные, аэродинамические и аппаратные возможности. Более совершенные поколения (четвёртое и дальше) потребовали, чтобы самолет был легким в управлении, принимал самостоятельно какие-то решения, отслеживал траектории. Сегодня самолеты F-22 Raptor (США) и Сухой ПАКФА- Т50 являются единственными летательными аппаратами пятого поколения [30]. Технические требования к этому поколению тесно связаны с продвинутыми мехатронными и робототехническими системами.

К числу технических требований пятого поколения входят понятия использования легких углеродных материалов в конструкциях, внедрение микро- и наноэлектромеханических систем в бортовых аппаратах, способность управлять тягой двигателей под различными углами атаки, планирование миссии полета и генерирование траектории, а так же быстродействующие системы управления состояниями полета.

С точки зрения мехатроники и робототехники, вопросы автоматического управления состояниями полета и планирования его миссии являются задачами научных исследований. Эти задачи решатся в категории, характеризуемой термином «автономность полета».

Исторически, автономность полета была достигнута в космических и в военных задачах. Немецкая ракета V-4 была первым «автономным» летательным аппаратом. Понятие автономности полета с течением лет изменилось. Сегодня автономность может быть частичной, то есть летательный аппарат управляется дистанционно, и полной, где он управляется сам по себе. В итоге родился новый класс самолетов -беспилотные летательные аппараты (БПЛА).

БПЛА являются специальными воздушными роботами. Они в основном были применены в военных задачах. Успех их внедрения привлек внимание конструкторов летательных аппаратов, так как заказы гражданского рынка являются более массовыми и прибыльными. Сегодня БПЛА применяются в патрулировании пространства, охране окружающей среды, инспекции высотных зданий и сооружений, футбольных стадионов, в качестве аппарата противопожарного мониторинга, а так же при съемке видеофильмов и т.д.

Развитие технологии и принципов создания БПЛА началось в 1849 году [17,25,34], когда с помощью воздушных шаров австрийские войска доставили бомбы к осажденной Венеции.

Новые открытия в области телекоммуникации и аппаратуры связи позволили существенно повысить степень автономность и улучшить управляемость БПЛА. Мощным импульсом стало появление радиотелеграфа. В 1898 году Тесла разработал миниатюрное радиоуправляемое судно, а в 1910 году Чарльз Кеттеринг предложил, построил и испытал различные модели БПЛА [22,35]. В 1933 году в Великобритании разработан первый БПЛА многократного использования.

В СССР разработки в области БПЛА появились в 1930-1940 годы. Тогда была разработана концепция торпедоносец-планер на основе понятия «летающее крыло».

После окончания Великой Отечественной войны интерес к БПЛА существенно возрос, а начиная с 1960-х годов они уже применялись для реализации мирных задач (невоенные миссии полета).

В итоге можно условно охарактеризовать развитие разработки БПЛА с помощью четырех исторических моментов [96]:

1. С 1849 года до начала ХХ века - эксперименты по созданию БПЛА, формирование теоретических основ аэродинамики, теории управления полетом и расчета аэродинамических, летательных и конструктивных коэффициентов БПЛА.

2. С начала ХХ века до 1945 года - разработка БПЛА военного назначения.

3. 1945-1960 годы - период расширения классификации БПЛА по назначению.

4. С 1960 годов до наших дней - расширение классификации БПЛА, начало использования для решения задач невоенного характера.

Эксплуатировались самые различные виды летательных аппаратов. В итоге были выбраны оптимальные конструкции для создания БПЛА.

Сегодня существуют два вида БПЛА: модель со стационарным неподвижным крылом и модель винтокрылого летательного аппарата. Идея винтокрылого летательного аппарата принадлежит Леонарду да Винчи, этот летательный аппарат тяжелее воздуха, поэтому его полёт главным образом, осуществляется за счет подъёмной силы, создаваемой одним или несколькими несущими винтами.

В связи с научными открытиями в области материалов и внедрением микро- и наноэлектромеханических систем во многие аппараты, уменьшались габариты и размеры летательных аппаратов. Сегодня мы имеем миниатюрный летательный аппарат (МЛА), стоимость проектирования которого не превышает 70 долларов. К классу этих МЛА принадлежит квадрокоптер. Существуют так же дополнительные классы БПЛА.

Микро- и мини-БПЛА с короткой дальностью полета (до 25-40 км) -класс миниатюрных сверхлегких и легких аппаратов и комплексов с взлетной массой до 5 кг. Они применяются преимущество для наблюдения. К этому классу относятся следующие модели БПЛА: ZALA 421-11, ZALA 421-08, ZALA 421-12, Т23 «Элерон», Т25, «Элерон-3», «Гамаюн-3», «Иркут-2М» и др.

Легкие БПЛА малого радиуса действия. Типичная масса варьируется от 5 до 50 кг. Дальность их действия лежит в пределах 10-120 км. К этому классу относятся «Гамаюн-10», «Иркут-10», Т92 «Лотос», Т90 (Т90-11) и др.

Легкие БПЛА среднего радиуса действия. Их масса варьируется в пределах 50-100 кг, к ним относятся отечественные БПЛА «Пчела- 1Т», «Дозор-2», «Дозор-4».

Средние БПЛА. Взлетная масса от 100 до 300 кг, а дальность полета 150-1000 км. В этом классе находятся: Е22М «Берта», «Беркут» и «Пчела-1Т».

Тяжелые БПЛА среднего радиуса действия. Это БПЛА с массой от 500 и более кг, дальность полета варьируется в пределах 70-300 км. Типовые модели: Ту-243 «Рейс-Д», Ту-300, «Иркут-850», «Нарт» (А-03).

Тяжелые БПЛА большой продолжительности полета. К этому классу относятся американские БПЛА Predator, Reaper, Global Hawk и израильский Heron.

Квадрокоптер это летательный аппарат с четырьмя роторами, вращающимися диагонально в противоположных направлениях. Как и любой другой летательный аппарат, он имеет свои преимущества и недостатки.

Квадрокоптер состоит из многих механических, электрических и электронных модулей: роторы, блок питания и управления, акселерометры и гироскопы. Для уменьшения габаритных размеров и веса модулей сегодня используются компоненты на базе микроэлектромеханических систем. Размеры кристалла микросхемы микроэлектромеханических систем МЭМС лежат в диапазоне от 20 мкм до 1 мм, тогда как размеры микромеханических

устройств - от 1 до 100 мкм, что делает их весьма подходящими для использования в миниатюрных летательных аппаратах.

Масса устройства является важным условием проектирования летательных аппаратов, потому что она входит в соотношение общей массы летательного аппарата к результирующей производной тяге и, следовательно, непосредственно влияет на аэродинамические характеристики летательного аппарата.

Конструктивно, главным преимуществом квадрокоптера является его манёвренность, то есть способность менять направления полета без выполнения дополнительных кругов. Квадрокоптер не требует механических соединений для изменения угла наклона вращения лопастей ротора, когда совершает вращательное движение.

Квадрокоптер имеет фиксированный шаг винта, который является одной из основных технических характеристик его аэродинамики. Шаг винта это расстояние, пройденное поступательно винтом, ввинчивающимся в воздушную среду за один полный оборот (360°). Чем больше шаг винта, тем больший объём газа захватывают лопасти, тем самым больше нагрузка на двигатель и меньше скорость вращения винта (обороты). Это упрощает конструкцию, сокращает время и стоимость обслуживания, но одновременно замедляет скорость полета.

Другое преимущество квадрокоптера - использование четырех роторов. Это позволяет уменьшать диаметр лопастей МЛА, и тогда получается сумма диаметров роторов (их четыре) меньше, чем диаметр эквивалентного ротора для данного размера летательного аппарата. В итоге дольше сохраняется кинетическая энергия во время полета и уменьшается вероятность обнаружения квадрокоптера, а так же повышается дальность его полета. Это объясняется следующим образом, чем больше потери кинетической энергии, тем выше температура (тепло) на роторах, что позволяет обнаружить МЛА с помощью детекторов теплоты. Отсутствие автомата перекоса на квадрокоптере делает летательный аппарат дешевым

(стоимость проектирования) и простым по структуре. Причина этого объясняется с помощью функциональности автомата перекоса. В вертолётах он обеспечивает управление вертикальным перемещением винтокрылого летательного аппарата, а также его наклоном по крену и тангажу. Для этого автомат периодически изменяет угол установки каждой лопасти винта в зависимости от того, где лопасть оказывается в определённый момент времени в ходе вращения винта как целого.

С другой стороны, квадрокоптеры имеют ряд недостатков: важнейший из них - отсутствие вспомогательных механизмов в конструкции квадрокоптера для стабилизации полета, особенно если рассматривать нелинейность динамической модели квадрокоптера. Этот миниатюрный летательный аппарат так же имеет низкие показатели дальности полета и грузоподъемности.

Таким образом, квадрокоптер можно охарактеризовать как высокоманевренный и нестабильный летательный аппарат, поэтому исследования управления им это актуальная техническая задача. Кроме того, для применения квадрокоптера в качестве БПЛА необходимо рассматривать вопрос планирования и генерирования траекторий полета.

Похожие диссертационные работы по специальности «Роботы, мехатроника и робототехнические системы», 05.02.05 шифр ВАК

Список литературы диссертационного исследования кандидат наук Сайфеддин Дахер, 2015 год

Библиографический список

1. Ардентов А.А., Бесчастный И.Ю., Маштаков А.П. и др. Алгоритм вычисления положения БПЛА с использованием системы машинного зрения // Программные системы: теория и приложения. Электронный журнал. 2012. №3(12). С. 23-29.

2. Воеводин В.В., Воеводин В..В. Параллельные вычисления. СПб.: БХВ

- Петербург, 2002. 600 с.

3. Борцов Ю.А., Соколовский Г.Г. Глава 8. Адаптивно-модальное управление в следящих системах с бесконтактными моментными двигателями // Автоматизированный электропривод с упругими связями. — 2-е изд., перераб. и доп.. — СПб: Энергоатомиздат, 1992.

— ISBN 5-283-04544-7 — 288 с.

4. Белинская Ю.С. и Четвериков В.Н. Управления четырехвинтовным вертолётом. Наука и образование. Эл № ФС 77-48211. 2008.

5. Вишняков А.Н. Цыпкин Я.З. Синтез модальных дискретных систем управления . //Автоматика и телемеханика. 1993. №7. С. 86-94.

6. Волгин Л.Н. Оптимальное дискретное управление динамическими системами. М.: Наука, 1986. 240 с.

7. Герман-Галкин С. Г. Модельное проектирование синхронных мехатронных систем // Matlab & Simulink. Проектирование мехатронных систем на ПК. — СПб.: КОРОНА-Век, 2008. — 368 с. — ISBN 978-5-903383-39-9

8. Головко В.А. Нейронные сети Обучение, организация и применение. 2001.

9. Евстигнеев В.Р. Прогнозирование доходности на рынке акций. - М.: Маросейка, 2009. - 192 с.

10. Круглов В.В., Борисов В.В. Искусственные нейронные сети: Теория и практика. - М.: Горячая линия-Телеком, 2002 - 382 с.: ил.

11. Казьмин В. Н., Носков В. П. Объемное зрение в системе навигационного обеспечения беспилотного летательного аппарата. ISSN 0236-3941 // Вестник МГТУ им. Н.Э. Баумана. Сер. "Машиностроение". 2012 113-121

12. Желтов С.Ю., Визильтер Ю.В. Перспективы интеллектуализации систем управления ЛА за счет применения машинного зрения // Труды МФТИ, 2009, Т. 1, № 4. С. 164-181.

13. Кузнецов Н.Т. Модальное управление и наблюдающие устройства.-М.: Машиностроение, 1976. 184 с.

14. Куршев Н.В., Кожевников Ю.В. Оптимальные задачи динамики полета. 2-е изд. доп. и перераб. Казань: Изд-во КГТУ им. А.Н. Туполева, 2010. 326 с.

15. Макаров И.М., Лохин В.М., Манько С.В. и др. Интел-лектуальные системы управления беспилотными летательными аппаратами на основе комплексного применения технологий нечеткой логики и ассоциативной памяти // Авиакосмическое приборостроение., 2002. №2 С. 29-36.

16. Микеров А.Г. Управляемые вентильные двигатели малой мощности: учебное пособие. — СПб: СПбГЭТУ, 1997. - 64 с.

17. Моисеев В.С. Прикладная теория управления беспилотными летательными аппаратами: монография. - Казань: ГБУ «Республиканский центр мониторинга качества образования» (Серия «Со-временная прикладная математика и информатика»). - 768 с.

18. Моисеев В.С., Гущина Д.С., Моисеев Г.В. Основы теории создания и применения информационных беспилотных авиационных комплексов (Серия «Современная прикладная математика и информатика»). Казань: Изд-во МОиН РТ, 2010. 196 с.

19. Моисеев В.С., Матвеев И.В. Структура и функции пер-спективной интеллектуальной системы навигации и управления БЛА // «Кибернетика и высокие технологии XXI века». Материалы XII Междунар. Науч.-техн. конф. Т.2. - Воронеж, 2011. С. 622-631.

20. Осовский С. Нейронные сети для обработки информации. Пер. с польс. И.Д. Рудинского.- М.: Финансы и статистика, 2004, 344 с.

21. Осипов Г.С., Тихомиров И.А., Хачумов В.М., Яковлев К.С. Интеллектуальные системы управления автономными транспортными средствами: стандарты, проекты, реализация. // Авиакосмическое приборостроение, 2009. № 6. С. 34-43.

22. Павлушенко М. И., Евстафьев Г. М., Макаренко И.К. БПЛА: история, применение, угроза распространения и перспективы развития. М., «Права человека», 2005. 612 с.

23. Рубцов Б.Б. Мировые рынки ценных бумаг. - М.: «Издательство «Экзамен», 2002. - 448 с.

24. Сафонов А.А. Численное моделирование сложных маневров вертолета и анализ выполнения полетных заданий с учетом рельефа местности. дис.....канд. техн. наук.- Казань, 2009. 138 с.

25. Свищёв Г. П. Авиация: Энциклопедия. — М.: Большая Российская энциклопедия, 1994.

26. Соколовский Г. Г. Электроприводы переменного тока с частотным регулированием. — М.: "Академия", 2006. — 272 с. — ISBN 5-76952306-9

27. Солнцев В. Н., Данилов Д. Л., Жиглявский А. А. Главные Компоненты Временных Рядов: Метод "Гусеница", СПб: С.-Петербургский государственный университет, 1997.

28. Степанов Д.Н., Тищенко И.П. Задача моделирования полета беспилотного летательного аппарата на основе системы машинного зрения. // Программные системы: теория и приложения. Электронный журнал. 2011, №4(8). С. 33-34.

29. Управление и наведение беспилотных маневренных летательных аппаратов на основе современных информационных технологий. / Под ред. М.Н. Красильникова, Т.Г. Серебрякова. М.: Физматлит, 2005. 280 с.

30. Федунов Б.Е. Бортовые оперативно советующие экспертные системы тактических самолетов 5-го поколения (аналитический обзор по материалам зарубежной печати) / Под общей ред. Е.А. Федосова. М.: ГОСНИИАС, 2002.

31. Хайкин С. Нейронные сети: полный курс, 2-е изд. : Пер. с англ. М. Издательский дом Вильямс", 2006 - 1104 с.: ил.

32. Хакен Г. Принципы работы головного мозга: Синергетический подход к работе мозга, поведению и когнитивной деятельности. - М.: ПЭР СЭ, 2001 - 351 с.

33. Халил М. Интеллектуальные технологии принятия решений по управлению техническими средствами в системах обработки информации // Вестник Воронежского государст-венного технического университета, Т. 5. № 7. 2009. С. 10-13.

34. Цепляева Т.П., Морозова О.В. Этапы развития беспилотных летательных аппаратов // «Открытые информационные и компьютерные интегрированные технологии», 2009. № 42.

35. Часть 29 Авиационных правил «Нормы лётной годности винтокрылых летательных аппаратов транспортной категории» (АП-29), 2-е изд., 2003.

36. Янкевич Ю. Применение беспилотных авиационных комплексов в гражданских целях // Аэрокосмический курьер, 2006, № 6. С. 55-57.

37. A modified particle swarm optimizer. Proceedings of IEEE International Conference on Evolutionary Computation: 69-73. 1998.

38. Aguiar, A. P. and Pascoal, A. M., "Way-point Tracking of under actuated AUVs in the Presence of Ocean Currents," in Proceedings of the 10th

39

40

41

42

43

44

45

46

47

48

49

50

51

52

Mediterranean Conference on Control and Automation, (Lisbon, Portugal), July 2002.

A. M. Leite da Silva, L. Chaves de Resende, L. A. Manso, and V. Miranda, "Composite reliability assessment based on Monte Carlo simulation and artificial neural networks,"IEEE Trans. Power Systems, vol. 22, no. 3, pp. 1202-1209, 2007.

Anderson, M. B., J. L. Lopez, and J. H. Evers (2006). A comparison of trajectory determination approaches for small UAVs." Collection of Technical Papers - 2006 Atmospheric Flight Mechanics Conference, 2, pp. 1345-1356.

Anil V. Rao. A survey of numerical methods for optimal control. Preprint ASS 09-334.

Borrelli, F., D. Subramanian, A. U. Raghunathan, and L. T. Biegler (2006). MILP and NLP techniques for centralized trajectory planning of multiple unmanned air vehicles." In American Control Conference, pp. 1-6. Brian Geiger. Unmanned aerial vehicle trajectory planning with direct methods. PhD Dissertation. 2009.

Benallegue, A., Mokhtari, A. and Fridman, L. (2006), "Feedback linearization and high order sliding mode observer for a quadrotor UAV", Proceedings of the 2006 International Workshop on Variable Structure Systems, June 2006, Alghero, Italy, pp. 365.

C. Balas. Modeling and linear control of a quadrotor. Msc Thesis. 2007. C. Srivaree-ratana, A. Konak, and A. E. Smith, "Estimation of All-terminal network reliability using an artificial neural network,"Computers and Operations Research, vol. 29, pp. 849-868, 2002.

Carl de Boor. A Practical Guide to Splines. — Springer-Verlag, 1978. — P. 113-114.

Coverstone-Carroll, V. and J. E. Prussing (1995).Optimal cooper active power - limited rendezvous with propellant constraints." Journal of the Astronautical Sciences, 43(3), pp. 289-305.

Dickmanns, E. D. and K. H. Well (1974) \Approximate solution of optimal control problems using third order Hermite polynomial functions." In Proceedings of the IFIP Technical Conference, pp. 158{166. SpringerVerlag, London, UK.

Dongwon Yung. Hierarchical path planning and control of a small fixed-wing UAV: theory and experimental validation. PhD dissertation. 2007. Dormand, J. R.; Prince, P. J. A family of embedded Runge-Kutta formulae, Journal of Computational and Applied Mathematics 6. 1980 E. Altug et al., "Control of a quadrotor helicopter using visual feedback," in Proc. (IEEE) International Conference on Robotics and Automation (ICRA'02), (Washington, USA), 2002.

53

54

55

56

57

58

59

60

61

62

63

64

65

66

67

68

69

E. Altug et al., "Quadrotor control using dual camera visual feedback," in Proc. (IEEE) International Conference on Robotics and Automation (ICRA'03), (Taipei, Taiwan), 2003

E. Altug, Vision based control of unmanned aerial vehicles with applications to an autonomous four rotor helicopter, Quadrotor. PhD thesis, University of Pennsylvania, 2003.

Elizabeth Bone, Christopher Bolkcom. Unmanned Aerial Vehicles: Background and Issues for Congress, Report to Congress, Congressional Research Service, Library of Congress, pg. 2, April 25, 2003. Encarnacao, P. and Pascoal, A., "Combined Trajectory Tracking and Path Following: An Application to the Coordinated Control of Autonomous Marine Craft," in Proceedings of the 40th IEEE Conference on Decision and Control, (Orlando, FL), pp. 964-969, Dec. 2001.

Enright, P. J. and B. A. Conway (1992). Discrete approximations to optimal

trajectories using direct transcription and nonlinear programming. "Journal

of Guidance, Control, and Dynamics, 15(4), pp. 994-1002.

Enright, P. J. and B. A. Conway (1991). Optimal finite-thrust spacecraft

trajectories using collocation and nonlinear programming." Journal of

Guidance, Control, and Dynamics, 14(5), pp. 981-985.

Fasten your seatbelts, this could get scary. New Scientist Magazine, 13

December 2003

G. Fay, "Derivation of the aerodynamic forces for the mesicopter simulation," 2001.

G.M. Hoffmann, H. Huang, S.L. Waslander, and C.J. Tomlin. Quadrotor Helicopter Flight Dynamics and Control: Theory and Experiment. 2007. Gill, P. E., W. Murray, and M. A. Saunders (2002). SNOPT: An SQP algorithm for large-scale constrained optimization." SIAM Journal on Optimization, 12(4), pp. 979-1006.

Goto N. and H. Kawable (2000). Direct optimization methods applied to a nonlinear optimal control problem." Mathematics and Computers in Simulation, 51(6), pp. 557-577. doi: 10.1016/S0378-4754(99)00145-7. Hargraves, C. R. and S. W. Paris (1987). Direct trajectory optimization using nonlinear programming and collocation." Journal of Guidance, Control, and Dynamics, 10(4), pp. 338-342.

Herman, A. L. and B. A. Conway (1996). Direct optimization using

collocation based on high-order Gauss - Lobatto quadrature rules." Journal

of Guidance, Control, and Dynamics, 19(3), pp. 592-599.

Hyvarinen A., Oja E. Independent Component Analysis: Algorithms and

Applications//Neural Networks, 13(4-5):411-430, 2000.

Ian Cowling Toward autonomy of quadrotors as UAV., 2008, Cranfield

University.

J. G. Leishman, Principles of Helicopter Aerodynamics. Cambridge University Press.

Jolliffe I.T. Principal Component Analysis, Springer-Verlag (2nd Ed.), 2002.

70. Kim, B. and Tsiotras, P., "Time-Invariant Stabilization of a Unicycle-Type Mobile Robot: Theory and Experiments," in IEEE Conference on Control Applications, (Ancorage, AL), pp. 443-448, Sept. 2000.

71. Kohonen T. "Exploration of very large databases by self-organizing maps", 1997 Interactional Conference on Neural Networks, 1997, vol. 1, p. PL1-PL6, Houston.

72. Krose B., van der Smagt P. An Introduction To Neural Networks, Eight Edition, November 1996.

73. Lapierre, L., Soetanto, D., and Pascoal, A., "Nonlinear Path Following with Applications to the Control of Autonomous Underwater Vehicles," in Proceedings of the 42nd IEEE Conference on Decision and Control, (Maui, HI), pp. 1256-1261, Dec. 2003.

74. M. Kemper and S. Fatikow, "Impact of center of gravity in quadrotor helicopter controller design," in Proc. 4th IFAC-Symposium on Mechatronic Systems, (Heidelberg, Germany), 2006.

75. Martins, J. R. R. A., P. Sturdza, and J. J. Alonso (2003). The complex-step derivative approximation." ACM Trans. Math. Softw. 29(3), pp. 245-262. doi: 10.1145/838250.838251.

76. Matthew T. De Garmo. Issues concerning integration of unmanned aerial vehicles in civil airspace. Center for Advanced Aviation System Development.

77. Mokhtari, A., Benallegue, A. and Daachi, B. (2005), "Robust feedback linearization and GH infinity controller for a quadrotor unmanned aerial vehicle", 2005 IEEE International Conference on Intelligent Robots and Systems, August 2005, Canada, pp. 1009.

78. Morgan Kaufmann. Swarm Intelligence. 2001

79. N. Guenard et al., "Control laws for the tele operation of an unmanned aerial vehicle known as an x4-flyer," in Proc. (IEEE) International Conference on Intelligent Robots (IROS'06), (Beijing, China), 2006.

80. Nikolos, I. K., K. P. Valavanis, N. C. Tsourveloudis, and A. N. Kostaras (2003). Evolutionary algorithm based offline/online path planner for UAV navigation." IEEE Transactions on Systems, Man, and Cybernetics, Part B: Cybernetics, 33(6), pp. 898{912. doi:10.1109/TSMCB.2002.804370.

81. O. Tanner, Modeling, Identification and Control of Autonomous Helicopters. PhD thesis, ETHZ, 2003

82. Oleg A. Yakimenko. A Prototype of an Autonomous Controller for a quadrotor.

83. P. Pounds et al., "Towards dynamically-favourable quad-rotor aerial robots," in Proc. Australasian Conference on Robotics and Automation (ACRA'04), (Canberra, Australia), Dec. 2004.

84. P. Pounds, R. Mahony, J. Gresham, P. Corke, and J. Roberts. Towards Dynamically-Favourable Quad-Rotor Aerial Robots. 2004.

85. P. Samuel et al., "Design and testing of a rotary wing MAV with an active structure for stability and control," in Proc. AHS Annual Forum 61,

(Grapevine, USA), 2005.

86. Particle Swarm Optimization. Proceedings of IEEE International Conference on Neural Networks IV: 1942-1948. 1995

87. Pettersen, K. Y. and Lefeber, E., "Way-point Tracking Control of Ships", in Proceedings of the 40th IEEE Conference on Decision and Control, (Orlando, FL), pp. 940-945, Dec. 2001.

88. Poli, R. Analysis of the publications on the applications of particle swarm optimization. Journal of Artificial Evolution and Applications. 2008

89. Poli, R. An analysis of publications on particle swarm optimization applications. Technical Report CSM-469 (Department of Computer Science, University of Essex, UK). 2007

90. Qi, Y. and Y. J. Zhao (2005). Energy-efficient trajectories of unmanned aerial vehicles flying through thermals." Journal of Aerospace Engineering, 18(2), pp. 84-92. doi: 10.1061/(ASCE)0893-1321(2005)18:2(84).

91. Roh W. and Kim Y. (2002). "Trajectory optimization for a multi-stage launch vehicle using time finite element and direct collocation methods." Engineering Optimization, 34(1), pp. 15-32. doi:10.1080/03052150210912.

92. Roland E. Weibel, R. John Hansman. Safety consideration for operation of unmanned aerial vehicles in the national airspace system. Report No. ICAT-2005-1. March 2005.

93. Rump, S. M. (1999). INTLAB - INTerval LABoratory." In T. Csendes, editor, Developments in Reliable Computing, pp. 77-104. Kluwer Academic Publishers, Dordrecht.

94. S. Bouabdallah et al., "Design and control of an indoor coaxial helicopter," in Proc. (IEEE) International Conference on Intelligent Robots (IR0S'06), (Beijing, China), 2006.

95. S. Bouabdallah et al., "Design and control of an indoor micro quadrotor," in Proc. (IEEE) International Conference on Robotics and Automation (ICRA'04), (New Orleans, USA), 2004.

96. S. Bouabdallah. Design and control of quadrotors with application to autonomous flying, dissertation 3727, 2007.

97. S. Bouabdallah, A. Noth, et al., "PID vs LQ control techniques applied to an indoor micro quadrotor," in Proc. (IEEE) International Conference on Intelligent Robots (IR0S'04), (Sendai, Japan), 2004

98. S. Bouabdallah and R. Siegwart, "Backstepping and sliding-mode techniques applied to an indoor micro quadrotor," in Proc. (IEEE) International Conference on Robotics and Automation (ICRA'05), (Barcelona, Spain), 2005.

99. S. Koenig, Y. Smirnov and C. Tovey. Performance Bounds for Planning in Unknown Terrain. Artificial Intelligence Journal, 147, (1-2), 253-279, 2003.

100. S. Tsach, D. Penn and A. Levy. ICAS 2002 Congress.

101. Shima, T., S. J. Rasmussen, and A. G. Sparks (2005). UAV cooperative multiple task assignments using genetic algorithms." Proceedings of the

American Control Conference, 5, pp. 2989-2994.

102. Stentz, A., "Optimal and Efficient Path Planning for Partially-Known Environments," in Proceedings of the IEEE International Conference on Robotics and Automation, vol. 4, pp. 3310-3317, May 1994.

103. Tang, S. and B. A. Conway (1995). Optimization of low-thrust interplanetary trajectories using collocation and nonlinear programming." Journal of Guidance, Control, and Dynamics, 18(3), pp. 599-604.

104. Thomas L. Heath, The Thirteen Books of Euclid's Elements, 2nd edition. Cambridge University Press, 1925, 1956, Dover Publications.

105. Tony Tyler. International Air Transport Association. Annual report 2012. Statistical summary of commercial jets airplane accident. Worldwide operations 1959-2011.

106. U.S. Department of transportation. Federal aviation administration. Glider flying handbook. HAA-H-8083-13. Chapter one "introduction to glider flying".

107. Voos, H. (2006), "Nonlinear state dependent Riccati equation Control of a quadrotor UAV", 2006 IEEE International Conference on Control Applications, October 2006, Munich, pp. 2547.

108. Williams, P. (2007). Three-dimensional aircraft terrain-following via real time optimal control." Journal of Guidance, Control, and Dynamics, 30(4), pp. 1201 - 1206. doi: 10.2514/1.29145.

109. Yakimenko, O. A., Y. Xu, and G. Basset (2008). Computing short-time aircraft maneuvers using direct methods." In Collection of Technical Papers AIAA Guidance, Navigation, and Control Conference 2008, volume 1, pp. 1-23.

110. Zhao, Y. J. (2004). Optimal patterns of glider dynamic soaring." Optimal Control Applications and Methods, 25(2), pp. 67-89. doi:10.1002/oca.739.

111. Z. Zhongding and L. Xiongjian, "A synthetic evaluation methodology based on neural networks theory for reliability indexes of communication networks," inProceedings of International Conference on Infotech and Infonet, 2001, vol. 2, ICII 2001, pp. 258-262.

179

Приложения

Приложение 1

Листинг программы линейно-квадратичного регулятора для контура положения квадрокоптера по осям X и У включено управления

углями крена ф и тангажа в

a=[1 0 0 0 0] a =

1 0 0

>>

Ь =

-49.0500 >> [A,B,C,D]=tf2ss(b,a) A =

0 0 0 1 0 0 0 1 0 0 0 1

B =

C =

D =

0

>> Q=C,*C Q =

1.0e+003 *

0 -49.0500

0 0 0

2.4059

>> R=1;

>> [K,P,E]=lqr(A,B,Q,R) K =

6.9154 23.9117

P =

1^+003 *

0.0069 0.0239 0.0239 0.1169 0.0484 0.2859 0.0490 0.3392

E =

-2.4450 + 1.0127i -2.4450 - 1.0127i -1.0127 + 2.4450i -1.0127 - 2.4450i

48.4328

0.0484 0.2859 0.8189 1.1729

49.0500

0.0490 0.3392 1.1729 2.3756

0

О

О

о

>> Ac=A-B*K; >> T=0:0.01:10; >> u=50*ones(size(T)); >> x0=[0 0 0 0]'; >> [y,x]=lsim(Ac,B,C,D,u,T,x0);

>> plot(T,x); legend(,tetadot2,,,teta,,,u,,,x,)

Листинг программы линейно-квадратичного регулятора для контура положения квадрокоптера по оси Z

>> %контур положения по оси Z% >> т=2; >> д=9.81; >> а=[т 0 0]; >> Ь=д;

>> [A,B,C,D]=tf2ss(b,a) А =

0 0 1 0

В =

1 0

С =

0 4.9050

D =

0

>> 12=С'*С <2 =

0 0 0 24.0590

>> И=1;

>> [К,Р,Е]=1яг(А,В,2,Ю К =

3.1321 4.9050

Р =

3.1321 4.9050 4.9050 15.3629

Е =

-1.5660 + 1.56601 -1.5660 - 1.56601 >> Ас=А-В*К; >> Т=0:0.01:10; >> u=5*ones(size(T)); >> х0=[0 0]';

>> р1оМТ,х); 1egend (,w,,,z,)

Листинг программы линейно-квадратичного регулятора для угла

рыскания щ

А2 =

0 0 1 0

В2 =

1 0

С2 =

0 1

D2 =

0

>> <22=С2'*С2 22 =

0 0 0 1

>> R2=1;

>> [K2,P2,E2]=lqr(A2,B2,Q2,R2) K2 =

1.4142 1.0000

P2 =

1.4142 1.0000 1.0000 1.4142

E2 =

-0.7071 + 0.7071i -0.7071 - 0.7071i >> Ac2=A2-B2*K2; >> u2=zeros(size(T)); >> x02=[1 1]';

>> [y2,x2]=lsim(Ac2,B2,C2,D2,u2,T,x02); >> plot(T,x2); legend('Tyaga,,,psi')

Листинг программы оптимизации коэффициентов нечетких регулятора

для полета квадрокоптера

«описание переменных«

n=50; %

nmax=5 0; %

prob=2; %

c1=1.2; %

c2=0.12; %

w=0.9; %

f=0*ones(n,nmax); %

количество роя частиц% максимальное количество роя частиц% количество проблем%

первый параметр метода роя частиц% второй параметре метода роя частиц% вес функции- момент инерции роя частиц% оптимальная матрица%

%начальные условия% P1= rand(prob,n); P2= rand(prob,n); cf= 0*ones(n,1);

%начальные параметры метода роя частиц% cp= 10*rand(prob,n)-0.5; % начальная позиция роя% v= 0.3*randn(prob,n); % скорость движения роя%

lbest= cp; % личная наилучшая позиция%

%просмотр начальных условий% for i=1:n

cf(i)=opt(cp(:,i));

end

lbestf= cf; % положит личный наилучший как личная наилучшая позиция% [gbestf,g]= min(lbestf);%положит самый наилучший как мин личный наилучший%

%положит личный наилучший как самый наилучший% for i=1:n

gbestp(:,i) = lbestp(:,g) ;

end

%обновление скорости%

v = w*v + c1*(R1.*(lbestp-cp)) + c2*(R2.*(gbestp-cp)); %обновление положения% cp = cp+v ;

%основная программа? c = 0 ; % счетчик%

while ( c < nmax ) c = c + 1; for i = 1:n, cf(i) = opt(cp(:,i)) ;

end %конец цикла if%

%сравнение между актуального значения и локального наилучшего% for i = 1 : n

if cf(i) < lbestf(i) lbestf(i) = cf(i); lbestp(:,i) = cp(:,i) ; end %конец цикла if% end %конец цикла for%

%положит самое минимальное как актуальное наилучшее% [cgbest f,g] = min(lbestf);

if cgbest f < gbestf gbestf = cgbest f; %положит наилучшее как актуальное наилучшее % for i=1:n

gbestp(:,i) = lbestp(:,g); end %конец цикла for% end %конец цикла if% v = w *v + c1*(R1.*(lbestp-cp)) + c2*(R2.*(gbestp-cp)); %расчет скорости% cp = cp + v; %расчет нового положения%

%Написать информации в виде string по формате без запитой% %формат с становится с= х а не х.000%

sprintf(,значение счетчика %3.0f ', c );%использовать в функции opt%

end %конец цикла while% xx=f(:,50); [Y,I] = min(xx); cp(:,I)

%описание функция F0n для расчета отклонение и параметров нечеткого регулятора%

%для полета квадрокоптера по заданному значению% function F = opt(pid)

%отслеживать значение simout по заданному сигналу%

Kp = pid(1); Ki = 0; Kd = pid(2);

%формат значение Kp и kd 3.0f типа string% sprintf(,значение итерации счетчика Kp= %3.0f, Kd= %3.0f', pid(1),pid(2));

% рассчитать функции с помощью принципа Дорманд- принца точностью 5 степени% % начать опции симуляции% % solver- решающий алгоритм% % ode5- принципа Дорманд- принца%

%в%

simopt =

simset(,solver,,,ode5,,,SrcWorkspace,,,Current,,,DstWorkspace,,,Current'); [tout,xout,yout] = sim('optsim1',[0 100],simopt);

%можно поменять 1 на любое исходное число или вектор%

%в случае А* нужно использовать блока repeating sequence interpolated для подачи вектор сигналов%

e=yout-1 ; % рассчитать отклонение%

sys overshoot=max(yout)-1; % рассчитать перерегулирование%

alpha=10;beta=10; F=e2*beta+sys overshoot*alpha;

end

Приложение 2. Листинг программы отслеживания мобильного агента PYTHON3.3. и AUTOFLIGHT

from agent import * import cv

# For OpenCV image display WINDOW_NAME = 'Autopilot'

# Object-detection threshold. You may have to adjust this (between 0 and 255) for

# for different lighting conditions. THRESHOLD = 100

# PID parameters Kpx = 0.2 5

Kpy = 0.2 5 Kdx = 0.25 Kdy = 0.25 Kix = 0 Kiy = 0

# Routine called by C program.

def action(img bytes, img width, img height, is belly, ctrl state, vbat flying percentage, theta, phi, psi, altitude, vx, vy, vz):

# Set up command defaults start = 0

select = 0 zap = 0 enable = 0 phi = 0 theta = 0 gaz = 0 yaw = 0 zap = 0

# Set up state variables first time around if not hasattr(action, 'count'):

action.count = 0

action.threes image = cv.CreateImage((img width,img height), cv.IPL_DEPTH_8U, 1) _ _ _

cv.Set(action.threes image, 3) action.errx_1 = 0 action.erry 1 = 0 action.phi_1 = 0 action.gaz_1 = 0

# Create full-color image from bytes

full image = create image header(img width, img height, 3) cv.SetData(full image, img bytes, img width*3)

# Create separate red, green, and blue images from bytes

r image = create grayscale image(img bytes, img width, img height, 2) b image = create grayscale image(img bytes, img width, img height, 0) g image = create grayscale image(img bytes, img width, img height, 1)

# Remove 1/3 of red and blue components from green div and sub(g image, r image, action.threes image) div and sub(g image, b image, action.threes image)

# Threshold and erode green image

cv.Threshold(g_image, g_image, THRESHOLD, 255, cv.CV_THRESH_BINARY) cv.Erode(g image, g image)

# Find centroid of eroded image

moments = cv.Moments(g image, 1) # binary flag centroid x = centroid(moments, 1, 0) centroid y = centroid(moments, 0, 1)

# Use centroid if it exists

if centroid_x != None and centroid_y != None:

center

ctr = (centroid x, centroid y)

# Put black circle in at centroid in image cv.Circle(full image, ctr, 4, (0,0,0))

# Compute proportional distance (error) of centroid from image

errx = dst(ctr, 0, img width) erry = -dst(ctr, 1, img height)

# Compute vertical, horizontal velocity commands based on PID control after first iteration

if action.count > 0:

phi = pid(action.phi 1, errx, action.errx 1, Kpx,

Kix, Kdx) Kiy, Kdy)

gaz = pid(action.gaz 1, erry, action.erry 1, Kpy, enable = 1

# Remember PID variables for next iteration action.errx 1 = errx action.erry_1 = erry action.phi 1 = phi action.gaz 1 = gaz

action.count += 1

# Display full-color image cv.NamedWindow(WINDOW_NAME)

cv.ShowImage(WINDOW_NAME, full_image)

# Force image display cv.WaitKey(5)

# Send control parameters back to drone

return (start, select, zap, enable, phi, theta, gaz, yaw)

# Removes 1/3 of other image from src dst image

def div and sub(src dst image, other image, threes image): cv.Div(other image, threes image, other image) cv.Sub(src dst image, other image, src dst image)

# Computes centroid based on x, y flags def centroid(moments, x, y):

result = None

moments00 = cv.GetSpatialMoment(moments, 0, 0) if moments00 != 0:

result = int(cv.GetSpatialMoment(moments, x, y) / moments00) return result

# Creates grayscale image from bytes

def create grayscale image(img bytes, img width, img height, channel):

image = create image header(img width, img height, 1) cv.SetData(image, img bytes[channel::3], img width) return image

# Creates image header from bytes

def create image header(img width, img height, channels):

return cv.CreateImageHeader((img width,img height), cv.IPL DEPTH 8U, channels)

# Simple PID controller from http://www.control.com/thread/102 615 93 01 def pid(out 1, err, err 1, Kp, Ki, Kd):

return Kp*err + Ki*(err+err 1) + Kd*(err-err 1)

# Returns proportional distance to image center along specified dimension.

# Above center = -; Below = +

# Right of center = +; Left = 1 def dst(ctr, dim, siz):

siz = siz/2

return (ctr[dim] - siz) / float(siz)

Листинг программы полета по контрольными точками PYTHON3.3 и AUTOFLIGHT

import time

isConnected()

time.sleep(3)

takeOff()

time.sleep(5)

hover

time.sleep(3)

forward_distance(1,20)

time.sleep(3)

left_distance(1,50)

time.sleep(3)

left_distance(1,50)

time.sleep(3)

left_distance(1,20)

time.sleep(3)

hover

time.sleep(3) flip()

time.sleep(10) land()

Приложение 3. Акт внедрения

ГОСУДАРСТВЕННЫЙ НАУЧНЫЙ ЦЕНТР РФ ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ УНИТАРНОЕ ПРЕДПРИЯТИЕ

«ГОСУДАРСТВЕННЫЙ НАУЧНО-ИССЛЕДОВАТЕЛЬСКИЙ ИНСТИТУТ АВИАЦИОННЫХ СИСТЕМ»

Россия, 125319, Москва, ул. Викторенко, 7 Тел.: (499)157-70-47 Факс: (499) 943-86-05

"УТВЕРЖДАЮ

^аместитёЛьхеЙ^рального директора ФГУП г^имм авиационных систем.

Дата

Исх. №

¿проф.

АКТ

А.М. Жеребин 2014 г.

о внедрении результатов диссертационной работы на соискание ученой степени кандидата технических наук Сайфеддина Дахера на тему: «Мехатронная система интеллектуального планирования и управления полетом квадрокоптера с помощью оптической одометрии»

Научно-техническая комиссия в составе Председателя комиссии - начальника подразделения Порывкина Ю.П., членов комиссии - заместителя начальника подразделения Попова В.А., начальника лаборатории Кроповой В.В., начальника сектора Русака М.А. рассмотрела вопрос о внедрении результатов диссертационной работы Сайфеддина Д. и пришла к следующим выводам:

- разработанный соискателем модельно-методический аппарат планирования траектории полета и адаптивного управления полетом квадрокоптера был использован на предприятии при выполнении исследований по формированию функционально-технического облика беспилотных летательных аппаратов различного назначения в рамках

НИР «Охотник-ГосНИИАС» (договор от 04.05.2012 г. № 635), НИР «Орион-ГосНИИАС» (договор от 14.08.20102 г. № 669);

- использование разработанных соискателем Сайфеддином Д. пакетов программ, позволило сократить временные затраты на проведение исследований в рамках указанных работ.

Председатель комиссии: Начальник подразделения, к.т.н.

Члены комиссии:

Зам. начальника подразделения, к.т.н.

Начальник лаборатории, к.т.н. Начальник сектора

"*ую.п. Порывкин

В.А. Попов В.В. Кропова М.А. Русак

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.