автореферат диссертации по машиностроению и машиноведению, 05.02.05, диссертация на тему:Мехатронная система управления полетом квадрокоптера и планирования траектории методами оптической одометрии

На правах рукописи

Г

Дахер Сайфеддин

МЕХАТРОННАЯ СИСТЕМА УПРАВЛЕНИЯ ПОЛЕТОМ КВАДРОКОПТЕРА И ПЛАНИРОВАНИЯ ТРАЕКТОРИИ МЕТОДАМИ ОПТИЧЕСКОЙ ОДОМЕТРИИ

Специальность 05.02.05 «Роботы, мехатроника и робототехнические системы»

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

| I ¡АР 2015

005560514

Новочеркасск - 2015

005560514

Работа выполнена в федеральном государственном бюджетном образовательном учреждении высшего профессионального образования «ЮжноРоссийский государственный политехнический университет (НПИ) имени М.И. Платова».

Научный руководитель: доктор технических наук, профессор

заслуженный деятель науки РФ Булгаков Алексей Григорьевич

Официальные оппоненты: Финаев Валерий Иванович

доктор технических наук, профессор, ФГАОУ ВПО «Южный федеральный университет», заведующий кафедрой систем автоматического управления

Яцун Сергей Федорович

доктор технических наук, профессор, ФГБОУ ВПО «Юго-западный государственный университет», заведующий кафедрой механики, мехатроники и робототехники

Ведущая организация: ФГБОУ ВПО «Донской

государственный технический университет»

(г. Ростов-на-Дону)

Защита состоится «3» апреля 2015 г. в 9.00 на заседании диссертационного совета Д.212.304.04 при ФГБОУ ВПО «Южно-Российский государственный политехнический университет (НПИ) имени М.И. Платова» по адресу: 346428, г. Новочеркасск Ростовской области, ул. Просвещения, 132, ауд.149 главного корпуса.

С диссертацией можно ознакомиться в библиотеке ФГБОУ ВПО ЮР-ГПУ (НПИ) и на сайте университета www.npi-tu.ru

Автореферат разослан <ЛА> ^Н^ом. 2015 г.

Ученый секретарь диссертационного совета, доктор технических наук

Исаков В.С.

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, представляющий собой мехатронный винтокрылый летательный аппарат (ЛА) с вертикальным взлётом и посадкой, имеющий шесть степеней свободы, осуществляющий полет путем изменения скорости вращения роторов, работающих по парам. Это позволяет квадро-коптеру 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 квадрокоп-тера в соответствии с выбранным режимом полета и обеспечивает обмен навигационных данных с разными уровнями управления (интерфейс человек -квадрокоптер).

Повышение доли использования программного управления БПЛА объясняется необходимостью разгрузки оператора и стремлением сократить степень влияния человеческого фактора, служащего причиной 26 % аварий таких летательных аппаратов. Важным поводом для внедрения новых алгоритмов управления является также высокий уровень отказов БПЛА при потере связи посредством ГЛОНАСС и GPS. 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 происходит 1611 отказов на миллион часов полета и лишь 0,06 отказов для того же времени у ПЛА.

з

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. Эффективно 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 (TJIOHHAC, GPS).

Соответствие диссертации плану работ ФГБОУ ВПО ЮРГПУ (НПИ) имени М.И. Платова и целевым комплексным программам. Диссертационная работа выполнена в рамках научного направления «Теория и принципы создания робототехнических и мехатронных систем и комплексов», утвержденного ученым советом 25.04.2009 и соответствует госбюджетным темам П.3.865 «Разработка теории и принципов построения интеллектуальных мехатронных и робототехнических систем» (2009-2013 гг.) и ПЗ-891 «Теоретические основы и методы построения, надежность и диагностика мехатронных и робототехнических систем» (2014-2017).

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 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;

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

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

— 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 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 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 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 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 их коэффициентов 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 (ИЛИ) 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,

б

Германия, 2014 г.), международной научно-практической конференции «Construction Technology and Management CTM2014» (г. Братислава, Словакия, 2014 г.), XI-ой Международной научно-технической конференции «Вибрацня-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 4 - в изданиях, рекомендованных ВАК, 1 статья в журнале, входящем в Web of Science.

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.

КРАТКОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснованы актуальность темы диссертации, определены цели и задачи диссертационного исследования, сформулированы положения, выносимые на защиту, раскрыта научная новизна работы, подтверждена обоснованность и достоверность полученных результатов, а также их научно-практическое значение.

В первой главе проанализированы современные концепции и методы планирования полета беспилотных летательных аппаратов, в частности, квадрокоптера, и используемые принципы для реализации автономного полета. Подробно приведены достоинства и недостатки методов построения систем локального и глобального планирования с использованием искусственного интеллекта, поисковых, прямых и косвенных методов генерирования траектории. Сделаны выводы о том, что решение задач планирования перемещения мобильного робота без вспомогательных навигационных систем посредством разработки методов построения интеллектуальных самонастраивающихся систем управления является перспективным и системы технического зрения. Особое внимание было уделено анализу принципов бионики в самонастраивании системы управления на примере алгоритма роя частиц, который до сих пор еще не нашел достойного применения в управлении полетом БПЛА. Поэтому исследования в рассматриваемой проблемной области требуют дальнейшего развития.

Рассмотренные проблемы и возможные направления их решения научно обосновывают актуальность и важность поставленных в диссертационной работе целей и задач.

Вторая глава посвящена идентификации и математическому моделированию квадрокоптера как объекта управления. Особое внимание было уделено фактору сдвига центра тяжести от идеального геометрического положе-

7

ния и его влиянию на формирование нелинейных законов движения квадрокоптера. Результаты математического моделирования показали, что при упрощении математической модели квадрокоптера до идеального представления, при линейном полете квадрокоптера могут возникнуть большие отклонения вдоль осей тангажа и крена. Для миниатюрных квадрокоптеров с размахом до одного метра отклонение по тангажу достигает 12,1% при сдвиге центра тяжести на 1% от идеального положения. Это происходит из-за дополнительных ускорения и скорости, которые измеряются инерциальными датчиками, что влияет на конечное положение квадрокоптера в фиксированной системе координат. Общепринятый подход к моделированию квадрокоптера основан только на моделях с идеальным положением центра тяжести.

Из-за ограниченной несущей способности квадрокоптера, лишь миниатюрные датчики с малой массой могут применяться во вспомогательных навигационных системах. При использования оптической одометрии для планирования траектории квадрокоптера, отклонения по позиционированию, как представлено в таб. 1, являются недопустимо высокими. В рамках этой главы был изучен вопрос реактивного управления полетом с учетом гироскопического эффекта. Законы управления положения путем изменения скорости вращения роторов были получены и смоделированы в гибридной системе отсчета координат:

X = £¿7хфзтр + сол/«17г0со5р)—•

тп

У = (—этпфэтпбсо^»)—;

ш

2 = -д + (соБвсахф)—; О

ттг

. ¡гг ~ Ьх_ /гР п ,

р = —--Чг-—<7П + —;

1хх 1ХХ 'XX

. 1гг —1хх__1ТР _ Уз.

Ч =—}-рг-—рй+—;

'УГ 1ХХ 'УГ

1хх ~ _ . И4

---7-РЧ + г—г

'гг 122

где X, У и 2 - угловые ускорения квадрокоптера в фиксированной системы координат; р, и г - проекции вектора вращательной скорости вдоль осей крена, тангажа и рыскания соответственно в связанной системе координат; <р, в и гр — углы крена, тангажа и рыскания, соответственно; ш — масса квадрокоптера; иг, и2,1!3 и и4 — соответствующие силовые параметры по нави-санию, крену, тангажу и рысканию; 1ХХ, Ьг и Ьг ~ проекции момента инерции; П — угловая скорость вращения пропеллеров.

Таблица 1

Влияние сдвига центра тяжести на положении квадроколтера_

Сдвиг центра тяжести Х[м] Y[M] Z[m]

Желат. Текущ. Желат. Текущ. Желат. Текущ.

0,1 1 1 1 1,053 1 1

1 1 1,009 1 1,121 1 1

10 1 1,996 1 2,218 1 1,003

В третьей главе разработана система планирования полетом квадро-коптера. Вначале была сформулирована субцель работы. Она заключается в испытании поискового алгоритма для планирования траектории полета путем математического моделирования. Была обнаружена проблема локального минимума, особенно в задачах локального планирования, когда целевая функция разных клеток имеет одинаковые значения. В качестве решения проблемы предложен гибридный алгоритм А-стар, оптимизированный с помощью метода потенциальных полей. Алгоритм работает следующим образом: порядок обхода вершин определяется при помощи эвристической функции f(x), которая представляет собой сумму двух других: функции стоимости g(x) достижения рассматриваемой вершины (х) из начальной точки и функции эвристической оценки расстояния h(x) от рассматриваемой вершины к конечной. Нахождение эвристической функции осуществляется из выражения

/СО = д(х) + h(x). (2)

Функция h(x) должна быть допустимой эвристической оценкой, то есть не позволять переоценивать значение расстояния до целевой вершины. Например, для задачи маршрутизации функция h(x) может представлять собой расстояние до цели по прямой линии, так как это наименьшее возможное расстояние между двумя точками. Карта полета представлена на рис. 1.

Если допустить, что все квадраты одномерные и размер стороны квадрата равен 10-ти условным измерительным единицам длины, то при условии, что движение осуществляется из центра точки S до центра следующей точки, функция g(x) принимает значение „10", если движение ортогонально по отношению к клетке S, и „14", если диагонально. Теперь рассчитаем расстояние между каждой из граничных клеток до цели G, принимая во внимание, что расстояние рассчитывается только в ортогональном направлении. При данном условии Рис. 1.1 раничные клетки значения функции h(x) вычисляются с по-точки S мощью следующей формулы:

SI S2 S3

S4 5 S5

S6 S7 S8

где К - количество клеток, которые отделяют любую граничную клетку от цели (G) в ортогональном направлении.

После этого можно определить значения эвристической функции f(x) исходя из уравнения (2). В итоге, квадрокоптер должен двигаться до клетки с наименьшем значением функции f(x). Если значения функции f(x) для обеих клеток являются одинаковыми, алгоритм сталкивается с проблемой локального минимума. Подход к ее решению является следующим:

1. Система определяет граничные клетки для каждой из клеток, имеющих одинаковые значения функции f(x).

2. Выполняются расчеты для каждой такой клетки в соответствии с уравнением 2, без выработки сигнала на перемещение квадрокоптера.

3. В случае нахождения оптимальной точки, имеющей границы с препятствием, к значению функции f(x) добавляется „10", если движение от этой точки до препятствия ортогонально, и „14", если направление движения диагонально.

4. Результат сохраняется, и цикл продолжается, пока не достигается целевая точка G.

5. Последний шаг - это суммирование значения f(x) для всех клеток, представляющих возможную траекторию. Оптимальным является путь с наименьшим суммарным значением f(x). Пример решения проблемы локального минимума, когда диагональные клетки, ближние к начальной, имеют одинаковые значения f(x), представлен на рис. 2.

- - «f «

■я

« ~ J:*___\£шЯт

._ sr. -Л . .

Рис. 2. Расчет нахождения оптимального пути и решение задачи планирования

Однако из-за ограниченной грузоподъемности квадрокоптера, алгоритм А-стар не может быть применен, так как его техническая реализация связана с необходимостью размещения системы ЛИДАР на борту квадрокоптера. Кроме того, существует ограничение по вычислительной мощности: для больших карт потребуется протяженный интервал времени для расчета целевых функций. В связи с этими ограничениями предложен алгоритм планирования траектории полета на базе оптической одометрии. Суть метода за-

ю

ключается в расчете положения летательного аппарата и ориентации его полета с помощью изображений без участия вспомогательных навигационных систем. Оптическая одометрия использует центр изображения (центроид) и определяет необходимое расстояние сдвига квадрокоптера, исходя из отношений пиксельных координат к метрическим (рис. 3). В отличие от остальных видов одометрии, где положения движущегося робота определяются с помощью энкодеров, оптическая одометрия позволяет установить пропорциональную связь между изменением пиксельных координат центроида и необходимым изменением в положении квадрокоптера в режиме реального времени так, чтобы координаты центроида всегда сопоставлялись с центром фрейма, то есть с центром диафрагмы камеры. Так как камера жестко прикреплена к каркасу квадрокоптера, то для сопоставления положения центроида с центром диафрагмы необходимо изменять положение квадрокоптера, перемещая его на соответствующее пропорциональное расстояние.

Алгоритм может быть использован для глобального планирования полета, например, посредством отслеживания контрольных точек. Для локального планирования, алгоритм может также применяется для отслеживания мобильного маркера на основе гистограммного подхода без задействования вспомогательных критериев распознавания (геометрия, исходное положение).

Рис. 3. Геометрическая связь между системами отчета

Определение углов наклона квадрокоптера по отношению к фиксированной оси координат связано с расчетом значения углов крена (<р), тангажа (б) и высоты полета. Они необходимы, чтобы определить положение камеры по отношению к Земле. Оптическая диафрагма камеры установлена под углом по отношению к связанной системе координат, которая, в свою очередь, отклонена от фиксированной системы координат на значения, равные углам

11

Эйлера. Для использования оптической одометрии необходимо найти связь между пиксельной и метрической системами отчета. Это можно осуществить с помощью тригонометрического преобразования между разными системами координат (матрицы перехода):

<р = (51.62 - а); в = (43.18 - /?), (4)

где а — горизонтальный полярный угол в системе координат диафрагмы; /? — вертикальный полярный угол в системе координат диафрагмы.

После нахождения полярных углов, нужно найти радиусы изображения с помощью камеры, размещаемой на борту квадрокоптера. Далее определяется расстояние от фотоаппарата до конкретной координаты с помощью следующего выражения:

= Нг = Н ■ Шп( <р + я); (5)

а(у) = Н3=НЪш(в + Ю,

где с1(х) или Ит —горизонтальное расстояние до конкретной координаты [м]; Н — высота квадрокоптера в связанной системе отчета [м]; с1(у) или Н3 — вертикальное расстояние до конкретной координаты [м].

После нахождения закона определения высоты полета необходимо найти законы полета по крену и тангажу: фрейм камеры разбивается на девять равномерных клеток, в зависимости от расширения, с определённым масштабом. Уравнения перехода от системы отсчета камеры в связанную систему координат выглядят следующим образом:

V У ■( ^ (НА\ (6)

Ря =

*■* -у

■ сод(агсйп {^р;

Ру =^Х„2 + У„2- 5£пСагйап(^)),

где Ха , - пиксельные координаты, соответствующие линейным движением; х , у — координаты в связанной системе отсчета; рж , ру - пиксельные координаты, соответствующие вращательным движением.

Существует проблема неопределенности мобильного маркера при изменении начальной цветовой температуры, что приводит к изменению математического представления гистограммы распознаваемого агента. В результате, агент не распознается или будет похожим на других окружающих агентов, если судить по гистограмме. Множество похожих агентов или агенты-кандидаты создают проблемы идентификации исходного первичного агента. В связи с этим, решение проблемы локального минимума планирования траектории предлагается на базе нелинейной авторегрессионной модели нейронной сети с экзогенными входами МАЯХ (рис. 4.). При этом задача неоп-

ределенности превращается в экстраполяцию функции движения мобильного маркера. Структура нейронной сети состоит из двух векторных входов: вектор регистрируемого положения агента, формируемый тремя составляю-щихми, А(0= [ха(0, уа(Х), га(Х)], и вектор обратной связи от выхода нейронной сети Р(1)= [хг(1), уг(1),

Скрытый слой

Рис. 4. Структура NARX

Обучение нейронной сети осуществляется с помощью метода обратного распространения ошибки во времени ВРТТ (BackPropagation Through Time) для обучения прямо-связанных персептронов, связанных между собой напрямую. Обучаемая нейронная сеть состоит из многослойных персептронов, то есть структура сети состоит из входного слоя с К персептронами, скрытых ш-слоев с N персептронами и выходного слоя с L персептронами, связанными друг с другом с помощью прямых связей, степень влияния которых определяется с помощью весовой функции. Весовая функция между j-персептроном слоя m и i-персептроном слоя т+1 обозначается wу1, а активация i-персептрона - х™. Активация персептронов, не являющихся входными, находится с помощью следующего выражения:

*Г(»)-/( Y, w'TT(n)' (7)

/=1_ЛГ

где х™ — активация персептронов, не являющихся входными; п — пример обучения и / — сигмовидная функция.

Вектор активации у(п) персептрона L выходного слоя определяется с помощью следующего уравнения

у(п) = (х?+1(п),..х*+1(п)). (8)

Задача обучения состоит в нахождения множества весов, чтобы уменьшить квадратное отклонение Е , описываемое с помощью выражения

Е = Е„=1 JldCn) - У(п)11г = Z„=i..r ВД (9)

где Г — размер ряда обучения; cf(n) — выходная составляющая ряда обучения.

Уменьшение ошибки Е осуществляется с помощью инкрементального изменения весов пропорционально направлению градиента ошибки с помощью коэффициента обучения у в соответствии со следующим уравнением: дЕ V"1 дЕ(п)

дш™ ¿а дш?? ' (Ю)

У Ч

дЕ

XV'"

Однако результаты обучения алгоритма обратного распространения не могут быть непосредственно переданы рекуррентной нейронной сети, потому что связь между персептронами ациклическая. В этом случае, входные веса V/™, выходные обратные и/^асг£ и веса скрытого слоя являются идентичными. Данные обучения теперь состоят из одномерного временного ряда, который комбинирует входные данные и(тг) с выходными «¿(и,):

и(п) =(щ(п),...ик(п)У, £гСп)=(£г1(п),...4(п)У п = 1...Т; (11) После определения временного ряда, можно находить значения весов с

помощью следующей системы уравнений:

г

Щ] = Щ- 8,(п)х^п- 1);

14=1

т

81 (п) если] — входной персептрон;

=

ъ

п=1

г

I

5, (п) X] (п), если} — персептрон скрытого слоя;

И',Г* = + 1 $ СпЗуДп - 1), где <%(п) — ошибка распространения персептрона предыдущего скрытого слоя, активация которого является

Результаты моделирования экстраполяции функции движения агента представлены на рис. 5.

Вр£№3, С

Рис. 5. Экстраполяция функции движения агента Четвертая глава посвящена синтезу системы автоматического управления полетом квадрокоптера на базе нечеткой логики и метода роя частиц. Функциональная схема системы автоматического полета квадрокоптера на базе нечеткой логики представлена на рис. 7.

Рис. 6. Функциональная схема САУ полета квадрокоптера с учетом сдвига центра тяжести и гироскопических эффектов Нахождение множества входов осуществляется графическим представлением отношения производной й<р к сигналу ошибки е<р. Для моделирования множества входов и выхода используем треугольную функцию принадлежности. С ее помощью можно рассчитать значения углов, необходимые для определения отношения А<р к е<ри, следовательно, определить выходы. Треугольную функцию принадлежности можно представить с помощью следующего выражения:

03)

где э - четкое значение одного из множеств еф, Дф, Диф; — точка левого края соответствующего множества; ~ пик соответствующего множества;

— точка правого края соответственного множества Отношение функций принадлежности входов представлено в табл. 2.

^(.х) = тах |тт

Таблица 2

Отношение функцией принадлежности входов е<р — f{Á<p)

NB NS Z PS РВ

£<¡3

NB [-1-Д] [-1,-0.5] [-1,0] [-1,0.5] [-1,1]

NS [-0.5,-1] [-0.5,-0.5] [-0.5,0] [-0.5,0.5] [-0.5,1]

Z [0,-1] [0,-0.5] [0,0] [-0.5,0] [0,1]

PS [0.5,-1] [0.5,-0.5] [0.5,0] [-0.5,0.5] [0.5,1]

РВ [1,-1] [1,-0.5] [1,0] [1Д5] [1Л)]

Оптимизация нечетких регуляторов положения осуществляется на основе метода роя частиц. Это метод численной оптимизации, для использования которого не требуется знать точного градиента оптимизируемой функции. Принцип расчета коэффициентов нечеткого регулятора основан на методе Дорманда-Принса. В численном анализе он используется для решения обыкновенных дифференциальных уравнений. В частности, он использует шесть функций для оценки и вычисления четвертого и пятого порядков точности решения. Разница между этими решениями принимается за ошибку (четвертого порядка) решения. Эта оценка погрешности очень удобна для адаптивных алгоритмов, например, при использовании нечеткой логики для управления процессом.

Задача оптимизации состоит в снижении погрешности системы и улучшении стабильности положения квадрокоптера. Это происходит путем настройки коэффициентов усиления нечётких регуляторов, в зависимости от критериев оптимальности по позиционированию, с помощью определения положения каждой из частиц и сравнения с требуемым, пока не найдется оптимальное значение. Следовательно, система перемещается к глобальному наилучшему значению, определяемому с помощью функции скорости:

V¿*L = wV(k + ct(k +1 Xpbesb -Stk) + c2(k+ 1 )(gbest- Sf), (14) где F^n"1 — скорость движения до следующего значения; w - весовая функция, V* —актуальная скорость; сис2 —весовые коэффициенты; —личное наилучшее значение по Foa; Sf —текующее положение i-го агента; gbest — глобальное наилучшее значение.

Система обновляет положения, пока не достигается поставленная цель. Результаты моделирования реактивного управления полетом квадрокоптера с помощью оптимизированных нечетких регуляторов положения представлены на рис. 7.

1 «с 1» >

о

Ф

X

I

»

¥

т 0

и* |

«3 0

Г-

т

тшшшшшшф.

ВрШ, £

Рис. 7. Результаты управления положением квадрокоптера

Анализ результатов моделирования показывает, что переходной процесс при оптимальном нечетком регуляторе внешнего контура управления тангажом и креном приходит к установившемуся значению на 57,83% быстрее, чем при ординарном нечетком регуляторе (было 8,3с, стало 4,8с). Несмотря на отклонение в переходном процессе, по сравнению с ординарным нечетким регулятором, оптимальный алгоритм управления показал высокую стабильность (0,015 м = 1,5% по отношению к входному воздействию, равному 1 м). Сравнение переходных процессов приведено на рис. 8.

а и

Рис. 8. Переходные процессы ординарного и оптимального нечетких регуляторов положения

На рис. 9 показаны переходные процессы управления полетом для разных временных рядов желаемого положения (Желаемое состояние Ж.С. 1,2,3). Как видно, алгоритм оптимизации успешно исправился с постановленной

миссией полета (Текущее состояние Т.С. 1,2,3) за счет настройки коэффициентов усиления нечетких регуляторов положения.

J&XJL

Время,

Рис. 9. Оптимизация коэффициентов усиления нечетких регуляторов положения при разных миссиях полета В пятой главе представлены разработанная интеллектуальная система планирования и управления полетом квадрокоптера с помощью оптической одометрии и результаты ее экспериментальных исследований, описаны опытный образец квадрокоптера, устройство системы информационного обеспечения и интерфейсные электронные модули ввода-вывода между датчиками, управляющим компьютером и квадрокоптером, приведен алгоритм оперативного управления, сделаны выводы о пригодности разработанных методов построения интеллектуальных систем планирования и управления полетом квадрокоптера с помощью оптической одометрии.

Протокол^ользовательских датаграмм 1ЮР

Объект <&

Квадрокоптер

Алгоритмы HSV + оптической одометрии База данных NARX

Рис. 10. Экспериментальный стенд

Экспериментальная система (рис. 10) состоит из опытного образца квадрокоптера AR DRONE, оснащенного трехосевым акселерометром BMA 150, двухосевым гироскопом углов крена и тангажа IDG-500, одноосевым гироскопом угла рыскания Epson TOYOCOM XV-3500CB, ультразвуковым высотомером MYKONOS2 и двух цифровых камер. Квадрокоптер соединен с персональным компьютером через беспроводную сеть с помощью 4 каналов: передачи файлов по TCP сетям (Порт TCP, 5551); навигации (UDP порт

5554); видеоканала (ПОР порт 5555) и канала управления (1ЮР порт 5556). Исследования выполнялись для нескольких вариантов статуса элементов питания, начальных цветовых условий и задач полета. Результаты отслеживания мобильного маркера представлены на рис. 11.

n color- Middle 11 color Middle ii color Middle 11 color Middle il color Middle ii color Middle ll color Middle il color MidiJle 11 Color Middle il color Middle 11 color Middle 11 color Middle il color Middle 11 color Middle

Middle C«»# 7Si)

Middle 67>

Mi«ale <66, 71)

Middle («6, 72)

Middle (t7, 7©)

Middle <67, 71)

Middle (67, 70)

Middle i&Sj. 7i)

Middle <67, 6«)

Middle <66, 7в)

Middle <66, 7©)

Middle (6-S,

Middle <68, 7в>

Middle C6S, 70)

Рис. 11. Распознавание агента

Результаты движения квадрокоптера по определенным пиксельным координатам представлены на рис. 12.

Рис. 12. Результаты отслеживания мобильного маркера в режиме реального

времени

а) отслеживание по оси X; б) отслеживание по оси У

Для задачи глобального планирования полета с помощью оптической одометрии на рис. 13. приведены результаты управления высотой в режиме нависания над контрольными точками с диагональным потоком ветра отношению к корпусу квадрокоптера (вентилятор с объемным расходом 2,5

м3-с-').

ии««»^^ с.'

а) «*"*■ < 6)

Рис. 13. Результаты управления высотой квадрокоптера в режиме его нависания над контрольными точками а) косвенный расчет значания высоты; б) показатели высотомера

В итоге проведенных испытаний системы управления квадрокоптером в режиме нависания установлено, что отклонения значений реальных результатов от полученных в ходе моделирования лежат в пределах 6,7% для вращательного и 9,33% для поступательного движения.

ЗАКЛЮЧЕНИЕ

В диссертационной работе на основании теоретических и экспериментальных исследований решена актуальная научно-техническая задача разработки мехатронной системы интеллектуального планирования траектории и управления полетом квадрокоптера с помощью оптической одометрии с учетом сдвига центра тяжести от своего идеального геометрического положения и нелинейности модели квадрокоптера. В ходе выполнения работы получены следующие результаты, имеющие как научное, так и практическое значение:

1. Научно обоснована необходимость разработки методов интеллектуального планирования и управления полётом квадрокоптера с помощью оптической одометрии, обеспечивающих адаптивность и автономность полета в режиме реального времени.

2. Разработана мехатронная система интеллектуального планирования траектории полета квадрокоптера для локальных и глобальных миссий полета с помощью системы оптической одометрии, обеспечивающая выработку координат полета без необходимости наличия вспомогательных систем навигации (ГЛОНАСС, GPS).

3. Разработана нелинейная модель авторегрессионной нейронной сети с экзогенными входами, позволяющая при неопределённости среды изменять задачу локального планирования на задачу экстраполяция движения мобильного маркера.

4. Разработан 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 за счет использования регулятора переменных коэффициентов усиления, оптимизированных с помощью метода роя частиц.

5. Разработаны нечёткие регуляторы для реализации алгоритма автоматического управления полетом квадрокоптера с осуществлением оптимизации на базе метода роя частиц, с возможностью определения значения коэффициентов их усиления в ходе полета.

6. Разработан пакет программ, обеспечивающих возможность реализовать полет в реальном времени в полуавтономном режиме и при автономном управлении.

7. Разработаны рекомендации по созданию систем планирования и управления миниатюрными летательными аппаратами типа квадрокоптера.

Предлагаемая система управления позволяет добиться полной степени

автономности полета, включая планирование траектории и управление полетом квадрокоптера.

Основное содержание диссертации опубликовано в следующих работах: Публикации в научных изданиях, рекомендованных ВАК:

1. Сайфеддин Д. Интеллектуальное планирование траектории полета квадрокоптера. / Булгаков А.Г., Сайфеддин Д. // Известия Юго-Западного государственного университета. — 2013. №5(50) С.54-62.

2. Сайфеддин Д. Интеллектуальное управление винтокрылым летательным аппаратом, совершающим фигуры «кобра Пугачева». / Булгаков А.Г., Круглова Т.Н., Сайфеддин Д. // Известия ВУЗов. Северо-кавказский регион. технические науки. -2013. № 6. С.

3. Сайфеддин Д. Нейросетевая система отслеживания местоположения динамического агента на базе квадрокоптера. / Сайфеддин Д., Булгаков Круглова Т.Н. // «Инженерный вестник Дона», 2014, №1 - Режим доступа: http://vvw\v.ivdon.ru/magazine/archive/nlv2014/2293.

4. Sayfeddine D. Nonlinear autoregressive neural network with exogenous inputs based solution for local minimum problem of agent tracking using quadrotor = Решение проблемы локального минимума отслеживание мобильного агента с помощью квадрокоптера на базе нелинейной авторегрессионной нейросети с экзогенными входами. / Сайфеддин Д. // «Инженерный вестник Дона», 2014, №2 - Режим доступа: http://www.ivdon.ru/en/magazine/archive/n2y2014/2355.

Публикации в прочих издания:

5. Сайфеддин Д. Нелинейная интеллектуальная система управления квадро-коптером. / Булгаков А.Г., Сайфеддин Д., Каравева Э.Р. //Шестая всерос-

сийская мульти конференция по проблемам управления. МКПУ 2013— 2013. Том 2. С. 175-179.

6. Сайфедцин Д. Геометрический алгоритм отслеживания мобильного агента с помощью квадрокоптера в режиме реального времени полета /Сайфедцин Д. // Материал международной научной конференции Технология 2013, том 2. Северодонецк, Украина. -2013, С. 109-112.

7. Сайфедцин Д. Интеллектуальная система регулирования встроенного двухосевого микро электромеханического гироскопа для миниатюрного винтокрылого летательного аппарата / Булгаков А.Г., Круглова Т.Н., Сайфедцин Д. // Робототехника и искусственный интеллект Материалы V Всероссийской научно-технической конференции с международным участием г. Железногорск. -2013, С. 57-60.

8. Сайфедцин Д. Алгоритм планирования траектории перемещения квадрокоптера методом потенциальных полей. / Круглова Т.Н., Сайфедцин Д. // Искусственный интеллект интеллектуальные системы ИИ-2013. Материалы Международной научно-технической конференции Крым, . -2013, С. 206-209.

9. Сайфедцин Д. Нейросетевая система регулирования встроенного двухосевого микро электромеханического гироскопа для квадрокоптера. / Булгаков А.Г., Круглова Т.Н., Сайфедцин Д. // Исследование Наукограда научный журнал №3. -2014. С.

10. Sayfeddine D. A comparative study between different techniques of controlling the roll angle and ox position of a miniature unmanned aerial vehicle = Сравнение между разными алгоритмами управления тангажом миниатюрного беспилотного летательного аппарата / Сайфедцин Д. // Материал международной научной конференции Технология 2013, том 2. Северодонецк, Украина -2013, С. 106-109.

11. Sayfeddine D. Face identification and tracking using quadrotor = Распознавание и отслеживание лица с помощью квадрокоптера / Сайфедцин Д.// Проблемы управления, обработки и передачи информации (АТМ-2013). Сборник трудов III международной научной конференции, том 1. Саратов, Саратовский Научный Центр РАН. -2013, С. 178-180.

12. Sayfeddine D. Optimal flight control of a quadrotor using linear quadratic regulator = Оптимальное управление полетом квадрокоптера с помощью JIKP регулятора / Сайфедцин Д. // Актуальные проблемы современной науки. Сборник статей международной научно- практической конференции. Уфа РИЦ БашГУ. Часть 4. -2013, С. 236-239.

13. Sayfeddine D. Aerodynamics and control design of a quadrotor. = Аэродинамика и управления квадрокоптером. / Сайфедцин Д. // Робототехника и искусственный интеллект Материалы V Всероссийской научно-технической конференции с международным участием г. Железногорск, -2013, С. 22-25.

14. Sayfeddine D. Design of quadrotor autopilot using fuzzy logic and particle swarm optimization = Синтез автопилот квадрокоптера с помощью нечеткой логики и метода роя частиц. / Сайфеддин Д. // Робототехника и искусственный интеллект Материалы V Всероссийской научно-технической конференции с международным участием г. Железногорск, -2013, С. 50-52.

15. Sayfeddine D. Control of hovering altitude of a quadrotor using machine vision = Управление нависанием квадрокоптера с помощью системы технического зрения. / Сайфеддин Д. // International Conference «TECHNICAL SCIENCES: MODERN ISSUES AND DEVELOPMENT PROSPECTS» December 10, 2013, Sheffield, UK Conference Proceedings-2013, C. 43-45.

16. Sayfeddine D. Quadrotor as service provider = Квадрокоптер как средства обеспечения услуг. / Сайфеддин Д. // Инновационное развитие современной науки. Сборник статей. Международной научно- практической конференции. Уфа РИЦ БашГУ. Часть 3. -2014, С.326-330.

17. Sayfeddine D. Control of modified quadrotor flying at different angles of attack = Управление модифицированным квадрокоптером при разных углах атаки. / Булгаков А.Г., Сайфеддин Д. // Вибрация 2014.

18. Sayfeddine D. Aerial laser inspection of building facades using quadrotor = Воздушная лазерная инспекция фасадов зданий с помощью квадрокоптера. / Емельянов С.Г., Булгаков А.Г., Сайфеддин Д. // Сборник статей конференции Creative Construction Conference . -2014, С. 24-29.

19. Sayfeddine D. Control of hovering altitude of a quadrotor with shifted centre of gravity for inspection of high-rise structures = Управление высотой полета квадрокоптера с сдвинутым центром тяжести при инспекции высоких зданий. / Емельянов С.Г., Булгаков А.Г. Томас Бок, Сайфеддин Д. //Сборник статей конференции The 31st International symposium on Automation and Robotics in construction and mining. -2014, C. 762-767.

20. Sayfeddine. D. Performing indoor radiation leakage test using quadrotor. =. Выполнение теста утечки радиации в помещениях с помощью квадрокоптера. / Булгаков А.Г., Сайфеддин Д. // Сборник статей конференции 58th Ilmenau scientific colloquium-2014, С. 1-12.

21. Sayfeddine. D. Inspection of municipality lights using quad-rotor = Инспекция муниципальных фонарей с помощью квадрокоптера. / Булгаков А.Г. Томас Бок, Сайфеддин Д. // Сборник статей конференции СТМ 2014 Bratislava-2014, С. 53-62.

22. Sayfeddine D. Aerial laser inspection of building facades using quadrotor = Воздушная лазерная инспекция фасадов зданий с помощью квадрокоптера. /Сергей Емельянов, Булгаков А.Г., Сайфеддин Д. // ELSEVIER Procedía Engineering (2014). DOI Information 10.1016/j.proeng.2014.10.538. pp. 140-146

Дахер Сайфеддин

МЕХАТРОННАЯ СИСТЕМА УПРАВЛЕНИЯ ПОЛЕТОМ КВАДРОКОПТЕРА И ПЛАНИРОВАНИЯ ТРАЕКТОРИИ МЕТОДАМИ ОПТИЧЕСКОЙ ОДОМЕТРИИ

Подписано в печать Формат 60x84 '/16- Бумага офсетная. Печать цифровая. Усл. печ.л. 1,0. Уч.-тд.л. 1,82. Тираж 120 экз. Заказ 98.

ЮРГПУ (НПИ) имени М.И. Платова

346428, г. Новочеркасск, ул. Просвещения, 132 /