Navigation and Control of a Quadcopter Using Deep Neural Network and Reinforcement Learning Algorithms
.PUBLICATION, DISTRIBUTION, ETC
Place of Publication, Distribution, etc.
تهران
PHYSICAL DESCRIPTION
Other Physical Details
۸۵ ص.
NOTES PERTAINING TO TITLE AND STATEMENT OF RESPONSIBILITY
Text of Note
اسماعیل نجفی
NOTES PERTAINING TO PUBLICATION, DISTRIBUTION, ETC.
Text of Note
متن اثر
DISSERTATION (THESIS) NOTE
Dissertation or thesis details and type of degree
کارشناسی
Body granting the degree
صنعتی خواجه نصیرالدین طوسی
Date of degree
۱۳۹۹
SUMMARY OR ABSTRACT
Text of Note
امروزه هواپیماهای بدون سرنشین نشان داده اند که می توانند وسیله مفیدی برای کارهای مختلف باشند. از این دستگاه ها می توان در صنایع لجستیک ، کشاورزی ، عکاسی و حمل و نقل استفاده کرد. هواپیماهای بدون سرنشین را می توان به عنوان وسایل نقلیه هوایی بدون سرنشین (پهپاد) برای انجام کارها بدون هیچ گونه کمک از اپراتورهای زمینی استفاده کرد. علاوه بر این ، پهپادها می توانند با کمک الگوریتم های هوش مصنوعی مانند یادگیری تقویتی و شبکه های عصبی عمیق بهترین گزینه را تعیین کنند. برای استفاده از پهپاد به عنوان وسیله ای بدون سرنشین ، انواع الگوریتم های تصمیم گیری و کنترل مورد نیاز است. به عنوان مثال ، اگر از پهپاد برای حمل و نقل استفاده می شود ، باید بهترین راه برای رسیدن به مقصد دقیق انتخاب شود. دنبال کردن خط یکی از راههای مناسب برای تصمیم گیری مسیر در ارتفاعات پایین توسط یک وسیله نقلیه هوایی بدون سرنشین است. علاوه بر این ، پهپادها را می توان با روش های مختلف مبتنی بر مدل و غیر مدل کنترل کرد. برای دستیابی به یک رفتار پایدار و کارآمد ، باید یک الگوریتم کنترل کننده مناسب انتخاب شود. هم چنین، مهم است که قبل از حرکت مسیر را تعیین کنید. این تصمیم باید با تصویری از خطی گرفته شود که با دوربین در پایین کوادکوپتر گرفته شده است. در این پروژه ، انواع الگوریتم های دنبال کردن خط برای یافتن بهترین روش ها برای برنامه ریزی مسیر و کنترل کوادکوپتر برای دنبال کردن خط مورد بررسی قرار گرفته است. هدف اصلی اجرای سیستم قوی برای پیروی از خط کشیده شده روی زمین در ارتفاع کم است. برای این منظور ، لازم است یک سیستم پردازش تصویر برای طبقه بندی مسیرهای مختلف از یکدیگر و یک سیستم کنترل برای دنبال کردن دستورات از سیستم طبقه بندی مسیر به درستی انجام شود. نتایج آزمایشات مختلف بررسی و الگوریتم های مختلفی برای یافتن بهترین الگوریتم قابل دستیابی به اهداف ذکر شده اجرا شده است. پس از آزمایش این سیستم ها ، رویکرد نهایی بر اساس نتایج آزمون تصمیم گرفته شده است. برای طبقه بندی مسیر ، شبکه های عصبی عمیق کانولوشنی پیاده سازی شده اند و برای کنترل پهپاد ، الگوریتم های یادگیری تقویتی در راستای طراحی یک با کنترلر DIP تطبیقی نتایج خوبی را نشان دادهاند.