Information from the abstract
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
Why this record is monitored
This record has an Impact Signal of 72/100 based on recency, source, collaboration, and bibliographic signals. It prioritizes monitoring and is not a judgment of research quality.
Related topics: Reinforcement Learning in Robotics · Adaptive Dynamic Programming Control · Adaptive Control of Nonlinear Systems
Thai researcher and institutional participation
ไกรศักดิ์ โพธิ์ทองคำ · ศุภโชค ตันติวิวัทน์ · วิชชา อุปภัย · พีรภัทร โอวาทชัยพงศ์ · Rajamangala University of Technology Phra Nakhon
Data limitations
This page is a bibliographic record based on abstract-level information, not a full analysis or quality assessment. Verify the DOI and original article before citation.