| عنوان مقاله به انگلیسی | Learning Hybrid Policies for MPC with Application to Drone Flight in Unknown Dynamic Environments |
| عنوان مقاله به فارسی | یادگیری سیاست های ترکیبی برای MPC با کاربرد پرواز هواپیماهای بدون سرنشین در محیط های دینامیک ناشناخته |
| نویسندگان | Zhaohan Feng, Jie Chen, Wei Xiao, Jian Sun, Bin Xin, Gang Wang |
| زبان مقاله | انگلیسی |
| فرمت مقاله: | |
| چکیده | In recent years, drones have found increased applications in a wide array of real-world tasks. Model predictive control (MPC) has emerged as a practical method for drone flight control, owing to its robustness against modeling errors/uncertainties and external disturbances. However, MPC’s sensitivity to manually tuned parameters can lead to rapid performance degradation when faced with unknown environmental dynamics. This paper addresses the challenge of controlling a drone as it traverses a swinging gate characterized by unknown dynamics. This paper introduces a parameterized MPC approach named hyMPC that leverages high-level decision variables to adapt to uncertain environmental conditions. To derive these decision variables, a novel policy search framework aimed at training a high-level Gaussian policy is presented. Subsequently, we harness the power of neural network policies, trained on data gathered through the repeated execution of the Gaussian policy, to provide real-time decision variables. The effectiveness of hyMPC is validated through numerical simulations, achieving a 100\% success rate in 20 drone flight tests traversing a swinging gate, demonstrating its capability to achieve safe and precise flight with limited prior knowledge of environmental dynamics. |
| تعداد صفحات | 12 |
| چکیده به فارسی (ترجمه ماشینی) | در سالهای اخیر ، هواپیماهای بدون سرنشین در طیف گسترده ای از کارهای دنیای واقعی افزایش یافته است.کنترل پیش بینی مدل (MPC) به دلیل استحکام آن در برابر خطاهای مدل سازی/عدم قطعیت ها و اختلالات خارجی به عنوان یک روش عملی برای کنترل پرواز هواپیماهای بدون سرنشین ظاهر شده است.با این حال ، حساسیت MPC به پارامترهای تنظیم شده دستی می تواند منجر به تخریب سریع عملکرد در هنگام مواجهه با پویایی محیطی ناشناخته شود.در این مقاله به چالش کنترل یک هواپیمای بدون سرنشین می پردازد ، زیرا یک دروازه نوسان را که با پویایی ناشناخته مشخص می شود ، می گذرد.در این مقاله یک رویکرد MPC پارامتری به نام HYMPC معرفی شده است که از متغیرهای تصمیم گیری در سطح بالا برای سازگاری با شرایط محیطی نامشخص استفاده می کند.برای استخراج این متغیرهای تصمیم گیری ، یک چارچوب جستجوی سیاست جدید با هدف آموزش یک سیاست سطح بالا گاوسی ارائه شده است.پس از آن ، ما قدرت سیاست های شبکه عصبی را که بر اساس داده های جمع آوری شده از طریق اجرای مکرر سیاست گاوسی آموزش داده شده است ، برای ارائه متغیرهای تصمیم گیری در زمان واقعی ، مهار می کنیم.اثربخشی HYMPC از طریق شبیه سازی های عددی تأیید می شود ، و دستیابی به میزان موفقیت 100 \ ٪ در 20 تست پرواز هواپیمای بدون سرنشین در حال گذر از یک دروازه نوسان است و توانایی آن را برای دستیابی به پرواز ایمن و دقیق با دانش قبلی قبلی از پویایی محیط زیست نشان می دهد. |
| دسته بندی موضوعات | Robotics,Systems and Control,روباتیک ، سیستم و کنترل ، |
| توضیحات | Submitted 17 January, 2024; originally announced January 2024. , Comments: To be published in Unmanned Systems |
| توضیحات به فارسی | ارسال شده 17 ژانویه 2024 ؛در ابتدا ژانویه 2024 اعلام شد ، نظرات: برای انتشار در سیستم های بدون سرنشین |
| توجه کنید این مقاله به زبان انگلیسی است. |
|
برای سفارش ترجمه این مقاله می توانید به یکی از روش های تماس، پیامک، تلگرام و یا واتس اپ با شماره زیر تماس بگیرید:
09395106248 توجه کنید که شرایط ترجمه به صورت زیر است:
|
نقد و بررسی‌ها
هنوز بررسی‌ای ثبت نشده است.