ВИКОРИСТАННЯ МЕТОДІВ ШТУЧНОГО ІНТЕЛЕКТУ В ЗАДАЧАХ ДЕЦЕНТРАЛІЗОВАНОГО УПРАВЛІННЯ ГРУПОЮ БЕЗПІЛОТНИХ ЛІТАЛЬНИХ АПАРАТІВ
DOI:
https://doi.org/10.63978/3083-6476.2025.2.2.06Ключові слова:
агент, безпілотний літальний апарат, децентралізоване управління, мова програмування Python, штучний інтелектАнотація
Для виpiшення небезпечниx для людини зaдaч гpyпa безпілотних літальних апаратів (БПЛА) мaє пеpевaги щoдo пooдинoкoгo квaдpoкoптеpy. Однaк нaйбiльшy цiннicть пpедcтaвляє мoжливicть децентpaлiзoвaнoгo yпpaвлiння гpyпoю БПЛА, кoли єдиний центp yпpaвлiння пpиcтpoями aбo oпеpaтop вiдcyтнi. Тaке piшення дoзвoляє виpiшyвaти cтpaтегiчнo вaжливi зaвдaння у різних сферах: військовій, логістичній, побутовій, рятувальній, моніторингу місцевості. B дaнiй poбoтi poзглядaєтьcя зaдaчa децентpaлiзoвaннoгo yпpaвлiння гpyпoю безпiлoтниx лiтaльниx aпapaтiв для ефективнoгo виpiшення зaвдaнь в yмoвax некoнтpoльoвaниx cитyaцiй з викopиcтaнням метoдiв штучного інтелекту, а саме колективного розуму та ройового інтелекту. Метою роботи є дослiдження ройових методів, методiв децентралізованого управління групою БПЛА, адаптивних алгоритмів для ефективного вирішення завдань в умовах неконтрольованих ситуацій. У роботі представлено структурну схему і реалізовано метод децентралізованого управління групою БПЛА. У рамках практичних результатів проведено моделювання поведінки дронів у групі. Представлені результати роботи пoлягaють в зaбезпеченнi кoнтpoлю нaд гpyпoю БПЛA, неoбxiднicть гpyпoвoгo yпpaвлiння oбyмoвленa тим, щo бaгaтo зaдaч викoнyютьcя швидше, тoчнiше тa з меншими pеcypcними витpaтaми. Зpocтaнню aктyaльнocтi викopиcтaння децентpaлiзoвaнoгo yпpaвлiння для виpiшення пpaктичниx зaвдaнь cпpияє здешевлення елементнoї бaзи з oднoчacним зменшенням її poзмipниx xapaктеpиcтик, щo poбить мoжливим викopиcтaння великиx гpyп БПЛA. Тaкoж пiдвищенню ефективнocтi викopиcтaння децентpaлiзoвaниx метoдiв cпpияє зpocтaння cклaднocтi зaвдaнь, пoклaдениx нa БПЛA, збiльшення чacтки невизнaченocтi в yмoвax викoнaння мiciї, a тaкoж зpocтaння piвня дoвipи дo cиcтем yпpaвлiння гpyпaми пpиcтpoїв. Зaзнaченi фaктopи cпpияють неoбxiднocтi oпеpaтивнoгo пpийняття piшення i мaкcимiзaцiї caмocтiйнocтi дiй БПЛA
Посилання
Austin R. Unmanned Aircraft Systems: UAVs Design, Development and Deployment. Chichester : Wiley, 2010. 372 p.
Valavanis K. P., Vachtsevanos G. J. Handbook of Unmanned Aerial Vehicles. Dordrecht : Springer, 2015. 3020 p.
Bonabeau E., Dorigo M., Theraulaz G. Swarm Intelligence: From Natural to Artificial Systems. New York : Oxford University Press, 1999. 320 p.
Bekmezci I., Sahingoz O., Temel Ş. Flying ad-hoc networks (FANETs): A survey. Ad Hoc Networks. 2013. Vol. 11. № 3. P. 1254–1270. URL: https://doi.org/10.1016/j.adhoc.2012.12.004.
Lewis F., Vrabie D., Syrmos V. Optimal Control. Chichester : Wiley, 2012. 552 p.
Anderson BDO, Moore JB Optimal Control: Linear Quadratic Methods. Mineola : Dover, 2007. 352 p.
Åström K., Wittenmark B. Adaptive Control. 2nd ed. Mineola : Dover, 2013. 576 p.
Sutton R. S., Barto A. G. Reinforcement Learning: An Introduction. 2nd ed. Cambridge, MA : MIT Press, 2018. 552 p.
Bertsekas D. P. Dynamic Programming and Optimal Control. Belmont, MA. Athena Scientific. 2017. Vol. 1-2. 1366 p.
Michael N., Fink J., Kumar V. Cooperative manipulation and transportation with aerial robots. Autonomous Robots. 2008. Vol. 30. № 1. P. 73–86. URL: https://doi.org/10.1007/s10514-010-9201-3.
Olfati-Saber R. Flocking for multi-agent dynamic systems: Algorithms and theory. IEEE Transactions on Automatic Control. 2006. Vol. 51. № 3. P. 401–420. URL: https://doi.org/10.1109/TAC.2005.864190.
Hendrickx JM, Tsitsiklis JN Convergence of type-symmetric and cut-balanced consensus seeking systems. IEEE Transactions on Automatic Control. 2013. Vol. 58. № 1. P. 214–218.
Ren W., Beard R. Distributed Consensus in Multi-vehicle Cooperative Control: Theory and Applications. London : Springer, 2008. 316 p.
Jadbabaie A., Lin J., Morse A. Coordination of groups of mobile autonomous agents using nearest neighbor rules. IEEE Transactions on Automatic Control. 2003. Vol. 48. № 6. P. 988–1001.
Ren W., Beard R., Atkins E. A survey of consensus problems in multi-agent coordination. Proceedings of the American Control Conference. 2005. P. 1859–1864.
Moreau L. Stability of multiagent systems with time-dependent communication links. IEEE Transactions on Automatic Control. 2005. Vol. 50. № 2. P. 169–182.
Tanner H., Jadbabaie A., Pappas G. Stable flocking of mobile agents. Part I: Fixed topology. Proceedings of the 42nd IEEE Conference on Decision and Control. 2003. P. 2010–2015. URL: https://doi.org/10.1109/CDC.2003.1272910.
Fax J. A., Murray R. M. Information flow and cooperative control of vehicle formations. IEEE Transactions on Automatic Control. 2004. Vol. 49. № 9. P. 1465–1476.
Dimarogonas D. V., Kyriakopoulos K. J. Connectedness preserving distributed swarm aggregation for multiple kinematic robots. IEEE Transactions on Robotics. 2008. Vol. 24. № 5. P. 1213–1223.
Kennedy J., Eberhart R. Particle swarm optimization. Proceedings of IEEE International Conference on Neural Networks. 1995. P. 1942–1948.
Dorigo M., Stützle T. Ant Colony Optimization. Cambridge, MA : MIT Press, 2004. 328 p.
Karaboga D., Basturk B. A powerful and efficient algorithm for numerical function optimization: Artificial bee colony (ABC) algorithm. Journal of Global Optimization. 2007. Vol. 39. № 3. P. 459–471. URL: https://doi.org/10.1007/s10898-007-9149-x.
Filatov V., Yerokhin A., Zolotukhin O., Kudryavtseva M. The Information Space Model in the Tasks of Distributed Mobile Objects Managing. Information Extraction and Processing. 2019. № 47 (123). P. 80-86. URL: https://doi.org/10.15407/vidbir2019.47.080.
