Поиск нестационарного объекта роевой системой мультикоптеров на основе метода квазитеплового движения

Решается задача поиска нестационарного объекта в ограниченной топологически замкнутой области многоагентной системой летательных аппаратов квадрокоптерного типа. В качестве алгоритма управления многоагентной системой предлагается метод квазитеплого движения (МКТД). Идейно МКТД основан на поведенческом повторении движения частиц газа, где с помощью уже известных из термодинамики интегральных параметров, таких как среднеквадратичная скорость, частота взаимодействий, оценивается устойчивость системы и качество решения поставленных перед роем задач. Условная аналогия движений летательных аппаратов с молекулярной динамикой в МКТД обеспечивается системой управления каждого агента, которые могут информационно взаимодействовать друг с другом. В работе показана эффективность применения метода МКТД к поиску динамической цели в ограниченном пространстве на основе многочисленных моделирований в специально разработанной среде MASPlatform, представляющей виртуальный полигон. В программном обеспечении MASPlatform реализовано движение тридцати агентов в пространстве размером 300 на 300 м. Динамика каждого агента описана системой нелинейных дифференциальных уравнений с кватернионным регулятором. На основе многочисленных моделирований поисковой задачи МКТД делается вывод об эффективности.
Получены оценки численности роя в зависимости от пространства поиска. Предложен подход к оценке времени поиска роевой системой, функционирующей в режиме МКТД, нестационарного объекта с известной динамикой в ограниченном пространстве на основе термодинамического параметра "средняя длина свободного пробега". Данный параметр важен для реальных систем, где есть ограничения энергетического ресурса агента.

1. Savkin A. V., Huang H. Multi-UAV Navigation for Optimized Video Surveillance of Ground Vehicles on Uneven Terrains // IEEE Transactions on Intelligent Transportation Systems. Sept. 2023. Vol. 24, N. 9. P. 10238—10242. DOI: 10.1109/TITS.2023.3270969.

2. Li X., Yang L. Design and Implementation of UAV Intelligent Aerial Photography System // 2012 4th International Conference on Intelligent Human-Machine Systems and Cybernetics. Nanchang, China, 2012. P. 200—203. DOI: 10.1109/IHMSC.2012.144.

3. Betti Sorbelli F. UAV-Based Delivery Systems: A Systematic Review, Current Trends, and Research Challenges // ACM Journal on Autonomous Transportation Systems. 2024. DOI: 10.1145/3649224.

4. Golam M., Akter R., Tuli E. A., Kim D.-S., Lee J.-M. Lightweight Blockchain Assisted Unauthorized UAV Access Prevention in the Internet of Military Things // 2022 13th International Conference on Information and Communication Technology Convergence (ICTC). Jeju Island, Korea, Republic of. 2022. P. 890—894. DOI: 10.1109/ICTC55196.2022.9953024.

5. Филимонов А. Б., Филимонов Н. Б., Нгуен Т. К., Фам К. Ф. Оптимизация маршрутов полета БПЛА при групповом патрулировании протяженных территорий как множественная задача коммивояжера с несколькими депо // Мехатроника, автоматизация, управление. 2024. Vol. 25, N. 5. P. 259—265. URL: https://doi.org/10.17587/mau.25.259-265.

6. Wood J., Hedrick J. Space Partitioning and Classification for Multi-target Search and Tracking by Heterogeneous Unmanned Aerial System Teams // AIAA Infotech at Aerospace Conference and Exhibit. 2011. DOI: 10.2514/6.2011-1443.

7. Liu X., Liu Y., Chen Y. Reinforcement Learning in Multiple-UAV Networks: Deployment and Movement Design // IEEE Transactions on Vehicular Technology. 2019. P. 1-1. DOI: 10.1109/TVT.2019.2922849.

8. Liu Z., Gao X., Fu X. A Cooperative Search and Coverage Algorithm with Controllable Revisit and Connectivity Maintenance for Multiple Unmanned Aerial Vehicles // Sensors. 2018. Т. 18, № 5.

9. Pyke L., Stark C. Dynamic Pathfinding for a Swarm Intelligence Based UAV Control Model Using Particle Swarm Optimisation // Frontiers in Applied Mathematics and Statistics. 2021. N. 7. DOI: 10.3389/fams.2021.744955.

10. He Y., Zeng Q., Liu J., Xu G., Xiaoyi D. Path planning for indoor UAV based on Ant Colony Optimization // 25th Chinese Control and Decision Conference, CCDC. 2013. P. 2919—2923. DOI: 10.1109/CCDC.2013.6561444.

11. Bolaji A., Khader A. T., Al-Betar M., Awadallah M. Artificial bee colony algorithm, its variants and applications: A survey // Journal of Theoretical and Applied Information Technology. 2013. N. 47. P. 434—459.

12. Гейс Э. А., Морозов О. О., Козырь А. В., Ефромеев А. Г. Методика синтеза регулятора мультикоптера, функционирующего в качестве агента роевой системы по методу квазитеплового движения // Мехатроника, автоматизация, управление. 2024. Т. 25, № 1. С. 43—52. DOI: 10.17587/mau.25.43-52.

13. Heiss E., Kozyr A., Morozov O. Synchronization of the Coupled Swarm Agents’ Movement Interacting by the Thermal Motion Equivalent Method // International Conference of Young Specialists on Micro/Nanotechnologies and Electron Devices. EDM. 2024. P. 1600—1607.

14. Heiss E., Kozyr A., Morozov O. Interaction Between Area Boundary and Formation of Agents Interacting by the Thermal Motion Equivalent Method // Proceedings — 2024 International Conference on Industrial Engineering, Applications and Manufacturing. ICIEAM 2024. 2024. P. 771—777.

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

16. Bansal S., Goel R., Maini R. Ground Vehicle and UAV Collaborative Routing and Scheduling for Humanitarian logistics using Random Walk Based Ant Colony Optimization // Scientia Iranica. 2022. Vol. 29, N. 2. P. 632—644.

17. Liu Z., Qiu C., Zhang Z. Sequence-to-Sequence MultiAgent Reinforcement Learning for Multi-UAV Task Planning in 3D Dynamic Environment // Applied Sciences. 2022. N. 12. P. 12181. 10.3390/app122312181.

18. Костюков В. А., Медведев М. Ю., Пшихопов В. Х. Планирование движения наземных роботов в среде с препятствиями: алгоритмы построения траекторий в группе при заданном шаблоне // Мехатроника, автоматизация, управление. 2023. Т. 24, № 1. С. 33—45. DOI: 10.17587/mau.24.33-45.

19. Jing Y. Research on Multi-UAV Swarm Control Based on Olfati-Saber Algorithm with Variable Speed Virtual Leader // IoT as a Service. Cham: Springer International Publishing, 2021. P. 14—22.

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

21. 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.

22. Филимонов А. Б., Филимонов Н. Б. The Concept of Fairway in Problems of Potential Guidance of Mobile Robots // Optoelectronics, Instrumentation and Data Processing. 2022. Vol. 58, № 4. С. 366—372.

23. Евдокимов И. Н., Елисеев Н. Ю. Молекулярные механизмы вязкости жидкости и газа. Часть 1. Основные понятия. М.: Изд. Российский государственный университет нефти и газа имени И. М. Губкина, 2005. 59 с.

24. Сивухин Д. В. Общий курс физики. Термодинамика и молекулярная физика. Т. 2. М.: ФИЗМАТЛИТ, 2021. 544 с.