Tuning an Active Disturbance Rejection Control-Based Autopilot for Multirotor-Based UAM Operations in Turbulent Winds
Notice bibliographique
Résumé
Urban Air Mobility (UAM) is a burgeoning area in the aviation sector. It will bring increased movement of people and goods to the urban environment, however not without challenges. Winds in cities, referred to as Urban Airflow, have several defining characteristics of which turbulence is only one aspect. Turbulence levels in cities can exceed levels typically found at airports and will pose a challenge for UAM. A successful implementation of UAM in any city will require that the limitations associated with operations in turbulent wind conditions be understood. The small multi-rotor based aircraft that are currently being operated make use of a flight controller to ensure stable flight. This paper focuses on tuning a flight controller for operations in urban airflow conditions. An Active Disturbance Rejection Control (ADRC) based flight controller for a small multi-rotor is designed and tuned by Particle Swarm Optimization (PSO). Few investigations into the performance of ADRC in the aforementioned conditions have been conducted to date. The ADRC-based autopilot is tuned and flown in simulated urban airflow conditions that are based on empirical airflow measurements, and the performance is evaluated and compared to that of classical Proportional-Integral-Derivative (PID) control. Findings indicate that the ADRC autopilot outperforms PID control in urban airflow conditions. Despite the complexity of tuning ADRC parameters, this paper demonstrates that PSO can effectively address this challenge, showcasing the enhanced performance of the ADRC flight controller in urban environments.
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 | 0,000 |
| 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 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 ».