Предотвращение столкновений при круговом движении группы дронов самолетного типа на основе вращательной модификации искусственного потенциального поля

Обложка

Цитировать

Полный текст

Аннотация

При согласованном круговом движении группы автономных беспилотных летательных аппаратов (БПЛА или дронов) важно обеспечить предотвращение столкновений между ними. Характерная ситуация возникает в том случае, если один из дронов круговой формации должен обогнать впереди летящего. Причина необходимости такого обгона может заключаться в заданной геометрии формации БПЛА, когда эта конфигурация заданного взаимного положения дронов поменялась по какой-либо причине. При этом ограниченная маневренность БПЛА именно самолетного требует учета особенностей их динамики при синтезе алгоритма предотвращения столкновений. Здесь также играет роль невозможность падения воздушной скорости БПЛА самолетного типа ниже определенного минимального значения. В данной статье предлагается использовать подход на основе вихревых векторных полей, которые по сути являются вращательной модификацией метода искусственного потенциального поля (APF). При этом круговое движение обеспечивается разработанным в предыдущих наших работах алгоритмом следования вдоль линии пути. В итоге был предложен алгоритм предотвращения столкновений, который работает эффективно, сохраняя согласованное круговое движение автономной формации дронов без излишних разворотов. Данный алгоритм был назван «Artificial Potential Field for Circular Motion» (сокращенно APFfCM). С помощью прямого метода Ляпунова показано, что траектории системы формации обладают равномерной ограниченностью при использовании предлагаемого алгоритма управления. За счет ограниченности кандидата на функцию Ляпунова при этом гарантировано, что не произойдет события столкновения между дронами. Таким образом, цель управления по обеспечению согласованного кругового движения без столкновений для автономной группы дронов самолетного типа достигается. Эффективная работа предлагаемого алгоритма продемонстрирована на моделях БПЛА самолетного типа («летающее крыло») в среде MATLAB/Simulink. Эти модели обладают как полной нелинейной динамикой, так и реализацией настроенных автопилотов, стабилизирующих угловое и траекторное движение.

Об авторах

Т. З Муслимов

Уфимский университет науки и технологий (УУНиТ)

Автор, ответственный за переписку.
Email: tagir.muslimov@gmail.com
улица Карла Маркса 12

Список литературы

  1. Платонов А.К., Кирильченко А.А., Колганов М.А. Метод потенциалов в задаче выбора пути: история и перспективы. Препринты Института прикладной математики им. М.В. Келдыша РАН. 2001. Препринт ИПМ № 40.
  2. Khatib O. Real-Time Obstacle Avoidance for Manipulators and Mobile Robots. The international journal of robotics research. 1986. vol. 5. no. 1. pp. 90–98.
  3. Bojian L., Jun F., Yunxiao Q., Aijun L. Precise Formation Control for the Multi-agent Systems Based on Tilted Potential Field with Collision Avoidance. International Conference on Guidance, Navigation and Control. Lecture Notes in Electrical Engineering. 2023. vol. 845. pp. 84–93. doi: 10.1007/978-981-19-6613-2_10.
  4. Alhaddad M., Mironov K., Staroverov A., Panov A. Neural Potential Field for Obstacle-Aware Local Motion Planning. 2023. arxiv preprint arXiv:2310.16362. doi: 10.48550/arXiv.2310.16362.
  5. Filimonov A.B., Filimonov N.B. The Concept of Fairway in Problems of Potential Guidance of Mobile Robots. Optoelectronics, Instrumentation and Data Processing. 2022. vol. 58. no. 4. pp. 366–372. doi: 10.3103/S8756699022040057.
  6. Szczepanski R., Tarczewski T., Erwinski K. Energy Efficient Local Path Planning Algorithm Based on Predictive Artificial Potential Field. IEEE Access. 2022. vol. 10. pp. 39729–39742. doi: 10.1109/ACCESS.2022.3166632.
  7. Микишанина Е.А., Платонов П.С. Алгоритмизация управления мобильным колесным роботом в среде с препятствиями методом потенциальных полей. Мехатроника, автоматизация, управление. 2024. Т. 25. № 2. С. 93–100.
  8. Xi Z., Han H., Cheng J., Lv M. Reducing Oscillations for Obstacle Avoidance in a Dense Environment Using Deep Reinforcement Learning and Time-Derivative of an Artificial Potential Field. Drones. 2024. vol. 8. no. 3. doi: 10.3390/drones8030085.
  9. De Medio C., Nicolò F., Oriolo G. Robot Motion Planning Using Vortex Fields. New Trends in Systems Theory. Progress in Systems and Control Theory. Boston: Birkhäuser Boston. 1991. vol. 7. pp. 237–244.
  10. De Medio C., Oriolo G. Robot Obstacle Avoidance Using Vortex Fields. Advances in Robot Kinematics. Vienna: Springer Vienna. 1991. pp. 227–235. doi: 10.1007/978-3-7091-4433-6_26.
  11. De Luca A., Oriolo G. Local incremental planning for nonholonomic mobile robots. Proc. IEEE Int. Conf. Robot. Autom. 1994. pp. 104–110. doi: 10.1109/ROBOT.1994.351003.
  12. Martis W.P., Rao S. Cooperative Collision Avoidance in Mobile Robots using Dynamic Vortex Potential Fields. 9th Int. Conf. Autom. Robot. Appl. (ICARA 2023). 2023. pp. 60–64. doi: 10.1109/ICARA56516.2023.10125851.
  13. Choi D., Lee K., Kim D. Enhanced Potential Field-Based Collision Avoidance for Unmanned Aerial Vehicles in a Dynamic Environment. AIAA Scitech 2020 Forum. 2020. doi: 10.2514/6.2020-0487.
  14. Choi D., Kim D., Lee K. Enhanced Potential Field-Based Collision Avoidance in Cluttered Three-Dimensional Urban Environments. Appl. Sci. 2021. vol. 11. no. 22. doi: 10.3390/app112211003.
  15. Choi D., Chhabra A., Kim D. Intelligent cooperative collision avoidance via fuzzy potential fields. Robotica. 2022. vol. 40. no. 6. pp. 1919–1938. doi: 10.1017/S0263574721001454.
  16. Batinovic A., Goricanec J., Markovic L., Bogdan S. Path Planning with Potential Field-Based Obstacle Avoidance in a 3D Environment by an Unmanned Aerial Vehicle. International Conference on Unmanned Aircraft Systems (ICUAS). 2022. pp. 394–401. doi: 10.1109/ICUAS54217.2022.9836159.
  17. Goricanec J., Milas A., Markovic L., Bogdan S. Collision-Free Trajectory Following With Augmented Artificial Potential Field Using UAVs. IEEE Access. 2023. vol. 11. pp. 83492–83506. doi: 10.1109/ACCESS.2023.3303109.
  18. Szczepanski R. Safe Artificial Potential Field – Novel Local Path Planning Algorithm Maintaining Safe Distance From Obstacles. IEEE Robot. Autom. Lett. 2023. vol. 8. no. 8. pp. 4823–4830. doi: 10.1109/LRA.2023.3290819.
  19. Su Y.-H., Bhowmick P., Lanzon A. A Fixed-time Formation-containment Control Scheme for Multi-agent Systems with Motion Planning: Applications to Quadcopter UAVs. IEEE Transactions on Vehicular Technology. 2024. vol. 73. no. 7. pp. 9495–9507. doi: 10.1109/TVT.2024.3382489.
  20. Muslimov T. Curl-Free Vector Field for Collision Avoidance in a Swarm of Autonomous Drones. Lecture Notes in Computer Science. Interactive Collaborative Robotics (ICR 2023). 2023. vol. 14214. pp. 369–379.
  21. Muslimov T., Kozlov E., Munasypov R. Drone Swarm Movement without Collisions with Fixed Obstacles Using a Hybrid Algorithm Based on Potential Functions. International Russian Automation Conference (RusAutoCon). 2023. pp. 781–785.
  22. Gao Y., Bai C., Fu R., Quan Q. A non-potential orthogonal vector field method for more efficient robot navigation and control. Rob. Auton. Syst. 2023. vol. 159. doi: 10.1016/j.robot.2022.104291.
  23. Park C., Cho N., Lee K., Kim Y. Formation Flight of Multiple UAVs via Onboard Sensor Information Sharing. Sensors. 2015. vol. 15. no. 7. pp. 17397–17419.
  24. Kim S., Cho H., Jung D. Circular Formation Guidance of Fixed-Wing UAVs Using Mesh Network. IEEE Access. 2022. vol. 10. pp. 115295–115306. doi: 10.1109/ACCESS.2022.3218673.
  25. Muslimov T. Cooperative Circumnavigation with Robust Vector Field Guidance for Multiple UAVs in Unknown Wind Environments. J. Intell. Robot. Syst. 2023. vol. 109. no. 84. doi: 10.1007/s10846-023-02000-3.
  26. Муслимов Т.З. Методы и алгоритмы группового управления беспилотными летательными аппаратами самолетного типа. Системная инженерия и информационные технологии. 2024. Т. 6. № 1(16). С. 3–15.
  27. Lafmejani A.S., Farivarnejad H., Sorkhabadi M.R., Zahedi F., Doroudchi A., Berman S. Collision-Free Velocity Tracking of a Moving Ground Target by Multiple Unmanned Aerial Vehicles. The 4th International Symposium on Swarm Behavior and Bio-Inspired Robotics. 2021.
  28. Peters S.C., Bobrow J.E., Iagnemma K. Stabilizing a vehicle near rollover: An analogy to cart-pole stabilization. IEEE International Conference on Robotics and Automation. 2010. pp. 5194–5200. doi: 10.1109/ROBOT.2010.5509367.
  29. Beard R.W., McLain T.W. Small unmanned aircraft: Theory and practice. Princeton and Oxford: Princeton University Press. 2012. 320 p.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».