Balance control of two-wheeled self-balancing robot based on Linear Quadratic Regulator and Neural Network

Sun, Chenxi; Lü, Tao; Yuan, Kui

doi:10.1109/icicip.2013.6568193

Cited by 32 publications

(16 citation statements)

References 9 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Pengendalian dengan metode pemodelan sistem tersebut menghasilkan kendali yang kurang akurat. Hal tersebut dikarenakan linearisasi kendali dengan LQR serta perhitungan parameter pemodelan kendali yang kurang tepat [10]. Nilai komponen konstanta feedback yang bersifat tetap akan membuat respons sistem tidak baik.…”

Section: Pendahuluanunclassified

“…Sistem ini menyimulasikan proses pembelajaran yang terjadi pada otak manusia [12]. Jaringan saraf tiruan ini digunakan untuk menyesuaikan konstanta feedback pada kendali full state feedback LQR pada kendali penahan ketinggian sesuai dengan kebutuhan sistem quadrotor [10].…”

Section: Pendahuluanunclassified

“…adalah learning rate. Persamaan (9) kemudian dijabarkan pada (10). Nilai u merupakan masukan sistem pada setiap state sistem.…”

Section: ( ) ∑unclassified

See 2 more Smart Citations

Implementasi Full State Feedback LQR dengan JST pada Kendali Ketinggian Quadrotor

Rahani

Priyambodo

2019

Jurnal Nasional Teknik Elektro dan Teknologi Informasi

View full text Add to dashboard Cite

One type of unmanned aircraft that is often used today is quadrotor. This type of aircraft has the ability to take off vertically. This study implemented an altitude control system on the z-axis quadrotor. The control used is the full state method of Linear Quadratic Regulator (LQR) with artificial neural networks. The LQR full state feedback method used in this system is 12-states with each feedback constant K tuned to the neural network method. This study implements the artificial neural network method to change the feedback constant on the z-axis. Artificial neural network architecture used 12 input layers, 48 hidden layers, and 1 output layer. This study compares the value of the results of the simulation with the response value of the system implementation results applied to the quadrotor. Testing with full state LQR feedback using artificial neural networks improves the system response to ±0.77 seconds and improves steady state error values up to ±12 cm. Based on the results of these studies, this system can be implemented to control other systems. Intisari-Salah satu jenis pesawat tanpa awak yang sering digunakan saat ini adalah quadrotor. Pesawat jenis ini memiliki kemampuan untuk lepas landas secara vertikal. Makalah ini mengimplementasikan sistem kendali ketinggian pada sumbu z quadrotor. Kendali yang digunakan yaitu metode full state feedback Linear Quadratic Regulator (LQR) dengan jaringan saraf tiruan. Metode full state feedback LQR yang digunakan pada sistem ini adalah dua belas state dengan masing-masing konstanta feedback K ditala dengan metode jaringan saraf tiruan. Makalah ini mengimplementasikan metode jaringan saraf tiruan untuk mengubah konstanta feedback pada sumbu z. Arsitektur jaringan saraf tiruan yang digunakan yaitu dua belas input layer, 48 hidden layer, dan satu output layer. Makalah ini membandingkan nilai hasil simulasi dengan nilai respons sistem hasil implementasi yang diterapkan pada quadrotor. Pengujian dengan full state feedback LQR menggunakan jaringan saraf tiruan memperbaiki respons sistem hingga ±0,77 detik serta perbaikan nilai steady state error hingga ±12 cm. Berdasarkan hasil penelitian tersebut, sistem ini dapat diimplementasikan kendali pada sistem yang lain.

show abstract

Section: Pendahuluanunclassified

See 1 more Smart Citation

Implementasi Full State Feedback LQR dengan JST pada Kendali Ketinggian Quadrotor

Rahani

Priyambodo

2019

Jurnal Nasional Teknik Elektro dan Teknologi Informasi

View full text Add to dashboard Cite

show abstract

“…A number of control strategies have been applied to such robots, including PID backstepping [2], LQR with neural networks [3], LQR with PID [4] and fuzzy models [5]. Also, a number of specific designs of such robots have been implemented and modeled [6], [7], [8], [9].…”

Section: Introductionmentioning

confidence: 99%

Comparison of two efficient control strategies for two-wheeled balancing robot

Majczak

Wawrzyński

2015

2015 20th International Conference on Methods and Models in Automation and Robotics (MMAR)

View full text Add to dashboard Cite

show abstract

“…Penelitian tentang robot keseimbangan telah banyak dilakukan oleh peneliti sebelumnya dengan menggunakan berbagai macam pengendali seperti LQR (Linear Quadratic Regulator) [2], PD (Proporsional Derivatif) [3], PID (Proporsional Integral Derivatif) [4], Neural Network Control [5], Backstepping [1]. Namun, penelitian tersebut masih sebatas pada simulasi.…”

unclassified

Robot Keseimbangan dengan Kendali PID dan Kalman Filter

Ma’arif

Puriyanto

Hasan

2020

ITJRD

View full text Add to dashboard Cite

Robot Keseimbangan memiliki dinamika yang cepat, tidak stabil, dan nonlinear sehingga memerlukan pengendali yang sesuai. Robot keseimbangan menggunakan sensor accelerometer untuk mengukur perubahan sudut. Sifat sensor tersebut adalah sangat sensitif dan bernoise sehingga memerlukan metode untuk mengurangi noise tersebut. Pada penelitian ini digunakan pengendali PID karena memiliki respon yang cepat dalam menanggapi perubahan sudut dan mudah untuk diterapkan. Sementara untuk mengurangi noie sensor digunakan metode kalman filter. Hasil pengujian menunjukkan bahwa metode kalman filter mampu untuk mengurangi noise pada sensor accelerometer. Nilai parameter kalman filter sangat mempengaruhi hasil filter sehingga memerlukan penentuan nilai yang tepat. Nilai matriks variasi proses harus lebih besar daripada nilai matriks variasi pengukuran. Nilai parameter Kalman filter yang terbaik adalah matriks variasi proses R = 10 dan matriks variasi pengukuran Q = 0; 01. Pengendali PID dapat menstabilkan robot pada posisi tegak. Nilai parameter terbaik pengendali PID adalah Kp = 20, Ki = 1, dan Kd = 20.

show abstract

Balance control of two-wheeled self-balancing robot based on Linear Quadratic Regulator and Neural Network

Cited by 32 publications

References 9 publications

Implementasi Full State Feedback LQR dengan JST pada Kendali Ketinggian Quadrotor

Implementasi Full State Feedback LQR dengan JST pada Kendali Ketinggian Quadrotor

Comparison of two efficient control strategies for two-wheeled balancing robot

Robot Keseimbangan dengan Kendali PID dan Kalman Filter

Contact Info

Product

Resources

About