О децентрализованном решении задачи одновременного прибытия автономных мобильных объектов к финальной точке с использованием анализа больших данных

Необходимость перехода к более совершенным методам управления при использовании обычного автономного мобильного объекта (АМО) для контроля одновременного прибытия возникает ввиду чрезмерного отклонения. Инновационным решением данной проблемы является использование децентрализованного метода управления для контроля одновременного прибытия АМО к финальной точке, который основан на анализе больших данных. Было предложено решение для объединения децентрализованной информации посредством использования фильтрации, на основе которой осуществляется управление децентрализованной координацией формирований. В статье представлены основные характеристики АМО, показаны параметры объединения информации о АМО, описано децентрализованное координационное управление формированием и произведено вычисление оптимального пути и скорости сходимости для децентрализованного управления, а также учтены ограничения на задержку связи. Было проведено экспериментальное исследование ошибок в направлении x предлагаемым методом и сравнение с ошибками в эксперименте без использования данного метода управления. Также представлены графики сравнения скорости сходимости. Результаты эксперимента показали, что децентрализованный метод управления оказывает значительное влияние на определение цели АМО и сходимость ошибок. Благодаря предлагаемому подходу удалось повысить эффективность управления и снизить ошибки, тем самым, доказана целесообразность использования данного метода управления.

1. Tyushev K., Amelin K., Andrievsky B. The method of saving data integrity for decentralized network of group of UAV using quantized gossip algorithms. IFAC-PapersOnLine. 2016;49(13):259–264. https://doi.org/10.1016/j.ifacol.2016.07.961

2. Dai B., He Y., Zhang G., Gu F., Yang L., Xu W. Wind disturbance rejection for unmanned aerial vehicles using acceleration feedback enhanced H_(∞) method. Autonomous Robots. 2020;44(7):1271–1285. https://doi.org/10.1007/s10514-020-09935-8

3. Arbanas B., Ivanovic A., Car M., Orsag M., Petrovic T., Bogdan S. Decentralized planning and control for UAV–UGV cooperative teams. Autonomous Robots. 2018;42(8):1601–1618. https://doi.org/10.1007/s10514-018-9712-y

4. Meng W., He Z., Su R., Yadav P.K., Teo R., Xie L. Decentralized Multi-UAV Flight Autonomy for Moving Convoys Search and Track. IEEE Transactions on Control Systems Technology. 2017;25(4):1480–1487. https://doi.org/10.1109/TCST.2016.2601287

5. Conesa A., Madrigal P., Tarazona S., Gomez-Cabrero D., Cervera A., McPherson A., Szcześniak M.W., Gaffney D.J., Elo L.L., Zhang X., Mortazavi A. A survey of best practices for RNA-seq data analysis. Genome Biology. 2016;17. https://doi.org/10.1186/s13059-016-0881-8

6. Liu S., Bai W., Zeng N., Wang S. A Fast Fractal Based Compression for MRI Images. IEEE Access. 2019;7:62412–62420. https://doi.org/10.1109/ACCESS.2019.2916934

7. Stergiopoulos G., Kotzanikolaou P., Theocharidou M., Lykou G., Gritzalis D. Time-based critical infrastructure dependency analysis for large-scale and cross-sectoral failures. International Journal of Critical Infrastructure Protection. 2016;12:46–60. https://doi.org/10.1016/j.ijcip.2015.12.002

8. Liu S., Fu W., He L., Zhou J., Ma M. Distribution of primary additional errors in fractal encoding method. Multimedia Tools and Applications. 2014;76(4):5787–5802. https://doi.org/10.1007/s11042-014-2408-1

9. Cheng Y.-C., Wu E.H., Chen G.-H. A Decentralized MAC Protocol for Unfairness Problems in Coexistent Heterogeneous Cognitive Radio Networks Scenarios With Collision-Based Primary Users. IEEE Systems Journal. 2016;10(1):346–357. https://doi.org/10.1109/jsyst.2015.2431715

10. Kamath G., Shi L., Song W.-Z., Lees J. Distributed travel-time seismic tomography in large-scale sensor networks. Journal of Parallel and Distributed Computing. 2016;89:50–64. https://doi.org/10.1016/j.jpdc.2015.12.002