طراحی کنترل‌کننده به روش یادگیری تقویتی برای یک اوکتاروتور پیشنهادی با زاویه ‏بازوهای متغیر

تحرک یک پرنده‌ی کوادروتور یا اوکتاروتور در پیکربندی استاندارد به دلیل موازی بودن بردارهای نیروی روتورها محدود ‏است و آنها فقط دارای چهار درجه آزادی فعال هستند. بنابراین قابلیت کنترل شش درجه‌ی آزادی به صورت مستقل برای ‏آن‌ها وجود ندارد. در این پژوهش یک ساختار و پیکره‌بندی جدید برای یک اوکتا‌روتور طراحی می‌گردد تا برخلاف پرنده ‏های با ساختار استاندارد که تنها در حالت افقی می‌توانند در یک محل مشخص معلق بمانند، قابلیت معلق ماندن با زوایای ‏رول یا پیچ در یک موقعیت مشخص را داشته باشند، به معنی دیگر در این پرنده علاوه بر دنبال کردن موقعیت ، دنبال کردن ‏جهت‌گیری نیز به اهداف پرنده اضافه شده است. در مدل پیشنهادی می‌توان از تغییر در سرعت هشت روتور و تغییر در ‏زاویه‌ی چهار بازو برای کنترل بهره برد، در واقع این سرعت ها و زوایا به نحوی تعیین می‌گردد تا قابلیت مانورپذیری ‏پرنده به نحو مطلوب تامین شود. پس از استخراج مدل دینامیکی اوکتاروتور پیشنهادی، یک کنترل کننده‌ با استفاده از ‏شبکه‌های عصبی و روش یادگیری تقویتی پیشنهاد می‌گردد که قابلیت کنترل اوکتاروتور پیشنهادی با شش درجه‌ی آزادی ‏مستقل را خواهد داشت. در نهایت قابلیت تعقیب مسیر و وضعیت اوکتاروتور و همچنین مقاوم بودن کنترلر نسبت به ‏اختلالات احتمالی در عملکرد موتورها بررسی شده و نتایج شبیه‌سازی های عددی ارائه می‌گردد.‏

reinforcement learning-based controller design for a ‎proposed octorotor with tilt-arm angles ‎

the maneuverability of a quadrotor or octorotor uav is limited in the standard configuration ‎because the force vectors of the propellers are parallel and only have four active degrees of ‎freedom. therefore, they lack the controllability of six independent degrees of freedom. this ‎study designs a novel configuration for an octorotor capable of hovering with roll or pitch angles in ‎a specific position, contrary to uavs with a standard configuration that can only hover in a ‎horizontal position. in other words, in this octorotor, orientation tracking is also added to the ‎octorotor’s targets in addition to position tracking. the proposed model can be controlled by ‎altering the velocity of the eight rotors and the tilt angle of the four arms. such alterations in ‎velocity and tilt angle are such that they can provide the aerial vehicle with most optimum ‎maneuverability. after deriving the proposed dynamic octorotor model, a controller is proposed ‎using neural networks (nns) and reinforcement learning (rl), capable of controlling the proposed ‎octorotor with six independent degrees of freedom. finally, trajectory tracking, octorotor position, ‎and controller robustness to possible motor malfunctions are examined, and numerical simulation ‎results are provided.‎