Enhancing UAV Altitude Control: PID Tuning with Reinforcement Learning and Genetic Algorithm
Notice bibliographique
Résumé
This paper explores the optimization of Proportional-Integral-Derivative (PID) controller gains to enhance the altitude control of Unmanned Aerial Vehicle (UAV)s, focusing on achieving precise tracking of set points and trajectories. Traditional manual tuning methods often yield suboptimal performance, limiting the controller's ability to balance stability and responsiveness under varying conditions. To address this limitation, we investigate automated optimization techniques, employing Reinforcement Learning (RL) and Genetic algorithm (GA) to refine the PID gains systematically. These methods enable dynamic solution space exploration, identifying parameter combinations that maximize controller performance. Comparative analyses reveal that algorithmically optimized gains consistently outperform those manually tuned by human operators. The results show significant improvements in stability and responsiveness. Using gains tuned by the RL, the system achieves altitude control with minimum overshoot. Integrating advanced optimization approaches into PID tuning enhances controller efficiency and significantly reduces the time and effort required for calibration. Experimental validation demonstrates the practical potential of these techniques, underscoring their effectiveness in improving the reliability and precision of aerial vehicles. This study emphasizes the role of intelligent optimization in advancing UAV control systems, paving the way for broader applications in autonomous aerial navigation and control systems. The video of the experiment conducted at Ericsson's 5G Autonomous Vehicles Lab, located at Carleton University, can be found here: https://youtu.be/oH3rQRhPMGs
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 ».