Novel trajectory prediction and flight dynamics modelling and control based on robust artificial intelligence algorithms for the UAS-S4

Hashemi, Seyed Mohammad (2022). Novel trajectory prediction and flight dynamics modelling and control based on robust artificial intelligence algorithms for the UAS-S4. Thèse de doctorat électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (6MB) | Prévisualisation

Résumé

Aerial Traffic Management (ATM) and Aerial Collision Avoidance (ACA) are the most important issues in aviation transportation. Accurate Aircraft Trajectory Prediction (ATP), precise Flight Dynamics Model (FDM), and efficient Flight Dynamics Control (FDC) are the main fundamental requirements, for trajectory-based operations, such as ATM and ACA. The aim of this thesis is to design, and further develop these above-mentioned three fundamental requirements for critical trajectory-based operations. For each fundamental requirement, a thorough research study was conducted to meet its related objectives.

The first study focused on accurate Aircraft Trajectory Prediction (ATP). This study began with formulating an ATP as a time series regression problem. Next, six data-driven Neural Network models were designed and fine-tuned to produce accurate ATPs. Their architectures were based on Logistic Regression (LR), Support Vector Regression (SVR), Deep Neural Network (DNN), Convolutional Neural Network (CNN), Recurrent Neural Network (RNN), and Long-Short Term Memory (LSTM). The six ATP models were evaluated in terms of prediction accuracy, and their super-efficiency was confirmed. Despite their excellent performance, we could generate adversarial samples to mislead them. This issue presents a security concern regarding Neural Network-based ATP models. Therefore, a defense algorithm was designed based on an adversarial retraining strategy. The new, robust learning-based ATP models showed excellent performance against adversarial attacks while still performing their ATP tasks accurately.

The second study addressed the design of an efficient Flight Dynamics Controller (FDC). Relying on the available UAS-S4 Local Linear Scheduled Flight Dynamics Model (LLS-FDM) at the Laboratory of Research in Active Controls, Avionics and Aeroservoelasticity (LARCASE), a nonlinear FDM was designed based on the Takagi-Sugeno (TS) Fuzzy Logic approach. Simultaneously, the desired reference model was determined, and then stabilized using a Linear Quadratic Regulator (LQR). Regarding the reference FDM, a “model-based” FDC was designed for the UAS-S4 FDM, which worked very well based on tracking errors. Next, a Fuzzy Logic Controller (FLC) containing robust adaptive gains was designed in order to consider the nonlinearities and uncertainties due to fuzzification and external disturbances. The results confirmed that the robust adaptive fuzzy logic controller could stabilize the flight dynamics and accurately track the reference model state variables.

The third study was conducted for the design of an accurate Flight Dynamics Modelling (FDM) method. Accurate FDMs allow engineers to design highly efficient model-based FDCs. Flight tests were conducted on the UAS-S4 Ehecatl (at the LARCASE), and 216 local FDMs were obtained by using the in-house Local Linear Scheduling Flight Dynamics Model (LLS-FDM) designed to handle 216 flight conditions. The LLS-FDM was further augmented using the knearest neighbor interpolation and extrapolation methodologies. Relying on this augmented data, Support Vector Regression (SVR) was used as a benchmarking algorithm for the LLSFDM regression. The trained SVR could predict the UAS-S4 FDM for the entire flight envelope. A Root Locus diagram was utilized to validate the UAS-S4 SVR-FDM by evaluating the predicted eigenvalues’ closeness to their original values. The SVR prediction accuracy was studied for different flight conditions, number of neighbors, and a range of kernel functions. Despite the excellent performance of the trained SVR, the FDM was vulnerable to adversarial samples. Hence, an Adversarial Retraining Defense (ARD) was developed by relying on adversarial FDMs, that were created via the Adapted Fast Gradient Sign Method (AFGSM) to design a Robust-SVR FDM. The Robust-SVR FDM worked very well under adversarial attacks while providing better time domain properties for state variable stabilization than the LLS-FDM.

Titre traduit

Nouvelle prédiction de trajectoire et modélisation et contrôle de la dynamique de vol basés sur des algorithmes d'intelligence artificielle robustes pour l'UAS-S4

Résumé traduit

La gestion du trafic aérien (ATM) et l'évitement des collisions aériennes (ACA) sont les problèmes les plus importants dans le transport aérien. Une prédiction de trajectoire d'aéronef (ATP) précise, un modèle de dynamique de vol (FDM) précis et un contrôle de dynamique de vol (FDC) efficace sont les exigences fondamentales pour les opérations basées sur la trajectoire, telles que l'ATM et l'ACA. L'objectif de cette thèse est de concevoir et de développer ces trois exigences fondamentales mentionnées ci-dessus pour les opérations critiques basées sur les trajectoires. Pour chaque exigence fondamentale, une étude de recherche approfondie a été menée pour atteindre ses objectifs relatifs.

La première étude s'est concentrée sur la précision de la prédiction de trajectoire d'aéronef (ATP). Cette étude a commencé par la formulation d'un ATP en tant que problème de régression de séries chronologiques. Ensuite, six modèles de réseaux de neurones basés sur les données ont été conçus et affinés pour produire des ATP précis. Leurs architectures étaient basées sur la régression logistique (LR), la régression vectorielle de support (SVR), le réseau neuronal approfondi (DNN), le réseau neuronal convolutif (CNN), le réseau neuronal récurrent (RNN) et la mémoire à long et à court terme (LSTM). Les six modèles ATP ont été évalués en termes de précision de leur prédiction et leur super-efficacité a été confirmée. Malgré leurs excellentes performances, nous avons pu générer des échantillons contradictoires pour les induire en erreur, ce qui présente un problème de sécurité concernant les modèles ATP basés sur le réseau neuronal. Par conséquent, un algorithme de défense a été conçu en se basant sur une stratégie de recyclage contradictoire. Les nouveaux modèles ATP robustes basés sur l'apprentissage ont montré d'excellentes performances contre les attaques adverses tout en exécutant leurs tâches ATP avec précision.

La deuxième étude portait sur la conception d'un contrôleur de dynamique de vol (FDC) efficace. S'appuyant sur le modèle de dynamique de vol programmé linéaire local UAS-S4 (LLS-FDM) disponible au laboratoire de recherche sur les commandes actives, l'avionique et l'aéroservoélasticité (LARCASE), un FDM non linéaire a été conçu en se basant sur l’approche de la logique floue Takagi-Sugeno (TS). Simultanément, le modèle de référence souhaité a été déterminé, puis stabilisé à l'aide d'un régulateur quadratique linéaire (LQR). En ce qui concerne le FDM de référence, un FDC "basé sur un modèle" a été conçu pour le FDM UAS-S4, qui a très bien fonctionné en se basant sur des erreurs de suivi. Ensuite, un contrôleur de logique floue (FLC) contenant des gains adaptatifs robustes a été conçu afin de prendre en compte les non-linéarités et les incertitudes dues à la fuzzification et aux perturbations externes. Les résultats ont confirmé que le contrôleur à logique floue adaptative robuste pouvait stabiliser la dynamique de vol et suivre avec précision les variables d'état du modèle de référence.

La troisième étude a été menée pour la conception d'une méthode précise de modélisation de la dynamique de vol (FDM). Des FDM précis permettent aux ingénieurs de concevoir des FDC basés sur des modèles très efficaces. Des essais en vol ont été effectués sur l'UAS-S4 Ehecatl (au LARCASE) et ensuite 216 FDM locaux ont été obtenus en utilisant le modèle interne de dynamique de vol à planification linéaire locale (LLS-FDM) conçu pour gérer 216 conditions de vol. Le LLS-FDM a été encore augmenté en utilisant les méthodologies d'interpolation et d'extrapolation des k plus proches voisins. S'appuyant sur ces données augmentées, la régression vectorielle de support (SVR) a été utilisée comme algorithme de référence pour la régression LLS-FDM. Le SVR formé pouvait prédire le FDM de l’UAS-S4 pour l'ensemble du domaine de vol. Un diagramme Root Locus a été utilisé pour valider le SVR-FDM UASS4 en évaluant la proximité des valeurs propres prédites avec leurs valeurs d'origine. La précision de la prédiction SVR a été étudiée pour différentes conditions de vol, le nombre de voisins et une gamme de fonctions du noyau. Malgré les excellentes performances du SVR formé, le FDM était vulnérable aux échantillons contradictoires. Par conséquent, Adversarial Retraining Defense (ARD) a été développée en s'appuyant sur des FDM contradictoires, qui ont été créés via la méthode de signe de gradient rapide adaptée (AFGSM) pour concevoir un Robust-SVR FDM. Le Robust-SVR FDM a très bien fonctionné lors d'attaques contradictoires tout en offrant de meilleures propriétés dans le domaine temporel pour la stabilisation des variables d'état que le LLS-FDM.

Type de document:	Mémoire ou thèse (Thèse de doctorat électronique)
Renseignements supplémentaires:	"Manuscript-based thesis presented to École de technologie supérieure in partial fulfillment of the requirements for the degree of doctor of philosophy". Comprend des références bibliographiques (pages 135-152).
Mots-clés libres:	prédiction de trajectoire d'aéronef, réseau de neurones, attaques adverses, contrôle de la dynamique de vol, logique floue, gains adaptatifs robustes, stabilité de Lyapunov, modèle de dynamique de vol, augmentation des données, régression vectorielle de support
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Botez, Ruxandra
Programme:	Doctorat en génie > Génie
Date de dépôt:	19 avr. 2023 19:08
Dernière modification:	19 avr. 2023 19:08
URI:	https://espace.etsmtl.ca/id/eprint/2996

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt