Методика синтеза регулятора мультикоптера, функционирующего в качестве агента роевой системы по методу квазитеплового движения

Статья посвящена разработке метода синтеза системы управления беспилотным летательным аппаратом мультикоптерного типа, функционирующим в составе роевой системы. Движение агентов в роевой системе организуется методом квазитеплового движения. Идея метода заключается в поведенческом повторении агентами ро я теплового движения атомов. При практической реализации метода квазитеплового движения важно обеспечить постоянство скорости и изотропность динамики агентов. Нарушение этих свойств приведет к невыполнению поставленных перед роевой системой задач, например, задачи разведки территории, вследствие уменьшения среднеквадратичной скорости агентов до нуля. Предлагается вариант решения обозначенных проблем, заключающийся в синтезе модального регулятора для тестовой системы "агент—границы допустимой области" для наименее быстродействующего канала управления, который обеспечивает постоянство среднеквадратичной скорости агента. Синтезированный регулятор как фильтр используется в быстродействующих каналах — втором горизонтальном и вертикальном. В быстродействующих каналах предлагается дополнительно использовать фильтр, приводящий их динамику к наименее быстродействующему каналу, тем самым обеспечивая изотропность. Изотропность летательного аппарата мультикоптерного типа обеспечивается, в том числе, ограничением максимальной длины эквивалентного вектора поля. Синтез выполнялся по упрощенной математической модели динамики мультикоптера, получаемой при малых отклонениях летательного аппарата от вертикали и не учитывающей силы Кориолиса. На основе полученных результатов разработана методика синтеза системы управления мультикоптером для функционирования в составе роевой системы. Приводятся результаты численного моделирования как одиночного аппарата в замкнутом пространстве, так и роевой системы с учетом нелинейной динамики квадрокоптера. Преимуществом предлагаемой методики является простота синтеза по линейной модели. Результаты численного моделирования подтверждают работоспособность разработанного метода.

1. Shao R., Tao R., Liu Y., Yang Y., Li D., Chen J. UAV cooperative search in dynamic environment based on hybridlayered APF // EURASIP Journal on Advances in Signal Processing. 2021. Vol. 2021, N. 1. P. 101.

2. Kalyaev I., Kapustyan S., Ivanov D., Korovin I., Usachev L., Schaefer G. A novel method for distribution of goals among UAVs for oil field monitoring // 2017 6th International Conference on Informatics, Electronics and Vision & 2017 7th International Symposium in Computational Medical and Health Technology (ICIEV-ISCMHT), Himeji, Hyogo, Japan. 2017. P. 1—4.

3. Sutantyo D., Kernbach S., Nepomnyashchikh V., Levi P. Multi-Robot Searching Algorithm Using Levy Flight and Artificial Potential Field // 2010 8th IEEE International Workshop on Safety, Security, and Rescue Robotics, Bremen, Germany. 2011. P. 1—6.

4. Batinovic A., Ivanovic A., Petrovic T., Bogdan S. A Shadowcasting-Based Next-Best-View Planner for Autonomous 3D Exploration // IEEE Robotics and Automation Letters. 2022. Vol. 7, N. 2. P. 2969—2976.

5. Seraj E., Silva A., Gombolay M. Multi-UAV planning for cooperative wildfire coverage and tracking with quality-of-service guarantees // Autonomous Agents and Multi-Agent Systems. 2022. Vol. 36, N. 2. https://doi.org/10.1007/s10458-022-09566-6.

6. Feng L., Katupitiya J. Vector field based control of quadrotor uavs for wildfire boundary monitoring // Journal of Intelligent & Robotic Systems. 2022. Vol. 106, N. 1. https://doi.org/10.1007/s10846-022-01731-z.

7. Kolling A., Walker P., Chakraborty N., Sycara K., Lewis M. Human interaction with robot swarms: a survey // IEEE Transactions on Human-Machine Systems. 2016. Vol. 46, N. 1. P. 9—26.

8. Xu J., Hu C. Recent progress on multiple-unmanned aerial vehicle collision avoidance algorithms // 2020 Chinese Automation Congress (CAC), Shanghai, China. 2020. P. 7349—7354.

9. Ильичев К. В., Манцеров С. А. Разработка масштабируемой мобильной робототехнической системы роевого взаимодействия // Вестник Пермского национального исследовательского политехнического университета. Электротехника, информационные технологии, системы управления. 2017. № 21. С. 91—108.

10. Karpov V., Karpova I. Formation of control structures in static swarms // Procedia Engineering. 2015. N. 100. P. 1459—1468.

11. Zhang D., Duan H. Switching topology approach for UAV formation based on binary-tree network // J. Frankl. Inst. 2017. Vol. 356. P. 835—859.

12. Bayındır L. A review of swarm robotics tasks // Neurocomputing. 2016. Vol. 172. P. 292—321.

13. Wang X., Li S., Yu X., Yang J. Distributed active antidisturbance consensus for leader-follower higher-order multi-agent systems with mismatched disturbances // IEEE Transactions on Automatic Control. 2017. Vol. 62, N. 11. P. 5795—5801.

14. Wang T., Zhao S., Xia Y., Pan Z., Tian H. Consensus control of large-scale uav swarm based on multi-layer graph // Drones. 2022. Vol. 6, N. 12. https://doi.org/10.3390/drones6120402.

15. Ерофеева В. А., Иванский Ю. В., Кияев В. И. Управление роем динамических объектов на базе мультиагентного подхода // Компьютерные инструменты в образовании. 2015. № 6. С. 34—42.

16. Wilhelm J., Clem G. Vector field uav guidance for path following and obstacle avoidance with minimal deviation // Journal of Guidance, Control, and Dynamics. 2019. Vol. 42. P. 1—9.

17. Муслимов Т. З. Алгоритмы управления строем автономных беспилотных летательных аппаратов самолетного типа с помощью метода векторного поля // Системы управления, связи и безопасности. 2019. Т. 4. С. 187—213.

18. Платонов А. К., Карпов И. И., Кирильченко А. А. Метод потенциалов в задаче прокладки трассы // Препринт. Институт прикладной математики АН СССР. 1974. № 124. С. 27.

19. Khatib O. Real-time obstacle avoidance for manipulators and mobile robots // 1985 IEEE International Conference on Robotics and Automation, St. Louis, MO, USA. 1985. P. 500—505.

20. Heiss E., Morozov O., Efromeev A. Assessing the similarity of atoms’ thermal motion behavior by swarm agents // 2022 4th International Conference on Control Systems, Mathematical Modeling, Automation and Energy Efficiency (SUMMA), Lipetsk, Russia. 2022. P. 92—96.

21. Zhou X., Wen X., Wang Z., Gao Y., Li H., Wang Q., Yang T., Lu H., Cao Y., Xu C., Gao F. Swarm of micro flying robots in the wild // Science Robotics. 2022. Vol. 7, N. 66. P. 1—17.

22. Миронова Г. А., Брандт Н. Н., Салецкий А. М. Молекулярная физика и термодинамика в вопросах и задачах / Учеб. пособ. СПб.: Лань, 2012. 480 с.

23. Borisov O. I., Gromov V. S., Pyrkin A. A., Bobtsov A. A., Nikolaev N. A. Output Robust Control with Anti-Windup Compensation for Quadcopters // IFAC-PapersOnLine. 2016. Vol. 49, N. 13. P. 287—292.

24. Никитин Д. А. Адаптивная система управления квадрокоптером на основе кватернионной модели вращений // Управление большими системами: сборник трудов. 2017. № 69. С. 76—101.