EphèseLe catalogue de la bibliothèque de l'ECAM

Implémentation d'un contrôleur de vol basé sur la technologie "Machine Learning" pour un drone quadcopter / Olivier Boegaerts 

Public ISBD Titre : Implémentation d'un contrôleur de vol basé sur la technologie "Machine Learning" pour un drone quadcopter Type de document : Travail de fin d'études Auteurs : Olivier Boegaerts, Auteur ; Mohamed Lalami, ; Ruben Hillewaere, Editeur : ECAM Année de publication : 2019 Note générale : SABCA Langues : Français (fre) Index. décimale : TFE - Automatique Résumé : Ce document est le fruit d’un travail de fin d’étude sur l’apprentissage automatique d’un régulateur, afin d’assurer la stabilité d’un drone quadcopter. Les développements récents de nouveaux algorithmes d’apprentissage, permettant la résolution de problèmes de plus en plus complexes, m’ont poussé à m’intéresser à ce sujet, afin de les appliquer au contrôle d’un système dynamique. L’apprentissage automatique étant actuellement au centre d’une large attention, il est intéressant de déterminer quelles sont les limitations et les différentes possibilités qu’apporte cette technologie ou qu’elle permettra d’atteindre dans un futur proche. Ce projet se base sur l’application d’une méthode d’apprentissage par renforcement publiée en 2017, la Proximal Policy Optimization (PPO), qui entraine un agent à assurer le pilotage des hélices du drone, sans connaissance préalable. Cet algorithme alterne entre simulation et optimisation des actions effectuées par cet agent afin de l’adapter à un environnement inconnu. Cette thèse, basée sur un ensemble de recherches mises en application, se révélera utile aux projets pour lesquels l’apprentissage automatique d’un régulateur présente un intérêt. Implémentation d'un contrôleur de vol basé sur la technologie "Machine Learning" pour un drone quadcopter [Travail de fin d'études] / Olivier Boegaerts, Auteur ; Mohamed Lalami, ; Ruben Hillewaere,  . - ECAM, 2019. SABCA Langues : Français (fre) Index. décimale : TFE - Automatique Résumé : Ce document est le fruit d’un travail de fin d’étude sur l’apprentissage automatique d’un régulateur, afin d’assurer la stabilité d’un drone quadcopter. Les développements récents de nouveaux algorithmes d’apprentissage, permettant la résolution de problèmes de plus en plus complexes, m’ont poussé à m’intéresser à ce sujet, afin de les appliquer au contrôle d’un système dynamique. L’apprentissage automatique étant actuellement au centre d’une large attention, il est intéressant de déterminer quelles sont les limitations et les différentes possibilités qu’apporte cette technologie ou qu’elle permettra d’atteindre dans un futur proche. Ce projet se base sur l’application d’une méthode d’apprentissage par renforcement publiée en 2017, la Proximal Policy Optimization (PPO), qui entraine un agent à assurer le pilotage des hélices du drone, sans connaissance préalable. Cet algorithme alterne entre simulation et optimisation des actions effectuées par cet agent afin de l’adapter à un environnement inconnu. Cette thèse, basée sur un ensemble de recherches mises en application, se révélera utile aux projets pour lesquels l’apprentissage automatique d’un régulateur présente un intérêt.

Exemplaires

Code-barres	Cote	Support	Localisation	Section	Disponibilité
aucun exemplaire

Documents numériques

Ce document n'est visible qu'après identification TFeReport_oBoegaerts_compressed.pdf Adobe Acrobat PDF

---

1 (1 - 1 / 1) Par page : 25 50 100 200