XiaoMi-AI文件搜索系统
World File Search System四旋翼
使用自动编码器集成二阶滑模控制和异常检测以增强安全性和可靠性
摘要 本文提出了一个综合框架，通过集成二阶滑模控制 (2-SMC) 和基于机器学习和人工智能的先进异常检测和预测系统来提高四旋翼无人机的安全性和可靠性。本文提出了一种新的滑动流形方法，分为两个子系统，用于精确的位置和姿态跟踪，解决了设计四旋翼控制器的挑战。本文还使用 Hurwitz 稳定性分析对滑动流形的非线性系数进行了详细分析。它通过大量的模拟结果证明了所提方法的有效性。为了进一步评估四旋翼的安全性和可靠性，将异常检测和预测系统与位置和姿态跟踪控制相结合。该系统利用机器学习和人工智能技术实时识别和预测异常行为或故障，使四旋翼能够快速有效地应对危急情况。所提出的框架为设计四旋翼无人机的稳健和安全控制器提供了一种有前途的方法。它展示了先进的机器学习和人工智能技术在提高自主系统安全性和可靠性方面的潜力。
通过设计第三种方法实现四轴飞行器的轨迹跟踪控制...
[1] L. Derafa、L. Fridman、A. Benallegue 和 A. Ouldali，“四旋翼直升机姿态跟踪问题的超扭转控制算法”，载于《可变结构系统 (VSS)》，2010 年第 11 届国际研讨会，2010 年，第 62-67 页。[在线]。可访问：http://ieeexplore.ieee.org /stamp/stamp.jsp?arnumber=5544726 [2] A. Rabhi、M. Chadli 和 C. Pegard，“四旋翼飞行器的鲁棒模糊控制稳定”，载于《先进机器人技术 (ICAR)》，2011 年第 15 届国际会议，2011 年，第471-475 页。[在线]。可访问：http://ieeexplore .ieee.org =6088629 / stamp/ stamp。JSP?ar 编号 [3] H. Khebbache、B. Sait、F. Yacef 和 Y. Soukkou，“在执行器故障情况下对四旋翼飞行器进行稳健稳定”，《国际信息技术、控制和自动化杂志》，第 2 卷，第 2 期。2，2012 年，第 1-13 页。[4] P. Johan From、J. Tommy Gravdahl、K. Ytterstad Pettersen，《车辆操纵器系统》，Verlag，伦敦：Springler，2014 年。[5] Atheer L. Salih、M. Moghavvemi、Haider A. F. Mohamed、Khalaf Sallom Gaeid，《四旋翼无人机的建模和 PID 控制器设计》，IEEE，2010 年。[6] D. Lee、H. Jin Kim 和 S. Sastry，“四旋翼直升机的反馈线性化与自适应滑模控制”，《国际控制自动化与系统杂志》，第 3 卷，第 1 期。7，页。页。419-428，2009 年。[7] O. Gherouat、D. Matouk、A. Hassam 和 F. Abdessemed，“四旋翼无人机的建模和滑模控制”，J.自动化与系统工程，卷。10，号。3，页。150-157，2016 年。[8] Abraham Villanueva、B. Castillo-Toledo 和 Eduardo Bayro-Corrochano，“四旋翼多模式飞行滑模控制系统”，2015 年国际无人机系统会议 (ICUAS)，美国科罗拉多州丹佛市，2015 年 6 月。[9] 易奎、顾锋、杨丽英、何玉清、韩建达，“四旋翼吊挂系统滑模控制”，第 36 届中国控制会议论文集，中国大连，2017 年 7 月 26-28 日。[10] A. Benallegue、A. Mokhtari 和 L. Fridman， “四旋翼无人机的反馈线性化和高阶滑模观测器”，《VariableStructure Systems》，2006 年。VSS’06。国际研讨会，2006 年，第365–372。5887–[在线]。可访问：http://ieee xplore.ieee.org/stamp/stamp.jsp?arnumber=1644545 [11] T. Madani 和 A. Benallegue，“四旋翼无人机的滑模观测器和反步控制”，美国控制会议，2007 年。ACC ’07，2007 年，第
传感器 - 语义学者
摘要：由于四旋翼飞行器具有欠驱动、强耦合等特点，传统的轨迹跟踪方法控制精度低，抗干扰能力差。针对四旋翼无人机，设计了一种新的模糊比例-交互式微分（PID）型迭代学习控制（ILC）。该控制方法将PID-ILC控制与模糊控制相结合，继承了ILC控制对干扰和系统模型不确定性的鲁棒性。针对单纯的ILC控制容易受到外界干扰而产生抖动的问题，提出了一种基于PID-ILC算法的新型控制律。采用模糊控制对三个学习增益矩阵的PID参数进行设置，以抑制不确定因素对系统的影响，提高控制精度。利用Lyapunov稳定性理论验证了新设计的系统稳定性。Gazebo仿真表明，所提出的设计方法为四旋翼飞行器设计了有效的ILC控制器。
基于扩展状态观测器的 U 模型增强双滑模控制的四旋翼飞行器轨迹跟踪
本文基于多输入多输出扩展状态观测器 (MIMO-ESO)，为四旋翼飞行器开发了一种新型 U 模型增强型双滑模控制器 (UDSMC)。UDSMC 采用 Lyapunov 合成和 Hurwitz 稳定性设计，不仅可以消除复杂的动力学和非线性，还可以稳定底层四旋翼飞行器的不确定性和外部干扰。MIMO-ESO 旨在估计不可测量的速度，从而可以减少传感器测量误差在实践中的影响。该控制设计成功解决了与四旋翼飞行器速度测量干扰和不确定的空气动力学相关的困难。进行了严格的理论分析，以确定所提出的控制系统是否能够实现稳定的轨迹跟踪性能，并进行了实时比较实验研究，以验证所提出的控制系统比内置 PID 控制系统更有效。© 2022 作者。由 Elsevier Ltd 代表富兰克林研究所出版。这是一篇根据 CC BY 许可协议开放获取的文章 ( http://creativecommons.org/licenses/by/4.0/ )
使用临时...自动协调四轴飞行器机队
摘要：在本论文中，我们研究了一组四旋翼飞行器的分散控制器的设计。四旋翼飞行器分为领导者和跟随者。领导者由人控制，而追随者则使用去中心化控制器来跟随领导者。追随者是自主的，不知道领导者的行为。本论文的新颖之处在于依靠 WiFi 模块等廉价传感器来估计与相邻四旋翼飞行器的距离。为了设计去中心化控制器，迭代学习与监督学习和模仿学习相结合，经历了几个阶段，包括日志收集、高级模型训练和设计“一个控制器”。然后控制器被集成到跟踪器中，使它们成为自治的。学习方法的主要优点是移动
山东大学特色国际项目介绍材料
本项目将理论教学与实践教学相结合，将基础知识学习、劳动教育和美育融为一体。基础知识学习主要围绕无人机的发展历程、系统结构、飞行原理、应用场景、法律法规、控制算法等理论知识展开。实践部分主要围绕四旋翼无人机的机械结构设计与组装展开。在实践中采用激光切割、3D打印等不同的加工方式对无人机机械结构进行加工，将劳动教育融入到加工过程中。通过使用成品四旋翼无人机，训练操控技术，学习航拍技术。在航拍过程中学习光线与镜头的语言表达、构图技巧以及视频、照片拍摄的后期处理方法。将美育融入拍摄过程，培养审美思维。通过小型可编程四旋翼完成四旋翼无人机的编队飞行，在编队过程中训练学生的逻辑思维和团队合作意识。在课程中不仅掌握了相关的理论知识，还锻炼了实践和创新能力。让无人机不再只是在天上飞，而是清晰地印在每个同学的脑海里。
未知空间上的协同映射和目标搜索...
摘要 — 本文提出了一种协作式地图绘制和目标搜索算法，用于在城市环境中检测单个移动地面目标，该目标最初对于配备有噪声、范围有限的传感器的自主四旋翼飞行器团队来说是未知的。目标根据有偏随机游走模型移动，搜索代理（四旋翼飞行器）构建一个目标状态图，该图对过去和现在的目标位置进行编码。检测前跟踪算法将目标测量值同化为对数似然比，各向异性克里金插值预测未探索区域中占用节点的位置。在搜索区域的每个位置评估的相互信息定义了一个采样优先级表面，该表面由加权 Voronoi 算法划分为候选航路点任务。通过迭代解决效用最大化分配问题，将任务分配给每个代理。数值模拟表明，与非自适应割草机和随机覆盖策略相比，所提出的方法更具优势。我们还通过使用两个真实四旋翼飞行器和两个虚拟四旋翼飞行器进行户外飞行测试，对所提出的策略进行了实验验证。
检测和定位与移动设备集成的无人机系统 (UAS) 上的物体
I. 引言 无人机系统 (UAS) 领域已扩展到包括民用和军用在内的所有领域，并出现了许多创新用例。这些 UAS 在军事领域的应用正在取得显著进步。执行情报、监视和侦察 (ISR) 任务以及守卫职责等军事任务需要直接且耗时的人力。士兵花费大量时间进行巡逻、驻守检查站和守卫塔以实现这些任务的目标。然而，随着自主技术的进步，UAS 现在在减少人类执行这些劳动密集型任务的需求以及降低直接暴露于危险情况的风险方面发挥着重要作用。四旋翼飞行器具有垂直起降能力以及相对较高的有效载荷，为此类任务提供了绝佳平台。现在有机会整合现有能力并进一步利用潜在的 UAS。四旋翼解决方案的应用还支持国防部 (DoD) 在《2011-2036 财年无人系统集成路线图》[1] 中概述的无人系统目标。要执行 ISR 任务，UAS 需要检测威胁。传感和感知算法的最新进展使得使用基于视觉的传感器适合这项任务。UAS 需要在共享参考框架中定位威胁，并将此信息提供给士兵，以便
使用基于事件的微型飞行器垂直着陆......
小型飞行机器人可以通过保持恒定的发散度，利用仿生光流进行着陆动作。但是，光流通常是根据标准微型摄像机记录的帧序列估算出来的。这需要在机上处理完整图像，限制发散度测量的更新率，从而限制控制回路和机器人的速度。基于事件的摄像机通过仅以微秒时间精度测量像素级亮度变化来克服这些限制，从而为光流估计提供了一种有效的机制。据我们所知，本文首次将基于事件的光流估计集成到飞行机器人的控制回路中。我们扩展了现有的“局部平面拟合”算法，以获得改进的、计算效率更高的光流估计方法，该方法适用于各种光流速度。该方法已针对真实事件序列进行了验证。此外，介绍了一种基于事件的光流估计发散的方法，该方法考虑了孔径问题。开发的算法在四旋翼飞行器上的恒定发散着陆控制器中实现。实验表明，使用基于事件的光流，可以在很宽的速度范围内获得准确的发散估计。这使四旋翼飞行器能够执行非常快速的着陆机动。
Golden Eagle SRR-Mk1 和 Teal Air Control 小型无人机...
Teal Golden Eagle 是一款先进的便携式垂直起降 (VTOL) 四旋翼 sUAS，可为政府、公共安全和商业部门提供快速部署的情报、监视和侦察 (ISR) 能力。凭借其万向节红外和 4k EO 视频以及 12.3 MP 静态图像功能，应用包括快速响应、基础设施检查、监视和监控以及短程侦察，可提供超越下一个地形特征的态势感知。Golden Eagle 坚固耐用，重量轻且紧凑，可以使用航点导航手动或自主飞行。