Dört rotorlu insansız hava araçları için fizik rehberli artık geri beslemeli sinir ağı ile çok ajanlı dağıtılmış lineer olmayan model öngörülü formasyon kontrolü
Multi-agent distributed nonlinear model predictive formation control for quadrotor UAVs using a physics-guided residual feedback neural network
- Tez No: 992856
- Danışmanlar: PROF. DR. YAPRAK YALÇIN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Kontrol ve Otomasyon Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
İnsansız hava araçları (İHA), son yıllarda teknolojik gelişmelerin de etkisiyle hem sivil hem de askeri alanlarda oldukça yaygın bir şekilde kullanılmaya başlanmıştır. Özellikle dört rotorlu sistemler, yani quadrotorlar; yüksek manevra kabiliyetleri, basit ve kompakt mekanik yapıları, düşük üretim ve bakım maliyetleri gibi avantajları nedeniyle öne çıkmakta ve pek çok araştırmanın odak noktası olmaktadır. Tek bir aracın kontrolü, temel seyrüsefer ve denge kuralları çerçevesinde görece daha kolay sağlanabilse de birden fazla aracın aynı ortamda çarpışmadan, belirli bir formasyon düzeni içinde, dış bozuculara rağmen görev icra edebilmesi oldukça karmaşık bir kontrol problemini gündeme getirmektedir. Bu noktada, sistemin ölçeklenebilirliği, güvenilirliği ve hata toleransı kritik önem kazanmaktadır. Geleneksel yöntemlerin büyük çoğunluğu merkezi kontrol mimarilerine dayanmaktadır. Ancak bu yaklaşımlar; tek hata noktası riski, iletişim trafiğinin yoğunlaşması, artan ajan sayısıyla birlikte ölçeklenebilirliğin düşmesi gibi ciddi dezavantajlara sahiptir. Bu nedenle, son yıllarda dağıtılmış kontrol yöntemleri giderek daha fazla ilgi görmeye başlamış; çok ajanlı sistemlerin daha esnek, güvenilir ve dayanıklı bir şekilde yönetilmesi mümkün hale gelmiştir. Bu tez çalışmasında, çok ajanlı sistemlerin formasyon kontrolü için dağıtılmış model öngörülü kontrol (MPC) temelli bir yaklaşım geliştirilmiştir. MPC, sistemin gelecekteki davranışlarını öngörerek kontrol girdilerini optimize eden güçlü bir yöntemdir. Böylelikle çarpışmaların önlenmesi, formasyon geometrisinin korunması ve enerji verimliliği sağlanabilmektedir. Ancak klasik MPC yöntemleri, kullanılan matematiksel modellere yüksek derecede bağımlıdır. Modelleme hataları, parametre belirsizlikleri ve çevresel etkenler kontrol performansının düşmesine, hatta sistem kararlılığının bozulmasına yol açabilmektedir. Bu zafiyetin önüne geçebilmek için, çalışmada fizik rehberli artık geri beslemeli sinir ağı (PG-RRNN) yöntemi önerilmiş ve dağıtılmış MPC yapısına entegre edilmiştir. PG-RRNN, fiziksel yasaları öğrenme sürecine dahil ederek modelleme hatalarını telafi etmekte, daha doğru tahminler yapılmasını sağlamakta ve böylelikle kontrol performansını artırmaktadır. Önerilen yöntem, simülasyon ortamında farklı senaryolar üzerinden kapsamlı şekilde test edilmiştir. Senaryolar; normal çalışma koşullarının yanı sıra dış bozucular, iletişim gecikmeleri, sensör hataları ve modelleme belirsizlikleri gibi gerçekçi zorlukları da içerecek şekilde tasarlanmıştır. Elde edilen sonuçlar, yöntemin formasyon kararlılığını belirgin biçimde iyileştirdiğini, merkezi bir kontrol birimine gerek kalmadan ölçeklenebilir bir çözüm sunduğunu ve bozucu etkilere karşı dayanıklılığı artırdığını göstermektedir. Ayrıca, klasik MPC ve diğer dağıtılmış kontrol algoritmaları ile yapılan karşılaştırmalar, önerilen yaklaşımın hata toleransı, kararlılık ve genel performans bakımından üstünlüklerini ortaya koymuştur. Bu çalışmanın literatüre sağladığı en önemli katkı, dağıtılmış MPC yaklaşımını fizik rehberli yapay zekâ temelli bir yöntemle birleştirerek belirsizlikler altında daha güvenilir ve sağlam bir kontrol stratejisi geliştirmiş olmasıdır. Böylece, çok ajanlı insansız hava aracı sistemleri için daha pratik, ölçeklenebilir ve esnek bir çözüm önerilmektedir. Gelecek çalışmalarda ise bu yöntemin gerçek zamanlı donanım üzerinde test edilmesi, farklı tipte İHA'lardan oluşan heterojen sistemlere uygulanması ve daha karmaşık görev senaryolarında denenmesi planlanmaktadır.
Özet (Çeviri)
Unmanned Aerial Vehicles (UAVs) have gained remarkable importance in recent years due to their rapidly expanding use in both civilian and military applications. Advances in sensing, computation, communication, and embedded systems have enabled UAVs to perform increasingly complex tasks such as surveillance, environmental monitoring, precision agriculture, disaster management, search and rescue operations, and cooperative defense missions. Among various UAV configurations, quadrotor systems have emerged as one of the most popular platforms owing to their simple mechanical structure, vertical takeoff and landing capability, high maneuverability, and relatively low production and maintenance costs. These advantages make quadrotors particularly suitable for applications requiring agile motion and precise positioning. While the control and navigation of a single UAV can be effectively addressed using well-established control techniques, the coordination of multiple UAVs operating simultaneously in a shared environment introduces a significantly more challenging control problem. In multi-agent UAV systems, vehicles are expected to move cooperatively while maintaining predefined formations, avoiding inter-agent collisions, reacting to environmental obstacles, and accomplishing mission objectives under various operational constraints. Furthermore, these objectives must often be achieved in the presence of external disturbances such as wind gusts, sensor noise, communication delays, and uncertainties in system parameters. Traditional multi-agent control approaches often rely on centralized control architectures, where a single central unit computes control actions for all agents based on global information. Although centralized methods can provide optimal solutions under ideal conditions, they suffer from several critical drawbacks. The most notable limitation is the presence of a single point of failure: if the central controller fails or loses communication with the agents, the entire system may become unstable or inoperable. Additionally, centralized approaches face scalability issues as the number of agents increases, leading to excessive computational and communication burdens. These limitations significantly restrict the practical applicability of centralized control in large-scale or safety-critical UAV swarm systems. To overcome these challenges, distributed control strategies have attracted increasing attention in recent years. In distributed architectures, each agent computes its own control input using local information and limited communication with neighboring agents. Such approaches offer improved scalability, enhanced fault tolerance, and increased robustness to communication failures. Distributed control methods are particularly well-suited for swarm-based UAV applications, where flexibility, adaptability, and resilience are essential requirements. Among various advanced control techniques, Model Predictive Control (MPC) has emerged as a powerful and versatile framework for controlling complex dynamical systems subject to constraints. MPC operates by predicting the future behavior of the system over a finite time horizon and optimizing control inputs to minimize a predefined cost function. This predictive capability allows MPC to explicitly handle constraints related to safety, collision avoidance, actuator limitations, and formation geometry. As a result, MPC has been widely applied to UAV trajectory tracking, obstacle avoidance, and formation control problems. However, conventional MPC methods are highly dependent on the accuracy of the system model used for prediction. In real-world applications, UAV dynamics are subject to modeling errors, unmodeled nonlinearities, parameter variations, and external disturbances. These uncertainties can degrade the prediction accuracy of MPC, leading to reduced performance, constraint violations, or even instability. In distributed MPC frameworks, such modeling inaccuracies may propagate across agents through inter-agent interactions, further amplifying their negative effects. To address these limitations, this thesis proposes a novel distributed formation control framework that integrates Model Predictive Control with a physics-guided residual recurrent neural network (PG-RRNN). The proposed approach aims to enhance the robustness and reliability of distributed MPC by compensating for modeling errors and uncertainties through data-driven learning while preserving consistency with the underlying physical laws of the UAV system. The core idea of the proposed method is to augment the nominal physics-based UAV model with a learned residual component that captures unmodeled dynamics and uncertainties. Instead of replacing the physical model entirely with a black-box neural network, the PG-RRNN is designed to learn only the discrepancy between the nominal model and the true system behavior. This physics-guided structure ensures that the learned model remains interpretable, physically consistent, and more data-efficient compared to purely data-driven approaches. Recurrent neural networks (RNNs) are particularly well-suited for modeling dynamical systems due to their ability to capture temporal dependencies and sequence information. In this study, a residual RNN architecture is employed to learn the time-dependent modeling errors affecting the UAV dynamics. The network is trained using simulation data generated under various operating conditions, including disturbances and parameter uncertainties. By embedding physical constraints and prior knowledge into the learning process, the PG-RRNN avoids overfitting and improves generalization performance. The learned PG-RRNN model is integrated into the prediction stage of the distributed MPC framework. Each UAV uses its local PG-RRNN-enhanced model to predict its future states while considering the predicted behavior of neighboring agents. The distributed MPC formulation enables each agent to solve its own optimization problem independently, relying only on local measurements and limited inter-agent communication. This structure eliminates the need for a central coordinator and significantly improves the scalability and fault tolerance of the overall system. The proposed distributed MPC with PG-RRNN has been extensively evaluated in a high-fidelity simulation environment. Multiple scenarios were designed to assess the performance of the method under both nominal and challenging conditions. These scenarios include formation maintenance during aggressive maneuvers, collision avoidance in dense agent configurations, robustness against external disturbances such as wind, communication delays between agents, and inaccuracies in the nominal system model. Simulation results demonstrate that the proposed method achieves superior formation stability and tracking performance compared to conventional distributed MPC approaches based solely on nominal models. The PG-RRNN-enhanced MPC significantly reduces prediction errors, resulting in smoother control inputs and improved constraint satisfaction. Moreover, the distributed architecture allows the system to maintain stable operation even in the presence of partial communication failures or agent dropouts, highlighting its fault-tolerant nature. Comparative analyses were conducted against classical MPC, consensus-based control methods, and other distributed control algorithms reported in the literature. The results clearly indicate that the proposed approach outperforms existing methods in terms of robustness, stability, and overall control performance, particularly under conditions involving significant modeling uncertainties and disturbances. The integration of physics-guided learning with distributed MPC enables the system to adapt to changing conditions without sacrificing theoretical guarantees provided by model-based control. One of the most significant contributions of this thesis is the development of a hybrid control framework that effectively combines the strengths of model-based and data-driven approaches. By leveraging physical knowledge and learning only residual dynamics, the proposed PG-RRNN-based distributed MPC achieves a balanced trade-off between accuracy, interpretability, and robustness. This contribution addresses a critical gap in the literature, where purely data-driven methods often lack reliability, while traditional model-based methods struggle with uncertainty. In conclusion, this thesis presents a robust, scalable, and practical solution for the formation control of multi-agent UAV systems operating in uncertain environments. The proposed distributed MPC framework augmented with a physics-guided residual recurrent neural network significantly enhances system performance and reliability without relying on centralized control structures. The results obtained through extensive simulations confirm the effectiveness of the approach and its potential applicability to real-world UAV swarm systems. Future work will focus on implementing the proposed method on real-time hardware platforms to validate its performance in real-world flight experiments. Additionally, extending the framework to heterogeneous multi-agent systems involving different types of UAVs and aerial-ground cooperative teams represents an important research direction. Further studies will also investigate the application of the proposed approach to more complex mission scenarios, including dynamic obstacle avoidance, cooperative payload transport, and large-scale swarm coordination.
Benzer Tezler
- 1981 Türkiye tarımsal yapısının önemli bileşenleri ve tarımsal bölgelerin elde edilmesi
Principle components of Turkey's agricultural structure and to determine agricultural rigions in 1981
İHSAN KARABULUT
- Buğdayda farklı melezleme teknikleri kullanarak tohum tutma oranının saptanılması
Başlık çevirisi yok
İSMAİL TÜZÜN
Yüksek Lisans
Türkçe
1986
ZiraatUludağ ÜniversitesiTarla Bitkileri Ana Bilim Dalı
PROF. DR. HALİS RUHİ EKİNGEN
- Sonbahar sera yetiştiriciliğine uygun hıyar çeşit seçimi
Selecting a cucumber variety suitable for glasshouse production in Autumn
MESUT OKTAY
- Üzüm sularının pastörizasyonu ve kontsantresi sırasında hidroksimetilfurfural oluşumu üzerinde bir araştırma
Başlık çevirisi yok
ŞERİFE ŞAHİN
Yüksek Lisans
Türkçe
1985
Gıda MühendisliğiEge ÜniversitesiTarım Ürünleri Teknolojisi Ana Bilim Dalı
DOÇ. DR. AYDIN URAL