DOI: https://doi.org/10.5267/j.ijiec.2026.1.004
تاريخ النشر: 2026-01-01
المؤلف: Shi Qiu وآخرون
الموضوع الرئيسي: تصميم هندسي احتمالي وقوي
نظرة عامة
تقدم هذه الورقة البحثية إطارًا جديدًا لتقدير عدم اليقين (UQ) في الطائرات بدون طيار (UAVs)، مع معالجة التحديات التي تطرحها المعلمات غير المؤكدة مثل كثافة الهواء ومعاملات الديناميكا الهوائية. يبرز المؤلفون قيود طرق تقدير عدم اليقين التقليدية، التي تعتمد غالبًا على توزيعات سابقة ذات طابع شخصي. بدلاً من ذلك، يقترحون طريقة تستفيد من بيانات الرحلات التاريخية لتقدير المعلمات من خلال الاستدلال بايزي، ثم دمج هذه التقديرات مع المعرفة السابقة لإنشاء توزيعات أكثر موضوعية. يعزز هذا النهج قوة استراتيجيات التحكم ويخفف من مخاطر الهوامش الأمنية المفرطة الحذر.
تظهر الدراسة فعالية إطار تقدير عدم اليقين المقترح من خلال تحقيق خطأ نسبي أقل من 10% في تقدير المعلمات اللاحقة وتغطية تزيد عن 90% من بيانات الرحلات الفعلية. بالإضافة إلى ذلك، فإن استخدام توسيع فوضى متعدد الحدود (PCE) يسرع عمليات تقدير عدم اليقين، مما يحقق تسريعًا بمقدار 23 مرة مقارنة بأساليب مونت كارلو مع الحفاظ على خطأ أقل من 5% في إحصائيات المخرجات. تحدد الأبحاث المعلمات الحرجة التي تؤثر على أداء الطائرات بدون طيار عبر مراحل الرحلة المختلفة، مثل الدفع أثناء الصعود والرياح أثناء الطيران، مما يساهم في إبلاغ استراتيجيات التصميم والتحكم. تهدف الأعمال المستقبلية إلى توسيع هذا الإطار ليشمل الطائرات بدون طيار متعددة الدوارات وتطبيقات الوقت الحقيقي، مما يسهم في عمليات طيران أكثر أمانًا وكفاءة للطائرات بدون طيار.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على الاعتماد المتزايد على الطائرات بدون طيار (UAVs) للعمليات الدقيقة واتخاذ القرارات المستقلة، مع التأكيد على أن أداء رحلاتها يتأثر بشكل متزايد بعدم اليقين في المعلمات الداخلية والاضطرابات البيئية الخارجية. على عكس الطائرات المأهولة، تواجه الطائرات بدون طيار، وخاصة النماذج ذات الأجنحة الثابتة، تباينًا كبيرًا في المعلمات الديناميكية بسبب عوامل مثل الشيخوخة وتآكل المحركات. تؤدي طرق تقدير عدم اليقين التقليدية (UQ)، التي تستخدم غالبًا نماذج ثابتة تعتمد على القيم الاسمية، إلى عدم دقة في توقعات المسار وقوة التحكم. تقدم التطورات الأخيرة في تقدير عدم اليقين القائم على البيانات، وخاصة من خلال الاستدلال بايزي، نهجًا واعدًا لمعايرة المعلمات ولكنها تواجه تحديات في الديناميات غير الخطية عالية الأبعاد، بما في ذلك عدم الكفاءة الحسابية.
لمعالجة هذه التحديات، تقترح الورقة إطارًا جديدًا لتقدير عدم اليقين مع مراعاة المراحل (Phase-Aware UQ، PA-UQ) مصممًا لمهام الطائرات بدون طيار المتكررة. يدمج هذا الإطار الانحدار باستخدام العمليات الغاوسية (GPR) لتقريب دالة الاحتمالية بكفاءة وتوسيع فوضى متعدد الحدود (PCE) لانتشار عدم اليقين بسرعة. تشمل الابتكارات الرئيسية محرك استدلال بايزي يقلل بشكل كبير من وقت تقدير المعلمات، وآلية دمج بين السابق واللاحق لتحقيق التوازن بين التحديثات المدفوعة بالبيانات والمعرفة الميدانية، ووحدة تحليل الحساسية الديناميكية التي تلتقط الطبيعة المتغيرة للوقت لمصادر عدم اليقين طوال دورة رحلة الطائرة بدون طيار. يظهر الأسلوب المقترح تسريعًا بمقدار 23 مرة في انتشار عدم اليقين مع الحفاظ على خطأ نسبي أقل من 10% في تقدير المعلمات، مما يحدد بفعالية عدم اليقين الحرج خلال مراحل الرحلة المختلفة. يمثل هذا الإطار تقدمًا كبيرًا على طرق تقدير عدم اليقين التقليدية، حيث يقدم أداة قوية لتخطيط مهام الطائرات بدون طيار بناءً على رؤى قائمة على البيانات.
طرق
في هذا القسم، يحدد المؤلفون الإعداد التجريبي المصمم للتحقق من إطار تقدير عدم اليقين (UQ) الخاص بهم للطائرات بدون طيار (UAVs)، والذي يدمج الاستدلال بايزي وتوسيع فوضى متعدد الحدود (PCE). تتضمن عملية التحقق محاكاة منهجية تستخدم بيانات رحلات اصطناعية، والتي توفر حقيقة أرضية قابلة للتحكم، وبيانات رحلات حقيقية لتقييم القابلية العملية. تهدف المحاكاة إلى تحقيق ثلاثة أهداف رئيسية: (1) التحقق من دقة تقدير المعلمات بايزي للمعلمات غير المؤكدة للطائرات بدون طيار؛ (2) مقارنة أداء PCE في انتشار عدم اليقين ضد طرق مونت كارلو التقليدية (MC)؛ و(3) تحليل مؤشرات الحساسية الديناميكية لتحديد المعلمات الحرجة، مما يحقق التحقق من فائدة الإطار في توجيه تصميم الطائرات بدون طيار والتحكم.
تشمل المعلمات غير المؤكدة التي تم النظر فيها الانحرافات الديناميكية الهوائية، وتقلبات الدفع، واضطرابات الرياح، كما هو موضح في الجدول 6. تستخدم المنهجية خوارزمية ماركوف تشين مونت كارلو (MCMC) من نوع متروبوليس التكيفية (AM) مع 30,000 تكرار (بما في ذلك 10,000 تكرار للتسخين)، إلى جانب الانحدار باستخدام العمليات الغاوسية (GPR) مع 500 نقطة تدريب وحد عتبة تحسين محلي قدره 0.5. بالإضافة إلى ذلك، يتم استخدام فلتر الجسيمات (PF) مع 2,000 جسيم، جنبًا إلى جنب مع تقليم مفرط وعينة هايبر بوليكية (LHS) تتضمن 300 عينة بناءً على معيار الماكسيمين. للتحقق من انتشار عدم اليقين، يتم إجراء محاكاة MC مع 100,000 عينة لضمان التقارب لحسابات التباين.
نتائج
يقدم قسم النتائج إطارًا شاملًا للاستدلال بايزي لتقدير المعلمات غير المؤكدة في الطائرات بدون طيار، مما يدمج المعرفة السابقة مع رؤى قائمة على البيانات لتخفيف الثقة المفرطة في غياب بيانات الرحلات التاريخية. تشمل المساهمات الرئيسية نموذج حالة غير خطي لحركة الطائرات بدون طيار الطولية، وفلتر جسيمات بايزي (BPF) لتقريب الاحتمالية، وخوارزمية متروبوليس التكيفية لتحقيق تقارب MCMC بكفاءة، ونموذج بديل باستخدام الانحدار مع العمليات الغاوسية (GPR) الذي يسرع حسابات الاحتمالية بحوالي 50 مرة. يهدف هذا الإطار إلى تعزيز دقة توقعات مسار الطائرات بدون طيار وتحديد المعلمات الحرجة لتقدير عدم اليقين (UQ).
تتحقق نتائج المحاكاة من فعالية نهج الاستدلال بايزي باستخدام كل من بيانات الرحلات الاصطناعية والحقيقية، مما يظهر فعاليته في تقدير توزيعات المعلمات اللاحقة للطائرات بدون طيار. تحقق الطريقة معدلات تغطية توقعات عالية للمخرجات الرئيسية، مثل الارتفاع والسرعة. بالإضافة إلى ذلك، يكشف تحليل انتشار عدم اليقين أن طريقة توسيع فوضى متعدد الحدود (PCE) تتفوق بشكل كبير على طريقة مونت كارلو (MC) من حيث الكفاءة الحسابية، حيث تحقق أخطاء نسبية أقل من 10% لمختلف الإحصائيات مع توفير تسريع بمقدار 23 مرة. يحدد تحليل الحساسية الديناميكية المعلمات الحرجة التي تؤثر على عدم اليقين في مخرجات الطائرات بدون طيار، مما يبرز أهمية انحراف الدفع أثناء مرحلة الصعود والرياح الأفقية أثناء الطيران، مما يساهم في توجيه جهود تحسين التصميم والتحكم.
مناقشة
في هذا القسم، يقدم المؤلفون إطارًا شاملاً لنمذجة ديناميات الطائرات بدون طيار (UAVs) من خلال سلسلة من الصيغ الرياضية والتحولات. تبدأ المناقشة بإنشاء نموذج محاكاة يحدد ثلاثة أنظمة إحداثيات متعامدة لضمان الاتساق في حسابات القوة والعزم. يتم اشتقاق النموذج الديناميكي الطولي، مع التركيز على حركة الطائرة بدون طيار في مستوى O-XY والمحور Z، مع إهمال الحركات الجانبية، وهو ما يكون صحيحًا في ظل ظروف الطيران الثابت مع زاوية هجوم صغيرة (α < 10°). يستخدم المؤلفون قانون نيوتن الثاني لصياغة المعادلات الديناميكية، مع دمج الكتلة الفورية للطائرة بدون طيار وتأثيرات الدفع والقوى الديناميكية الهوائية والقوى الجاذبية. يتناول القسم أيضًا تحويل متجهات القوة إلى نظام الإحداثيات الخاص بالإطلاق، موضحًا تحليل الدفع والرفع وقوى السحب. يستخدم المؤلفون صيغ ديناميكية هوائية قياسية لحساب هذه القوى ويطبقون مصفوفات تحويل الإحداثيات لرسمها في إطار الإطلاق. بالإضافة إلى ذلك، يقدمون إطار استدلال بايزي لتقدير عدم اليقين في المعلمات، مما يدمج بيانات الرحلات التاريخية مع المعرفة السابقة لتعزيز دقة توقعات المسار. كما يتم مناقشة استخدام طرق ماركوف تشين مونت كارلو (MCMC) لتقدير المعلمات اللاحقة والانحدار باستخدام العمليات الغاوسية (GPR) لتسريع الاحتمالية، مع تسليط الضوء على الكفاءة الحسابية المكتسبة من خلال هذه التقنيات. بشكل عام، يضع هذا القسم الأساس لنموذج ديناميكي قوي للطائرات بدون طيار يعالج عدم اليقين في ديناميات الطيران ويعزز استراتيجيات التحكم من خلال طرق إحصائية متقدمة.
DOI: https://doi.org/10.5267/j.ijiec.2026.1.004
Publication Date: 2026-01-01
Author(s): Shi Qiu et al.
Primary Topic: Probabilistic and Robust Engineering Design
Overview
This research paper presents a novel framework for uncertainty quantification (UQ) in unmanned aerial vehicles (UAVs), addressing the challenges posed by uncertain parameters such as air density and aerodynamic coefficients. The authors highlight the limitations of traditional UQ methods, which often rely on subjective prior distributions. Instead, they propose a method that leverages historical flight data to estimate parameters through Bayesian inference, subsequently integrating these estimates with prior knowledge to create more objective distributions. This approach enhances the robustness of control strategies and mitigates the risks of overly conservative safety margins.
The study demonstrates the effectiveness of the proposed UQ framework by achieving less than 10% relative error in posterior parameter estimation and over 90% coverage of actual flight data. Additionally, the use of Polynomial Chaos Expansion (PCE) accelerates UQ processes, yielding a 23-fold speedup compared to Monte Carlo methods while maintaining less than 5% error in output statistics. The research identifies critical parameters influencing UAV performance across different flight phases, such as thrust during climbs and wind during cruising, thereby informing design and control strategies. Future work aims to extend this framework to multi-rotor UAVs and real-time applications, ultimately contributing to safer and more efficient UAV operations.
Introduction
The introduction of this research paper highlights the growing reliance on unmanned aerial vehicles (UAVs) for precise operations and autonomous decision-making, emphasizing that their flight performance is increasingly influenced by internal parameter uncertainties and external environmental disturbances. Unlike manned aircraft, UAVs, particularly fixed-wing models, experience significant variability in dynamic parameters due to factors such as aging and actuator wear. Traditional uncertainty quantification (UQ) methods, which often use static models based on nominal values, lead to inaccuracies in trajectory predictions and control robustness. Recent advancements in data-driven UQ, particularly through Bayesian inference, offer a promising approach for parameter calibration but face challenges in high-dimensional nonlinear dynamics, including computational inefficiencies.
To address these challenges, the paper proposes a novel phase-aware uncertainty quantification framework (Phase-Aware UQ, PA-UQ) tailored for repetitive UAV tasks. This framework integrates Gaussian Process Regression (GPR) for efficient likelihood function approximation and Polynomial Chaos Expansion (PCE) for rapid uncertainty propagation. Key innovations include a Bayesian reasoning engine that significantly reduces parameter estimation time, a prior-posterior fusion mechanism to balance data-driven updates with domain knowledge, and a dynamic sensitivity analysis module that captures the time-varying nature of uncertainty sources throughout the UAV flight cycle. The proposed method demonstrates a 23-fold acceleration in uncertainty propagation while maintaining a relative error of less than 10% in parameter estimation, effectively identifying critical uncertainties during different flight phases. This framework represents a significant advancement over traditional UQ methods, offering a robust tool for UAV mission planning based on data-driven insights.
Methods
In this section, the authors outline the experimental setup designed to validate their uncertainty quantification (UQ) framework for unmanned aerial vehicles (UAVs), which integrates Bayesian inference and Polynomial Chaos Expansion (PCE). The validation process involves systematic simulations utilizing both synthetic flight data, which provides a controllable ground truth, and real flight data to assess practical applicability. The simulations aim to achieve three primary objectives: (1) to verify the accuracy of Bayesian parameter estimation for uncertain UAV parameters; (2) to compare the performance of PCE in uncertainty propagation against traditional Monte Carlo (MC) methods; and (3) to analyze dynamic sensitivity indices to identify critical parameters, thereby validating the framework’s utility in guiding UAV design and control.
The uncertain parameters considered include aerodynamic deviations, thrust fluctuations, and wind disturbances, as detailed in Table 6. The methodology employs Adaptive Metropolis (AM) Markov Chain Monte Carlo (MCMC) with 30,000 iterations (including a 10,000 iteration burn-in), alongside Gaussian Process Regression (GPR) with 500 training points and a local refinement threshold of 0.5. Additionally, a particle filter (PF) with 2,000 particles is utilized, along with hyperbolic truncation and Latin Hypercube Sampling (LHS) involving 300 samples based on the maximin criterion. For uncertainty propagation validation, a MC simulation is conducted with 100,000 samples to ensure convergence for variance calculations.
Results
The results section presents a comprehensive Bayesian inference framework for estimating uncertain parameters in UAVs, integrating prior knowledge with data-driven insights to mitigate overconfidence in the absence of historical flight data. Key contributions include a nonlinear state-space model for UAV longitudinal motion, a Bayesian Particle Filter (BPF) for likelihood approximation, an Adaptive Metropolis algorithm for efficient MCMC convergence, and a Gaussian Process Regression (GPR) surrogate model that accelerates likelihood calculations by approximately 50 times. This framework aims to enhance the accuracy of UAV trajectory predictions and identify critical parameters for uncertainty quantification (UQ).
Simulation results validate the Bayesian inference approach using both synthetic and real flight data, demonstrating its effectiveness in estimating posterior distributions of UAV parameters. The method achieves high prediction coverage rates for key outputs, such as altitude and velocity. Additionally, uncertainty propagation analysis reveals that the Polynomial Chaos Expansion (PCE) method significantly outperforms the Monte Carlo (MC) method in terms of computational efficiency, achieving relative errors below 10% for various statistics while providing a 23-fold speedup. Dynamic sensitivity analysis identifies critical parameters influencing UAV output uncertainty, highlighting the importance of thrust deviation during the climb phase and horizontal wind during cruising, thereby guiding design and control optimization efforts.
Discussion
In this section, the authors present a comprehensive framework for modeling the dynamics of unmanned aerial vehicles (UAVs) through a series of mathematical formulations and transformations. The discussion begins with the establishment of a simulation model that defines three orthogonal coordinate systems to ensure consistency in force and moment calculations. The longitudinal dynamic model is derived, focusing on the UAV’s motion in the O-XY plane and Z-axis, while neglecting lateral movements, which is valid under steady cruising conditions with a small attack angle (α < 10°). The authors utilize Newton's second law to formulate the dynamic equations, incorporating the UAV's instantaneous mass and the effects of thrust, aerodynamic forces, and gravitational forces. The section further elaborates on the transformation of force vectors into the launch coordinate system, detailing the decomposition of thrust, lift, and drag forces. The authors employ standard aerodynamic formulas to calculate these forces and apply coordinate transformation matrices to map them into the launch frame. Additionally, they introduce a Bayesian inference framework to quantify parameter uncertainty, integrating historical flight data with prior knowledge to enhance trajectory prediction accuracy. The use of Markov Chain Monte Carlo (MCMC) methods for posterior estimation and Gaussian Process Regression (GPR) for likelihood acceleration is also discussed, highlighting the computational efficiency gained through these techniques. Overall, this section lays the groundwork for a robust UAV dynamic model that addresses uncertainties in flight dynamics and enhances control strategies through advanced statistical methods.