An Introspective Learning Algorithm that Achieves Robust Adaptive Control of a Quadrotor Helicopter
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This paper looks at applying a novel robust adaptive control algorithm to achieve stable adaptive control of a quadrotor helicopter. In direct adaptive control, drift of adaptive parameters to large magnitudes can lead to control signal chatter and bursting behavior. Drift is likely to happen when systems are affected by disturbances, for quadrotor helicopters when picking up payloads or flying in windy conditions. Traditional methods to stop weight drift rely on simple mathematical modifications of the parameter/weight update laws, by limiting or halting weight updates in a simplistic fashion. However, performance may be limitedfor a quadrotor helicopter flying in windy conditions performance may be far from adequate. This paper proposes a design of an algorithm to supervise weight updates in a direct adaptive control scheme when using the Cerebellar Model Arithmetic Computer (CMAC) as the nonlinear approximator. The new algorithm makes an introspective decision on when to halt weight updates, based on the perceived affect of each weight update on the error within the local domain of each CMAC basis function. In fact, each domain casts a weighted vote as to whether it perceives a beneficial effect from the weight update. An addition of the weighted votes determines whether the update will be kept in permanent memory or not. Simulation results with a quadrotor helicopter show this novel approach can halt weight drift, achieving both high performance and stability, in the case of uncertain payload and large unmeasured sinusoidal disturbance a situation where the common e-modification robust adaptive weight update cannot achieve a practical result.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle