Encuentra más información en nuestro repositorio digital
La creciente demanda de vehículos aéreos no tripulados (UAV) ágiles y fiables ha impulsado el avance de estrategias avanzadas de control capaces de garantizar la estabilidad y precisión en condiciones de vuelo no lineales e inciertas.
Este trabajo aborda el desafío de rastrear con precisión la posición del UAV proponiendo un enfoque basado en redes neuronales diseñado para replicar el comportamiento de los sistemas de control clásicos. Se derivó un modelo no lineal completo del quadcopter y se linearizó alrededor de un punto flotante para diseñar un controlador proporcional tradicional (PD), que sirvió como base para entrenar una red neuronal artificial exógena autorregressiva no lineal (NARX).
El modelo NARX, seleccionado por su estructura de retroalimentación y capacidad para captar la dinámica temporal, fue entrenado para emular las señales de control del controlador PD bajo diversas trayectorias de referencia, incluyendo paso, sinusoidal y entradas triangulares. Las redes entrenadas demostraron un rendimiento comparable al del controlador PD, particularmente en el eje vertical, donde el modelo NARX alcanzó un error cuadrado medio mínimo (MSE) de 7,78 10 5 y un valor R2 de 0,9852.