Анализ устойчивости роя гетерогенных роботов с ограниченным полем зрения

Обложка

Цитировать

Полный текст

Аннотация

Представлен анализ устойчивости роя гетерогенных роботов, где каждый робот имеет разный уровень чувствительности сенсоров и различные физические ограничения, включая максимальную скорость движения и ускорения. Каждый робот обладает уникальной областью восприятия в условиях ограниченного поля зрения. Изначально предлагался децентрализованный метод навигации для роя гетерогенных роботов, состоящего из ведущего робота и многочисленных ведомых роботов. Сдецентрализованным методом навигации ведущий робот может направлять ведомых, поддерживая соединение и учитывая физические ограничения, уникальные для каждого робота. Данное исследование сосредоточено на анализе устойчивости равновесия такого роя ргетерогенных роботов. С математической точки зрения доказывается, что когда ведущий робот двигается с постоянной скоростью, форма и направление всех остальных ведомых роботов в конечном счете стремятся к равновесию. Чтобы продемонстрировать совпадение этого состояния равновесия, сперва необходимо доказать, что оно существует. Проводятся эксперименты и численные моделирования, чтобы подтвердить наличие стабильности, то есть достижение роем роботов состояния равновесия.

Об авторах

Т. Эндо

Киотский университет

Автор, ответственный за переписку.
Email: endo@me.kyoto-u.ac.jp
Кёдай Катсура, Нисикё-ку C3

Р. Маэда

Киотский университет

Email: ray501.itsme182@gmail.com
Кёдай Катсура, Нисикё-ку C3

Ф. Мацуно

Киотский университет

Email: matsuno@me.kyoto-u.ac.jp
Кёдай Катсура, Нисикё-ку C3

Список литературы

  1. Şahin E. Swarm Robotics: From Sources of Inspiration to Domains of Application // Swarm Robotics. 2005. pp. 10–20.
  2. Brambilla M., Ferrante E., Birattari M., Dorigo M. Swarm robotics: a review from the swarm engineering perspective // Swarm Intell. 2013. vol. 7. pp. 1–41.
  3. Bayindir L. A review of swarm robotics tasks // Neurocomputing. 2016. vol. 172. pp. 292–321.
  4. Ge X. et al. A survey on recent advances in distributed sampled-data cooperative control of multi-agent systems // Neurocomputing. 2018. vol. 275. pp. 1684–1701
  5. Chung S. et al. Survey on Aerial Swarm Robotics // IEEE Trans. Robot. 2018. vol. 34. pp. 837–855.
  6. Nedjah N., Junior L.S. Review of methodologies and tasks in swarm robotics towards standardization // Swarm and Evolutionary Computation. 2019. vol. 50. pp. 100565.
  7. Kantaros Y., Thanou M., Tzes A. Distributed coverage control for concave areas by a heterogeneous Robot-Swarm with visibility sensing constraints // Automatica. 2015. vol. 53. pp. 195–207.
  8. Teruel E., Aragues R., López-Nicolás G. A distributed robot swarm control for dynamic region coverage // Robot. Auton. Syst. 2019. vol. 119. pp. 51–63.
  9. Durham J.W., Franchi A., Bullo F. Distributed pursuit-evasion without mapping or global localization via local frontiers // Auton. Robot. 2012. vol. 32. pp. 81–95.
  10. Garcia-Aunon P., Roldán J., Barrientos A. Monitoring traffic in future cities with aerial swarms: Developing and optimizing a behavior-based surveillance algorithm // Cognitive Systems Research. 2019. vol. 54. pp. 273–286.
  11. Kim T., Sugie T. Cooperative control for target-capturing task based on a cyclic pursuit strategy // Automatica. 2007. vol. 43. pp. 1426–431.
  12. Kawakami H., Namerikawa T. Cooperative target-capturing strategy for multivehicle systems with dynamic network topology // Proc. of 2009 American Control Conference. 2009. pp. 635–640.
  13. Miyata N., Ota J., Arai T., Asama H. Cooperative transport by multiple mobile robots in unknown static environments associated with real-time task assignment // IEEE Trans. Robot. Autom. 2002. vol. 18. pp. 769–780.
  14. Chen J. et al. Occlusion-Based Cooperative Transport with a Swarm of Miniature Mobile Robots // IEEE Trans. Robot. 2015. vol. 31. pp. 307–321.
  15. Xu M. et al. Collective Crowd Formation Transform with Mutual Information–Based Runtime Feedback // Comput. Graph. Forum. 2015. vol. 34. pp. 60–73.
  16. Kobayashi Y., Endo T., Matsuno F. Distributed formation for robotic swarms considering their crossing motion // Journal of the Franklin Institute. 2018. vol. 355. pp. 8698–8722.
  17. Dorigo M. et al. Swarmanoid: A Novel Concept for the Study of Heterogeneous Robotic Swarms // IEEE Robot. Autom. Mag. 2013. vol. 20. pp. 60–71.
  18. Sabattini L., Secchi C., Chopra N. Decentralized Estimation and Control for Preserving the Strong Connectivity of Directed Graphs // IEEE Trans. Cybern. 2015. vol. 45. pp. 2273–2286.
  19. Filotheou A., Nikou A., Dimarogonas D.V. Robust decentralised navigation of multi-agent systems with collision avoidance and connectivity maintenance using model predictive controllers // Int. J. Control. 2020. vol. 93. no. 6. pp. 1470–1484.
  20. Yoo S.J., Park B.S. Connectivity preservation and collision avoidance in networked nonholonomic multi-robot formation systems: Unified error transformation strategy // Automatica. 2019. vol. 103. pp. 274–281.
  21. Yoshimoto M., Endo T., Maeda R., Matsuno F. Decentralized navigation method for a robotic swarm with nonhomogeneous abilities // Auton. Robots. 2018. vol. 42. pp. 1583–1599.
  22. Panagou D., Kumar V. Cooperative Visibility Maintenance for Leader–Follower Formations in Obstacle Environments // IEEE Trans. Robot. 2014. vol. 30. pp. 831–844.
  23. Delimpaltadakis I.M., Bechlioulis C.P., Kyriakopoulos K.J. Decentralized Platooning With Obstacle Avoidance for Car-Like Vehicles With Limited Sensing // IEEE Robot. Autom. Lett. 2018. vol. 3. pp. 835–840.
  24. Liu X., Ge S.S., Goh C. Vision-Based Leader–Follower Formation Control of Multiagents With Visibility Constraints // IEEE Trans. Control Syst. Technol. 2019. vol. 27. pp. 1326–1333.
  25. Poonawala H.A., Spong M.W. Cooperative visibility maintenance in SE(3) for multirobot-networks with limited field-of-view sensors // Control Theory Technol. 2017. vol. 15. pp. 246–257.
  26. Maeda R., Endo T. Matsuno F. Decentralized Navigation for Heterogeneous Swarm Robots With Limited Field of View // IEEE Robotics and Automation Letters. 2017. vol. 2. pp. 904–911.
  27. Endo T., Maeda R. Matsuno F. Stability Analysis for Heterogeneous Swarm Robots with Limited Field of View // Proc. of 2019 Developments in eSystems Engineering (DeSE). 2019. pp. 27–32.
  28. Alligood K.T., Sauer T.D., Yorke J.A. Chaos: An introduction to dynamical systems // Springer. 1996. 358 p.
  29. Li Y., Muldowney J.S. On Bendixson’s criterion // J. Differ. Equations. 1993. vol. 106. pp. 27–39.
  30. Sontag E.D. A remark on the converging-input converging state property // IEEE Trans. Automat. Contr. 2003. vol. 48. pp. 313–314.

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».