Fixed-wing UAV motion planning and optimal control for curve tracking

• Ano de defesa: 2021
• Autor(a) principal: Leonardo Anício Alves Pereira
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Instituição de defesa: Universidade Federal de Minas Gerais; Brasil; ENG - DEPARTAMENTO DE ENGENHARIA ELETRÔNICA; Programa de Pós-Graduação em Engenharia Elétrica; UFMG
• Palavras-chave em Português: Fixed-wing UAV; Model predictive control; Vector fields; Motion planning; Curve tracking; Obstacle avoidance; Engenharia elétrica; Aeronave não tripulada; Controle preditivo; Campos vetoriais
• Link de acesso: http://hdl.handle.net/1843/35699

À medida que o uso de veículos aéreos não tripulados (VANTs) vem aumentando, novas técnicas de planejamento de movimento, navegação e controle são desenvolvidas. Aplicações militares e civis geralmente requerem que um VANT seja capaz de estimar sua própria pose, processar as informações fornecidas pelo ambiente e seguir uma determinada trajetória de forma autônoma. Além disso, algumas tarefas como vigilância, mapeamento de terreno e proteção de comboio exigem uma longa vida útil em termos de consumo de energia. Nestas situações, o uso de um VANT de asa-fixa é altamente recomendado devido à sua maior autonomia quando comparado aos VANTs de asa rotativa. Este trabalho apresenta uma solução para o problema de guiar e controlar um VANT de asa-fixa para seguir uma curva fechada enquanto desvia de obstáculos dinâmicos. A estratégia proposta pode ser dividida em duas partes. Em uma camada superior é utilizada uma estratégia de campos vetoriais que alterna entre duas formas: um campo vetorial para convergir e circular a curva alvo, e um para desviar dos obstáculos no caminho do VANT. Para a camada inferior é proposto um controle de linearização por realimentação, onde a lei de controle auxiliar é projetada através de um MPC (Model Predictive Control) linear para fazer com o que o VANT siga as referências fornecidas pelos campos vetoriais. Simulações utilizando Matlab e o modelo completo do VANT, com 6 graus de liberdade e 12 estados, demonstram a eficiência da estratégia proposta para diferentes cenários. Resultados obtidos utilizando um sistema computacional embarcado demonstram que a estratégia proposta é factível de implementação em uma plataforma física.