| Popis: |
Drone landing is a difficult task due to disturbance forces near the ground called the ground effect. Traditional models fails to describe the full complexity of these forces and also lack the ability to adapt to differences in ground effect due to the environment. In this thesis I implemented a deep neural network to predict the ground effect from the state (i.e. altitude, velocity and attitude) and control input (i.e. rotor speeds) of a drone, which in previous work has shown to be able to improve control accuracy in drone landing. As an extension of this, I added online learning to be able to adapt to new environments or new values of the ground effect that are not know in advance. The method was tested in simulations and showed to improve landing in different scenarios. Att landa drönare är en svår uppgift på grund av störande krafter nära marken, den så kallade markeffekten. Traditionella modeller lyckas inte efterlikna dessa krafters fulla komplexitet och de saknar även anpassningsförmåga till skillnader i markeffekter på grund av miljön. I det här examensarbetet har jag implementerat ett djupt neuralt nätverk för att förutspå markeffekten från en drönares tillstånd (d.v.s. altitud, hastighet och orientering) och kontrollinput (d.v.s. rotorhastighet), vilket i tidigare arbeten har visats förbättra styrningsnoggrannheten vid landning av drönare. Som en utveckling till detta så lade jag till online learning för att kunna anpassa flygningen till nya värden av markeffekten som inte var kända i förväg. Metoden testades i simuleringar och visade sig förbättra landning i olika scenarion. |
