СИСТЕМА УПРАВЛЕНИЯ МУЛЬТИРОТОРНЫМ БЕСПИЛОТНЫМ ЛЕТАТЕЛЬНЫМ АППАРАТОМ НА ОСНОВЕ ГИБРИДНОГО НЕЙРОРЕГУЛЯТОРА

Будько М.Б., Будько М.Ю., Гирик А.В., Грозов В.А. Система управления мультироторным беспилотным летательным аппаратом на основе гибридного нейрорегулятора // Научно-технический вестник информационных технологий, механики и оптики. 2019. Т. 19. № 2. С. 209–215. doi: 10.17586/2226-1494-2019-19-2-209-215

Малогабаритные мультироторные беспилотные летательные аппараты применяются для решения разнообразных задач, но в настоящее время их широкое применение сдерживается несовершенством систем стабилизации и навигации. Для преодоления указанных проблем предлагается использовать методы нейроуправления с целью учета нелинейного поведения аппарата. Предложен способ организации системы управления мультироторного летательного аппарата на основе гибридного параллельного нейрорегулятора, использующего искусственную нейронную сеть радиально-базисных функций. Параллельное нейроуправление предусматривает одновременное использование в контуре управления и традиционного регулятора, и нейрорегулятора, при этом их выходы комбинируются. С целью оптимизации вычислений, выполняемых при обучении второго слоя сети нейрорегулятора, в качестве функции активации нейронов второго слоя выбрана кусочно-линейная функция из N сегментов, симметричная относительно нуля. Предложен малозатратный способ оптимизации параметров активационных функций нейронов скрытого слоя, позволяющий выполнять обучение сети в режиме реального времени. Предложен гибридный параллельный нейрорегулятор, построенный на основе искусственных нейронных сетей радиально-базисных функций. Стендовые испытания показали, что при стабилизации по трем осям гибридный нейрорегулятор обеспечивает лучшее качество управления, чем обычный пропорционально-интегрально-дифференциальный регулятор, настроенный вручную, а именно сокращение времени переходного процесса, меньшую амплитуду колебаний при стабилизации мультироторного беспилотного летательного аппарата и повышение устойчивости аппарата к внешним воздействиям. Применение гибридных параллельных нейрорегуляторов позволит решить проблемы маневрирования и стабилизации аппарата для перехода к решению задачи локальной навигации.

1. Бобцов А.А., Пыркин А.А. Адаптивное и робастное управление с компенсацией неопределенностей. СПб: НИУ ИТМО. 2013. 135 с.
2. Salichon M., Tumer K. A neuro-evolutionary approach to micro aerial vehicle control // Proc. 12^th Annual Genetic and Evolutionary Computation Conference(GECCO’10). Portland, USA, 2010. P. 1123–1130. doi: 10.1145/1830483.1830692
3. Shepherd III J.F., Tumer K. Robust neuro-control for a micro quadrotor // Proc. 12^th Annual Genetic and Evolutionary Computation Conference(GECCO’10). Portland, USA, 2010. P. 1131–1138. doi: 10.1145/1830483.1830693
4. Lendaris G.G. A retrospective on adaptive dynamic programming for control // Proc. Int. Joint Conference on Neural Networks. Atlanta, USA, 2009. P. 1750–1757. doi: 10.1109/ijcnn.2009.5178716
5. Anuradha D.B., Prabhaker G., Murthy J.S.N. Direct inverse neural network control of a continuous stirred tank reactor // Proc. Int. Multi Conference of Engineers and Computer Scientists. 2009. V. II.
6. Zareh S.H., Abbasi M., Mahdavi H., Osgouie K.G. Semi-active vibration control of an eleven degrees of freedom suspension system using neuro inverse model of magnet or heological dampers // Journal of Mechanical Science and Technology. 2012. V. 26. N 8. P. 2459–2467. doi: 10.1007/s12206-012-0628-8
7. Ni Z., Fang X., He H., Xu X. Real-time tracking on adaptive critic design with uniformly ultimately bounded condition // Proc. 2013 IEEE Symposium on Adaptive Dynamic Programming and Reinforcement Learning. Singapore,2013. doi: 10.1109/adprl.2013.6614987
8. Shafiekhani A., Mahjoob M.J., Akraminia M. Design and implementation of an adaptive critic-based neuro-fuzzy controller on an unmanned bicycle // Mechatronics. 2015. V. 28. P. 115–123. doi: 10.1016/j.mechatronics.2015.04.010
9. Mohammadzaheri M., Ghanbari M., Mirsepahi A., Behnia-Willson F. Efficient neuro-predictive control of a chemical plant // Proc. 5^th Symposium on Advances in Science & Technology. Iran, 2011.
10. Nguen H.G., Shin J., Kim W. A study on autotuning controller for servo system // Intelligent Control and Automation. 2014. V. 5. N 3. P. 102–110. doi: 10.4236/ica.2014.53012
11. Omatu S., Yoshioka M., Fujinaka T. Neuro-PID control for electric vehicle // Journal of Advanced Computational Intelligence and Intelligent Informatics. 2011. V. 15. N 7. P. 846–852. doi: 10.20965/jaciii.2011.p0846
12. Zeng S., Hu H., Xu L., Li G. Nonlinear adaptive PID control for greenhouse environment based on RBF network // Sensors. 2012. V. 12. N 5. P. 5328–5348. doi: 10.3390/s120505328
13. Stuart M., Manic M. Survey of progress in deep neural networks for resource-constrained applications // Proc. IECON 2017 – 43^rd Annual Conference of the IEEE Industrial Electronics Society. doi: 10.1109/IECON.2017.8217271
14. Sak H., Senior A.W., Beaufays F. Long short-term memory recurrent neural network architectures for large scale acoustic modeling // Proc. INTERSPEECH 2014. Singapore, 2014. P. 338–342.
15. Беляев С.С., Будько М.Б., Будько М.Ю., Гирик А.В., Жигулин Г.П. Функциональное проектирование модуля управления и навигации мультироторным БПЛА // Радиопромышленность. 2015. № 4. С. 77–87.

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License