توصيفگر ها :
سيستم هاي چندعاملي , كوادروتور , مشاهده گر اغتشاش , كنترل مودلغزشي , شكل دهي متغير با زمان
چكيده فارسي :
در سالهاي اخير موضوع سيستم هاي چندعاملي توجه بسياري از محققين را به خود جلب نموده است. پرواز دسته جمعي هواپيماهاي بدون سرنشين، ماموريت هاي اكتشاف دسته جمعي، پوشش محيطي و بسياري كاربردهاي ديگر از جمله مواردي هستند كه سيستم هاي چندعاملي كارايي خود را نشان مي دهند. يكي از بحث هاي مطرح در اين حوزه، بحث كنترل تعاملي است كه خود به چندين زيربخش تقسيم مي شود. از جمله : كنترل شكل دهي، اجماع و خوشه بندي.
سيستم هاي فوق الذكر، در معرض انواع اغتشاشات خارجي و نامعيني هاي داخلي قرار مي گيرند (به عنوان مثال هواپيماهاي بدون سرنشين در طول ماموريت ممكن است اغتشاش باد را تجربه كنند يا هواپيماهاي بدون سرنشيني كه به منظور تحويل محموله به مشتريان استفاده مي شوند؛ در طول انجام ماموريت، با تحويل دادن محموله ها يا تحويل گرفتن محموله ها، كاهش يا افزايش جرم را تجربه مي كنند و اين مسئله به عنوان نامعيني در جرم قلمداد مي شود) . در ساليان اخير براي حل اين مشكل راهكارهاي متفاوتي پيشنهاد شده اند. به عنوان يكي از راهكارهاي موجود، استفاده از مشاهده گر هاي اغتشاش در ساليان گذشته رواج يافته است. همچنين بنا به نياز، انواع مختلفي از مشاهده گر هاي اغتشاش پيشنهاد شده اند كه از ميان آنها مي توان به مشاهده گر هاي مدلغزشي، مشاهده گر هاي ليونبرگر، مشاهده گر كالمن و مشاهده گر با بهره ي بالا اشاره كرد. يكي از روش هايي كه در اين پايان نامه استفاده شده و كارايي قابل قبولي را در زمينه تخمين اغتشاشات خارجي وارده بر سيستم از خود نشان مي دهد، روش تلفيق شبكه هاي عصبي با مشاهده گر هاي اغتشاش مي باشد به گونه اي كه ضرايب يك شبكه عصبي خاص ( تابع پايه شعاعي يا پرسپترون چندلايه يا انواع مختلف ديگر) ، به شكل تطبيقي با زمان به گونه اي تغيير مي كنند كه اختلاف خروجي مشاهده گر با خروجي واقعي سيستم به حداقل مقدار برسد. تحت چنين شرايطي شبكه عصبي موردنظر به عنوان بهترين تخمين از اغتشاشات خارجي وارده بر سيستم در نظر گرفته مي شود و از اين تخمين براي طراحي كنترل كننده هاي مختلف فيدبك خطي ساز يا مود لغزشي استفاده مي شود.
در اين پايان نامه مسئله كنترل شكل دهي بر روي دسته اي از كوادكوپترها پياده سازي شده است. كوادكوپتر به عنوان يك سيستم غيرخطي با تعداد حالات زياد و با درجه پيچيدگي بالا مي باشد . در اين سيستم در مجموع دوازده حالت وجود دارد كه از اين دوازده حالت، عمدتا شش حالت براي ما اهميت بيشتري دارند كه از اين شش حالت، سه حالت را با نام زواياي اويلر(چرخش حول محورهاي سه گانه) و سه حالت را با نام موقعيت كوادكوپتر در فريم اينرسيايي در راستاي محورهاي سه گانه مي شناسيم. همچنين ذكر اين نكته ضروري است كه زواياي اويلر در ديناميك زيرسيستم موقعيت به شكل غيرخطي ظاهر مي شوند. بنابراين مجبوريم از پروتكل كنترلي زيرسيستم موقعيت استفاده كرده و با استفاده از روش ديناميك وارون، مقادير مرجع براي زواياي اويلر را به دست آوريم. در ادامه در صورتي كه زيرسيستم ديناميكي زواياي اويلر، اين مقادير مرجع را با دقت خوبي تعقيب كنند، زيرسيستم موقعيت نيز به پروتكل كنترلي مطلوب همگرا خواهد شد. در اين راستا براي زيرسيستم زوايا، از يك كنترل كننده مودلغزشي نهايي استفاده كرده ايم كه از اغتشاش تخمين زده شده توسط شبكه عصبي در هر لحظه استفاده مي كند و حالت ها را به مقادير مطلوب ميل مي دهد.
چكيده انگليسي :
In recent years, the issue of multi-agent systems has attracted the attention of many researchers. Mass flight of unmanned aircraft, mass reconnaissance missions, environmental coverage and many other applications are among the cases where multi-agent systems show their effectiveness. One of the debates in this field is interactive control, which itself is divided into several subsections, including: shaping control, consensus and clustering.
The aforementioned systems are exposed to a variety of external disturbances and internal uncertainties. During the mission, by delivering the cargo or receiving the cargo, they experience a decrease or an increase in the load mass and this issue is considered as uncertainty in the mass. In recent years, different solutions have been proposed to solve this problem. In this regard, the use of disturbance observers has become popular in the past years. Also, according to the need, different types of disturbance observers have been proposed, among which we can mention sliding-mode observers, Leunberger observers, Kalman observers, and high-gain observers. One of the methods used in this thesis, which shows an acceptable efficiency in the field of estimating external disturbances on the system, is the method of combining neural networks with disturbance observers, so that the coefficients of a neural network (for instance radial basis function or multilayer perceptron or various other types), adaptively changes with time in such a way that the difference of the observer's output with the actual output of the system reaches a minimum value. Under such conditions, the desired neural network is considered as the best estimate of external disturbances , and this estimate is used to design different feedback linearization controllers or sliding mode controllers.
In this thesis, the formation control problem has been implemented on a group of quadcopters. The quadcopter is a system with intertwined nonlinearities and a high degree of complexity. In this system, there are a total of twelve states, and out of these twelve states, six states are mainly attractive to us, and out of these six states, three states are called Euler angles (rotation around three axes) and remaining three states are called quadcopter position states In the inertial frame. It is also important to mention that the Euler angles appear in a non-linear way in the dynamics of the position subsystem. Therefore, we have to use the control protocol of the position subsystem and obtain the reference values for the Euler angles using the inverse dynamics method. Next, if the dynamic Euler angles subsystem follows these reference values with good accuracy, the position subsystem will also converge to the desired control protocol uses the. In this regard, for controlling the attitude subsystem, we have used a terminal sliding model controller that uses the disturbance estimation estimated by disturbance observer at every moment and adjusts the states to reach the desired values.
