Investigation, Flight Testing, and Comparison of Three Nonlinear Control Techniques with Application to a Quadrotor Unmanned Aerial Vehicle
Notice bibliographique
Résumé
Unmanned Aerial Vehicles (UAVs) have become more and more popular, and how to control them through advanced control techniques becomes crucial. Although there are many different control methods that can be applied to the control of UAVs, nonlinear control techniques are more practical since the inherent nonlinear features of most UAVs. In this paper, three widely used nonlinear control techniques including Feedback Linearization Control (FLC), Sliding Mode Control (SMC), and Backstepping Control (BSC) are investigated, implemented and experimentally tested on a unique quadrotor UAV (known as Qball-X4) test-bed available at the Networked Autonomous Vehicles (NAV) Lab in Concordia University. The advantages and disadvantages of these three control techniques with application to the Qball-X4 UAV are revealed through both simulation and experimental tests. Sliding mode control is well known for its capability of handling uncertainties, and is demonstrated to be the most robust and best performance controller for Qball-X4. Feedback linearization control and backstepping control are demonstrated a bit weaker than sliding mode control. Comparison of these three controllers is also carried out in both theoretical analysis and experimental testing under same flight conditions. Testing results and comparison show the different features of different control methods and provide a view on how to choose an appropriate controller for controlling the Qball-X4 and other UAVs under a specific condition.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».