Reinforcement learning based coaxial multicopter control for electrical vertical take off and landing

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, AVİYONİK MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye

Tezin Onay Tarihi: 2025

Tezin Dili: İngilizce

Öğrenci: MUHAMMED ALİ KUL

Danışman: Ufuk Sakarya

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Bu tez, derin pekiştirmeli öğrenmenin (RL) elektrikli dikey kalkış ve iniş (eVTOL) senaryolarında koaksiyel multikopterlerin kontrolünde uygulanabilirliğini incelemekte olup, özellikle Yakın Politika Optimizasyonu (PPO) yöntemine odaklanmaktadır. Geleneksel oransal–integral–türev (PID) denetleyicileri, koaksiyel rotor sistemlerine özgü karmaşık aerodinamik etkileşimleri yönetmede sınırlılıklar göstermektedir. Bu zorluklara çözüm olarak, koaksiyel yapılandırmalara özel olarak uyarlanmış, değiştirilmiş bir Kanat Elemanı Momentum Teorisi (BEMT) modeli önerilmektedir. Geliştirilmiş aerodinamik model, deneysel itki ölçümleriyle +/-%10 doğrulukla doğrulanmış ve kapsamlı bir MATLAB/Simulink ortamına entegre edilmiştir. Sabit konum (hover) modunda kontrol performansı; açık çevrim (kontrolsüz), geleneksel PID ve PPO tabanlı RL olmak üzere üç farklı strateji altında değerlendirilmiştir. Simülasyon çerçevesi, gerçekçi fizik modellemesi, alan rastgeleleştirmesi (domain randomization) ve müfredat öğrenimi (curriculum learning) yöntemlerini içermekte olup, dayanıklı denetleyici gelişimini sağlamayı hedeflemektedir. Sonuçlar, PPO ile eğitilmiş RL ajanının, PID tabanlı sisteme kıyasla yaklaşık %30 daha hızlı denge sağladığını, +/-%10 yük değişimlerine %5'in altında aşım ile tolerans gösterdiğini ve dış etkilere karşı %13 enerji verimliliği sağladığını ortaya koymaktadır. RL denetleyicisi, 3 m/s'ye kadar rüzgâr darbelerinde kararlılığını koruyabilmekte ve değişen uçuş koşullarına etkin şekilde uyum sağlayabilmektedir. Bu çalışma ayrıca, GPS olmayan (GPS-denied) ortamlarda kullanılmak üzere multikopterlerin navigasyon sistemlerinde yapılacak yükseltmelerde %99.1'e varan maliyet azaltımı potansiyelini ($115.000'dan $1.000 altına) ve tüketici seviyesindeki donanım (NVIDIA RTX 2080 Ti) ile 10 saatin altında eğitim süresi elde edilebildiğini göstermektedir. Bu bulgular, RL tabanlı kontrolün ticari eVTOL platformları için uygulanabilirliğini desteklemekte ve otonom kentsel hava taşımacılığı sistemlerinin gelişimine katkı sunmaktadır.