¿Puede una red neuronal aprender a controlar un cuadricóptero?

Para responder a esa pregunta construí un simulador de un cuadricóptero con seis grados de libertad. El modelo incluye actuadores, perturbaciones y trayectorias que pueden repetirse para comparar los resultados.

Primero ajusté controladores clásicos PD y generé ejemplos de su comportamiento. Después entrené tres tipos de redes —MLP, GRU y LSTM— para imitar la fuerza que esos expertos piden al dron. Las redes sustituyen el lazo externo de control de posición, mientras que el lazo interno clásico sigue estabilizando la actitud.

GRU y LSTM imitaron mejor la fuerza del experto, pero MLP siguió mejor las trayectorias de círculo y Lissajous en las trayectorias conocidas. En trayectorias diferentes de las usadas durante el entrenamiento, el comportamiento cambió según el caso y aparecieron fallos. Ninguna arquitectura fue superior en todos los casos.

El estudio es simulado: simplifica aerodinámica, viento y sensores, y no demuestra comportamiento en un dron real. La memoria describe las 184 ejecuciones de prueba y 80 fuera de distribución, con ocho controladores por escenario: cuatro PD de familia, tres redes y un PD representativo. La memoria detalla los criterios y limitaciones.

Conocer NeuroFlight y su guía local. Sus simulaciones nuevas y modelos regenerados no son los resultados históricos del TFG.