Trajectory study of power inspection quadcopter based on Udwadia–Kalaba theory
Notice bibliographique
Résumé
In this study, the dynamic model of the quadrotor is constructed by introducing the Udwadia–Kalaba theory, and the Moore–Penrose inverse is used to simplify the dynamic equations during the modeling process, avoiding the complexity of the traditional Lagrangian calculation methods. By transforming the three jobs of quadrotor pitch, roll, and yaw into independent motions in X– Y, X– Z, and Y– Z planes, respectively, a simpler way of 3D trajectory presentation is realized. The Udwadia–Kalaba equation is simulated by MATLAB software, and the simulation results show that the dynamic model based on the Udwadia–Kalaba theory has high accuracy and stability, and its trajectory error is within the allowable error tolerance of ±0.01, which is suitable for the dynamic modeling needs in many complex scenarios. In addition, the Udwadia–Kalaba theory is compared with the traditional PID control method and the emerging deep reinforcement learning (DRL) method. The DRL method also shows relatively excellent trajectory error control capability, with the overall error fluctuation range being controlled within ±0.05, while the PID exhibits error fluctuation of about ±0.1 and insufficient robustness. The results provide a new reference in the control modeling of quadrotor UAVs on the one hand and extend the application of Udwadia–Kalaba theory to the study of vehicle trajectories on the other.
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 | 0,000 |
| 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 | 0,001 |
| 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 ».