Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ISSN: 0123-7799
tecnologicas@itm.edu.co
Instituto Tecnológico Metropolitano
Colombia
Resumen
En este trabajo se plantea un modelo matemá tico para un
Vehículo Aéreo no Tripulado (UAV) que está desarrollando la
Universidad Pontificia Bolivariana (UPB) en el grupo de
investigació n en auto- má tica y diseñ o (A+D) dentro del macro
proyecto “Desarrollo de un vehículo aéreo no tripulado de ala fija
para inspección y vigilancia (AURA3)”. Para desarrollar el modelo de
la aeronave, se siguieron dos pasos: En el primero se obtuvieron las
ecuaciones diná micas que rigen el comportamiento de la aeronave en
té rminos de coeficientes aerodiná micos que dependen de las
características de la aeronave en particular. En el segundo paso se
encontró el valor de estos pará metros utilizando un filtro extendido
de Kalman.
Palabras claves
UAV, Filtro de Kalman, Coeficientes Aerodiná micos
Abstract
On this work a mathematical model is presented for an UAV
that is being developed in UPB (Pontifical Bolivarian
University) for the Automatics and Design investigation group
(A+D), in the project “Design of a fixed wing unmanned flying
vehicle for inspec- tion and vigilance (AURA)”. In order to develop
the UAV model, two steps were followed: On the first one, the
mathematical equations describing aircraft behavior were gotten,
in terms of aerodynamical coefficients, depending on particular
aircraft characteristics. On the second step, the values of these
coefficients were found using an extended Kalman filter.
Keywords
UAV, Kalman Filter, Aerodynamical Coefficients.
Revista Tecnológicas
1. INTRODUCCIÓN
El estudio de los vehículos no tripulados (UV de Unmanned
Vehicles) se constituye en un á rea importante de la robó tica
mó vil. Sus aplicaciones van desde la verificació n de condiciones
climá ticas, hasta bú squeda y rescate, pasando por la vigilancia
e inspecció n de territorios y todo tipo de estudios geográ ficos y
orográ ficos. Lograr la autonomía e inteligencia necesarias para
que estos vehículos tomen las decisiones que les permitan
llegar al destino prefijado requiere de un sistema de control
basado en un modelo matemá tico confiable del vehículo. La
obtenció n de tal modelo consta de dos partes (Campbell, 2001).
La primera, obtener las ecuaciones dinámicas que rigen el
comportamiento de la aeronave a partir de la derivació n de las
fuerzas y momentos que actú an en ella. De esta manera, se tiene
la estructura del modelo matemá tico, en té rminos de algunos
coeficientes aerodiná micos que varían segú n las características
de la aeronave que se desea modelar. Entonces, sigue la segunda
parte, obtener el valor de estos coeficientes utilizando alguna
té cnica de identificació n.
Existen pocos reportes sobre la obtenció n de coeficientes
aerodiná micos a partir de datos reales de vuelo. Klein, en su
libro “Aircraft System Identification”, utiliza mé todos de
identificació n por mínimos cuadrados y mínimos cuadrados
recursivos. En el trabajo de Bandu, (1998), se explican los
principios aerodiná micos bá sicos, la estabilidad y las ecuaciones
de movimiento de la aeronave. Se describe có mo las fuerzas y
momentos aerodiná micos que actú an sobre un avió n se crean y
có mo pueden modelarse matemá ticamente a fin de generar las
ecuaciones de movimiento para el vehículo. Luego se muestra
có mo estas ecuaciones pueden linearizarse alrededor de una
condició n de estado estacionario y luego separarse en
diferentes coordenadas, de manera que se deriven dos modelos
desacoplados para el avió n, uno longitudinal y otro lateral. Ambos
modelos quedan expresados en términos de derivadas
aerodiná micas, ecuaciones de movimiento, de estabilidad y de la
diná mica de la aeronave. En el trabajo de Gertjan Looye
(1999) se presenta una documentació n detallada del
modelamiento matemá tico del avió n y las posibles perturbaciones
a las que se encuentra sometida la aeronave, incluyendo su
implementació n en Matlab® y Simulink®.
Michael Kordt y Helmut Lusebrink (KORDT, 2001) desar-
rollaron nuevos métodos para la reducció n del orden de modelos
diná micos de aviones por medio de ecuaciones diferenciales no
lineales
El aporte fundamental de este trabajo consiste en un enfoque
generalizado para el modelamiento de una aeronave, de manera
que las ecuaciones de fuerza y momento sean aplicables a
cualquier vehículo de este tipo. Aunque los coeficientes
aerodiná micos son ú nicos y dependen de las condiciones de
vuelo, se pretende que la técnica de identificació n usada sirva
como referencia para la identificació n de modelos de otras
aeronaves y que el modelo matemá tico desarrollado pueda ser
utilizado en el diseñ o de los sistemas de navegació n y control que
se apliquen sobre estos vehículos.
d
M I (2)
dt
Donde F es la fuerza, mV es el momento lineal, m es la masa,
V es la velocidad traslacional, M es el momento aplicado en el c.g,
Iω es el momento angular aplicado en el c.g, ω es la velocidad
angular e I es la matiz de inercia.
Las ecuaciones (1) y (2) son vá lidas para un marco de
referencia inercial, pero es má s conveniente expresar las fuerzas y
momentos en el marco del cuerpo (Jones, 2005), así:
u Ixy
Mx p Ix I
V v M M q I I I I z
x
(3)
y yx y yz
w M z
r I zx
Izy Iz
I xy I yx I yz I zy 0 (4)
1
v m y pw ru
(8)
w
m z qu pv
1
Donde
x xT xA xG
yy y y T A G (9)
zz z z T A G
u
1
x x x rv qw
T A G
(10)
m
1
v m yT yA yG pw ru
w
1m zT zA zG qu pv
Donde [xA yA zA] es la fuerza aerodiná mica expresada en el
marco del vehículo en los ejes x, y y z, [xg yg zg] es la fuerza de
gravedad en los ejes x, y y z y FT=[xT yT zT] es la fuerza de propulsió n
en el eje x, y, z. Asumiendo que el empuje dado por el sistema de
propulsió n actú a a lo largo del eje x del cuerpo, y a través del
centro de gravedad, la fuerza de propulsió n resulta tener una sola
componente a lo largo del eje x, así:
T
(11)
FT 0
0
dH
M H (13)
dt H
Donde
H I (14)
M I I
(15)
t
(16)
I 1 M I
t
MT M A M p (17)
l
M A
m (18)
n
Resolviendo se tiene:
p tan q sin r cos
(26)
q cos r sin
sin cos
q r
cos cos
2.4 Ecuaciones de navegación
qoSc qc
V
C c C (31)
C C C
mV m mq m
I m V 2V
2V
y o o o
(32)
q
n
I I 2V nr n
2V
z z o o
p tan o r (36)
sec o r (37)
x k f x tk 1 , u tk 1 , tk 1 w k 1
z k h x t k , tk (38)
vk
wk N 0, Qk vk N 0, Rk
Donde x(tk-1) es el vector de estados del sistema en el tiempo k–
1, x(tk ) es el vector de estados del sistema en el tiempo k, zk son las
medidas tomadas por los sensores en el tiempo k, wk y vk son
ruidos de distribució n normal y media 0, con matrices de
covarianza Qk y Rk, respectivamente.
Inicializació n
x x
0 0
P0 var x0
(39)
Donde x0 es la estimació n inicial del vector de estados del
sistema y P– es la matriz de covarianza de la estimació n.
0
Propagació n
x t f x t 1, u t , t
Pk kP Tk Q
k
(40)
I + FT
f (x, u)
F x
y k h x tk ,tk
(41)
x x K z y
k k k k k
P I K H P
k k k k
f x, t, u h x, t, u
A H (44)
x , x
Donde x f
x, t, y y h x, t, u
u
Revista Tecnológicas
Revista Tecnológicas [91]
identificar los pará metros del modelo longitudinal usando el filtro
de Kalman, se siguen los pasos a continuació n:
Se define la matriz de estados:
X
x (47)
Donde son los pará metros desconocidos a ser estimados por
el filtro de Kalman y X es el vector de estados:
C C C C C C C C C C
D0 D V D D D L L Lf e 0 V
D Dq
C C C C C C C C C C C T
L
Lq L Le m0 mV m mq m me (48)
f m f
X V q T
Modelo del sistema
Habiendo definido el vector de estados, el paso siguiente para
la aplicació n del filtro de Kalman es obtener un modelo del
sistema, el cual ya se obtuvo en la secció n 4.
Linealizació n del modelo
La linealizació n consiste en la obtenció n de dos Jacobianas A
y H, a partir de las funciones f y h del sistema, tal como se
mostró para el modelo lateral.
Obtenció n de las medidas
El vector de variables medidas sería:
y V q ax q (49)
az
Donde V, , q y θ son variables de estado, q˙ es la velocidad
angular en el eje y, ax y az se calculan a partir de la siguiente
ecuació n:
ax q * S / m * g *sin( ) (1/ m)*
(50)
CD xT
az q * S / m * CL g * cos( )* cos( )
0.04
0.02
-0.02
-0.04
-0.06
-0.08
0 100 200 300 400 500 600 700 800 900 1000
tiempo [seg]
error cuadratico
0.01
0.008
0.006
error2
0.004
0.002
0
0 100 200 300 400 500 600 700 800 900 1000
tiempo [seg]
-5
-10
-15
0 100 200 300 400 500 600 700 800 900 1000
tiempo [seg]
-3
x 10 error cuadratico
1
0.8
0.6
2
error
0.4
0.2
0
0 100 200 300 400 500 600 700 800 900 1000
tiempo [seg]
-0.05
-0.1
-0.15
-0.2
-0.25
0 100 200 300 400 500 600 700 800 900 1000
tiempo [seg]
error cuadratico
0.012
0.01
0.008
2
error
0.006
0.004
0.002
0
0 100 200 300 400 500 600 700 800 900 1000
tiempo [seg]
0.2
-0.2
-0.4
-0.6
0 100 200 300 400 500 600 700 800 900 1000
tiempo [seg]
error cuadratico
0.35
0.3
0.25
0.2
2
error
0.15
0.1
0.05
0
0 100 200 300 400 500 600 700 800 900 1000
tiempo [seg]
FIGURA 4. GRÁFICA DEL COEFICIENTE DE FUERZA ESTIMADO, EN COMPARACIÓN CON EL VALOR MEDIDO
DEL PARÁMETRO. ABAJO SE MUESTRA LA GRÁFICA DEL ERROR EN LA ESTIMACIÓN.
Validación filtro de kalman
0.7
medida
0.6 estimada
Coeficiente aerodinámico CL
0.5
0.4
0.3
0.2
0.1
0
0 100 200 300 400 500 600 700 800 900 1000
tiempo [seg]
error cuadratico
0.2
0.15
2
error
0.1
0.05
0
0 100 200 300 400 500 600 700 800 900 1000
tiempo [seg]
0.04
0.02
-0.02
-0.04
0 100 200 300 400 500 600 700 800 900 1000
tiempo [seg]
error cuadratico
0.012
0.01
0.008
2
error
0.006
0.004
0.002
0
0 100 200 300 400 500 600 700 800 900 1000
tiempo [seg]
Error Error
Error Error
Coeficiente cuadrá tico Coeficiente cuadrá tico
promedio promedio
medio medio