Публикация научных работ

05.00.00 Технические науки

Алгоритм наведения движения для квадрокоптера с возможностью облета препятствий и отслеживания запланированного маршрута на основе управления нормальным ускорением / Algorithm guidance for movement with possibility of quadcopters avoiding obstacles and tr

Гэн Кэкэ / Geng Keкe – аспирант;

Чулин Николай Александрович / Chulin Nikolai – кандидат педагогических наук, доцент, кафедра систем автоматического управления, факультет информатики и систем управления, Московский государственный технический университет имени Н. Э. Баумана, г. Москва

Аннотация: в работе предлагаются алгоритмы наведения для квадрокоптера с возможностью облета препятствий и отслеживания запланированного маршрута на основе управления нормальным ускорением. Построена математическая модель квадрокоптера. Представленная разработка многорежимного контроллера содержит набор бэкстеппинг-регуляторов, автоматически выбираемых в соответствии с условиями полёта. Разработаны улучшения муравьиного алгоритма, позволяющие повысить скорость вычислений и найти маршрут с меньших путевых точек на глобальном маршруте. Упрощены объемы вычисления алгоритма отслеживания маршрута при выборе точки маршрута в качестве опорной точки. Представлена разработка улучшения алгоритма отслеживания маршрута с адаптивным выбором точки маршрута при создании функции выбор опорной точки. В соответствии с экстремумом функции расстояния между роботом и движущимися препятствиями текущего момента предсказана позиция столкновения, и создано виртуальное статическое препятствие в этой позиции в качестве мишени облета. Вычислено минимальное боковое ускорение избегания столкновения, для повышения безопасности необходимо умножить на коэффициент облета. Результаты моделирования показывают правильность и обоснованность предлагаемого метода.

Abstract: we proposed guidance algorithms for quadrocopters with possible detour obstacles and tracking the planned route based on the normal acceleration control. A mathematical model of quadrocopters was built . Present the development of multi-mode controller provides a set of backstepping controllers are automatically selected according to the flight conditions. An improved ant algorithmwas proposed, allowing to increase computing speed and find the route with less waypoints on the global route. Simplified volume calculation algorithm of tracing the route with adaptive choosing a route point as a reference point. In accordance with the extremum function of the distance between the robot and moving obstacles of the moment, predicted collision position, and created a virtual static obstacle in this position as a target flyby. Calculate the minimum lateral acceleration collision avoidance, to increase safety must be multiplied by the coefficient of detour. The simulation results show the correctness and validity of the proposed method.

Ключевые слова: квадрокоптер, отслеживание маршрута, планирование маршрута, муравьиный алгоритм, облета препятствий, фильтр Калмана.

Keywords: quadrocopter, route tracking, route planning, ant algorithm, avoiding obstacles, Kalman filter.

 Литература

1. Omar Santos·Hugo Romero, Sergio Salazar·Rogelio Lozano. Real-time Stabilization of a Quadrotor UAV: Nonlinear Optimal and Suboptimal Control, J Intell Robot Syst., 2013. № 70: P. 79–91. DOI: 10.1007/s10846-012-9711-8.
2. Tong Li, Youmin Zhang and Brandon W. Gordon. Passive and active nonlinear fault tolerant control of a quadrotor unmanned aerial vehicle based on the sliding mode control technique. Journal of Systems and Control Engineering, 2013. № 227.
3. Yue Bai, Cheng Peng, Changjun Zhao, Yantao Tian. Trajectory tracking control of a quad-rotor UAV based on command filtered backstepping. // 2012 Third International Conference on Intelligent Control and Information Processing. IEEE, 2012. P. 179-184. DOI:10.1109/ICICIP.2012.6391413.
4. Dierks T. and Jagannathan S. Output feedback control of a quadrotor UAV using neural networks. IEEE Trans. Neural Netw., 2010.№ 21.
5. Xian B., Diao C., Zhao B. et al.Nonlinear robust output feedback tracking control of a quadrotor UAV using quaternion representation [J]. Nonlinear Dynamics, 2014. P. 1-18.
6. Yi Z., Xiuxia Y., Hewei Z. et al.Tracking control for UAV trajectory [C] // Guidance, Navigation and Control Conference (CGNCC), 2014 IEEE Chinese. IEEE, 2014.
7. Andrew Roberts and Abdelhamid Tayebi. Adaptive Position Tracking of vtol uavs. ieee trans. on rob. Vol. 27.№ 1, February (2011).
8. Barraquand J., Latombe J. C. Robot motion planning: A distributed representation approach // The International Journal of Robotics Research, 1991. № 10
9. Bhattacharya P., Gavrilova M. L. Roadmap-based path planning-Using the Voronoi diagram for a clearance-based shortest path // Robotics & Automation Magazine, IEEE, 2008. № 15
10. Гастилович Е. А., Дементьев В. А., Мишенина К. А. Потенциальное поле и частоты колебаний молекулы антрахинона // Журнал физической химии, 1981. С. 55-73.
11. Лебедев О. Б., Лебедева Е. М., Пестов В. А. Алгоритмы планирования движения подводного аппарата // Известия Южного федерального университета. Технические науки, 2015. № (165). С. 67-77.
12. Tkachev S. B., Liu W. Design of Path Following Method for Unmanned Aerial Vehicles using Normal Forms // IFAC-PapersOnLine, 2015. № 48 (11). P. 10-15.
13. Aguiar A. P., Hespanha J. P. Trajectory-tracking and path-following of underactuated autonomous vehicles with parametric modeling uncertainty// IEEE Transactions on Automatic Control, 2007. № 521362-1379.
14. Zuo Z. Trajectory tracking control design with command-filtered compensation for a quadrotor // Control Theory & Applications, IET, 2010. № 4
15. Takeshi A. Motion planning for multiple obstacles avoidance of autonomous mobile robot using hierarchical fuzzy rule[C]//Proceedings of IEEE International Conference on Multi-sensor Fusion and Integration for Intelligent System (MFI’94). Las Vegas, 1994.
16. Mbede J. B., Huang X., Wang M. Fuzzy motion planning among dynamic obstacles using artificial potential fields for robot manipulators [J]. Robotics and autonomous Systems, 2000. № 32
17. Jaradat M. A. K., Garibeh M. H., Feilat E. A. Autonomous mobile robot dynamic motion planning using hybrid fuzzy potential field[J]. Soft Computing, 2012.№ 16.
18. Yang S. X., Meng M. An efficient neural network approach to dynamic robot motion planning [J]. Neural Networks, 2000.№ 13.
19. Yang S. X., Meng M. Neural network approaches to dynamic collision-free trajectory generation[J]. Systems, Man, and Cybernetics, Part B: Cybernetics, IEEE Transactions on, 2001. № 31.
20. Chungang Z., Yugeng X. Robot path planning in globally unknown environments based on rolling windows[J]. Science in China Series E: Technolgical Science, 2001.№ 44.
21. McCormick B. W. Aerodynamics of V/STOL flight [M]. Courier Corporation, 1967.
22. Munoz L. E., Santos O., Castillo P. Robust nonlinear real-time control strategy to stabilize a PVTOL aircraft in crosswind[C] // Intelligent Robots and Systems (IROS), 2010 IEEE/RSJ International Conference on. IEEE, 2010. P. 1606-1611.
23. Bangura M., Mahony R. Nonlinear dynamic modeling for high performance control of a quadrotor [C] // Australasian conference on robotics and automation, 2012. P. 1-10. Belatti T. quadrotor flight in constrained environments [j].
24. Moyano Cano J. Quadrotor UAV for wind profile characterization [J], 2013.
25. Bouabdallah S., Siegwart R. Backstepping and sliding-mode techniques applied to an indoor micro quadrotor[C] // Robotics and Automation, 2005. ICRA 2005. Proceedings of the 2005 IEEE International Conference on. IEEE, 2005. P. 2247-2252.
26. Julier S. J., Uhlmann J. K. Unscented filtering and nonlinear estimation [J]. Proceedings of the IEEE, 2004. № 92(3).
27. Wan E., Van der Merwe R. The unscented Kalman filter for nonlinear estimation [C] //Adaptive Systems for Signal Processing, Communications, and Control Symposium 2000. AS-SPCC. The IEEE, 2000. Р. 153-158

Поделитесь данной статьей, повысьте свой научный статус в социальных сетях