La presente tesis desarrolla un regulador cuadrático gaussiano LQG con control neuronal para un prototipo cuadrocóptero. Se presentan el modelamiento directo, el cual involucran las ecuaciones diferenciales que gobiernan la dinámica de movimiento del cuadrocóptero y el modelamiento inverso, en donde el cuadrocóptero o sistema pasa por un proceso de identificación de sistema realizado por una red neuronal artificial basada en un modelo paramétrico. Luego, se entrena otra red neuronal que emula el comportamiento de un controlador óptimo que forma parte del regulador cuadrático gaussiano LQG. Este está compuesto por el controlador óptimo de estados llamado regulador cuadrático lineal y el estimador de estados óptimo, el filtro de Kalman. Debido a la complejidad de diseño del controlador y el estimador, estos se importan a manera de código. Ambos modelamientos se llevan al entorno Matlab y Simulink para poder realizar la simulación. Se compara tanto el modelamiento directo como el inverso ante distintas entradas de referencia. Esto se aprecia a través de la red neuronal que logra comportarse como el sistema y la red neuronal que emula al controlador, corroborando la aplicación de redes neuronales en el campo de teoría de control. / Tesis

La presente tesis desarrolla un regulador cuadrático gaussiano LQG con control neuronal para un prototipo cuadrocóptero. Se presentan el modelamiento directo, el cual involucran las ecuaciones diferenciales que gobiernan la dinámica de movimiento del cuadrocóptero y el modelamiento inverso, en donde el cuadrocóptero o sistema pasa por un proceso de identificación de sistema realizado por una red neuronal artificial basada en un modelo paramétrico. Luego, se entrena otra red neuronal que emula el comportamiento de un controlador óptimo que forma parte del regulador cuadrático gaussiano LQG. Este está compuesto por el controlador óptimo de estados llamado regulador cuadrático lineal y el estimador de estados óptimo, el filtro de Kalman. Debido a la complejidad de diseño del controlador y el estimador, estos se importan a manera de código. Ambos modelamientos se llevan al entorno Matlab y Simulink para poder realizar la simulación. Se compara tanto el modelamiento directo como el inverso ante distintas entradas de referencia. Esto se aprecia a través de la red neuronal que logra comportarse como el sistema y la red neuronal que emula al controlador, corroborando la aplicación de redes neuronales en el campo de teoría de control.

El principal objetivo del presente trabajo de tesis es diseñar un controlador inteligente, basado en redes neuronales que permita un vuelo autónomo lateralmente estable de una aeronave, para el entrenamiento de los pesos del neurocontrolador se utiliza el algoritmo Dynamic Back Propagation (DBP). El controlador de estabilidad lateral mantiene estable la velocidad de guiñada r y ángulo de resbalamiento β de una aeronave. La velocidad de guiñada está relacionada con mantener el balance de la aeronave en la posición de alas niveladas y el ángulo de resbalamiento tiene que ver con disminuir la presencia de velocidades laterales sobre la aeronave. Para el diseño del neurocontrolador primero se desarrolla un modelo dinámico de la aeronave con seis grados de libertad, basado en leyes físicas, la dinámica del cuerpo rígido y la aerodinámica; como segundo paso, se aproxima la aeronave a un modelo matemático linealizado del movimiento lateral y se utiliza en el desarrollo de las funciones para la actualización de pesos utilizando el algoritmo Dynamic Back Propagation; luego se realiza el entrenamiento de dos neurocontroladores considerando el modelo de la aeronave de seis grados de libertad, el primer neurocontrolador manipula el timón y el segundo los alerones; finalmente se prueba el desempeño de los neurocontroladores para diferentes condiciones de vuelo, incluido perturbaciones debidas al viento, variaciones de la masa de la aeronave, variación de la densidad del aire y variación de parámetros en el modelo de seis grados de libertad. Los resultados de las simulaciones muestran que los neurocontroladores logran estabilidad asintótica aceptable para la velocidad de guiñada r y el ángulo de resbalamiento β para varias condiciones de vuelo y perturbaciones externas, además operan adecuadamente a pesar de errores en el modelado, lo que verifica que se ha logrado entrenar adecuadamente los pesos de los neurocontroladores. Los neurocontroladores han sido entrenados de tal forma que permiten realizar una acción de seguimiento sobre la velocidad de guiñada r, los resultados de las simulaciones muestran que logran realizar un giro coordinado adecuado incluso ante la ocurrencia de perturbaciones externas. / Tesis