طراحي كنترل گام به عقب انتگرالي هوشمند و طراحي مسير بهينه براي كوادروتور به كمك روش بهينه‌سازي ازدحام افزايشي ذرات

Design intelligent integral Back-step controller and path planning for Quadrotor by Swarm optimization algorithm

در اين مقاله يك كنترل كننده گام به عقب انتگرالي براي كنترل موقعيت سيستم كوادروتور ارائه شده كه با استفاده از الگوريتم هوشمند بهينه ­سازي ازدحام افزايشي ذرات، جهت بهينه سازي پارامترهاي كنترلر طراحي شده مورد بررسي قرار گرفته است كه در نهايت پارامترهاي طراحي به ‌منظور حصول پاسخ مطلوب بهينه بر روي كنترل كننده منظور شده ‌اند. در ادامه به طراحي مسير بهينه براي پرنده كوادروتور به كمك روش الگوريتمي تكاملي ازدحام ذرات و با در نظر گرفتن موانع از پيش تعيين ‌شده در محيط سه ‌بعدي پرداخته‌شده است، كه امنيت پرواز كوادروتور را در محيط ­هاي سه‌بعدي از پيش شناخته ‌شده تأمين مي‌كند، همچنين با در نظر گرفتن موانع محيطي، كوتاه­ ترين مسير بين مبدأ و مقصد به‌ عنوان مسير مطلوب كوادروتور مشخص مي‌شود. در اين مقاله علاوه بر بهينه سازي ضرايب كنترلر گام به عقب انتگرالي در جهت كاهش تلاش كنترلي ربات، به بهينه سازي مسير حركت كوادروتور پرداخته شده كه هدف از اين بهينه سازي، كاهش مصرف انرژي در حركت ربات از مبدا به مقصد مي باشد كه در نهايت مسير توليد شده توسط الگوريتم به‌عنوان مسير مطلوب پرنده به كنترل كننده گام به عقب انتگرالي بهينه شده داده ‌شده و نتايج در محيط متلب شبيه سازي شده است.

Abstract: In this paper, an intelligent integral Back-step controller is used to control the position of the quadrotor. Using a new strong particle swarm optimization algorithm, the optimal system response is Achieved by changing constant design values in the controller. Then, the optimal path for the quadrotor is designed using the algorithmic method of particle swarm and considering the predetermined obstacles in the three-dimensional environment, which ensures safety flight. Also, the shortest path between the origin and destination as the optimal path is determined. Finally, the path generated by the algorithm as the optimal path of planning. Thus, in addition to optimizing the control parameters in the controller, the quadrotor path is also optimized using the algorithm to minimize energy consumption from source to destination. Finally, by simulating the system in MATLAB environment, the system response to the desired input in a limited time was plotted and investigated.