CN106919050A - 多旋翼无人机高速开环动作自适应学习方法 - Google Patents
多旋翼无人机高速开环动作自适应学习方法 Download PDFInfo
- Publication number
- CN106919050A CN106919050A CN201710211001.4A CN201710211001A CN106919050A CN 106919050 A CN106919050 A CN 106919050A CN 201710211001 A CN201710211001 A CN 201710211001A CN 106919050 A CN106919050 A CN 106919050A
- Authority
- CN
- China
- Prior art keywords
- parameter
- aerial vehicle
- unmanned aerial
- high speed
- open loop
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/047—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators the criterion being a time optimal performance criterion
Abstract
本发明提供一种多旋翼无人机高速开环动作自适应学习方法,包括:将动作定义为期望的初始状态和最终状态,确定标准参数化轨迹,选择标准参数,并利用代数约束工具减少自由参数数目;利用结合初始猜测的降阶模型和数值求解程序寻找标准参数及轨迹,并计算标准参数集的雅可比矩阵和校正矩阵;生成输入轨迹进行在线实验,并观测实验误差,对设计的动作进行修正,如果不满足参数约束,减少修正直到满足所述约束,再反复进行上述修正过程。本发明实施例的方法,可以为无人机的特技飞行提供一种简单、直观、快速的自适应学习方法,对于没有精确分析模型的系统也可以进行迭代学习,可以成为使快速、难以建模系统工作的有用工具。
Description
技术领域
本发明涉及多旋翼无人机控制技术领域,特别涉及一种多旋翼无人机高速开环动作自适应学习方法及系统。
背景技术
体积小、鲁棒、价格适中且动态性能优异的微型飞行器如多旋翼无人机在研究型实验室日益普及,它们完成了许多令人印象深刻的高质量空中运动控制演示。飞行器高速极限动作就如同生物跳跃等可以应对特殊状态的动作一样,对其完成任务及保证飞行安全非常有用。
现有的极限特技演示大多依靠细致调优、经验性系统辨识及自适应/学习算法的结合,以使飞行器能够准确和可靠地进行动作。因此许多方法在算法和计算量上都相当复杂。这里关键的难点在于对许多直升机及其它飞行器的飞行状态来说不存在精确的分析模型。
而在过去几十年内,人们在大尺寸直升机的高性能飞行建模上已经积攒了许多经验,这些经验应用于微型直升机高性能旋翼飞行策略的精确建模和表征也已经有了一些成果,存在许多专门针对特定条件的模型比如悬停、特定轴向运动、自动旋转和匀速平移运动。但是,已经有研究表明,由于微型直升机在空气动力学和其他物理特性方面与大尺寸直升机有较大差别,许多方法对微型直升机并不适用。
发明内容
本发明旨在至少在一定程度上解决上述技术问题之一或至少提供一种有用的商业选择。
为此,本发明的一个目的在于提出一种多旋翼无人机高速开环动作自适应学习方法。该方法简单、直观地为多旋翼无人机设计特殊的参数化的高性能运动,并提供了通过实验提高运动性能的迭代框架。
本发明的另一个目的在于提出一种多旋翼无人机高速开环动作自适应学习系统。
为了实现上述目的,本发明的第一方面的实施例公开了一种多旋翼无人机高速开环动作自适应学习方法,包括以下步骤:将动作定义为期望的初始状态和最终状态,直观确定标准参数化轨迹,选择标准参数,利用代数约束工具减少自由参数数目;利用结合初始猜测的降阶模型和数值求解程序寻找标准参数及轨迹,计算标准参数集的雅可比矩阵和校正矩阵;生成输入轨迹进行在线实验,观测实验误差,对设计的动作进行修正,如不满足参数约束,减少修正直到满足约束,再反复进行上述修正过程。
在一些示例中,所述动作被定义为初始状态x(0)、期望最终状态x*。
在一些示例中,所述标准系统由标准初始状态开始,选择标准参数p0并对动作结构进行直观分析以确定参数化标准控制轨迹,其中,标准参数集p0是满足的参数集,对应标准系统模型中的物理常数。
在一些示例中,所述方法选择尽可能少的可变参数,以减少自由参数数目。
在一些示例中,所述方法使用降阶模型选择p0,满足:
其中,是x*,是实际物理常数的标准模型。
在一些示例中,所述表达标准最终状态变化与参数变化关系的标准雅可比矩阵J为:
其中,采用数值有限差分法可以计算出J。
在一些示例中,所述校正矩阵C为雅可比矩阵J的右逆。
在一些示例中,迭代过程中的修正策略为:
pi+1=pi-γCei,
其中ei=xi-x*,pi和xi为第i步迭代之后的参数集和物理系统执行完动作之后的最终状态,误差写作如下形式
其中,对于0<γ<1而言,该式收敛到0。
在一些示例中,所述迭代过程需要测试是否满足参数约束,在每次迭代过程中,如果修正后违反了约束,缩小应用于当前参数集的修正直至新的参数集有效。
根据本发明实施例的多旋翼无人机高速开环动作自适应学习方法,可以为无人机的特技飞行提供一种简单、直观、快速的自适应学习方法,对于没有精确分析模型的系统也可以进行迭代学习,可以成为使快速、难以建模系统工作的有用工具。
本发明第二方面的实施例公开了一种多旋翼无人机高速开环动作自适应学习系统,包括:定义模块,用于将动作定义为期望的初始状态和最终状态,确定标准参数化轨迹,选择标准参数,并利用代数约束工具减少自由参数数目;计算模块,用于利用结合初始猜测的降阶模型和数值求解程序寻找标准参数及轨迹,并计算标准参数集的雅可比矩阵和校正矩阵;修正模块,用于生成输入轨迹进行在线实验,并观测实验误差,对设计的动作进行修正,如果不满足参数约束,减少修正直到满足所述约束。
根据本发明实施例的多旋翼无人机高速开环动作自适应学习系统,可以为无人机的特技飞行提供一种简单、直观、快速的自适应学习,对于没有精确分析模型的系统也可以进行迭代学习,可以成为使快速、难以建模系统工作的有用工具。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述的和/或附加的方面和优点结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明一个实施例的多旋翼无人机高速开环动作自适应学习方法的流程图;
图2为根据本发明的一个实施例的自适应多次翻转的参数化输入函数的示意图;
图3为根据本发明的一个实施例的根据初始参数猜测找到标准参数集的流程图;
图4为根据本发明一个实施例的多旋翼无人机高速开环动作自适应学习系统的结构框图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
图1为根据本发明的一个实施例的多旋翼无人机高速开环动作自适应学习方法的总体流程图。其中,本发明的一个实施例中,执行以悬停开始和结束的快速多次翻转。无人机先向上飞行,环绕其中的一个轴旋转N次,再回到原点,最后以在原点静止的悬停状态结束。本发明的一个实施例专注于在垂直Y-Z平面上运行的多旋翼飞行器。如图1所示,该方法包括以下步骤:
S1:定义动作为初始悬停状态x(0)、期望最终悬停状态x*。动作由两个固定的自定义参数定义:分别是应该执行的翻转次数cN和跟随的最大角速率cPmax,状态分别定义为:
x(0)=(0,0,0,0,0),
x*=(0,0,0,0,2πcN),
标准系统由标准初始状态开始,选择标准参数p0并对动作结构进行直观分析以确定参数化标准控制轨迹。标准化轨迹可直观分解为加速、旋转及之后恢复到悬停状态。其中标准参数集p0是满足的参数集,对应标准系统模型中的物理常数。
通过检查底层电机推力的相互约束推出角加速度和总加速度约束之间的耦合。令f1=f3=(f2+f4)/2,这样就只需要考虑f2和f4而使问题得到简化。于是得到以下约束
其中,最小和最大标准质量电机推力为β和m是飞行器的质量,fi为第i个螺旋桨产生的推力。
用三个角加速度和总推力的形式定义参考轨迹,如图2所示,动作被分为五个阶段:加速,开始旋转,滑行,停止旋转和复原,每个阶段的总推力被设为恒定,以减少总参数的数目。其中即该动作仅在垂直Y-Z平面上运行,参数p1,p2和p4分别被定义为加速度,滑行和复原阶段的持续时间。参数p0和p3是加速和复原阶段的标准质量的总推力命令,Ixx是忽略了非对角元素和忽略高阶影响的飞行器的惯性矩阵,l是飞行器中心到电机的距离,则旋转加速度和总推力命令为:
再用代数方法求解其他缺少的变量:
S2:对于初始参数猜测,方法的保守估计是,在加速和复原阶段90%的推力应用于垂直加速,并使用边界倒退的代数分析计算pg:
利用初始猜测pg,使用降阶模型和数值求解器选择p0,其依据为满足:
这里实际上就是x*,如图3所示,u(t,p)为图2中描绘的参数化输入函数,首先根据第一性原理使用标准数值积分器利用pg求解描述了系统动力学的差分方程,再用数值求解器求解以得到p0。是实际物理常数的标准模型,是实际的物理系统的经参数p操作之后的最终状态,如果确实有限,那么中重要的第一性原理的结果可以由可以由上式来进行表达,故所述表达标准最终状态变化与参数变化关系的标准雅可比矩阵J为:
并采用数值有限差分法计算J,假设J是满秩的,则意味着只表示要使用给定的参数所有的误差都能被修正。
其中,校正矩阵C为雅可比矩阵J的右逆。
步骤S3:迭代过程中的修正策略为:
pi+1=pi-γCei,
其中,ei=xi-x*代表总误差,pi和xi为第i步迭代之后的参数集和物理系统进行执行完动作之后的最终状态,误差写作如下形式:
对于0<γ<1来说该式收敛到0。在本发明的一个实施例中,可以使用了一个混合策略:γi=max(1/i,0.1),其中,i从1开始,使开始时的快速自适应和在长期过程中缓慢、一致和抗噪的自适应得到折衷。
所述迭代过程需要测试是否满足参数约束,如持续时间参数通常有非负约束,或推力参数应有最小/最大绝对值物理约束。在每次迭代过程中,如果修正后违反了约束,缩小应用于当前参数集的修正直至新的参数集可再次的有效。
根据本发明实施例的多旋翼无人机高速开环动作自适应学习方法,可以为无人机的特技飞行提供一种简单、直观、快速的自适应学习方法,对于没有精确分析模型的系统也可以进行迭代学习,可以成为使快速、难以建模系统工作的有用工具。本发明提出的方法可以方便地由实施例中的2D扩展到3D情况和多种其它的动作,适用于在较短持续时间、高性能、时间最优激发的具有直观性的开环动作的应用。
图4是根据本发明一个实施例的多旋翼无人机高速开环动作自适应学习系统的结构框图。如图4所示,根据本发明一个实施例的多旋翼无人机高速开环动作自适应学习系统400,包括:定义模块410、计算模块420和修正模块430。
其中,定义模块410用于将动作定义为期望的初始状态和最终状态,确定标准参数化轨迹,选择标准参数,并利用代数约束工具减少自由参数数目。计算模块420用于利用结合初始猜测的降阶模型和数值求解程序寻找标准参数及轨迹,并计算标准参数集的雅可比矩阵和校正矩阵。修正模块430用于生成输入轨迹进行在线实验,并观测实验误差,对设计的动作进行修正,如果不满足参数约束,减少修正直到满足所述约束。
根据本发明实施例的多旋翼无人机高速开环动作自适应学习系统,可以为无人机的特技飞行提供一种简单、直观、快速的自适应学习,对于没有精确分析模型的系统也可以进行迭代学习,可以成为使快速、难以建模系统工作的有用工具。本发明提出的方法可以方便地由实施例中的2D扩展到3D情况和多种其它的动作,适用于在较短持续时间、高性能、时间最优激发的具有直观性的开环动作的应用。
需要说明的是,本发明实施例的多旋翼无人机高速开环动作自适应学习系统的具体实现方式与本发明实施例的多旋翼无人机高速开环动作自适应学习方法的具体实现方式类似,具体请参见方法部分的描述,为了减少冗余,此处不做赘述。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多的用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种多旋翼无人机高速开环动作自适应学习方法,其特征在于,包括以下步骤:
S1:将动作定义为期望的初始状态和最终状态,确定标准参数化轨迹,选择标准参数,并利用代数约束工具减少自由参数数目;
S2:利用结合初始猜测的降阶模型和数值求解程序寻找标准参数及轨迹,并计算标准参数集的雅可比矩阵和校正矩阵;
S3:生成输入轨迹进行在线实验,并观测实验误差,对设计的动作进行修正,如果不满足参数约束,减少修正直到满足所述约束。
2.根据权利要求1所述的多旋翼无人机高速开环动作自适应学习方法,其特征在于,所述初始状态为x(0)、所述期望最终状态为x*。
3.根据权利要求1所述的多旋翼无人机高速开环动作自适应学习方法,其特征在于,标准系统由标准初始状态开始,选择标准参数p0,并对动作结构进行直观分析以确定参数化标准控制轨迹,其中,标准参数集p0是满足的参数集,对应标准系统中的物理常数。
4.根据权利要求1所述的多旋翼无人机高速开环动作自适应学习方法,其特征在于,选择尽少量可变参数,以减少自由参数数目。
5.根据权利要求1所述的多旋翼无人机高速开环动作自适应学习方法,其特征在于,使用降阶模型选择p0,满足:
其中,是x*,是实际物理常数的标准模型。
6.根据权利要求1所述的多旋翼无人机高速开环动作自适应学习方法,其特征在于,所述标准参数集的雅可比矩阵J为:
其中,采用数值有限差分法计算所述J。
7.根据权利要求6所述的多旋翼无人机高速开环动作自适应学习方法,其特征在于,所述校正矩阵C为雅可比矩阵J的右逆。
8.根据权利要求1所述的多旋翼无人机高速开环动作自适应学习方法,其特征在于,迭代过程中的修正策略为:
pi+1=pi-γCei,
其中,ei=xi-x*,pi和xi为第i步迭代之后的参数集和物理系统执行完动作之后的最终状态,误差形式为:
ei+1=J(pi-γCei-p0)+d
=J(pi-p0)+d-γei
=(1-γ)ei,
其中,对于0<γ<1而言收敛到0。
9.根据权利要求1所述的多旋翼无人机高速开环动作自适应学习方法,其特征在于,迭代过程中测试是否满足参数约束,并在每次迭代过程中,如果修正后违反所述约束,则缩小应用于当前参数集的修正直至新的参数集有效。
10.一种多旋翼无人机高速开环动作自适应学习系统,其特征在于,包括:
定义模块,用于将动作定义为期望的初始状态和最终状态,确定标准参数化轨迹,选择标准参数,并利用代数约束工具减少自由参数数目;
计算模块,用于利用结合初始猜测的降阶模型和数值求解程序寻找标准参数及轨迹,并计算标准参数集的雅可比矩阵和校正矩阵;
修正模块,用于生成输入轨迹进行在线实验,并观测实验误差,对设计的动作进行修正,如果不满足参数约束,减少修正直到满足所述约束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710211001.4A CN106919050B (zh) | 2017-03-31 | 2017-03-31 | 多旋翼无人机高速开环动作自适应学习方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710211001.4A CN106919050B (zh) | 2017-03-31 | 2017-03-31 | 多旋翼无人机高速开环动作自适应学习方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106919050A true CN106919050A (zh) | 2017-07-04 |
CN106919050B CN106919050B (zh) | 2019-09-17 |
Family
ID=59568505
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710211001.4A Active CN106919050B (zh) | 2017-03-31 | 2017-03-31 | 多旋翼无人机高速开环动作自适应学习方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106919050B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114415519A (zh) * | 2022-01-25 | 2022-04-29 | 佛山智能装备技术研究院 | 一种adrc扩张观测器参数快速收敛的实时优化方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103268102A (zh) * | 2013-05-09 | 2013-08-28 | 清华大学 | 任务、通信和拓扑交织的无人机集群协同控制方法 |
CN103809597A (zh) * | 2014-02-18 | 2014-05-21 | 清华大学 | 无人机的飞行路径规划方法及无人机 |
CN103995540A (zh) * | 2014-05-22 | 2014-08-20 | 哈尔滨工业大学 | 一种高超声速飞行器的有限时间轨迹快速生成方法 |
CN104714557A (zh) * | 2015-03-26 | 2015-06-17 | 清华大学 | 无人机定点环绕飞行的控制方法 |
CN104880722A (zh) * | 2015-03-25 | 2015-09-02 | 清华大学 | 无人机的gps速度及位置观测异常值检测方法 |
CN105116907A (zh) * | 2015-07-20 | 2015-12-02 | 清华大学 | 微型无人机数据传输及控制系统设计方法 |
-
2017
- 2017-03-31 CN CN201710211001.4A patent/CN106919050B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103268102A (zh) * | 2013-05-09 | 2013-08-28 | 清华大学 | 任务、通信和拓扑交织的无人机集群协同控制方法 |
CN103809597A (zh) * | 2014-02-18 | 2014-05-21 | 清华大学 | 无人机的飞行路径规划方法及无人机 |
CN103995540A (zh) * | 2014-05-22 | 2014-08-20 | 哈尔滨工业大学 | 一种高超声速飞行器的有限时间轨迹快速生成方法 |
CN104880722A (zh) * | 2015-03-25 | 2015-09-02 | 清华大学 | 无人机的gps速度及位置观测异常值检测方法 |
CN104714557A (zh) * | 2015-03-26 | 2015-06-17 | 清华大学 | 无人机定点环绕飞行的控制方法 |
CN105116907A (zh) * | 2015-07-20 | 2015-12-02 | 清华大学 | 微型无人机数据传输及控制系统设计方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114415519A (zh) * | 2022-01-25 | 2022-04-29 | 佛山智能装备技术研究院 | 一种adrc扩张观测器参数快速收敛的实时优化方法 |
CN114415519B (zh) * | 2022-01-25 | 2023-11-28 | 佛山智能装备技术研究院 | 一种adrc扩张观测器参数快速收敛的实时优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106919050B (zh) | 2019-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Learning to fly: computational controller design for hybrid uavs with reinforcement learning | |
Bosch et al. | Dynamic nonlinear aeroelastic model of a kite for power generation | |
Liersch et al. | Conceptual design and aerodynamic analyses of a generic UCAV configuration | |
Roccia et al. | Computational dynamics of flapping wings in hover flight: a co-simulation strategy | |
EP1376412B1 (en) | Autonomous experimental design optimization | |
CN106096194A (zh) | 基于可插拔式接口的固定翼飞行器快速建模设计方法 | |
Tian et al. | Automated generation of multiphysics simulation models to support multidisciplinary design optimization | |
Dussart et al. | Flight dynamic modelling and simulation of large flexible aircraft | |
Altenbuchner et al. | Modern Flexible Multi-Body Dynamics Modeling Methodology for Flapping Wing Vehicles | |
Saetti | Rotorcraft simulations with coupled flight dynamics, free wake, and acoustics | |
Bullo et al. | Simple mechanical control systems | |
Waite et al. | Active flutter suppression using reduced order modeling for transonic aeroservoelastic control law development | |
CN106919050A (zh) | 多旋翼无人机高速开环动作自适应学习方法 | |
CN106446466B (zh) | 基于可编辑配置参数接口的四旋翼快速建模设计方法 | |
Cook et al. | Investigation of genetic algorithm approaches for smart actuator placement for aircraft maneuvering | |
Wakefield et al. | Coupled flight mechanics based on reduced order models for use in tiltrotor stability analysis | |
Pohly et al. | Modeling freely flying monarch butterflies using a strongly coupled high fidelity numerical framework | |
Lin-Lin et al. | Three-dimensional numerical simulation of a bird model in unsteady flight | |
Sensmeier et al. | Rapid generation and assessment of aircraft structural topologies for multidisciplinary optimization and weight estimation | |
Demirel | Investigating trim algorithms for a utility helicopter | |
Hadjiev et al. | Comparative Investigation of VLM Codes for Joined-Wing Analysis | |
Timme | Transonic aeroelastic instability searches using a hierarchy of aerodynamic models | |
Bombardieri | Aerostructural optimization and aeroelasticity of new generation aircraft | |
Lickenbrock | Multi-fidelity, Multidisciplinary Design Analysis and Optimization of the Efficient Supersonic Air Vehicle | |
Ratcliff et al. | Virtual Flight Testing of High Performance Fighter Aircraft Using High-Resolution CFD |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |