Return to search

Learning to Fly: Upgraded Aerodynamics and Control Surfaces / Att lära sig flyga: uppgraderad aerodynamik och kontrollytor

In recent times the unmanned quadcopter aircraft has been used for a widening range of applications, but for longer distances it still falls short of conventional airplanes in terms of energy usage. There exists hybrid configurations of unmanned aircraft which combine the mobility of quadcopters and the range of fixed-wing aircraft. The transition between the hovering mode and the gliding mode, however, is a complex non-linear control problem. To solve this a recent study applied a neural network as a closed loop controller. This controller was capable of seamless mode transition and could be trained for any copter configuration using reinforcement learning. The work presented here focuses on improvements to the method of controller design established by said study, mainly focusing on increased realism of the aerodynamic simulations and the addition of control surfaces for increased maneuverability. These improvements resulted in a lift of 37% of the total copter weight and a higher achievable top speed of 8 m/s before instability occurs. To verify these improvements were not only present in the simulations a physical prototype was also constructed which when tested succeeded in hovering flight but failed to sustain any significant forward flight. / På senare tid har obemannade quadcopters kraftigt expanderat sina användningsområden, men för längre sträckor slås de fortfarande av konventionella flygplan när det gäller energiåtgång. Det finns hybridkonfigurationer av obemannade farkoster som kombinerar quadcopterns rörlighet och räckvidden av flygplan. Övergången mellan hovrande läge och horisontell flygning är emellertid ett komplext icke-linjärt reglerproblem. För att lösa detta använde en nyligen genomförd studie ett neuralt nätverk som en regulator i ett återkopplat system. Den här styrenheten kunde sömlöst övergå mellan flyglägen och kunde tränas för valfri copterkonfiguration med hjälp av reinforcement learning. Arbetet som presenteras här fokuserar på förbättringar av metoden för regulatordesign som fastställts av nämnda studie, främst med fokus på ökad realism av de aerodynamiska simuleringarna och tillägget av kontrollytor för ökad manövrerbarhet. Dessa förbättringar resulterade i en genererad lyftkraft upp till 37% av farkostens vikt och en förhöjd maxhastighet till 8 m/s före instabilitet. För att verifiera dessa resultat i verkligheten konstruerades en fysisk prototyp som vid försök lyckades stabilisera sig i hovrande läge men inte upprätthålla någon signifikant framåtfart.

Identiferoai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-299417
Date January 2021
CreatorsJacobsson, David
PublisherKTH, Flygdynamik
Source SetsDiVA Archive at Upsalla University
LanguageEnglish
Detected LanguageEnglish
TypeStudent thesis, info:eu-repo/semantics/bachelorThesis, text
Formatapplication/pdf
Rightsinfo:eu-repo/semantics/openAccess
RelationTRITA-SCI-GRU ; 2021:248

Page generated in 0.003 seconds