Ускоренный протокол локального голосования для группы роботов с одним пультом дистанционного управления

Обложка

Цитировать

Полный текст

Аннотация

Управление группой роботов с помощью одного пульта дистанционного управления является актуальной и сложной задачей, особенно в условиях нестабильной связи, когда часть роботов может временно терять управляющий сигнал, что требует разработки надёжных децентрализованных механизмов для поддержания строя. В данной работе предложена и апробирована полуцентрализованная система управления, позволяющая оператору координировать группу роботов как единое целое. Система объединяет централизованные команды от базовой станции с децентрализованной коррекцией положения на основе протокола ESP-NOW. Для сравнения эффективности в задаче поддержания жёсткой формации были применены протокол локального голосования (LVP) и его ускоренная версия (ALVP). Их эффективность оценивалась в среде моделирования на группе из четырёх дронов в ходе экспериментов, включавших резкие манёвры (повороты на 50° и 75°) и имитацию значительных потерь пакетов данных (50% и 80%). Результаты показали, что ALVP продемонстрировал значительные преимущества по сравнению со стандартным LVP: более высокую скорость восстановления формации, меньшую среднюю ошибку позиционирования и большую устойчивость. В частности, при выполнении серии из 20 полётов с поворотом на 50°, ALVP успешно сохранил строй в 17 случаях против 3 у LVP, а также показал лучшую робастность в условиях потерь пакетов. Таким образом, предложенный полуцентрализованный подход с использованием протокола ALVP является эффективным и надёжным решением для управления строем группы роботов. Дальнейшие исследования будут направлены на проведение натурных экспериментов и интеграцию механизмов обхода препятствий.

Об авторах

И. С Архипов

Санкт-Петербургский государственный университет

Email: arkhipov.iv99@mail.ru
Университетская набережная 7/9

В. А Ерофеева

Санкт-Петербургский государственный университет

Email: vicki.ultramarine@gmail.com
Университетская набережная 7/9

О. Н Граничин

Санкт-Петербургский государственный университет

Email: oleg_granichin@mail.ru
Университетская набережная 7/9

В. А Киселев

Санкт-Петербургский государственный университет

Email: kiselyovvld@mail.ru
Университетская набережная 7/9

А. О Чернов

Санкт-Петербургский государственный университет

Email: a.o.chernov@mail.ru
Университетская набережная 7/9

Список литературы

  1. Bu Y., Yan Y., Yang Y. Advancement challenges in UAV swarm formation control: A comprehensive review // Drones. 2024. vol. 8. no. 7. doi: 10.3390/drones8070320.
  2. Amala Arokia Nathan R.J., Kurmi I., Bimber O. Drone swarm strategy for the detection and tracking of occluded targets in complex environments // Communications Engineering. 2023. vol. 2. doi: 10.1038/s44172-023-00104-0.
  3. Do H.T., Hua H.T., Nguyen M.T., Nguyen C.V., Nguyen H.T.T., Nguyen H.T., Nguyen N.T.T. Formation control algorithms for multiple-UAVs: a comprehensive survey // EAI Endorsed Trans. Ind. Networks Intell. Syst. 2021. vol. 8. no. 27.
  4. Ren W. Consensus based formation control strategies for multi-vehicle systems // Proceedings of the American Control Conference. IEEE, 2006. pp. 6.
  5. Amelin K., Amelina N., Granichin O., Granichina O., Andrievsky B. Randomized algorithm for UAVs group flight optimization // IFAC Proceedings Volumes. 2013. vol. 46. no. 11. pp. 205–208.
  6. Amelina N., Fradkov A., Amelin K. Approximate consensus in multi-agent stochastic systems with switched topology and noise // IEEE International Conference on Control Applications (CCA). 2012. pp. 445–450.
  7. Erofeeva V., Granichin O., Volodina E. Accelerated decentralized load balancing in multi-agent networks // IEEE Access. 2024. vol. 12.
  8. Vergados D.J., Amelina N., Jiang Y., Kralevska K., Granichin O. Toward optimal distributed node scheduling in a multihop wireless network through local voting // IEEE Transactions on Wireless Communications. 2017. vol. 17. no. 1. pp. 400–414.
  9. Амелин К.С., Амелина Н.О., Граничин О.Н., Сергеев С.Ф. Децентрализованное групповое управление роем автономных роботов без маршрутизации данных // Робототехника и техническая кибернетика. 2021. Т. 9. № 1. С. 42.
  10. Amelina N., Fradkov A., Jiang Y. Vergados D.J. Approximate consensus in stochastic networks with application to load balancing // IEEE Transactions on Information Theory. 2015. vol. 61. no. 4. pp. 1739–1752.
  11. Olfati-Saber R., Murray R.M. Consensus problems in networks of agents with switching topology and time-delays // IEEE Transactions on Automatic Control. 2004. vol. 49. no. 9. pp. 1520–1533.
  12. Nesterov Y. Lectures on convex optimization. Berlin: Springer, 2018. vol. 137. 589 p.
  13. Kovalev D., Borodich E., Gasnikov A., Feoktistov D.. Lower bounds and optimal algorithms for non-smooth convex decentralized optimization over time-varying networks. arXiv preprint arXiv:2405.18031. 2024.
  14. Chen X., Huang L., Ding K., Dey S., Shi L. Privacy-preserving push-sum average consensus via state decomposition // IEEE Transactions on Automatic Control. 2023. vol. 68. no. 12. pp. 7974–7981.
  15. Zhou Y., Cheng Y., Xu L., Chen E. Adaptive weighting push-SUM for decentralized optimization with statistical diversity // IEEE Transactions on Control of Network Systems. 2025. doi: 10.1109/TCNS.2025.3566329.
  16. Kenyeres M., Kenyeres J., Skorpil V. The analysis of the push-sum protocol in various distributed systems // European Scientific Journal. 2016. vol. 12. no. 12. doi: 10.19044/esj.2016.v12n12p64.
  17. Nedic A., Olshevsky A. Distributed optimization over time-varying directed graphs // IEEE Transactions on Automatic Control. 2014. vol. 60. no. 3. pp. 601–615. doi: 10.1109/TAC.2014.2364096.
  18. Mayne D.Q., Rawlings J.B., Diehl M.M. Model predictive control theory and design // Nob Hill Pub, Llc. 1999.
  19. Kalman R.E. Contributions to the theory of optimal control // Bol. soc. mat. mexicana. 1960. vol. 5. no. 2. pp. 102–119.
  20. Cohen A., Hasidim A., Koren T., Lazic N., Mansour Y., Talwar K. Online linear quadratic control // International Conference on Machine Learning. PMLR, 2018. vol. 80. pp. 1029–1038.
  21. Goel G., Wierman A. An online algorithm for smoothed regression and LQR control // The 22nd International Conference on Artificial Intelligence and Statistics. PMLR, 2019. vol. 89. pp. 2504–2513.
  22. The Dronecode Foundation. MAVLink. URL: https://mavlink.io/en (дата обращения: 25.06.2025).
  23. M. Oborne and ArduPilot Dev Team. Mission planner. URL: https://ardupilot.org/planner (дата обращения: 25.06.2025).
  24. ArduPilot Dev Team. (2024) ArduPilot. URL: https://ardupilot.org (дата обращения: 25.06.2025).
  25. Espressif Systems. ESP32 Wi-Fi and Bluetooth SoC. URL: https://www.espressif.com/en/products/socs/esp32 (дата обращения: 25.06.2025).
  26. Espressif Systems. ESP-NOW wireless communication protocol. URL: https://www.espressif.com/en/solutions/low-power-solutions/esp-now (дата обращения: 25.06.2025).
  27. Arkhipov I. MartOS. URL: https://github.com/IvanArkhipov1999/Martos (дата обращения: 25.06.2025).
  28. Erofeeva V., Granichin O., Uzhva D. Meso-scale coalitional control in large-scale networks // Automatica. 2025. vol. 177.
  29. Erofeeva, V., Granichin, O., Pankov, V., Volkovich, Z. Communication-efficient decentralized clustering for dynamical multi-agent systems // PlosOne. 2025.
  30. Kiselev V. Swarm simulator. URL: https://github.com/CroccoRush/swarm-simulator (дата обращения: 25.06.2025).
  31. Amelin K., Granichin O., Sergeenko A., Volkovich Z.V. Emergent intelligence via self-organization in a group of robotic devices // Mathematics. 2021. vol. 9. no. 12. pp. 1314. doi: 10.3390/math9121314.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).