지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 발행연도
- 2021
- 저작권
- 군산대학교 논문은 저작권에 의해 보호받습니다.
이용수2
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
동물은 시행 착오를 통해 자신의 능력을 습득하는 방법을 배우고 역학 모델과 수학적
또는 물리적 규칙에 대한 지식이 없습니다. 최적화 된 방식으로 최대 기능을
사용합니다. 이것은 수백만 년 동안의 진화의 결과로, 다양한 가능성의 최고가
유지되고 특히 자연 시스템이 우리의 경직 시스템을 능가 할 때 자연이 어떻게 일을
수행합니까?를 다시 생각하게합니다.
본 논문에서는 자연에서 영감을 받아 기존 강화 학습 알고리즘 (근접 정책 최적화
(PPO))을 강화하여 혁신적인 알고리즘을 개발했습니다. 우리의 알고리즘은 비행을
위해 쿼드 로터 및 헥사 콥터 드론과 같은 UAV 를 제어하는 방법을 학습 할 수
있습니다. BFC (Bio-inspired Flight Controller)라고하는이 새로운 알고리즘은 UAV 의
궤적을 제어하고 생성하기 위해 PID 또는 MPC 와 같은 규칙 기반 컨트롤러를
사용하지 않습니다. BFC 의 목표는 UAV 를 완전히 제어하고 공중에서 움직임, 위치
및 태도를 제어하는 학습 측면에서 새와 유사한 방식으로 행동하는 것입니다.
BFC 는 원하는 위치와 자세로 UAV 를 안정화하고 웨이 포인트를 따라갈 수
있습니다. 우리는 Gazebo 에서 시뮬레이션 한 AscTec Hummingbird 쿼드 콥터에서
알고리즘을 구현하고, 그 기능을 완전히 측정하기 위해 다양한 시나리오를 사용하여
테스트했습니다. 또한 실제 AscTec Hummingbird Quad-copter 에서 알고리즘을
구현하고 비행 컨트롤러를 실제 드론에서 구현하고 제어 할 수 있음을
보여주었습니다. 위치 정보를 얻기 위해 1) VICON 모션 캡처 시스템과 2) Intel
Realsense T265 추적기 카메라를 포함한 두 가지 방법을 사용했습니다.
우리는이 단계에서 멈추지 않고 비행 중 하나 또는 두 번의 모터 고장에도 불구하고
쿼드 콥터 UAV 를 제어 할 수 있도록 심층 강화 학습을 사용하여 비행 컨트롤러를
추가로 개발했습니다. 이를 위해 우리는 두 가지 솔루션을 제안했습니다. 1) BFCCFT (내결함성 가능) 및 2) 내결함성 (Deep BFC-CFT)을 지원하는 심층적 인 바이오
영감 비행 제어. BFC-CFT 에서는 가능한 다양한 시나리오에 대해 여러 모델을 훈련
시켰고, Deep BFC-CFT 에서는 Deep MLP, Convolutional Neural Networks 및 Deep
LSTM 과 같은 여러 접근 방식을 사용하여 모든 시나리오에 대해 단일 심층 모델을
훈련했습니다. 알고리즘을 평가하기 위해 Gazebo 시뮬레이터와 Ascending
Technology Hummingbird 의 시뮬레이션 모델을 사용했습니다. 무작위로 선택한
하나 또는 두 개의 모터에서 전체 고장 발생을 시뮬레이션하여 여러 테스트를
실행했습니다. 구현을보다 현실적으로 만들기 위해 노이즈가없고 시끄러운 환경에
대해 알고리즘을 훈련했습니다. 또한 시뮬레이션 결과를 설명하고 일부 기준 (규칙
기반 방법 및 RL + PD 기반 접근 방식) 내결함성 접근 방식과 비교했습니다.
또는 물리적 규칙에 대한 지식이 없습니다. 최적화 된 방식으로 최대 기능을
사용합니다. 이것은 수백만 년 동안의 진화의 결과로, 다양한 가능성의 최고가
유지되고 특히 자연 시스템이 우리의 경직 시스템을 능가 할 때 자연이 어떻게 일을
수행합니까?를 다시 생각하게합니다.
본 논문에서는 자연에서 영감을 받아 기존 강화 학습 알고리즘 (근접 정책 최적화
(PPO))을 강화하여 혁신적인 알고리즘을 개발했습니다. 우리의 알고리즘은 비행을
위해 쿼드 로터 및 헥사 콥터 드론과 같은 UAV 를 제어하는 방법을 학습 할 수
있습니다. BFC (Bio-inspired Flight Controller)라고하는이 새로운 알고리즘은 UAV 의
궤적을 제어하고 생성하기 위해 PID 또는 MPC 와 같은 규칙 기반 컨트롤러를
사용하지 않습니다. BFC 의 목표는 UAV 를 완전히 제어하고 공중에서 움직임, 위치
및 태도를 제어하는 학습 측면에서 새와 유사한 방식으로 행동하는 것입니다.
BFC 는 원하는 위치와 자세로 UAV 를 안정화하고 웨이 포인트를 따라갈 수
있습니다. 우리는 Gazebo 에서 시뮬레이션 한 AscTec Hummingbird 쿼드 콥터에서
알고리즘을 구현하고, 그 기능을 완전히 측정하기 위해 다양한 시나리오를 사용하여
테스트했습니다. 또한 실제 AscTec Hummingbird Quad-copter 에서 알고리즘을
구현하고 비행 컨트롤러를 실제 드론에서 구현하고 제어 할 수 있음을
보여주었습니다. 위치 정보를 얻기 위해 1) VICON 모션 캡처 시스템과 2) Intel
Realsense T265 추적기 카메라를 포함한 두 가지 방법을 사용했습니다.
우리는이 단계에서 멈추지 않고 비행 중 하나 또는 두 번의 모터 고장에도 불구하고
쿼드 콥터 UAV 를 제어 할 수 있도록 심층 강화 학습을 사용하여 비행 컨트롤러를
추가로 개발했습니다. 이를 위해 우리는 두 가지 솔루션을 제안했습니다. 1) BFCCFT (내결함성 가능) 및 2) 내결함성 (Deep BFC-CFT)을 지원하는 심층적 인 바이오
영감 비행 제어. BFC-CFT 에서는 가능한 다양한 시나리오에 대해 여러 모델을 훈련
시켰고, Deep BFC-CFT 에서는 Deep MLP, Convolutional Neural Networks 및 Deep
LSTM 과 같은 여러 접근 방식을 사용하여 모든 시나리오에 대해 단일 심층 모델을
훈련했습니다. 알고리즘을 평가하기 위해 Gazebo 시뮬레이터와 Ascending
Technology Hummingbird 의 시뮬레이션 모델을 사용했습니다. 무작위로 선택한
하나 또는 두 개의 모터에서 전체 고장 발생을 시뮬레이션하여 여러 테스트를
실행했습니다. 구현을보다 현실적으로 만들기 위해 노이즈가없고 시끄러운 환경에
대해 알고리즘을 훈련했습니다. 또한 시뮬레이션 결과를 설명하고 일부 기준 (규칙
기반 방법 및 RL + PD 기반 접근 방식) 내결함성 접근 방식과 비교했습니다.
목차
등록된 정보가 없습니다.
최근 본 자료
댓글(0)
0