Experimental System Identification of a Small Unmanned Aerial Vehicle
محل انتشار: نوزدهمین همایش سالانه مهندسی مکانیک
سال انتشار: 1390
نوع سند: مقاله کنفرانسی
زبان: انگلیسی
مشاهده: 1,673
متن کامل این مقاله منتشر نشده است و فقط به صورت چکیده یا چکیده مبسوط در پایگاه موجود می باشد.
توضیح: معمولا کلیه مقالاتی که کمتر از ۵ صفحه باشند در پایگاه سیویلیکا اصل مقاله (فول تکست) محسوب نمی شوند و فقط کاربران عضو بدون کسر اعتبار می توانند فایل آنها را دریافت نمایند.
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ISME19_500
تاریخ نمایه سازی: 2 اردیبهشت 1390
چکیده مقاله:
In the synthesis of automatic controllers of an unmanned aerial vehicle (UAV) as for other dynamic moving vehicles, a mathematical model of motion should be used. Advanced utilization of the vehicle dynamics is only possible if a control system is designed considering as exact as possible characteristics of the vehicle. This paper aims to conduct a consequence of the systematic approach to identify a model identification of a small unmanned aerial vehicle in loitering flight, based on the input–output data collected from flight tests on a 1-m-sized model aircraft. A miniature system, which consists of the onboard Processing unit and sensory section, is equipped with a multichannel data logger associated with the data acquisition and estimation software. Because of the complex coupled, multivariable and nonlinear dynamics of the aircraft in general, the test flight is confined to loitering condition to develop linear SISO structures for both the lateral and longitudinal models. Using time domain system identification techniques, two fourth-order ARX (Auto Regressive with eXogenous input) models are successfully identified, and the performance analysis is carried out based on the flight test data. The validity of the identified model is verified by both time domain model prediction and frequency-domain response analysis.
کلیدواژه ها:
Small unmanned aerial vehicle (SUAV) ، Experimental system Identification ، Autoregressive withexogenous input (ARX) ، Data fusion ، Extended Kalman Filter
نویسندگان
Hossein Shahi
Graduate Student, School of Mechanical Engineering
Aghil Yousefi-Koma
Assosiate Professor, School of Mechanical Engineering
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :