代做MTRN9400 Control of Robotic Systems ASSIGNMENT 2 - T3 2024代写留学生Matlab程序

MTRN9400 Control of Robotic Systems

ASSIGNMENT 2 - T3 2024

Overview of the Assignment

This assignment focuses on the control of quadcopters and is worth 20% of your total mark in this course.

The due date is 3:00am on Tuesday Week 12.  This deadline is strict and will not be  extended. Marks will be returned within 2 weeks after the submission deadline.  You will complete this assignment individually.

Learning Outcomes

This assignment specifically targets the following learning outcome:

•  LO1: Stability analysis and control of nonlinear systems.

•  LO2: Understanding different classes of controllers and apply them to robotic systems.

Assignment Specification

This assignment is split into four parts.  This document will explain what you are required to do in each part, and the contribution each part will make to your overall assignment mark. You are given MATLAB files that will be used for the simulation parts of the assignment.

In this assignment, you will design several controllers for a quadcopter that flies in 1D and 2D spaces. The marks allocated to each part of the assignment are as follows (total 20 marks):

•  Part 1 (4 marks): PD control in 1D

•  Part 2 (5 marks): Sliding mode control in 1D

•  Part 3 (3.5 marks): Adaptive control in 1D

•  Part 4 (5.5 marks): 2D control

•  Presentation (2 marks): The criteria include good spelling and grammar, appropriate tech- nical language, logical structure including using headings and other conventions, appropri- ate graphical and tabular presentation, caption for graphics and tables, and appropriate spacing that aids readability.

1    Part 1 (4 marks)

In this part, you will control the motion of a quadcopter flying in the z-direction. As explained in the lecture, the dynamic model of a quadcopter in a 1D space is

z = −g +  m/u1                                                             (1)

where u1  is the thrust generated by the drone motors,  g  =  9.81  m/s2   is  the  gravitational acceleration, and m is the quadcopter mass. If the mass of the quadcopter is known, a control law u1  can be designed as

u1 (t) = m (¨(z)d(t) − kpe(t) − kd˙(e)(t) + g),                                         (2)

where zd(t) is the desired height of the quadcopter at time t, kp  and kd  are the control gains, and

e(t) = z(t) − zd(t).                                                          (3)

Then the closed-loop system is obtained from (1)-(3) as

¨(e)(t) + kd  ˙(e)(t) + kp  e(t) = 0.                                                  (4)

We assume in this part of the assignment that zd  is a constant scalar and is equal to 1 m. This means that we want to control a quadcopter to rise to a height of 1 meter and stays there.

The controller in (2) is already implemented in the provided MATLAB code.  Open the code for Part 1 and then open the ‘System1D   1.m’ file. As shown below, the commented lines at the top of ‘System1D   1.m’ file (lines 10–14) explain how the state variables are defined.

10      %      Inputs : 11      %           t         :      A  scalar  containing  the  current  time 12      %         s         :      A  2x1  vector  containing  the  current  state   [ z ;  z   dot ] 13      %      Outputs : 14      %           s   dot   :      A  2x1  vector  containing   [ds1 ;  ds2 ]

For example, z(t) and ˙(z)(t) are stored respectively in s(1) and s(2). Quadcopter parameters are

also defined in lines 20–24.

20     global  QuadParams 21    QuadParams .gravity         =  9 . 81;           %  gravitational  constant 22     QuadParams .mass              =  0 .28;             %  mass  of  quadcopter 23     QuadParams .arm   length  =  0 . 086;          %  wingspan  of  quadcopter 24    QuadParams .height          =  0 . 05;            %  height  of  quadcopter

The desired trajectory of the quadcopter is defined in lines 26–31.  The desired height, zd(t), is stored in s des(1), and ˙(z)d(t) is stored in s des(2). You should not change any of the above parts in your MATLAB file.

The control law u1  in (2) is implemented in line 48 of ‘System1D   1.m’ file:

48     u1  =  QuadParams .mass  *   (z   ddot  −  kp *e  −  kd *e   dot  +  QuadParams .gravity);

Run the ‘main1D   1.m’ file. By executing this file, a figure will be generated showing a 2D and a 3D view of the quadcopter position for t between 0 and 5s and also a plot of z(t).  You will see that z(t) converges to zd  = 1 m.  The steady state error will be printed on the Command Window.

(a)  Change the control law in line 48 of the ‘System1D   1.m’ file to the following PD controller: u1 (t) = −kpe(t) − kd˙(e)(t),     (5)

where kp  and kd  are the proportional and the derivative gains, respectively.  These gains are already defined in lines 46-47 of the code.   Do  not change their values  and run the ‘main1D   1.m’ file.

You will observe that z(t) does not converge to zd  =  1.  In your report,  add a screenshot from the z-plot that clearly shows the value of z(t) at t ≈ 5s.  You can use a ‘Data Tip’ to get the value of z(t) from the MATLAB figure.  Write the value of e(t) at t ≈ 5s in your report.  (1 mark)

(b)  Substitute the control law (5) into the system model (1) and write the closed-loop system. Then obtain the error dynamics (which is the dynamical model that depends on the error signal e(t) and its time derivatives, but is independent of z(t) and its derivatives). Finally, write the error dynamics in the state space form and find the equilibrium points. You will see that the equilibrium point is not at the origin.  Verify that the steady-state error you obtained in the simulation of Part 1(a) is in fact an equilibrium point of the error dynamic.

(2 marks)

(c) Find the range of values for kp  and kd  such that the absolute value of the steady-state position error (|e(t)| for a large t) is less than 0.01. You should explain in your report how you calculated these values.  You should analytically choose these values (not by trial and error using MATLAB) and do not need to add any MATLAB simulation results to your report for this part; just a mathematical calculation is needed for this part.  (1 mark)

2    Part 2 (5 marks)

As we observed in Part 1, a PD controller does not provide a zero steady-state error.  So we will use a robust controller in this part of the assignment.  For this part, use the MATLAB files in ‘Part 2’ folder. We continue to assume in this part that zd = 1 m.

Consider the following sliding mode surface

S = e + a˙(e)                                                                (6)

where a is a positive constant scalar. We define the sliding mode control as follows:

u1 = m (-a/e + g - p sgn(s))                                                         (7) 

(a) Use the Lyapunov candidate V = S2  and find all possible values for a and ρ such that

both e(t) and ˙(e)(t) converge to zero as t → ∞ . You should add your detailed stability proof

in your report.  (2 marks)

(b)  Implement the control law (7) in ‘System1D   2’ and choose a and ρ such that e and ˙(e) converge to zero within 5 seconds.  The sliding mode controller is implemented in lines 41–45 of the ‘System1D 2’ file:

41     rho  =  0;        %  Change  this  value 42     a  =  0 .3;             %  Change  this  value 43     S  =  e  +  a *e   dot; 44    ud  =  QuadParams .mass * (−e   dot/a  +  QuadParams .gravity  −  rho *sign(S)); 45     u1  =  ud;

Add the z-plot figure from your simulation to demonstrate z(t) converges to zd. You will get a full mark if the oscillation in z is damped by 5 seconds (it is OK if there is no oscillation at all) and z(5) is between 0.997 and 1.003.  Use a Data Tip in your figure to show the value of z(t) at t = 5 s.  Write the values you used for a and ρ in your report.  (2 marks)

Hint:  Use capital letter S in your code to define the sliding surface as the lower case s is already used in the code.  MATLAB has an in-built function, sign, for the signum function.

(c)  So far, we observed that a sliding mode controller performs better than a PD controller as the steady-state error in the sliding mode controller converges to zero.  We also know that sliding mode control is robust against system uncertainties.  So we will assume in this part that there is an unknown constant bias d in the control input which is applied to the quadcopter rotors as follows

u1 (t) = ud(t) + d                                                        (8)

where ud  is the nominal  control law  defined as

ud = m (-a/e + g - p sgn(s))                                                         (9) 

This is a common practical issue when implementing a controller to a real system as the system actuators may not be able to exactly generate the commanded forces/torques.  In this part of the assignment, we assum there is always a bias in the system’s actuator. Note that ud  in (9) is the same as the controller (7) we used in the previous part.

To implement this biased system in MATLAB, comment line 45 and uncomment line 46 of the code as shown below:

45   % u1 = ud; 46   u1 = ud − 0.1;

As can be seen above, we assumed the unknown disturbance is d = −0.1. Please note that this value is unknown to us as control engineers and therefore the controller ud does not use this value.  We added this line to the code so that the quadcopter behaves as if there is a bias in the thrust force which is generated by the rotors.

Choose a and rho such that the |e(t)|  and | ˙(e)(t)|  at t = 5 s are less than 0.01.  Only add the values you found for a and rho in your report.  No explanation is needed for this part.

Also no figure is required. We will check the values you will provide and will then give you a full mark if the error conditions are satisfied, and zero marks if they are not satisfied.  (1 mark)