Sistema de Control de un Vehculo Areo Autnomo Pequeo

S. Olivera & A. Gauthier (Asesor)

Facultad de Ingeniera Elctrica y Electrnica. Universidad de Los Andes

RESUMEN: En este artculo se presentan los resultados del proceso de diseo del sistema de control necesario para dar autonoma de vuelo a un aeromodelo convencional. El mecanismo de control est basado en un sistema de inferencia difuso tipo Mandani. En cada etapa del diseo se tuvieron como premisas fundamentales la modularidad y sencillez de implementacin del sistema final. El desempeo del sistema se compar con otras soluciones reportadas en la literatura con el fin de determinar sus ventajas. ABSTRACT: In this paper results from the control system design process for an autonomous model aircraft are presented. The control mechanism is based on a Mandani type fuzzy inference system. In every design stage, modularity and implementation simplicity were the fundamentals. System performance was compared to some other solutions reported in literature in order to determine its strengths. 1 INRODUCCIN Recientemente se ha despertado un gran inters en desarrollar tecnologa relacionada con vehculos autnomos no tripulados (Autonomous Unmanned Vehicles: AUVs) dado que estos sistemas ofrecen la posibilidad de desarrollar tareas repetitivas, peligrosas o de recoleccin de informacin en ambientes hostiles o remotos sin necesidad de interaccin humana directa. Ms especficamente, el desarrollo de vehculos areos no tripulados (Unmanned Aerial Vehicles: UAVs) permite incluir muchas de las inmensas ventajas de los artefactos voladores tradicionales en el diseo de modelos autnomos de bajo costo y gran versatilidad que dan origen a mltiples aplicaciones comerciales, militares y de investigacin entre otras. 2 ANTECEDENTES Desde hace ya algunos aos, gracias al creciente nmero de aplicaciones en las que la mejor herramienta ha probado ser ste tipo de dispositivos, la cantidad de recursos dedicados a investigacin en vehculos areos autnomos, tanto en la industria como en la academia, ha crecido vertiginosamente. Anteriormente, el diseo de sistemas de navegacin area se realizaba para el uso especfico de un tipo de aeronave, resultando en diseos poco flexibles y casi imposibles de actualizar (Schoenwald 2000). Al igual que en muchas otras aplicaciones, generalmente las herramientas de control utilizadas en este tipo de sistemas estn basadas en soluciones tradicionales como diversas configuraciones de reguladores PID (ProporcionalIntegral-Derivativo) (Kahn & Kannan 2000, Johnson et Al. 1996, Musial et Al. 2000), que a pesar de haber demostrado su eficiencia y excelente desempeo en algunas reas, an son diseadas utilizando tcnicas bastante empricas (aunque ha habido algunos desarrollos en cuanto a estabilidad (Silva, G. et Al 2002)) y no son las ms adecuadas a la hora de pensar en sistemas no lineales y variables en el tiempo. Entidades como NASA (National Aeronautic and Space Administration) utilizan modelos de prueba autnomos no tripulados para sus investigaciones y administran completas bases de datos de un gran nmero de empresas que ofrecen diferentes servicios relacionados con UAVs (National Aeronautics and

Space Administration 2002). Empresas como Schiebel ofrecen soluciones de este tipo a problemas tan crticos para la humanidad como el desminado humanitario de inmensas regiones que quedan inhabitables despus de la guerra; su solucin, el Campcopter, utiliza sensores infrarojos para detectar dispositivos explosivos ocultos (ETS-NEWS 2001). Entidades de origen acadmico como la Asociacin Internacional de Vehculos no Tripulados y el Instituto Tecnolgico de Georgia patrocinan eventos competitivos que promueven el desarrollo tecnolgico en el mbito de UAVs a nivel internacional (AUVSI 2002, GTAR 2002). Desde el punto de vista de control inteligente, Pomerleau utiliz una red neuronal para el entrenamiento de un sistema autnomo para el reconocimiento de carreteras basado en datos obtenidos de un conductor humano (Pomerleau 1992). Stancliff, de la Universidad de Florida, logr entrenar una red neuronal para que un aeromodelo convencional volara autnomamente en lnea recta basndose en datos tomados de un piloto humano (Stancliff 2000). Mario Andrs Crdoba, Ingeniero Electrnico y de Comunicaciones de la Universidad del Cauca, dise un sistema de control para dar autonoma parcial a un aeromodelo hbrido (una mezcla de aeroplano y helicptero) utilizando redes neuronales digitales y un sistema experto difuso (Crdoba 2001). En nuestra Universidad tambin se han desarrollado proyectos de investigacin relacionados de alguna manera con este tema, algunos involucrados con el diseo mecnico de vehculos areos pequeos que podran llegar a ser utilizados en sistemas UAV (Guzmn & Bohrquez 2000) y otros enfocados en el diseo de sensores para detectar cargas explosivas, que podran hacer parte del conjunto de sensores del modelo (Lopera & Peuela 2001). 3 OBJETIVO Se desea que el aeromodelo tenga la capacidad de llevar a cabo misiones en forma autnoma. Una misin consiste en una serie de puntos geogrficos objetivo por donde se requiere que el avin pase (Fig. 1). Estos puntos objetivo, definidos previamente por el usuario, forman la ruta de vuelo deseada. Lo que tiene que hacer el sistema de control entonces es, dada una condicin inicial (no se tienen en cuenta despegues y aterrizajes), generar acciones sobre las variables de control para que el aeromodelo permanezca dentro de la ruta y pase por los puntos objetivo.

Dadas las caractersticas particulares de la planta en cuestin, especficamente su dinmica no lineal, las soluciones que se puedan plantear en el marco de las tcnicas de control tradicional siempre estarn encaminadas a hallar una representacin lineal del sistema en algn punto de operacin y disear un regulador que cumpla con los objetivos y garantice que el sistema no abandone dicho punto. Las restricciones impuestas por la necesidad de linealizacin se pueden debilitar haciendo que las caractersticas del regulador varen a medida que el sistema cambia su punto de operacin pero esto lleva a sistemas ms complejos. El control basado en tcnicas no tradicionales ofrece un compromiso interesante entre desempeo y complejidad, razn por la cual fue el que se decidi utilizar en este caso.

Figura 1. Definicin de misin del aeromodelo. Los puntos objetivos predeterminados definen la ruta de vuelo. El control se encarga de que el aeromodelo siga la ruta.

4 SISTEMA PROPUESTO El sistema que se implement consta de dos subsistemas principales: subsistema de control y subsistema de gua (Fig. 2). El bloque de control es el encargado de generar las seales de control sobre los diversos actuadores del sistema para garantizar que el aeromodelo permanezca en la actitud requerida de acuerdo a las condiciones impuestas por el bloque de gua. El subsistema de gua genera las seales de referencia adecuadas para el bloque de control con base en la posicin actual del aeromodelo y la ruta de vuelo deseada que ha sido establecida previamente. El conjunto del bloque de gua y el sistema que administra el plan de vuelo forman un bloque de supervisin que constantemente compara la ruta actual del avin con la ruta ptima entre su posicin actual y el que en ese momento sea el

punto objetivo. Cada vez que el aeromodelo alcanza un punto objetivo este es actualizado con el siguiente. Las seales de referencia que salen del bloque gua buscan hacer que el aeromodelo est siempre en la ruta ptima independientemente del estado actual del avin.

Control
Perturbaciones atmosfricas

Aeromodelo

Gua
Supervisin

fuerzas y los momentos no solo dependen del vector de estados sino de sus derivadas; la solucin es dividir la ecuacin en una parte explcita y una implcita, que generalmente resulta ser lineal, que puede ser resuelta con mtodos numricos (Rauw 2001). El vector de estados completo consta de doce elementos: tres componentes de velocidad lineal, tres componentes de velocidad angular, tres ngulos que definen la actitud del aeromodelo con respecto a un marco de referencia terrestre y dos coordenadas geogrficas y una altura que definen la posicin del aeromodelo con respecto a la tierra. Para facilitar la solucin de las ecuaciones implcitas es mejor usar la velocidad real, el ngulo de ataque y el ngulo de deslizamiento lateral en lugar de las componentes del vector de velocidad lineal (Tabla 1).
Tabla 1. Lista de las doce variables de estado del modelo con sus respectivas unidades. V : Velocidad real del aire [m/s] alpha() : ngulo de ataque [rad] beta () : ngulo de deslizamiento lateral [rad] p : Tasa de rotacin [rad/s] q : Tasa de elevacin [rad/s] r : Tasa de giro [rad/s] psi() : ngulo de giro [rad] theta() : ngulo de elevacin [rad] phi() : ngulo de rotacin [rad] xe : Coordenada X, marco de referencia inercial [m] ye : Coordenada Y, marco de referencia inercial [m] H : Altura sobre el nivel del mar [m]

Ruta predefinida

Figura 2. Diagrama de bloques del sistema de control propuesto. El bloque de control regula la dinmica del aeromodelo de acuerdo a su estado actual y a las seales de referencia generadas por el bloque gua de acuerdo al plan de vuelo previamente definido.

4.1 Modelo La base sobre la cual se ha construido el sistema es un modelo no lineal de la dinmica del avin. Este modelo consta de doce ecuaciones diferenciales ordinarias y algunas ecuaciones de salida usadas en el sistema de control y gua, adems presenta caractersticas de modularidad muy interesantes y acordes a los objetivos planteados inicialmente. Una caracterstica muy importante del modelo, indispensable para la tcnica de control utilizada, es que sus ecuaciones son derivadas directamente de la mecnica newtoniana bsica. Es decir, la base de todo son sumatorias de fuerzas y de momentos que, sin llegar a ser muy complejas, muestran claramente las caractersticas de la dinmica del sistema. Estas ecuaciones se combinan para crear un espacio de estados no lineal que representa al sistema: & = f ( x, FTOT (t ), M TOT (t )) x (1)

En la Figura 3 se aclara grficamente la definicin de algunas de las variables de estado. La principal caracterstica del modelo utilizado es la modularidad. Muchos bloques son independientes de caractersticas especficas del aeromodelo, es decir, a la hora de utilizar el modelo en un avin diferente, no es necesario modificar totalmente el modelo. El nico bloque que realmente es dependiente del aeromodelo es el del motor; en este modelo se utiliz un motor de combustin interna de dos tiempos con parmetros muy especficos; si se utilizara un motor diferente habra que cambiar totalmente este bloque.

donde x representa las variables de estado, FTOT la fuerza translacional total y MTOT la fuerza rotacional total. Es claro que este sistema es acoplado dado que las fuerzas y los momentos dependen de las variables de estado. Un inconveniente un poco ms grande es que en algunos casos las ecuaciones que representan el sistema son implcitas, es decir, las

Figura 3. Aqu se muestran las variables de estado que se pueden representar en el marco de referencia del aeromodelo.

Otro componente importante del modelo, que es totalmente independiente del aeromodelo, es el de las perturbaciones externas. Este bloque se encarga de crear tres componentes ortogonales de perturbaciones atmosfricas utilizando filtros Dryden. Estos filtros no son otra cosa que funciones lineales de primer orden que atenan las frecuencias altas con ruido blanco gaussiano a su entrada. 4.2 Sistema de Control La planta que se quiere controlar (Fig. 4) tiene entonces como salidas las doce variables de estado del sistema. Las entradas se pueden dividir en tres grupos: aerodinmicas, de propulsin y atmosfricas. Las aerodinmicas representan la inclinacin, en radianes, de las superficies de control del aeromodelo: elevador, alerones, timn y flaps (Las inclinaciones son positivas si hacen que el avin gire a la izquierda o aumente su ngulo de ataque). Las de propulsin estn relacionadas con el motor: revoluciones por minuto y presin en el mltiple (medida en pulgadas de mercurio). Las otras seis son las componentes ortogonales de las perturbaciones atmosfricas generadas por los filtros Dryden (en m/s) y sus derivadas.

tcnica de control permite expresar las caractersticas de la planta en forma simblica, ofreciendo la posibilidad de disear un sistema de control basado en reglas que surgen de un conocimiento pragmtico de la dinmica de la planta. Uno de los principales inconvenientes de los FIS tipo Mandani es el incremento exponencial de complejidad que surge con el aumento del nmero de reglas y de conjuntos difusos. Este problema se solucion haciendo el sistema lo ms modular posible, es decir, la base de conocimiento no est contenida en un solo bloque sino distribuida entre el sistema de control y los bloques que conforman el sistema de supervisin; de esta manera, cada bloque tiene pocos conjuntos y pocas reglas simples (un solo elemento en el antecedente y uno solo en el consecuente). Adicionalmente, esta modularidad hace que solo el bloque de control sea parcialmente dependiente de las propiedades de un aeromodelo en particular, mientras que los bloques de supervisin se podran usar indistintamente para cualquier aeromodelo.

Figura 5. Bloque de control. Recibe las seales de error de las variables a controlar y genera seales de accin para algunas superficies de control y el motor.

Figura 4. Bloque representativo del aeromodelo. Sus salidas son las variables de estado del sistema y sus entradas son cuatro aerodinmicas, dos de propulsin y seis de perturbaciones atmosfricas.

Tanto el sistema de control como el de gua fueron implementados con base en sistemas de inferencia difusos (FIS) tipo Mandani (Pedrycz 1996) con algunas caractersticas particulares. Esta

El bloque de control (Fig. 5) recibe seales de error del ngulo de elevacin, ngulo de rotacin, ngulo de deslizamiento lateral y altura y, con base en un sistema Mandani con solo cuatro conjuntos de entrada, cuatro de salida, 40 funciones de pertenencia y 20 reglas simples, genera seales de correccin para el elevador, los alerones, el timn y las revoluciones por minuto del motor. El bloque de gua (Fig. 6) recibe las seales actuales de posicin geogrfica (altura, longitud y latitud), el ngulo de giro y el punto objetivo actual. Su elemento principal, el sistema de inferencia, est conformado nicamente por dos conjuntos de entrada, tres de salida, 25 funciones de pertenencia y 10 reglas que le permiten generar las seales de

referencia para los ngulos de rotacin, delizamiento lateral y elevacin. El sistema de ruta es el encargado de administrar el plan de vuelo. Tiene como entradas los elementos de la posicin actual del avin y se encarga de generar las seales de referencia de altura para el sistema de control y el punto objetivo para el sistema de gua, el cual de encarga de calcular la ruta ptima para generar las dems seales de referencia. La unin del bloque de gua y el de ruta conforman el sistema de supervisin.

5 IMPLEMENTACIN El sistema fue implementado utilizando un toolbox para Matlab diseado especficamente para el anlisis de sistemas aerodinmicos en la Facultad de Ingeniera Aeronutica de la Universidad Tecnolgica de Delft en Holanda (Rauw 2001), siempre teniendo como objetivo principal la modularidad y la sencillez de implementacin del sistema final. Esta herramienta montada sobre Simulink fue la que permiti una implementacin modular y sencilla.

Figura 6. Bloque de Gua. Recibe las seales de posicin geogrfica actual del aeromodelo y el punto objetivo actual del bloque de ruta. Genera la referencia para el bloque de control.

Aunque en general el nmero de reglas que describen eficientemente la dinmica del aeromodelo crece proporcionalmente al grado de precisin y detalle que se requiera, es sorprendente que para obtener un resultado satisfactorio en el sistema de control y gua, baste con un conjunto tan pequeo como el siguiente: Si sube un alern (baja el otro), el avin gira en ese sentido. Si el avin gira, pierde sustentacin. Si el timn se inclina a la derecha (izquierda), el avin gira hacia la derecha (izquierda). Si baja (sube) el elevador, aumenta (disminuye) el ngulo de ataque y aumenta (disminuye) la sustentacin. Si los flaps suben (bajan), disminuye (aumenta) el ngulo de ataque y disminuye (aumenta) la sustentacin. Si la aceleracin aumenta, aumenta la sustentacin. Si la sustentacin aumenta (disminuye), el avin se eleva (desciende). Si el ngulo de ataque es muy grande, el avin se estanca.

Figura 7. Diagrama del sistema final. Estn incluidos el aeromodelo, el sistema de control, el bloque de gua, la ruta y el bloque de perturbaciones atmosfricas.

El sistema de control final (Fig. 7) est implementado en forma jerrquica. En el nivel ms bajo de la jerarqua se encuentra el bloque de control al cual se realimentan los ngulos de elevacin, rotacin y deslizamiento lateral y altura actuales comparados con los niveles de referencia impuestos por el bloque gua. En etapas iniciales de diseo se realimentaban tambin a este bloque las derivadas de cada una de las seales pero era ms lo que se perda en cuanto a aumento de complejidad en definicin de las reglas y afinacin de las funciones de pertenencia que lo que se ganaba en precisin o eficiencia del sistema. Finalmente, realimentando solamente los estados demostr ser suficiente. En la Figura 8 se muestran caractersticas ms especficas de la implementacin del sistema difuso del bloque de control. El siguiente nivel de jerarqua, con un myor nivel de abstraccin, es el sistema de gua. A pesar de que en esencia este sistema es un bloque de inferencia difuso tradicional, sus caractersticas de supervisin hacen que sea mejor visto como un autmata difuso;

esto es, una mquina de estados en la que tanto los estados como las condiciones de cambio de estado tienen caractersticas difusas. Con base en sus entradas (posicin geogrfica del aeromodelo, ngulo de giro y punto objetivo actual) el autmata decide en qu estado se encuentra y con qu grado de pertenencia est en l. Los estados estn relacionados con las acciones a tomar para corregir la ruta de vuelo y estn asociados con rdenes que van a fijar las referencias del sistema de control (Fig. 9). Esas caractersticas se asociarn despus, a un nivel inferior de jerarqua, con acciones directas sobre los elementos de control del aeromodelo en el bloque de control.

Pero en el caso del autmata difuso, las dinmicas estn completamente desacopladas. Si el avin se sale de la ruta, el grado de pertenencia a alguno de los estados de giro aumentar y un conjunto de reglas de la dinmica horizontal har que gire hacia la ruta ptima; cuando el avin gire, perder sustentacin y el grado de pertenencia al estado Subir aumentar y un conjunto de reglas, totalmente diferente, de la dinmica vertical harn que el avin mantenga la altura deseada.

Subir
+RPM & +Theta

Girar Izq.
+Beta & -Phi

Girar Der.
+Phi & -Beta

Bajar
+RPM & +Theta

Figura 9. Autmata difuso en el bloque de gua. Cada uno de los estados de esta mquina de estados es difuso y est asociado con rdenes difusas que regulan la dinmica del aeromodelo. Las condiciones de cambio de estado tambin son difusas. Aqu se ve claramente una dinmica horizontal y vertical asociada a los ejes coordenados y en cada uno de los cuadrantes se encuentran las dinmicas acopladas del aeromodelo que se encuentran totalmente desacopladas desde el punto de vista del sistema de control.

6 RESULTADOS
Figura 8. Caractersticas generales del FIS del bloque de control. En total tiene ocho conjuntos difusos (cuatro de entrada y cuatro de salida), cuarenta funciones de pertenencia y 20 reglas.

Esta implementacin en forma de mquina de estados aade caractersticas muy interesantes al sistema algunas de las cuales se mencionan a continuacin. Las dinmicas acopladas atentan directamente contra la modularidad del sistema. En este sistema el mayor acople est dado en los giros: cuando el avin gira (dinmica horizontal) pierde sustentacin y tiende a bajar; es necesario entonces compensar esa prdida de sustentacin con ms potencia en el motor y ms inclinacin del elevador (dinmica vertical). Estos acoples hacen que el sistema de control deba ocuparse de todo a la vez, haciendo ms complejo su diseo.

El proceso de simulacin del sistema implementado consiste en cargar las caractersticas del aeromodelo en la base de datos del simulador, luego se cargan las condiciones iniciales para garantizar que el estado inicial del avin sea factible y por ltimo se cargan los puntos de la ruta que se desea seguir en el bloque de ruta (El avin siempre arranca en xe,ye=(0m, 0m), el eje positivo de xe apunta al norte y el eje positivo de ye al oriente). En la primera simulacin (sin perturbaciones) se defini una ruta con varios giros y cambios de altura para mostrar el desempeo del sistema. Durante cinco minutos el avin sigui una ruta que inicialmente lo lleva a xe=5000m, ye=1000m y h=1850m; una vez que llega ah, el sistema de ruta le indica que el siguiente punto es xe=8000m, ye=-

1500m y finalmente, un tercer punto objetivo lo lleva a xe=12000m, ye=2500m y h=1800m. En los resultados que se muestran en las Figuras 10, 11, 12 y 13 se muestran las caractersticas de la trayectoria seguida por el aeromodelo, los cambios en las variables de estado que se tomaron como referencia y las seales de accin sobre las superficies de control del aeromodelo.

Figura 12. ngulos de giro (Psi), elevacin (Theta) y rotacin (Phi) del aeromodelo. Figura 13. Deflexiones de las superficies de control: elevador, alerones y timn y las perturbaciones atmosfricas que en este

caso son nulas. Figura 10. Ruta seguida por el avin en la primera simulacin (sin perturbaciones atmosfricas). Se pueden ver los cambios en coordenadas (xe,ye). P1=(5000m,1000m), P2=(8000m,1500m) y P3=(12000m,2500m).

Figura 11. Velocidad real (V), ngulo de ataque (alpha), ngulo de deslizamiento lateral (beta) y altura (H) para la primera simulacin.

Una de las primeras cosas para resaltar es la dinmica no lineal que se hace evidente en el diagrama de la altura (Fig. 10). Como era de esperarse la diferencia entre ascenso y descenso es total en cuanto a la dinmica del aeromodelo lo cual se v reflejado en los tiempos de establecimiento tan diferentes. En estos sistemas difusos es posible hasta incluir criterios de optimizacin. En este caso se han incluido dos: el primero, relacionado con la altura hace que el avin llegue a la altura deseada en el menor tiempo posible (a expensas de la velocidad) dado que si se quiere una altura determinada es probablemente para salvar algn obstculo; el otro, relacionado con el manejo eficiente de la potencia del motor hace que el ngulo de deslizamiento sea mnimo (Fig. 11) buscando que toda la energa del motor se convierta en desplazamiento en la direccin de la ruta ptima. 7 CONCLUSIONES Las tcnicas de control basadas en sistemas de inferencia difusos facilitan el desacople de las dinmicas del sistema. La principal desventaja de los FIS tipo Mandani fue sobrellevada dividiendo la base de conocimiento en varios bloques con diferente jerarqua y utilizando reglas simples.

La principal ventaja del sistema implementado es la robustez. El control funciona bien sin importar la dinmica no lineal independientemente del punto de operacin. Si bien es cierto que el trabajo fuerte en el diseo con esta tcnica consiste en afinar los conjuntos difusos con base en la base de conocimiento, es posible tomar una primera aproximacin de la solucin para crear una base de datos de entradas y salidas del controlador y usarla para entrenar un modelo ANFIS que, gracias a las caractersticas de aprendizaje de las redes neuronales, genere conjuntos ms afinados y simplificados. Como consecuencia de las caractersticas de robustez del sistema implementado, el aeromodelo no es afectado significativamente por las condiciones atmosfricas externas mientras estas permanezcan dentro de parmetros normales. Aunque la estabilidad en este tipo de sistemas no se puede determinar de manera analtica, est garantizada mientras se hallan considerado todas las condiciones posibles a que pueda estar expuesto el aeromodelo. Es de vital importancia garantizar que se cumplan las restricciones impuestas por las caractersticas fsicas de los componentes del aeromodelo y sus caractersticas aerodinmicas. 8 TRABAJOS POSTERIORES Indudablemente lo ms interesante a hacer a continuacin es la implementacin fsica real del sistema con miras a introducir el componente neuronal en la tcnica de control. Un sistema implementado de esta manera seria el inicio de una serie de proyectos de investigacin en el rea. 9 REFERENCIAS

Johnson, E. et Al. 1996. The 1996 Drapper Laboratory Small Autonomous Aerial Vehicle. Publicado en AIAA/IEEE Digital Avionics System Conference Proceedings 1996. Kahn, A. & Kannan, S. 2000. Georgia Institute of Technology Entry for the International Aerial Robotics Competition. HB-1. http://controls.ae.gatech.edu/labs/gtar/iarcpapers. Lagarreta, Y. 1987. Aeromodelismo para Todos. Coleccin para todos. Buenos Aires: Magisterio del Rio de la Plata. Lopera Tllez, O.L. & Peuela Caldern, C. A. 2001. Sistema detector de minas antipersonales, asistente en desminado humanitario. Tsis (Ingeniero elctrico). Universidad de los Andes. McCormick, C. W. 1995. Aerodynamics, Aeronautics and Flight Mechanics. New York: John Wiley & Sons. Musial, M. et Al. 2000. MARVIN Technische Universitt Berlins Flying Robot for the IARC Millennial Event. Technische Universitt Berlin. Department of Computer Science. Real-Time Systems & Robotics Group. http://pdv.cs.tu-berlin.de/MARVIN. National Aeronautics and Space Administration. 2002. NASA GSFC/Wallops Flight Facility. Unmanned Aerial Vehicles. http://uav.wff.nasa.gov/db/uav_index.html Pedrycz, W. 1996. Fuzzy Modelling Paradigms and Practice. International Series in Intelligent Technologies. Kluwer Academic Publishers. Pomerleau, D. A. 1992. Neural Network Perception for Mobile Robot Guidance. Tsis de Doctorado. Carneige Mellon University. Rauw, M. 2001. FDC 1.2- A Simulink Toolbox for Flight Dynamics and Control Analysis. Tesis de maestra. Delft University of Technology. Saridis, G. 1977. Self-Organizing Control of stochastic Systems. Control and Systems Theory. Vol. 4. Marcel Dekker Inc. Schoenwald, D. 2000. AUVs: In Space, Air, Water and On the Ground. IEEE Control Systems Magazine. Vol. 20. No. 6. Diciembre de 2000. Silva, G. et Al. 2002. New Results On the Synthesis of PID Controllers. IEEE Transactions on Automatic Control. Vol. 47. No. 2. Febrero de 2002. Stancliff, S. B. 2000. Learning to fly: Developing an Autonomous Aerial Vehicle Using Human Skill Modelling. Tsis de Maestra. University of Florida. Stevens, B. & Lewis, L. 1992. Aircraft Control and Simulation. Canada. John Wiley & Sons Inc.

AUVSI. 2002. Asociation for Unmanned Vehicle Systems International AUVSI. http://www.auvsi.org/ Crdoba, M. A. 2001. THE EFIGENIA EJ-1An S/VTOL Autonomous Unmanned Aerial vehicle Autocontrolled with anAdaptive Digital Reconfigurable Guidance, Navigation and Flight Control System. ETS-NEWS. 2001. Humanitarian De-mining. Global Defence Review Ltd. http://www.ets-news.com/demining.htm GTAR. 2002. Georgia Tech Aerial Robotics Lab. http://controls.ae.gatech.edu/labs/gtar/ Guzmn, J. & Bohrquez, F. 2000. Diseo, Construccin y Anlisis Computacional de un Micro Vehculo Areo. Tesis de maestra. Departamento de Ingeniera Mecnica. Universidad de los Andes.