Modeling and prediction of powered parafoil unmanned aerial vehicle throttle and servo controls through artificial neural networks
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 study proposes a framework for developing a realistic model for throttle and servo control algorithms for a powered parafoil unmanned aerial vehicle (PPUAV) using artificial neural networks (ANNs). Two servo motors on an L-shaped platform, control and steer the PPUAV. Six degrees of freedom mathematical model of a dynamic parafoil system is built to test the technique's efficacy using a simulation in which disturbances mimic actual flights. A guiding law is then established, including the cross-track error and the line-of-sight approach. Furthermore, a path-following controller is constructed using the proportional-integral derivative, and a simulation platform was created to evaluate numerical data illustrating the route's validity following the technique. PPUAV was developed, built, and instrumented to collect real-time flight data to test the controller. These dynamic characteristics were sent into the ANN for training. A diverging-converging design was identified to obtain the best consistency between predicted and observed throttle and servo control values. For a comparable flight route, the control signal of the simulated model is compared with those of the actual and ANN-predicted models. The comparative findings show that the ANN-predicted and actual control inputs were almost identical, with an 80%–99% match. However, the simulated response showed deviation from the actual control input, with an accuracy of 50%–80%.
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 | 0,000 | 0,000 |
| 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) | 0,000 | 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