fa تخمین پارامترهای فیزیکی پهپاد عمود-پرواز هشت-ملخه Y-شکل منتظم با به‌کارگیری روش ترکیبی فیلتر کالمن غیرخطی و کمینه مربعات بازگشتی کنترل Control پژوهشي Research در این مقاله، پارامترهای فیزیکی پهپاد عمود-پرواز هشت-ملخه (اکتاروتور)، با تعداد حسگر کمتر از طول بردار حالت و اندازه‌گیری‌های آلوده به نویز و مدل غیرخطی تخمین زده شده‌اند. این کار به کمک ترکیب روش‌های مبتنی بر فیلتر کالمن و روش کمینه مربعات بازگشتی (RLS) انجام شده است. دانستن مقدار نسبتا دقیق این پارامترها کمک می‌کند که بتوانیم یک کنترل‌کننده‌ی مدل-محور مناسب طراحی کنیم. پارامترهای تخمین زده شده عبارتند از: گشتاورهای لختی بدنه (I_x و I_y و I_z)، گشتاور لختی چرخانه (J_r)، ضریب رانش (b) و ضریب پَسار (d). برای این که مساله به واقعیت نزدیک‌تر باشد، فرض شده است که (۱) از دوازده حالت سیستم، تنها شش حالت قابل اندازه‌گیری هستند؛ (۲) اندازه‌گیری‌ها نویزآلود هستند. از این رو، ابتدا شش حالت نامعلوم به وسیله‌ی فیلتر مناسب از خانواده‌ی کالمن تخمین زده شده‌اند. سپس، حالت‌های تخمین‌زده شده در تخمین پارامترها به کمک روش RLS به‌کارگیری شده‌اند. عملیات تخمین پیشنهادی به صورت برخط و در حین پرواز پرنده قابل انجام است. از آنجا که تخمین پارامترها، نیازمند داده‌هایی با غنای کافی است، برای اکتساب داده در حال پرواز، حلقه‌ی کنترلی با یک کنترل‌کننده‌ی PID با تنظیم نه چندان دقیق بسته شده است. نتایج شبیه‌سازی انواع آزمایش‌های انجام شده، موید موفقیت‌آمیز بودن طرح پیشنهادی برای شناسایی سیستم است.<br> &nbsp; <div style="text-align: justify;">In this paper, the physical parameters of a Y-shaped octarotor (8-propeller VTOL UAV) have been estimated using a combination of Kalman-filter-based methods and the recursive least squares (RLS) method, where the number of sensors is less than the length of the state vector and the measurements are noisy. Knowing the relatively accurate value of the parameters helps designing a suitable model-oriented controller. The estimated parameters are: the body moments of inertia (I_x, I_y, and I_z), the rotor moment of inertia (J_r), the thrust coefficient (b), and the drag coefficient (d). To make the problem closer to reality, it is assumed that: (1) Out of 12 system states, only 6 states are measurable; (2) The measurements are noisy. Therefore, 6 unknown states are estimated by suitable filter from the Kalman family, at first. Then, the estimated states are used in the parameter estimation using the RLS method. The proposed estimation operation can be performed online and during the flight of the drone. Since the parameter estimation requires data with sufficient richness, for on-the-fly data acquisition, the control loop is closed with a not-precisely-tuned PID controller. The simulation results for various scenarios confirm the success of the proposed identification plan.</div> پهپاد چند-ملخه, پرنده‌ی عمود-پرواز, شناسایی سیستم, تخمین پارامتر, فیلتر کالمن توسعه‌یافته, فیلتر کالمن بی‌اثر, روش کمینه مربعات بازگشتی Multirotor, VTOL UAV, Identification, Parameter Estimation, Extended Kalman Filter, Unscented Kalman Filter, Recursive Least Squares (RLS) 118 127 http://jiaeee.com/browse.php?a_code=A-10-3022-1&slc_lang=fa&sid=1 Arya Aghili-Ashtiani آریا عقیلی آشتیانی arya.aghili@tafreshu.ac.ir 100319475328460013118 100319475328460013118 Yes Tafresh University دانشکده مهندسی برق- دانشگاه تفرش Mohammad Barati محمد براتی baraty.mohmd@gmail.com 100319475328460013119 100319475328460013119 No Tafresh University دانشکده مهندسی برق- دانشگاه تفرش