Resumen de Diseño y evaluación experimental de un controlador pid-difuso para el dron dji tello edu

Juan Jaime Fuentes Uriarte, Gilberto Bojorquez Delgado, Yobani Martínez Ramírez

• español

  Este estudio propone un controlador PID-Difuso para mejorar la estabilización del dron DJI Tello Edu, abordando las limitaciones de los controladores PID convencionales en entornos dinámicos. Los PID tradicionales presentan rigidez frente a perturbaciones externas (viento, variaciones de masa) y las no linealidades inherentes a los VANTs, generando oscilaciones residuales y errores de seguimiento. La solución integra una arquitectura híbrida de dos capas:

  Capa difusa: ajusta dinámicamente las ganancias PID (K_p, K_i, K_d) mediante reglas heurísticas basadas en el error angular (e) y su derivada (ė), empleando inferencia Mamdani con funciones de membresía triangulares.

  Capa PID: ejecuta la ley de control con parámetros adaptativos en tiempo real.

  Los experimentos de vuelo autónomo, con trayectorias rectas y giros de 180°, demostraron mejoras significativas sobre el PID convencional:

  Error RMS en yaw reducido en 23.1%.

  Error MAE en yaw reducido en 25.9%.

  Tiempo de asentamiento reducido en 28.6%.

  Consumo de energía disminuido hasta en 13.1%, extendiendo la autonomía de vuelo.

  Error máximo en yaw durante maniobras críticas reducido en 44.4%.

  El controlador híbrido optimiza el equilibrio entre precisión y adaptabilidad. La validación se realizó en condiciones controladas mediante telemetría WiFi a 20 Hz y métricas estandarizadas (RMSE, MAE, energía de control). Su implementación en una plataforma de bajo costo como el DJI Tello Edu democratiza el acceso a sistemas avanzados para la educación y la investigación.

• English

  This study proposes a PID-Difuso controller to enhance stabilization of the DJI Tello Edu drone, addressing limitations of conventional PID controllers in dynamic environments. Traditional PID controllers exhibit rigidity when confronted with external disturbances (wind, mass variations) and the inherent nonlinearity of UAVs, resulting in residual oscillations and tracking errors. The proposed solution integrates a two-layer hybrid architecture:

  Fuzzy layer: dynamically adjusts PID gains (K_p, K_i, K_d) through heuristic rules based on angular error (e) and its derivative (ė), employing Mamdani inference with triangular membership functions.

  PID layer: executes the control law with real-time adaptive parameters.

  Autonomous flight experiments—including straight trajectories and 180° turns—demonstrated significant improvements over the conventional PID:

  RMS yaw error reduced by 23.1%.

  MAE yaw error reduced by 25.9%.

  Settling time decreased by 28.6%.

  Energy consumption decreased by up to 13.1%, extending flight autonomy.

  Maximum yaw error during critical maneuvers reduced by 44.4%.

  The hybrid controller optimizes the trade-off between precision and adaptability. Validation under controlled conditions utilized 20 Hz WiFi telemetry and standardized metrics (RMSE, MAE, control energy). Implementation on a low-cost platform such as the DJI Tello Edu democratizes access to advanced control systems for education and research.