Page 12 - Innovations in Intelligent Machines

XII Contents
State Estimation for Micro Air Vehicles
Randal W. Beard ................................................ 173
1 UAV State Variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174
2 Sensor Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 176
2.1 Rate Gyros ............................................. 176
2.2 Accelerometers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
2.3 Pressure Sensors . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
2.4 GPS ................................................... 179
3 Simulation Environment. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 180
4 State Estimation via Model Inversion . . . . . . . . . . . . . . . . . . . . . . . . . . . 182
4.1 Low Pass Filters . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 182
4.2 State Estimation by Inverting the Sensor Model . . . . . . . . . . . . . 183
5 The Continuous-Discrete Kalman Filter . . . . . . . . . . . . . . . . . . . . . . . . . 188
5.1 Dynamic Observer Theory . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189
5.2 Essentials from Probability Theory . . . . . . . . . . . . . . . . . . . . . . . . . 189
5.3 Continuous-Discrete Kalman Filter. . . . . . . . . . . . . . . . . . . . . . . . . 191
6 Application of the EKF to UAV State Estimation . . . . . . . . . . . . . . . . 195
6.1 Roll and Pitch Estimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195
6.2 Position and Course Estimation . . . . . . . . . . . . . . . . . . . . . . . . . . . 197
7 Summary. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 198
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 198
Evolutionary Design of a Control Architecture
for Soccer-Playing Robots
Steffen Pr¨uter, Hagen Burchardt, and Ralf Salomon .................. 201
1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 201
2 The Slip Problem ............................................ 204
2.1 Slip and Friction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 204
2.2 Experimental Analysis. ................................... 205
2.3 Self-Organizing Kohonen Feature Maps and Methods . . . . . . . . . 206
2.4 Results ................................................. 207
3 Improved Position Prediction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 209
3.1 Latency Time . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 209
3.2 Experimental Analysis. ................................... 210
3.3 Back-Propagation Networks and Methods . . . . . . . . . . . . . . . . . . . 211
4 Local Position Correction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 213
4.1 Increased Position Accuracy by Local Sensors . . . . . . . . . . . . . . . 213
4.2 Embedded Back-Propagation Networks . . . . . . . . . . . . . . . . . . . . . 213
4.3 Methods ................................................ 214
4.4 Results ................................................. 215
5 Path Planning using Genetic Algorithms . . . . . . . . . . . . . . . . . . . . . . . . 217
5.1 Gene Encoding .......................................... 218
5.2 Fitness Function . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 218
5.3 Evolutionary operations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 219
5.4 Continous calculation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 219
5.5 Calculation Time . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 220