Thuật toán điều khiển hình thức phi tập trung đề xuất cho bầy robot dựa trên phương pháp trường tiềm năng được tối ưu hóa

Neural Computing and Applications - Tập 33 - Trang 487-499 - 2020
Basma Gh. Elkilany1,2, A. A. Abouelsoud3, Ahmed M. R. Fathelbab4,5, Hiroyuki Ishii6
1Mechatronics and Robotics Engineering Department, Egypt-Japan University of Science and Technology (E-JUST), New Borg El Arab, Egypt
2Computer and Automatic Control Engineering Department, Faculty of Engineering, Tanta University, Tanta, Egypt
3Electronics and Electrical Communication Engineering Department, Faculty of Engineering, Cairo University, Giza, Egypt
4Mechatronics and Robotics Engineering Department, School of Innovative Design Engineering, Egypt-Japan University of Science and Technology (E-JUST), New Borg El Arab, Egypt
5Mechanical Engineering Department, Faculty of Engineering, Assiut University, Asyut, Egypt
6Faculty of Science and Engineering, Waseda University, Shinjuku-ku, Japan

Tóm tắt

Gần đây, bầy robot đã được sử dụng rộng rãi trong nhiều ứng dụng như nhiệm vụ tìm kiếm và cứu nạn, phát hiện cháy rừng và điều hướng trong môi trường nguy hiểm. Mỗi robot trong bầy được cho là sẽ di chuyển mà không va chạm và tránh chướng ngại vật trong khi thực hiện nhiệm vụ được giao. Do đó, cần có một phương pháp điều khiển hình thức để đạt được ba nhiệm vụ của bầy robot. Trong bài viết này, chúng tôi giới thiệu một thuật toán điều khiển hình thức phi tập trung dựa trên phương pháp trường tiềm năng cho bầy robot. Thuật toán điều khiển hình thức của chúng tôi được đề xuất để đạt được ba nhiệm vụ: tránh chướng ngại vật trong môi trường, giữ khoảng cách cố định giữa các robot để duy trì hình thức và thực hiện một nhiệm vụ được giao. Một mạng nơron nhân tạo được sử dụng trong việc tối ưu hóa các tham số của lực tiềm năng trực tuyến. Sau đó, các thí nghiệm thực tế được thực hiện để xác nhận độ tin cậy và khả năng ứng dụng của thuật toán điều khiển hình thức phi tập trung mà chúng tôi đề xuất. Kết quả thí nghiệm thực tế chứng minh rằng thuật toán điều khiển hình thức phi tập trung được đề xuất cho phép bầy robot tránh chướng ngại vật và duy trì hình thức trong khi thực hiện một nhiệm vụ nhất định. Bầy robot có thể đạt được một mục tiêu nhất định và theo dõi một quỹ đạo đã cho. Hơn nữa, thuật toán điều khiển hình thức phi tập trung được đề xuất cho phép bầy robot thoát khỏi các cực tiểu cục bộ và vượt qua hai chướng ngại vật được đặt gần nhau mà không có dao động gần chúng. Từ việc so sánh giữa thuật toán điều khiển hình thức phi tập trung được đề xuất và phương pháp PFM truyền thống, chúng tôi nhận thấy rằng bầy NN đạt được mục tiêu với độ chính xác trung bình là 0,14 m so với 0,22 m của bầy T. Bầy NN cũng giữ được khoảng cách cố định giữa các robot với lỗi bầy cao hơn đạt 34,83%, trong khi bầy T đạt 23,59%. Ngoài ra, bầy NN chính xác hơn trong việc theo dõi một quỹ đạo với lỗi theo dõi cao hơn đạt 0,0086 m so với lỗi tối thiểu của bầy T là 0,01 m. Thêm vào đó, bầy NN duy trì hình thức lâu hơn nhiều so với bầy T trong khi theo dõi quỹ đạo đạt 94,31%, trong khi bầy T đạt 81,07% trong thời gian thực hiện, trong môi trường với số lượng chướng ngại vật khác nhau.

Từ khóa


Tài liệu tham khảo

Olfati-Saber R (2006) Flocking for multi-agent dynamic systems: algorithms and theory. IEEE Trans Autom Contr 51(3):1–20

Murray RM (2007) Recent research in cooperative control of multivehicle systems. J Dyn Syst Meas Control Trans ASME 129(5):571–583

Hu J, Xu J, Xie L (2013) Cooperative search and exploration in robotic networks. Unmanned Syst 01(01):121–142

Martin M, Klupar P, Kilberg S, Winter J (2001) TechSat 21 and revolutionizing space missions using microsatellites. USU/AIAA 1:1–10

Chaimowicz L, Kumar V (2008) Aerial shepherds: coordination among UAVs and swarms of robots. In: Distributed autonomous robotic systems 6. Springer, Tokyo, pp 243–252

Egerstedt M, Hu X (2001) Formation constrained multi-agent control. IEEE Trans Robot Autom 17(6):947–951

Kowalczyk W (2002) Target assignment strategy for scattered robots building formation. In: Proceedings of the 3rd international workshop on robot motion and control, RoMoCo 2002, 2002, pp 181–185

Saber RO, Dunbar WB, Murray RM (2003) Cooperative control of multi-vehicle systems using cost graphs and optimization. Proc Am Control Conf 3:2217–2222

Lot A, Zelinski S, Koo TJ, Sastry S (2003) Optimization-based formation reconfiguration planning for autonomous vehicles. Proc IEEE Int Conf Robot Autom 3:3758–3763

Cao Z, Tan M, Wang S, Fan Y, Zhang B (2002) The optimization research of formation control for multiple mobile robots. Proc World Congr Intell Control Autom (WCICA) 2:1270–1274

Barnes L, Alvis W, Fields M, Valavanis K, Moreno W (2006) Swarm formation control with potential fields formed by bivariate normal functions. In: 14th Mediterranean conference on control and automation, MED’06

Fujibayashi K, Murata S, Sugawara K, Yamamura M (2002) Self-organizing formation algorithm for active elements. In: Proceedings of the IEEE symposium on reliable distributed systems, pp 416–421

Chaimowicz L, Michael N, Kumar V (2005) Controlling swarms of robots using interpolated implicit functions. Proc IEEE Int Conf Robot Autom 2005:2487–2492

Jadbabaie A, Lin J, Morse AS (2003) Coordination of groups of mobile autonomous agents using nearest neighbor rules. IEEE Trans Autom Contr 48(6):988–1001

Desai JP (2001) Modeling multiple teams of mobile robots: a graph theoretic approach. IEEE Int Conf Intell Robots Syst 1:381–386

Feeney AB, Price DM (2000) A modular architecture for STEP. In: Proceedings of the third international working of robotic motion control. RoMoCo ’02, pp 285–290

Olfati-Saber R, Murray RM (2002) Graph rigidity and distributed formation stabilization of multi-vehicle systems. Proc IEEE Conf Decis Control 3:2965–2971

Balch T, Hybinette M (2000) Social potentials for scalable multi-robot formations. Proc IEEE Int Conf Robot Autom 1:73–80

Dudenhoeffer DD, Jones MP (2000) Formation behavior for large-scale micro-robot force deployment. Winter Simul Conf Proc 1:972–982

Leonard NE, Fiorelli E (2001) Virtual leaders, artificial potentials and coordinated control of groups. Proc IEEE Conf Decis Control 3:2968–2973

Olfati-Saber R, Murray RM (2002) Distributed cooperative control of multiple vehicle formations using structural potential functions. In: IFAC Proceedings volumes (IFAC-PapersOnline), vol 15, no 1, pp 495–500

Schneider FE, Wildermuth D (2003) A potential field based approach to multi robot formation navigation. In: RISSP 2003, vol 2003, pp 680–685

Khatib O (1986) Real-time obstacle avoidance for manipulators and mobile robots. Int J Rob Res 5(1):90–98

Dang AD, Horn J (2015) Formation adaptation control of autonomous robots in a dynamic environment. In: Proceedings of the IEEE international conference on industrial technology, vol 2015, pp 3190–3195

Furferi R, Conti R, Meli E, Ridolfi A (2016) Optimization of potential field method parameters through networks for swarm cooperative manipulation tasks. Int J Adv Robot Syst 13(6):172988141665793

Koren Y, Borenstein J (1991) Potential field methods and their inherent limitations for mobile robot navigation. Proc IEEE Int Conf Robot Autom 2:1398–1404

Wu KH, Chen CH, Lee JD (1996) Genetic-based adaptive fuzzy controller for robot path planning. IEEE Int Conf Fuzzy Syst 3:1687–1691

Jaradat MAK, Garibeh MH, Feilat EA (2012) Autonomous mobile robot dynamic motion planning using hybrid fuzzy potential field. Soft Comput 16(1):153–164

Tu KY, Baltes J (2006) Fuzzy potential energy for a map approach to robot navigation. Rob Autom Syst 54(7):574–589

Stoian V, Ivanescu M, Stoian E, Pana C (2006) Using artificial potential field methods and fuzzy logic for mobile robot control. In: 2006 12th international power electronics and motion control conference, 2006, pp 385–389

Jia Q, Li G (2007) Formation control and obstacle avoidance algorithm of multiple autonomous underwater vehicles (AUVs) based on potential function and behavior rules. Proc IEEE Int Conf Autom Logist ICAL 2007:569–573

Park JW, Kwak HJ, Kang YC, Kim DW (2016) Advanced fuzzy potential field method for mobile robot obstacle avoidance. Comput Intell Neurosci 2016

Vadakkepat P, Tan KC, Ming-Liang W (2000) Evolutionary artificial potential fields and their application in real time robot path planning. In: Proceedings of the 2000 congress on evolutionary computation, CEC 2000, vol 1, pp 256–263

Li F, Wang Y, Tan Y, Ge G (2013) Mobile robots path planning based on evolutionary artificial potential fields approach. Iccsee, pp 1314–1317

Bounini F, Gingras D, Pollart H, Gruyer D (2017) Modified artificial potential field method for online path planning applications. In: IEEE intelligent vehicles symposium, proceedings, pp 180–185

Sun J, Tang J, Lao S (2017) Collision avoidance for cooperative UAVs with optimized artificial potential field algorithm. IEEE Access 5:18382–18390

Elkilany BG, Abouelsoud AA, Fathelbab AMR (2017) Adaptive formation control of robot swarms using optimized potential field method. In: Proceedings of the IEEE international conference on industrial technology

Cross SS, Harrison RF, Kennedy RL (1995) Introduction to neural networks, vol 346. MIT Press, Cambridge

PLATFORM-TurtleBot 3-ROBOTIS. Available: http://www.robotis.us/turtlebot-3/. Accessed 31 Dec 2019

XL430-W250-T. http://emanual.robotis.com/docs/en/dxl/x/xl430-w250/. Accessed 31 Dec 2019

TurtleBot3. http://emanual.robotis.com/docs/en/platform/turtlebot3/appendix_opencr1_0/. Accessed 12 Jan 2020

Buy a Raspberry Pi 3 Model B+—Raspberry Pi. : https://www.raspberrypi.org/products/raspberry-pi-3-model-b-plus/. Accessed 12 Jan 2020

TurtleBot3. http://emanual.robotis.com/docs/en/platform/turtlebot3/appendix_lds_01/. Accessed 31 Dec 2019

O’Kane JM (2016) A gentle introduction to ROS, no. 2.1.3. Jason M. O’Kane

Thông tin
Thông tin xuất bản

Neural Computing and Applications

Tập 33

487-499

Thông tin tác giả