اشترك بالحزمة الذهبية واحصل على وصول غير محدود شمرا أكاديميا
تسجيل مستخدم جديدتصميم متحكم تربيعي أمثل لتمكين الروبوت الطائر من تعقب مسار محدد
Design of Optimal Quadratic Controller to Give Enable the Flying Robot to Trace Specific Trajectory
1219
0 58
0
(
0
)
تمت اﻹضافة من قبل
Shamra Editor
اسأل ChatGPT حول البحث
في هذا البحث تم اقتراح آلية لجعل المتحكم LQR قادر على قيادة الروبوت الطائر (Micro Aerial Vehicle by Change Center of Gravity(MAV COG)) لتعقب مسار محدد , و ملخص هذه التقنية هو إننا قمنا بإضافة مصفوفة تعمل على توليد المسار الذي نريد تعقبه. و باستخدام برنامج المحاكاة ماتلاب قمنا بتصميم المتحكم المطلوب.
In our research, we propose technique to become LQR controller able to drive (Micro Aerial Vehicle by Change Center of Gravity(MAV COG)) robot on a specific trajectory. We add a matrix to adjust the trajectory that we want to trace it. We use Matlab program to execute our controller.
مراجعة الذكاء الصنعي:
ملخص البحث
يتناول هذا البحث تصميم متحكم تربيعي أمثل (LQR) للروبوت الطائر الذي يستخدم تقنية تغيير مركز الجاذبية (COG). يهدف المتحكم LQR إلى تحقيق الاستقرار الأمثل للنظام، ولكنه غير قادر على تعقب مسارات محددة. لذلك، يقترح الباحثون تحسين هذا المتحكم باستخدام مصفوفة إضافية لضبط المسار المرغوب. تم تنفيذ التصميم باستخدام برنامج المحاكاة ماتلاب. أظهرت النتائج أن المتحكم LQR المعدل قادر على تعقب المسار المحدد، مما يفتح الباب لاستخدام الروبوت في تطبيقات متعددة مثل الزراعة والمجالات العسكرية. ومع ذلك، لا يزال النظام يعاني من تأخير زمني وتجاوز أعظمي، مما يستدعي المزيد من البحث لتحسين الأداء.
قراءة نقدية
دراسة نقدية: البحث يقدم حلاً مبتكراً لمشكلة تعقب المسار في الروبوتات الطائرة باستخدام تقنية تغيير مركز الجاذبية. ومع ذلك، هناك بعض النقاط التي يمكن تحسينها. أولاً، لم يتم تقديم تحليل كافٍ للتأثيرات البيئية والضوضاء على أداء المتحكم. ثانياً، يمكن تحسين البحث من خلال تقديم تجارب عملية بدلاً من الاعتماد الكامل على المحاكاة. أخيراً، يجب دراسة تقنيات أخرى مثل التحكم التكيفي للتغلب على مشكلة التأخير الزمني والتجاوز الأعظمي.
أسئلة حول البحث
-
ما هو الهدف الرئيسي من البحث؟
الهدف الرئيسي هو تصميم متحكم تربيعي أمثل (LQR) للروبوت الطائر ليتمكن من تعقب مسار محدد باستخدام تقنية تغيير مركز الجاذبية.
-
ما هي التقنية المستخدمة لتحسين أداء المتحكم LQR؟
تم استخدام مصفوفة إضافية لضبط المسار المرغوب، مما يجعل المتحكم LQR قادرًا على تعقب المسار المحدد.
-
ما هي الأدوات المستخدمة في البحث؟
تم استخدام برنامج المحاكاة ماتلاب إصدار 2007a لتنفيذ التصميم واختبار المتحكم.
-
ما هي التحديات التي لا يزال النظام يعاني منها بعد تحسين المتحكم LQR؟
النظام لا يزال يعاني من تأخير زمني يصل حتى 0.45 ثانية وتجاوز أعظمي يصل حتى 4%.
المراجع المستخدمة
T. Talay,1975- Introduction to the Aerodynamics of Flight . NATIONAL AERONAUTICS AND SPACE ADMINISTRATION ,1,Washignton,204
F.Lesage, N. Hamel, X.Huang, Y.Yuan, M.Khalid and P.Zdunich,2008-Initial Investigation on the Aerodynamic Performance of Flapping wings for Nano Air Vehicles . defence research and development Canada,1,Canada,166
Y. Zhang,2009- Modeling and Hover Control of a Double- Rotor Micro Flying Robot Via Shape Change .Purdue University , 1 , India, 65
قيم البحث
اقرأ أيضاً
تم في هذا البحث تصميم متحكم تناسبي تكاملي تفاضلي كلاسيكي (PID controller)
و تصميم متحكم تغذية عكسية (State Feedback Controller) للتحكم بحركة النواس
العكوس و اجراء عملية المقارنة بين جميع الحالات و اختيار المتحكم الأنسب باستخدام برنامج
MATLAB/SIMULINK.
تم في هذا البحث التعرف على الطائرة المسيرة UAV كجملة غير خطيّة و تمّ تحصيل
نموذج محاكي لهذه الجملة باستخدام إصدارات AiroSim. في المرحلة الأولى أجري
تقريب النموذج غير الخطي للطائرة بنموذج خطي عند نقطة طيران معيّنة (نقطة توازن)،
و تم تصميم متحكم
تقليدي بالقنالين الطولي و العرضي باستخدام النموذج الخطي. في
المرحلة التالية طبقنا المتحكّم التقليدي السابق على النموذج غير الخطي عند نقطة العمل
السابقة نفسيها، و من ثمّ تم تعزيز المتحكم التقليدي المصمم بإدخال شبكة عصبونية إلى
الجملة تقوم بعملية تعويض الخطأ الناتج عن تقريب النموذج غير الخطي بنموذج خطي.
يتطلب تدريب نموذج التعلم العميق القوي والموثوق كمية كبيرة من البيانات.في مجال الأزمات، يبني نماذج تعليمية عميقة لتحديد المعلومات القابلة للتنفيذ من التدفق الضخم للبيانات المنشورة من قبل شهود فعاليات الأزمات على وسائل التواصل الاجتماعي، في غضون فترة ح
رجة، هي مركزية لعمليات الاستجابة السريعة والإغاثة.ومع ذلك، فإن بناء مجموعة بيانات كبيرة ومصفحة لتدريب نماذج التعلم العميق ليست ممكنة دائما في وضع الأزمات.في هذه الورقة، نحقق في نهج تعليمي متعدد المهام لزيارة البيانات المشروحة المتاحة المتاحة لعدة مهام ذات صلة من مجال الأزمات لتحسين الأداء في مهمة رئيسية مع بيانات مخفية محدودة.على وجه التحديد، نركز على استخدام التعلم متعدد المهام لتحسين الأداء في مهمة تحديد الموقع في تغريدات الأزمات.
تم في هذه الدراسة تصميم متحكم عصبوني ضبابي متكيف (ANFIS) و مقارنة
أداءه مع أداء المتحكم المقترح و مع استجابة النموذج الرياضي للمركبة بدون وجود متحكم
(حلقة مفتوحة) و بوجود اضطرابات دخل مختلفة.
اهتم الصناعيون بأتمتة مصانعهم لزيادة الانتاج و خفض التكاليف و تحسين جودة المنتج من خلال استخدام الأذرع الآلية في قيادة و انهاء معظم العمليات الانتاجية، حيث تتصف الأذرع الآلية بأنها هياكل ميكانيكية قابلة للبرمجة لأداء مهام تتميز بالدقة و السرعة و الوث
وقية.
استند البحث في استنتاج المسار الأمثل على توليد مسارات افتراضية (مثلثية، منحنية، مربعة) تعبر عن حركة الذراع الآلي للوصول إلى نقطة الهدف، حيث تم معرفة زمن الانتقال و زوايا الدوران و العزم في المفاصل تحت تأثير الجاذبية الأرضية من خلال دراسة الحركة الأفقية و الشاقولية للذراع الآلي.
تبين حركة الذراع الآلي وفق المسارات المقترحة أن أفضل المسارات سلامة على محركات الذراع الآلي هو المسار النصف دائري كونه يحد من حدوث صدمات ميكانيكية أو ظهور قيم مرتفعة للعزوم عند المفاصل. في حين تبين ان المسار الذي يحقق أقل زمن للوصول الى نقطة الهدف و بالتالي اقل كمية في الطاقة المستهلة هو المسار المثلثي في حالة الحركة الافقية للذراع على الرغم من ظهور انحرافات حادة في مخططات العزم و الطاقة نتيجة التغير المفاجئ في اتجاه الحركة.
يظهر التأثير السلبي للجاذبية الأرضية خصوصا عند حركة المفصل الثاني للأعلى أو الأسفل, مما يسبب بظهور قمم في منحني الطاقة تعبر عن قيم مرتفعة للعزم في هذا المفصل.
سجل دخول لتتمكن من نشر تعليقات
التعليقات
جاري جلب التعليقات
سجل دخول لتتمكن من متابعة معايير البحث التي قمت باختيارها
