10.14489/vkit.2019.04.pp.003-012

DOI: 10.14489/vkit.2019.04.pp.003-012

Будько М. Б., Будько М. Ю., Гирик А. В., Грозов В. А.
СИНТЕЗ ПОЛЕТНОГО НЕЙРОКОНТРОЛЛЕРА С ПОМОЩЬЮ МЕТОДА ОБУЧЕНИЯ НА ОСНОВЕ ГЕНЕТИЧЕСКОГО АЛГОРИТМА
(c. 3-12)

Аннотация. Рассмотрен метод синтеза полетного контроллера для мультироторного беспилотного летательного аппарата (квадрокоптера) на основе искусственных нейронных сетей с применением генетического алгоритма. Показано, что обучение с помощью стохастических методов обладает определенными преимуществами по сравнению с классическими методами, например, таким как метод обратного распространения ошибки. Синтезированы и обучены нейроэмулятор – искусственная нейронная сеть, функционирующая в качестве модели реального аппарата, а также нейронная сеть – нейроконтроллер, который обучен стабилизировать модель аппарата и находить оптимальное решение с использованием специально разработанной функции приспособленности, позволяющей подготовить конфигурации нейрорегулятора, минимизирующие ошибку установившегося положения угла, перерегулирование и время нарастания сигнала. Экспериментальная проверка показывает, что разработанный нейроконтроллер превосходит по ряду показателей настроенный вручную пропорционально-интегрально-дифференцирующий контроллер, причем сходимость нейросети значительно улучшается по сравнению с подходами к обучению, основанными на применении метода обратного распространения ошибки.

Ключевые слова: мультироторный беспилотный летательный аппарат; искусственные нейронные сети; нейроконтроллер; нейроэмуляторы; генетический алгоритм.

Budko M. B., Budko M. Yu., Guirik A. V., Grozov V. A.
SYNTHESIS OF FLIGHT NEUROCONTROLLER BY MEANS OF A TRAINING METHOD BASED ON GENETIC ALGORITHM
(pp. 3-12)

Abstract. Compact multirotor aircrafts have lots of applications, such as aerial photography and reconnaissance, surveillance etc. Real life issues like signal delays, external disturbances and changing environment conditions make autonomous navigation a challenge and cause non-linear behavior of the craft, thus making classical proportional-integral-derivative controllers not suitable for the task of providing stable control. In this paper, the method of the flight controller synthesis for the multirotor unmanned aerial vehicle on the basis of artificial neural networks with application of genetic algorithm is considered. Training with stochastic methods has certain advantages over more common methods like backpropagation. In the paper results of such neuroemulator (artificial neural network, functioning as a model of a real craft) synthesis and training are presented. Further another neural network, a neurocontroller, is synthesized. It is trained to stabilize the model of the craft and find the optimal solution using specially developed fitness function that allows to prepare the configuration of the neurocontroller by minimizing the error of the steady state angle, overshoot or rise time. Experiments show that the neurocontroller is superior to the manually tuned proportional-integral-derivative controller in a number of parameters, and the convergence of the neural network is significantly improved in comparison with training methods based on backpropagation algorithm.

Keywords: Multirotor unmanned aerial vehicle; Artificial neural networks; Neurocontroller; Neuroemulator; Genetic algorithm.

+ - Информация об авторах (About the Authors) Click to collapse

Рус

М. Б. Будько, М. Ю. Будько, А. В. Гирик, В. А. Грозов (Санкт-Петербургский национальный исследовательский университет информационных технологий, механики и оптики, Санкт-Петербург, Россия) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript

Eng

M. B. Budko, M. Yu. Budko, A. V. Guirik, V. A. Grozov (Saint-Petersburg National Research University of Information Technologies, Mechanics and Optics, Saint-Petersburg, Russia) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript

+ - Библиографический список (References) Click to collapse

Рус

1. Lendaris G. G. A Retrospective on Adaptive Dynamic Programming for Control // Proc. of Intern. Joint Conf. on Neural Networks, Atlanta, USA, June 14 – 19. 2009. P. 1750 – 1757.
2. Wayne Bequette B. Process Control: Modeling, Design and Simulation. N.-Y.: Published by Prentice Hall, 2003. 769 p.
3. Ahmed F., Kumar P., Patil P. P. Modeling and Simulation of a Quadcopter UAV // Nonlinear Studies. 2016. V. 23, No. 4. P. 553 – 561.
4. Hybrid Parallel Neuro-Controller for Multirotor Unmanned Aerial Vehicle / A. A. Bobtsov et al. // Proc. of 8th Intern. Congress on Ultra Modern Telecommuni¬cations and Control Systems and Workshops (ICUMT). 2016. P. 32 – 35. doi: 10.1109/ICUMT.2016.7765223
5. Ionescu C., Vantzos O., Sminchisescu C. Matrix Backpropagation for Deep Networks with Structured Layers // Proc. of the IEEE Intern. Conf. on Computer Vision. 2015. V. 1. P. 2965 – 2973. doi:10.1109/ICCV.2015.339
6. Haupt R. L., Haupt S. E. Practical Genetic Algorithms. Hoboken, New Jersey: John Wiley & Sons, Inc., 2004. 272 p.
7. Control of a Quadcopter Using Reference Model and Genetic Algorithm Methods / S. Imane et al. // Third World Conf. on Complex Systems (WCCS’15). 2015. P. 1 – 6. doi: 10.1109/ICoCS.2015.7483296
8. Montana D. J., Davis L. Training Feedforward Neural Networks Using Genetic Algorithms // Proc. of the 11th Intern. Joint Conf. on Artificial Intelligence. 1989. V. 1. P. 762 – 767.
9. Koehn Ph. Combining Genetic Algorithms and Neural Networks: the Encoding Problem // Thesis Presented for the Master of Science Degree. Knoxville, the University of Tennessee. 1994. 67 p. URL: https://homepages.inf.ed.ac.uk/pkoehn/publications/gann94.pdf (дата обращения: 11.03.2019).
10. Quantum Annealing and Related Optimization Methods. Lecture Note in Physics / Das A., Chakrabarti В. (Eds.). Heidelberg: Published by Springer, 2005. 378 p.
11. Sexton R. S., Dorsey R. E., Johnson J. D. Beyond Backpropagation: Using Simulated Annealing for Training Neural Networks // Journal of Organizational and End User Computing (JOEUC). 1999. V. 11, No. 3. P. 3 – 10. doi: 10.4018/joeuc.1999070101
12. Grzeszczuk R., Terzopoulos D., Hinton G. Neuroanimator: Fast Neural Network Emulation and Control of Physics-Based Models // Proc. of the 25th Annual Conf. on Computer Graphics and Interactive Techniques. 1998. P. 9 – 20.

Eng

1. Lendaris G. G. (2009). A Retrospective on Adaptive Dynamic Programming for Control. Proceedings of International Joint Conference on Neural Networks, Atlanta, USA, June 14 – 19, pp. 1750-1757.
2. Wayne Bequette B. (2003). Process Control: Modeling, Design and Simulation. New-York: Published by Prentice Hall. [in Russian language]
3. Ahmed F., Kumar P., Patil P. P. (2016). Modeling and Simulation of a Quadcopter UAV. Nonlinear Studies, 23(4), pp. 553-561.
4. Bobtsov A. A. et al. (2016). Hybrid Parallel Neurocontroller for Multirotor Unmanned Aerial Vehicle. Proceedings of 8th Intern. Congress on Ultra Modern Telecommunications and Control Systems and Workshops (ICUMT), pp. 32-35. doi: 10.1109/ICUMT.2016. 7765223
5. Ionescu C., Vantzos O., Sminchisescu C. (2015). Matrix Backpropagation for Deep Networks with Structured Layers. Proceedings of the IEEE International Conference on Computer Vision, Vol. 1, pp. 2965-2973. doi:10.1109/ICCV.2015.339
6. Haupt R. L., Haupt S. E. (2004). Practical Genetic Algorithms. John Wiley & Sons. Inc.
7. Imane S. et al. (2015). Control of a Quadcopter Using Reference Model and Genetic Algorithm Methods. Third World Conference on Complex Systems (WCCS’15), pp. 1-6.
8. Montana D. J., Davis L. (1989). Training Feedforward Neural Networks Using Genetic Algorithms. Proceedings of the 11th International Joint Conference on Artificial Intelligence, Vol. 1, pp. 762-767.
9. Koehn Ph. (1994). Combining Genetic Algorithms and Neural Networks: The Encoding Problem. Thesis Presented for the Master of Science Degree. Knoxville, The University of Tennessee. URL: https://homepages.inf.ed.ac.uk/pkoehn/publications/gann94.pdf (дата обращения: 11.03.2019).
10. Chakrabarti В. (Ed.), Das A. (2005). Quantum Annealing and Related Optimization Methods. Lecture Note in Physics. Heidelberg: Published by Springer.
11. Sexton R. S., Dorsey R. E., Johnson J. D. (1999). Beyond Backpropagation: Using Simulated Annealing for Training Neural Networks. Journal of Organizational and End User Computing (JOEUC), Vol. 11, (3), pp. 3-10. doi: 10.4018/joeuc.1999070101
12. Grzeszczuk R., Terzopoulos D., Hinton G. (1998). Neuroanimator: Fast Neural Network Emulation and Control of Physics-Based Models. Proceedings of the 25th Annual Conference on Computer Graphics and Interactive Techniques, pp. 9-20.

+ - Заказать электронную версию статьи (Purchase digital version of a single article) Click to collapse

Рус

Статью можно приобрести в электронном виде (PDF формат).

Стоимость статьи 350 руб. (в том числе НДС 18%). После оформления заказа, в течение нескольких дней, на указанный вами e-mail придут счет и квитанция для оплаты в банке.

После поступления денег на счет издательства, вам будет выслан электронный вариант статьи.

Для заказа скопируйте doi статьи:

10.14489/vkit.2019.04.pp.003-012

и заполните форму

Отправляя форму вы даете согласие на обработку персональных данных.

Eng

This article is available in electronic format (PDF).

The cost of a single article is 350 rubles. (including VAT 18%). After you place an order within a few days, you will receive following documents to your specified e-mail: account on payment and receipt to pay in the bank.

After depositing your payment on our bank account we send you file of the article by e-mail.

To order articles please copy the article doi:

10.14489/vkit.2019.04.pp.003-012

and fill out the form