МОДЕЛИРОВАНИЕ СТРАТЕГИЙ МЕТОДА ОБХОДА ПРЕПЯТСТВИЙ В ГРУППАХ БПЛА
DOI:
https://doi.org/10.52167/1609-1817-2024-134-5-215-223Ключевые слова:
беспилотные летательные аппараты (БПЛА), траектория движения, обнаружение препятствий, виды трансформации, обход препятствийАннотация
В данной статье рассматривается эффективное обхождение препятствий роями беспилотных летательных аппаратов (БПЛА). Моделирование интегрированного движения роя БПЛА основано на втором законе Ньютона с распознаванием препятствий по траектории. Для численного моделирования используется трехмерная область с фиксированными препятствиями. Рассматриваются 13 БПЛА, в положении куба, которые синхронно двигаются от левой стены (from inlet to outlet), избегая препятствий на своем пути. Каждый дрон принимает решения об обхождении, учитывая положение препятствия и свое текущее положение в пространстве. Представлены графики различных видов обхода препятствий. Во время этого процесса анализируются и сравниваются траектории БПЛА. Полученные результаты демонстрируют эффективность предложенного алгоритма.
Библиографические ссылки
[1] Dudek, G.; Jenkin, M.; Milios, E.; Wilkes, D. A taxonomy for multi-agent robotics. Auton. Robot. 1996, 3, 374–397.
[2] Cao, Y.U.; Fukunaga, A.S.; Kahng, A. Cooperative mobile robotics: antecedents and directions. Auton. Robot. 1997, 4, 7–27.
[3] Schneider-Fontan, M.; Mataric, M. Territorial multi-robot task division. IEEE Trans. Robot. Autom. 1998, 14, 815–822.
[4] Maza, I.; Ollero, A.; Casado, E.; Scarlatti, D. Classification of Multi-UAV Architectures. In Handbook of Unmanned Aerial Vehicles; Valavanis, K.P., Vachtsevanos, G.J., Eds.; Springer: Dordrecht, The Netherlands, 2015; pp. 953–975.
[5] Kushleyev, A.; Mellinger, D.; Powers, C.; Kumar, V. Towards a swarm of agile micro quadrotors. Auton. Robot. 2013, 35, 287–300.
[6] Cicala, M.; D’Amato, E.; Notaro, I.; Mattei, M. Distributed UAV State Estimation in UTM context. In Proceedings of the 2019 6th International Conference on Control, Decision and Information Technologies (CoDIT), Paris, France, 23–26 April 2019; pp. 557–562.
[7] D’Amato, E.; Notaro, I.; Mattei, M.; Tartaglione, G. Attitude and position estimation for an UAV swarm using consensus Kalman filtering. In Proceedings of the 2015 IEEE Metrology for Aerospace (MetroAeroSpace), Benevento, Italy, 4–5 June 2015; pp. 519–524.
[8] D’Amato, E.; Nardi, V.A.; Notaro, I.; Scordamaglia, V. A Particle Filtering Approach for Fault Detection and Isolation of UAV IMU Sensors: Design, Implementation and Sensitivity Analysis. Sensors 2021, 21, 3066.
[9] Elmokadem, T.; Savkin, A.V. Computationally-Efficient Distributed Algorithms of Navigation of Teams of Autonomous UAVs for 3D Coverage and Flocking. Drones 2021, 5, 124.
[10] Hildmann, H.; Kovacs, E.; Saffre, F.; Isakovic, A. Nature-inspired drone swarming for real-time aerial data-collection under dynamic operational constraints. Drones 2019, 3, 71.
[11] Xu, C.; Zhang, K.; Jiang, Y.; Niu, S.; Yang, T.; Song, H. Communication Aware UAV Swarm Surveillance Based on Hierarchical Architecture. Drones 2021, 5, 33.
[12] Bassolillo, S.R.; Blasi, L.; D’Amato, E.; Mattei, M.; Notaro, I. Decentralized Triangular Guidance Algorithms for Formations of UAVs. Drones2022,6,7.
[13] Autonomous UAV Object Avoidance with Floyd–Warshall Differential Evolution (FWDE) approach
[14] Strydom R.; Deneulle A.; Srinivasan M. Bio-Inspired Principles Applied to the Guidance, Navigation and Control of UAS. Aerospace 2016, 3(3), 21.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2024 Талшын Керибаева
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
