Совместная навигация гетерогенной группы роботов

В работе рассматривается подход к оптимизации навигационных стратегий для гетерогенной группы роботов, осуществляющих совместное перемещение в сложных условиях окружающей среды, характеризующихся наличием препятствий и нестабильным приемом сигналов спутниковых систем. В частности, исследуется возможность повышения точности решения навигационной задачи для каждого агента группы путем реализации алгоритмов взаимной коррекции навигационных систем воздушных и наземных роботов, физически связанных между собой управляемым гибким тросом. Разработанные алгоритмы обеспечивают возможность как автономного функционирования каждого агента, так и их работу в едином комплексе. Они содержат дополнительные каналы коррекции, использующие информацию от датчиков длины, натяжения и угла отклонения тросового механизма. Эти данные позволяют непрерывно определять относительное пространственное положение роботов, эффективно компенсируя накапливающиеся ошибки бортовых инерциальных систем. Для теоретического обоснования подхода представлена комплексная математическая модель, описывающая пространственную динамику роботов. Приведены результаты имитационного моделирования процессов перемещения и оценки навигационных параметров. Полученные данные подтверждают, что предложенный метод комплексирования информации позволяет значительно снизить погрешность позиционирования по сравнению с изолированным функционированием роботов, повышая общую надежность выполнения миссии.

1. Zhang P., Liu Y., Du H. An integrated framework for UAV-based precision plant protection in complex terrain: the ACHAGA solution for multi-tea fields. Frontiers in Plant Science. 2024;15:1440234. https://doi.org/10.3389/fpls.2024.1440234

2. Pereira G.A.S., Kumar V., Campos M.F. Decentralized algorithms for multirobot manipulation via caging. In: Algorithmic Foundations of Robotics V. Berlin, Heidelberg: Springer; 2004. P. 257–273. https://doi.org/10.1007/978-3-540-45058-0_16

3. Groenewald C.A., Saha G.Ch., Mann G., et al. Multi-agent systems in robotics: coordination and communication using machine learning. Naturalista Campano. 2024;28(1):882–897.

4. Salam T., Hsieh M.A. Heterogeneous robot teams for modeling and prediction of multiscale environmental processes. Autonomous Robots. 2023;47(4):353–376. https://doi.org/10.1007/s10514-023-10089-6

5. Bhatia V., Arora R., Sidharth S. Deep learning for automated aircraft surface defect detection. In: 2024 International Conference on Intelligent Computing and Emerging Communication Technologies (ICEC), 23–25 November 2024, Guntur, India. IEEE; 2024. https://doi.org/10.1109/ICEC59683.2024.10837564

6. Liu C., Wei S., Zhang M., et al. High-precision monitoring during the installation of large steel structures by UAV nap-of-the-object photogrammetry. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. 2024;XLVIII-4-2024:317–323. https://doi.org/10.5194/isprs-archives-XLVIII-4-2024-317-2024

7. Chernomorsky A.I., Lelkov K.S., Kuris E.D. About one way to increase the accuracy of navigation system for ground wheeled robot used in aircraft parking. Smart Science. 2020;8(4):219–226. https://doi.org/10.1080/23080477.2020.1824055

8. Лельков К.С., Черноморский А.И. Комплексная навигационная система наземного колёсного робота. В сборнике: XXIX Санкт-Петербургская международная конференция по интегрированным навигационным системам, 30 мая – 01 июня 2022 года, Санкт-Петербург, Россия. Санкт-Петербург: Электроприбор; 2022. С. 50–53.

9. Lei Y., Cheng M. Aerodynamic performance of a hex-rotor unmanned aerial vehicle with different rotor spacing. Measurement and Control. 2020;53(3-4):711–718. https://doi.org/10.1177/0020294019901313

10. Wan E.A., Van Der Merwe R. The unscented Kalman filter for nonlinear estimation. In: Proceedings of the IEEE 2000 Adaptive Systems for Signal Processing, Communications, and Control Symposium, 04 October 2000, Lake Louise, AB, Canada. IEEE; 2000. P. 153–158. https://doi.org/10.1109/ASSPCC.2000.882463

11. Schacht-Rodriguez R., Ortiz-Torres G., García-Beltrán C.D., et al. SoC estimation using an extended Kalman filter for UAV applications. In: 2017 International Conference on Unmanned Aircraft Systems (ICUAS), 13–16 June 2017, Miami, FL, USA. IEEE; 2017. P. 179–187. https://doi.org/10.1109/ICUAS.2017.7991381

12. Бродский М.С., Звонарев В.В., Хуббиев Р.В. и др. Компьютерная модель радиоканала системы спутниковой связи и ретрансляции данных при многопозиционной передаче сигнала. Труды МАИ. 2022;(127). https://doi.org/10.34759/trd-2022-127-10