حرکت گروهی ربات‌های پرنده چهارپره با حفظ فاصله‌ی ایمنی

نوع مقاله : گرایش دینامیک، ارتعاشات و کنترل

نویسندگان

1 دانشجوی کارشناسی ارشد، دانشکده مهندسی برق، دانشگاه علم و صنعت ایران، تهران، ایران

2 نویسنده مسئول: استاد، دانشکده مهندسی برق، دانشگاه علم و صنعت ایران، تهران، ایران

چکیده

در این مقاله، به ارائه روشی برای حرکت گروهی ربات‌های پرنده چهارپره با حفظ فاصله ایمنی پرداخته‌شده است. برای این منظور، از ایده کنترل دوسطحی استفاده‌شده که در آن، کنترل‌کننده سطح بالا همان الگوریتم حرکت گروهی بوده و به‌عنوان طراح مسیر مطلوب ربات‌های چهارپره عمل می‌‌کند. ردیابی این مسیر مطلوبِ تولیدشده، توسط کنترل‌کننده سطح پایین انجام‌گرفته است. در کنترل‌کننده سطح بالا، الگوریتم حرکت گروهی جدیدی ‌به‌صورت بدون پیشرو معرفی‌شده که در آن برای رسیدن به شبکه‌بندی منظم و حفظ فاصله‌ی ایمنی از توابع پتانسیل فازی بهره برده شده است. این توابع پتانسیل، در وضعیت شبکه‌بندی منظم، مقدار کمینه دارند. ازاین‌رو در سیگنال کنترلی، با استفاده از روش گرادیان نزولی سعی در کمینه کردن مقدار آن‌ها شده است. با سیگنال کنترلی معرفی‌شده، پایداری و همگرایی دینامیک ساختاری و انتقالی سیستم، در فضای بدون مانع اثبات‌شده است. درنهایت، عملکرد روش پیشنهادی از طریق شبیه‌سازی حرکت گروهی پنج ربات‌ چهارپره ارزیابی‌شده است. نتایج شبیه‌سازی نشان داده است که روش پیشنهادی منجر به عملکرد بهتر در ایجاد شبکه‌بندی منظم و رعایت فاصله ایمنی در مقایسه با روش‌های چاپ‌شده اخیر در مقالات شده است.

تازه های تحقیق

  • تابع پتانسیل فازی
  • کنترل دوسطحی
  • بهبود شبکه‌بندی منظم
  • حفظ محدوده ایمنی ربات‌های پرنده

کلیدواژه‌ها


Smiley face

[1] Reynolds CW, Flocks, herds and schools: A distributed behavioral model. 14th Annual Conference on Computer Graphics and Interactive Techniques; New York, USA, 1987.##
[2] Couzin ID, Krause J, James R, Ruxton GD, Franks NR. Collective memory and spatial sorting in animal groups. Journal of Theoretical Biology. 2002; 218(1): 1-11.##
[3] Vicsek T, Czirók A, Ben-Jacob E, Cohen I, Shochet O. Novel type of phase transition in a system of self-driven particles. Physical Review Letters. 1995; 75(6): 1226.##
[4] Olfati-Saber R. Flocking for multi-agent dynamic systems: Algorithms and theory. IEEE Transactions on Automatic Control. 2006; 51(3): 401-20.##
[5] Su H, Wang X, Lin Z. Flocking of multi-agents with a virtual leader. IEEE Transactions on Automatic Control. 2009; 54(2): 293-307.##
[6] Gu D, Wang Z. Leader–follower flocking: algorithms and experiments. IEEE Transactions on Control Systems Technology. 2009; 17(5): 1211-9.##
[7] Su H, Wang X, Yang W. Flocking in multi‐agent systems with multiple virtual leaders. Asian Journal of Control. 2008; 10(2): 238-45.##
[8] Wu S, Pu Z, Yi J, Sun J, Xiong T, Qiu T. Adaptive Flocking of multi-agent systems with uncertain nonlinear dynamics and unknown disturbances using neural networks. 16th IEEE International Conference on Automation Science and Engineering (CASE); Hong Kong, China, 2020.##
[9] Yang Z, Zhang Q, Jiang Z, Chen Z. Flocking of multi-agents with time delay. International Journal of Systems Science. 2012; 43(11): 2125-34.##
[10] Zhu P, Dai W, Yao W, Ma J, Zeng Z, Lu H. Multi-robot flocking control based on deep reinforcement learning. IEEE Access. 2020; 8: 150397-150406.##
[11] Beaver LE, Kroninger C, Malikopoulos AA. An optimal control approach to flocking. American Control Conference; 2020, Denver, USA.##
[12] Gu D, Hu H. Using fuzzy logic to design separation function in flocking algorithms. IEEE Transactions on Fuzzy Systems. 2008; 16(4): 826-38.##
[13] Sahu BK, Subudhi B. Flocking control of multiple AUVs based on fuzzy potential functions. IEEE Transactions on Fuzzy Systems. 2017; 26(5): 2539-2551.##
[14] Iovino S, Vetrella AR, Fasano G, Accardo D, Savvaris A. Implementation of a distributed flocking algorithm with obstacle avoidance capability for UAV swarming. AIAA Information Systems-AIAA Infotech. 2017, Grapevine, Texas, USA.##
[15] Liu W, Gao Z. A distributed flocking control strategy for UAV groups. Computer Communications. 2020; 153: 95-101.##
[16] Ning Z, Song L, Huang D, Zhang X. Lattice flocking of multi-quadrotor system: an algorithm based on artificial potential field. Aerospace Systems. 2018; 1(1): 13-22.##
[17] Yan C, Xiang X, Wang C. Fixed-Wing UAVs flocking in continuous spaces: A deep reinforcement learning approach. Robotics and Autonomous Systems. 2020; 131: 103594.##
[18] Abichandani P, Speck C, Bucci D, Mcintyre W, Lobo D. Implementation of Decentralized Reinforcement Learning-Based Multi-Quadrotor Flocking. IEEE Access. 2021; 9: 132491-507.##
[19] Zijian H, Xiaoguang G, Kaifang W, Yiwei Z, Qianglong W. Relevant experience learning: A deep reinforcement learning method for UAV autonomous motion planning in complex unknown environments. Chinese Journal of Aeronautics. 2021; 34(12): 187-204.##
[20] Zhang X, Yuan Y, Zhang F. An improved flocking model for UAVs in constrained environments. 8th International Conference on Big Data and Information Analytics; 2022, Guiyang, China.##
[21] Brandstätter A, Smolka SA, Stoller SD, Tiwari A, Grosu R. Multi-Agent Spatial Predictive Control with Application to Drone Flocking (Extended Version). arXiv preprint arXiv:220316960. 2022.##
[22] Zhang P, Chen G, Li Y, Dong W. Agile formation control of drone flocking enhanced with active vision-based relative localization. IEEE Robotics and Automation Letters. 2022;7(3):6359-66.##
[23] Wang L-X. A course in fuzzy systems. 1999.##
[24] Zhang X, Li X, Wang K, Lu Y, A survey of modelling and identification of quadrotor robot. Abstract and Applied Analysis; volume 2014, Article ID 320526.##
[25] Lu Y. yrlu/quadrotor: Quadrotor control, path planning and trajectory optimization. GitHub. 2017.##
دوره 19، شماره 3 - شماره پیاپی 73
شماره پیاپی 73، فصلنامه پاییز
آذر 1402
صفحه 17-32
  • تاریخ دریافت: 16 دی 1401
  • تاریخ بازنگری: 07 بهمن 1401
  • تاریخ پذیرش: 06 اسفند 1401
  • تاریخ انتشار: 01 اردیبهشت 1402