Online Learning and Control for Data-Augmented Quadrotor Model

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985807%3A_____%2F24%3A00600830" target="_blank" >RIV/67985807:_____/24:00600830 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/49777513:23520/24:43973102

Výsledek na webu

<a href="https://doi.org/10.1016/j.ifacol.2024.08.532" target="_blank" >https://doi.org/10.1016/j.ifacol.2024.08.532</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1016/j.ifacol.2024.08.532" target="_blank" >10.1016/j.ifacol.2024.08.532</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Online Learning and Control for Data-Augmented Quadrotor Model

Popis výsledku v původním jazyce

The ability to adapt to changing conditions is a key feature of a successful autonomous system. In this work, we use the Recursive Gaussian Processes (RGP) for identification of the quadrotor air drag model online, without the need to precollect training data. The identified drag model then augments a physics-based model of the quadrotor dynamics, which allows more accurate quadrotor state prediction with increased ability to adapt to changing conditions. This data-augmented physics-based model is utilized for precise quadrotor trajectory tracking using the suitably modified Model Predictive Control (MPC) algorithm. The proposed modelling and control approach is evaluated using the Gazebo simulator and it is shown that the proposed approach tracks a desired trajectory with a higher accuracy compared to the MPC with the non-augmented (purely physics-based) model.

Název v anglickém jazyce

Online Learning and Control for Data-Augmented Quadrotor Model

Popis výsledku anglicky

The ability to adapt to changing conditions is a key feature of a successful autonomous system. In this work, we use the Recursive Gaussian Processes (RGP) for identification of the quadrotor air drag model online, without the need to precollect training data. The identified drag model then augments a physics-based model of the quadrotor dynamics, which allows more accurate quadrotor state prediction with increased ability to adapt to changing conditions. This data-augmented physics-based model is utilized for precise quadrotor trajectory tracking using the suitably modified Model Predictive Control (MPC) algorithm. The proposed modelling and control approach is evaluated using the Gazebo simulator and it is shown that the proposed approach tracks a desired trajectory with a higher accuracy compared to the MPC with the non-augmented (purely physics-based) model.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

20204 - Robotics and automatic control

Projekt

<a href="/cs/project/EH22_008%2F0004590" target="_blank" >EH22_008/0004590: Robotika a pokročilá průmyslová výroba</a><br>

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2024

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

IFAC-PapersOnLine. Volume 58, Issue 15. 20th IFAC Symposium on System Identification SYSID 2024

ISBN

—

ISSN

2405-8971

e-ISSN

2405-8963

Počet stran výsledku

6

Strana od-do

223-228

Název nakladatele

Elsevier

Místo vydání

Amsterdam

Místo konání akce

Boston

Datum konání akce

17. 7. 2024

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

001316057100038