Tez No	İndirme	Tez Künye	Durumu
582600		A comparative study of learning based control policies and conventional controllers on 2D bi-rotor platform with tail assistance / Öğrenme temelli kontrolcüler ile geleneksel kontrolcülerin iki boyutta kuyrukla desteklenmiş iki rotorlu uçan robotik platform üzerinde karşılaştırmalı çalışması Yazar:HALİL İBRAHİM UĞURLU Danışman: DOÇ. DR. AFŞAR SARANLI ; DOÇ. DR. SİNAN KALKAN Yer Bilgisi: Orta Doğu Teknik Üniversitesi / Fen Bilimleri Enstitüsü / Elektrik-Elektronik Mühendisliği Ana Bilim Dalı Konu:Elektrik ve Elektronik Mühendisliği = Electrical and Electronics Engineering Dizin:	Onaylandı Yüksek Lisans İngilizce 2019 79 s.
Gelişen teknoloji ile birlikte çok rotorlu platformlar yaygınlaştı ve kontrolleri önemli bir problem haline geldi. Bu tezde, rotor platformlarının daha iyi kontrolü için fiziksel uzantıları ve kontrol yaklaşımlarını analiz ediyoruz. Tezin ilk ana katkısı, çok rotorlu bir platformun altına yerleştirilmiş kuyruk eklentisinin çoklu rotorun performansını arttırıp arttırmayacağıdır. Ayrıca, kuyruk eklentisi olan veya olmayan rotor platformalarını kontrol etmek için geleneksel kontrol yaklaşımlarının yanı sıra Derin Pekiştirmeli Öğrenme'yi de kullandık. Derin Pekiştirmeli Öğrenme ile daha iyi eğitim ve test performansı elde etmek için, eğitim örneklerinin zorluğunun kademeli olarak arttığı bir müfredatla öğrenme yaklaşımı kullandık. Deneyler için, üç boyutlu bir dört-rotorun iki boyuttaki karşılığı olan iki-rotorlu uçan sistemi için bir benzetim ortamı geliştirdik. Her iki kontrol stratejisini, bu simülasyon ortamında kuyruk eklemesi olan ve olmayan platformun kontrolü için titizlikle analiz ettik.
With the developing technology, multi-rotor platforms have become widespread and their control has become an important problem. In this thesis, we analyze physical extensions and control approaches for better control of rotor platforms. The first main contribution of the thesis is whether a tail-appendage that is attached under a multi-rotor platform can improve the multi-rotor's performance. Moreover, we used conventional control approaches as well as Deep Reinforcement Learning to learn a policy for controlling rotor platforms with or without tail appendage. To obtain better training and testing performance with Deep Reinforcement Learning, we adopted a curricular learning approach, where the difficulty of training samples is gradually increased. For the experiments, a two-dimensional simulation environment is developed to simulate a bi-rotor flying system, the counterpart of quad-rotors in three-dimensions. Both control strategies are rigorously analyzed for controlling the platform with and without tail appendage in this simulation environment.