کنترل مدل ‌آزاد یک هواپیمای بال‌ ثابت بر اساس شبکه‌های عصبی کانولوشن

در این پژوهش یک معماری غیرخطی مدل ‌آزاد برای کنترل یک پهپاد با بال‌ثابت ارائه شده‌است. این معماری دارای حلقه‌های درونی و بیرونی است. حلقه‌های درونی که بر اساس شبکه‌های عصبی کانولوشن طراحی شده‌اند، دینامیک درونی هواپیما را به‌صورت مدل‌آزاد کنترل می‌کند. حلقه‌های بیرونی که از کنترل‌کننده‌های متداول خطی استفاده می‌کند، برای کنترل سینماتیک پرنده طراحی شده‌اند. شبکه‌های عصبی استفاده‌شده برای کنترل حلقه‌های درونی به صورت خارج از خط و بر اساس دو پایگاه داده آموزش می‌بیند تا از فرآیندهای یادگیری زمانبر به‌صورت برخط جلوگیری شود. این پایگاه‌های داده با شبیه‌سازی مدل‌های آموزشی ساده ایجاد شده‌اند. سپس، داده‌های ورودی-خروجی این مدل‌های آموزشی پیش‌پردازش شده و به فریم‌های تصویر نگاشت شده‌اند تا بتوان آن‌ها را به عنوان ورودی به شبکه‌های کانولوشن داد. پس از آن، یک ساختار شبکه مناسب انتخاب و شبکه‌ها بر اساس پایگاه داده نگاشت‌شده آموزش داده شده‌است. این شبکه‌های آموزش‌دیده، همراه با کنترل‌کننده‌های خطی به صورت آبشاری، به شبیه‌سازی غیرخطی یک پرنده بال‌ثابت اعمال و عملکرد آن بررسی می‌شود. حلقه درونی کنترل‌کننده که دینامیک داخلی پرنده را کنترل می‌کند، به دو صورت تک‌مرحله‌ای و دومرحله‌ای اعمال و عملکرد آن با هم مقایسه شده‌است.

model-free control of a fixed-wing aircraft based on convolutional neural networks

in this paper, a model-free nonlinear architecture is presented to control a fixed-wing uav. this architecture has inner and outer loops. the inner loops, which are designed based on convolutional neural networks, control the internal dynamics of the aircraft in a model-free procedure. the outer loops, which use conventional linear controllers, are designed to control the kinematics of the uav. the neural networks used to control the inner loops are trained offline based on databases to avoid time-consuming online learning processes. these databases are created by simulating simple training models. then, the input-output data of these training models are pre-processed and mapped to image frames so that they can be given as input to convolutional neural networks. after that, a suitable network structure is selected and the networks are trained based on the mapped databases. these trained networks, together with cascaded linear controllers, are applied to the nonlinear simulation of the fixed-wing uav and its performance is investigated. the inner loop of the controller that controls the internal dynamics of the uav has been applied in both single-stage and two-stage forms and their performance has been compared.