Use of a DJI Tello Drone as an Educational Platform in the Field of Control Engineering
Notice bibliographique
Résumé
This paper presents a hands-on pedagogical approach using a DJI Tello drone as an interactive teaching platform in the field of automatic control engineering. The DJI Tello is a small commercial quadcopter drone and includes a software development kit (SDK) that allows developers to control the Tello using various programming languages, including Python. The drone is also equipped with a large number of sensors that can be used in real-time to collect data and analyze how changes in control inputs such as thrust, pitch, roll, and yaw affect its flight path and stability. These features make the Tello a good teaching tool for demonstrating control concepts in an attractive and practical way. Two examples of pedagogical applications are presented in this paper. The first example aims to illustrate in practice how system identification can be used to create a mathematical model of the DJI Tello drone using transfer functions. The second example aims to illustrate how to design a Proportional-Integral (PI) controller and validate it after its implementation on the DJI Tello drone. Through these teaching demonstrations, it was possible to enhance cognitive learning while providing students with a better understanding of the fundamental concepts of modeling and control. It was also observed that even though the students had no background in aeronautics, using an atypical system such as a drone aroused their curiosity, encouraging them to participate, thus making the in-class demonstrations more dynamic.
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 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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».