Plánování a řízení s ohledem na model baterie pro vysokorychlostní agilní let UAV

Abstract

Tato bakalářská práce představuje novou metodu integrace modelů baterie a pohonného systému do nejmodernějšího nelineárního prediktivního řízení (NMPC) s cílem zlepšit sledování trajektorie kvadrokoptéry při vysokorychlostním a agilním letu. Navrhovaný přístup zohledňuje dynamické změny maximálního tahu bezpilotního létajícího prostředku (UAV), které vznikají v důsledku vybíjení baterie, začleněním stavově závislého modelu baterie a modelu pohonného systému přímo do řídicí smyčky. Baterie je reprezentována modelem ekvivalentního IR obvodu, což umožňuje online odhad stavu nabití, napětí a vnitřního odporu. Tyto odhady jsou dále použity k omezení maximálního dostupného tahu v každém časovém kroku, čímž se zvyšuje přesnost NMPC. Algoritmus přeplánování trajektorie je navržen tak, aby v reálném čase reagoval na měnící se tahová omezení. Přesnost modelu byla ověřena v reálném letu, zatímco funkčnost přeplánovacího algoritmu byla testována v simulovaném prostředí, kde bylo prokázáno výrazné snížení chyby sledování trajektorie ve srovnání se současným nejmodernějším přístupem.

This thesis presents a novel method for integrating battery and propulsion system models into the Nonlinear Model Predictive Control (NMPC) framework to enhance the trajectory tracking performance of quadrotors during high-speed and agile flight. The proposed approach accounts for dynamic variations in the maximum available thrust of the Unmanned Aerial Vehicle (UAV), caused by battery discharge, by embedding a battery model and a motorpropeller model directly into the control pipeline. The battery is represented using an equivalent IR circuit model, allowing real-time estimation of the state of charge, voltage, and internal resistance. These estimates are used to impose time-varying thrust constraints within the NMPC, increasing model fidelity. A trajectory replanning algorithm is implemented to adapt the pre-planned trajectory online based on evolving thrust limits. The accuracy of the proposed model is verified in real-world flight experiments, while the effectiveness of the replanning algorithm is evaluated in simulation, showing significant improvements in trajectory tracking compared to the state-of-the-art NMPC.