Publication: Derin sinir ağları kullanarak quadrotorun kontrolü
Abstract
İnsansız hava aracının (İHA) olağanüstü stabilite ile karakterize edilen verimli bir uçuş gerçekleştirebilmesi için doğru durum tahminine ulaşması gereklidir. IMU'yu (Ataletsel Ölçüm Birimi) oluşturan yerleşik MEMS'in (Mikro Elektro-Mekanik Sistem) ölçümleriyle ilgili hatalar nedeniyle güvenilir durum tahmini elde etmek zor kabul edilir. İHA'nın rotorlarının titreşimi ve yatay hareket ivmelenmeleri, IMU’daki ivmeölçerden elde edilen açı tahminlerinde çok büyük sapmalara ve beklenmedik gürültü dizilerine neden olur. Kalman filtresi destekli H-1, DCM matrisleri ve kuaterniyon güncellemelerine dayalı geleneksel tahmin ediciler bu hataları telafi edebilir, ancak bunlar genellikle entegrasyon gerektirir. Entegrasyon süreci, özellikle zaman içinde, yanlışlıkları yoğunlaştırabilir. Bu nedenle, İHA'lar için durum tahminine daha doğru bir yaklaşım sunan entegrasyon ihtiyacını ortadan kaldırabilecek teknikler geliştirilmelidir. Bu yazıda, İHA tutumunu tahmin etmek için derin sinir ağlarına (DSA'ler) dayalı bir derin öğrenme (DL) çerçevesi önerilmiştir. Aşırı uymayı önlemek ve ağların hesaplama yükünü azaltmak için eğitim için yığın normalleştirme ve bırakma teknikleri uygulanmıştır. Önerilen derin öğrenme tekniği, eğitimli DSA kullanma yeteneğini kanıtlar. Ayrıca Euler kinematik denklem modeli geliştirilmiş ve DSA'yi eğitmek için sentetik veri örnekleri toplanmıştır. Son olarak, önerilen tahmin yöntemini doğrulamak için bir uçuş simülasyonu için Quadrotor için kaskad bir kontrolör tasarlanmıştır.
Reaching accurate state estimation is necessary for the unmanned aerial vehicle (UAV) to conduct an efficient flight characterized by exceptional stability. Achieving reliable state estimation is regarded challenging because of the errors related to the measurements of the onboard MEMS (Micro Electro-Mechanical Systems) which constitute IMU (Inertial Measurement Unit). The UAVs massive rotor’s vibration causes enormous drift, biases and unexpected noise sequences which makes these measurements inaccurate. Traditional estimators, based on Kalman filter-supported H-1, DCM matrices, and quaternion updates, can compensate for these errors, but they typically require integration. The process of integration, especially over time, can intensify the inaccuracies. Therefore, techniques that can eliminate the need for integration should be developed, offering a more accurate approach to state estimation for UAVs. In this paper, a deep learning (DL) framework based on deep neural networks (DNN’s) is proposed to estimate UAV attitude estimation. Batch Normalization and dropout techniques are implemented for training to prevent overfitting and decrease the computational overhead of nets. The suggested DL technique proves the ability to use trained DNN. Furthermore, Euler kinematical equations model were developed, and synthetic data samples were collected to train the DNN. Finally, a cascaded controller for Quadrotor was designed for a flight simulation to validate the proposed estimation method.
Reaching accurate state estimation is necessary for the unmanned aerial vehicle (UAV) to conduct an efficient flight characterized by exceptional stability. Achieving reliable state estimation is regarded challenging because of the errors related to the measurements of the onboard MEMS (Micro Electro-Mechanical Systems) which constitute IMU (Inertial Measurement Unit). The UAVs massive rotor’s vibration causes enormous drift, biases and unexpected noise sequences which makes these measurements inaccurate. Traditional estimators, based on Kalman filter-supported H-1, DCM matrices, and quaternion updates, can compensate for these errors, but they typically require integration. The process of integration, especially over time, can intensify the inaccuracies. Therefore, techniques that can eliminate the need for integration should be developed, offering a more accurate approach to state estimation for UAVs. In this paper, a deep learning (DL) framework based on deep neural networks (DNN’s) is proposed to estimate UAV attitude estimation. Batch Normalization and dropout techniques are implemented for training to prevent overfitting and decrease the computational overhead of nets. The suggested DL technique proves the ability to use trained DNN. Furthermore, Euler kinematical equations model were developed, and synthetic data samples were collected to train the DNN. Finally, a cascaded controller for Quadrotor was designed for a flight simulation to validate the proposed estimation method.