مقاله یادگیری سیاست های ترکیبی برای MPC با کاربرد پرواز هواپیماهای بدون سرنشین در محیط های دینامیک ناشناخته

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

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: PDF
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

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.