Resumen

Para el control y el guiado de un vehículo aéreo no tripulado de ala fija se prefiere una estrategia de control de aprendizaje para hacer frente a la falta de modelado y a las incertidumbres de vuelo. Para aprender el modelo de la planta y cambiar las condiciones de trabajo en línea, se utiliza una red neuronal difusa (FNN) en paralelo con un controlador P (proporcional) convencional. Entre los algoritmos de aprendizaje existentes en la literatura, se prefiere uno libre de derivadas, el algoritmo de aprendizaje basado en la teoría del control en modo deslizante (SMC), ya que ha demostrado ser computacionalmente eficiente en aplicaciones en tiempo real. Su probada robustez y su naturaleza convergente en tiempo finito hacen que el algoritmo de aprendizaje sea apropiado para controlar un vehículo aéreo no tripulado, ya que la potencia computacional es siempre limitada en los vehículos aéreos no tripulados (UAV). Se derivan las reglas de actualización de los parámetros y las condiciones de estabilidad del aprendizaje, y se demuestra la estabilidad del algoritmo de aprendizaje utilizando una función de Lyapunov candidata. Se realizan simulaciones intensivas para ilustrar la aplicabilidad del controlador propuesto, que incluye el seguimiento de una trayectoria tridimensional por parte del UAV sujeta a condiciones de viento variables en el tiempo. Los resultados de la simulación muestran la eficiencia del algoritmo de control propuesto, especialmente en sistemas de control en tiempo real debido a su eficiencia computacional.

• Materias:Minería de datos Aerodinámica Motores (Mecánica) Cinemática Vehículo espacial
• Subjects:Data mining Aerodynamics Engines Kinematics Space vehicles
• Palabras claves:vehículo aéreo no tripulado, algoritmo de aprendizaje, algoritmo de control propuesto, función de lyapunov candidata, red neuronal difusa, algoritmo de aprendizaje basado, falta de modelado, sistema de control de tiempo, controlador propuesto, incertidumbre de vuelo
• Keywords:unmanned aerial vehicle, learning algorithm, proposed control algorithm, candidate lyapunov function, fuzzy neural network, based learning algorithm, lack of modeling, time control system, proposed controller, flight uncertainty