ข้อมูลจากบทคัดย่อ
ยังไม่มีสรุปภาษาไทยสำหรับระเบียนนี้
ด้านล่างเป็นบทคัดย่อต้นฉบับภาษาอังกฤษจากข้อมูลบรรณานุกรม โปรดตรวจบทความต้นฉบับก่อนอ้างอิง
บทความวิจัยนี้นำเสนอการออกแบบตัวควบคุมโครงข่ายประสาทเทียมสำหรับระบบเฮลิคอปเตอร์แบบ 2 องศาอิสระเพื่อควบคุมการติดตามสัญญาณอ้างอิงมุม pitch และมุม yaw ของระบบ ตัวควบคุมถูกฝึกโดยใช้การเรียนรู้แบบเสริมแรงด้วยวิธี deep deterministic policy gradient (DDPG) ดำเนินการผ่าน Python และไลบรารี TensorFlow โดยสถาปัตยกรรมของตัวควบคุมโครงข่ายประสาทเทียมประกอบด้วยอินพุตค่าสถานะจำนวน 6 ตัวและเอาต์พุตค่าสัญญาณควบคุมมอเตอร์จำนวน 2 ตัว สมการพลวัตแบบไม่เชิงเส้นของของระบบเฮลิคอปเตอร์แบบ 2 องศาอิสระถูกนำมาใช้เป็นสภาพแวดล้อมสำหรับการเรียนรู้ของตัวควบคุมผ่านการปฏิสัมพันธ์กับระบบโดยตรงระหว่างสถานะของระบบและสัญญาณควบคุมที่เหมาะสม นอกจากนี้ได้ทำการออกแบบตัวควบคุมแบบเชิงเส้นกำลังสองเพื่อใช้เปรียบเทียบสมรรถนะของควบคุมที่นำเสนอ ผลการจำลองการทำงานด้วย MATLAB/Simulink แสดงให้เห็นว่าตัวควบคุมโครงข่ายประสาทเทียมที่นำเสนอสามารถติดตามสัญญาณอ้างอิงได้อย่างมีประสิทธิภาพ และมีสมรรถนะการควบคุมที่ดีภายใต้สัญญาณรบกวนและความไม่แน่นอนของระบบ แสดงให้เห็นถึงความแม่นยำในการติดตามสัญญาณอ้างอิงและความทนทานของตัวควบคุม โดยมีค่าดัชนีสมรรถนะเฉลี่ยของการควบคุมแบบ ISE ของมุม pitch และ yaw น้อยกว่าตัวควบคุม LQR เท่ากับ 18.20 และ 91.20% และมีค่า IAE เฉลี่ยของมุม pitch และ yaw น้อยกว่าตัวควบคุม LQR เท่ากับ 11.80 และ 75.50% ตามลำดับ
เหตุผลที่อยู่ในฐานติดตาม
ระเบียนนี้ได้รับ Impact Signal 72/100 จากความใหม่ แหล่งเผยแพร่ ความร่วมมือ และสัญญาณในข้อมูลบรรณานุกรม คะแนนนี้ใช้จัดลำดับการติดตาม ไม่ใช่การตัดสินคุณภาพงานวิจัย
ประเด็นที่เกี่ยวข้อง: Reinforcement Learning in Robotics · Adaptive Dynamic Programming Control · Adaptive Control of Nonlinear Systems
บทบาทของนักวิจัยและสถาบันไทย
ไกรศักดิ์ โพธิ์ทองคำ · ศุภโชค ตันติวิวัทน์ · วิชชา อุปภัย · พีรภัทร โอวาทชัยพงศ์ · Rajamangala University of Technology Phra Nakhon
ข้อจำกัดของข้อมูล
หน้านี้เป็นระเบียนบรรณานุกรมและข้อมูลจากบทคัดย่อ ยังไม่ใช่บทวิเคราะห์ฉบับเต็มหรือการประเมินคุณภาพงานวิจัย ควรตรวจสอบ DOI และเอกสารต้นฉบับก่อนนำไปอ้างอิง