طراحي سامانه يادگيري لايه اي و شبيه سازي لايه به لايه كنترلگر بر روي ربات پرنده چهارروتور بر اساس الگوريتم بهينه‌سازي ازدحام افزايشي ذرات

Designing a Layered Learning System and Layer by Layer Implementation of a Controller on Quad-rotor Based on Growing Particle Swarm Optimization

دراين مقاله به طراحي يك سامانه خلبان خودكار با معماري لايه اي و مكانيسم پياده سازي لايه به لايه كنترلگر بر روي ربات پرنده چهار روتوربر اساس الگوريتم بهينه‌سازي ازدحام افزايشي ذرات ارائه مي شود. دراين سامانه هدايت پرنده به‌جاي آنكه در انحصار يك كنترلگر واحد باشد توسط يك سيستم چندعاملي كه حداقل از 4 عامل كنترلگر ساخته‌شده است، انجام مي­گيرد. با توزيع وظايف كنترلي و قراردادن فصول مشترك براي لايه‌هاي كنترل‌كننده،پهپاد قادربه جابجاكرد ناختيارات كنترلي بين لايه‌ها مي‌باشد و اين امرموجب جلوگيري از عملكرد نامناسب پهپاد خواهد شد.علاوه برآن لايه ها قادر خواهند بود از مكانيسم كنترلي لايه ديگر رفتار مورد نظر خود را ياد بگيرند. در فرآيند يادگيري لايه اي، يك مكانيسم بهينه‌سازي جديد براي كنترلگرهاي شبكه عصبي ارائه مي‌شود كه بهينه ­سازي ازدحام افزايشي ذرات ناميده مي‌شود. در يك لايه آموزشي كنترلگر غيرخطي مد لغزشي و گام به عقب پياده سازي شده است و رفتار و كارايي اين كنترلگرها با شبيه‌سازي مورد مقايسه قرار گرفته‌اند در نهايت در اين مقاله يك كنترلگر موفق شبكه عصبي در لايه، براي سيستم كاملاً غيرخطي با تنظيم وزن‌هاي شبكه توسط الگوريتم ازدحام افزايشي ذرات طراحي‌شده است كه قابليت يادگيري رفتار كنترلگر هاي لايه هاي ديگر را دارا مي‌باشد.

In the paper an auto-pilot with layered control architecture has been designed for an autonomous quad-rotor and an optimized proportional-derivative controller has simulated on the quad-rotor. In the auto-pilot with layered control architecture, quad-rotor will be controlled with a multi agent system which has at least 4 agents to control the system instead of just having a single controller. Each agent has placed in an independent layer with its own CPU, memory and processing equipment that perform individually. Nonlinear controllers such as back stepping and sliding mode are presented. In the layered learning process, a new optimization method for neural networks is presented in the paper which is named Growing Particle Swarm Optimization. In one of the layers some classic controllers such as back stepping and sliding mode is used to train the neural controller in the other layer. Optimization results show that the neural network controller can successfully learn the controlling task using Growing Particle Swarm Optimization.