Collision Avoidance in Circular Motion of a Fixed-Wing Drone Formation Based on Rotational Modification of Artificial Potential Field

Capa

Citar

Texto integral

Resumo

In coordinated circular motion of a group of autonomous unmanned aerial vehicles (UAVs or drones), it is important to ensure that collisions between them are avoided. A typical situation occurs when one of the drones in a circular formation needs to overtake the drone ahead. The reason for such an overtake may be due to a given geometry of the UAV formation, when this configuration of a given relative position of the drones has changed for some reason. In this case, the limited maneuverability of UAVs of exactly fixed-wing type requires taking into account the peculiarities of their dynamics in the synthesis of the collision avoidance algorithm. The impossibility of the airspeed for a fixed-wing type UAV to drop below a certain minimum value also plays a role here. In this paper, we propose to use an approach based on vortex vector fields, which are essentially a rotational modification of the artificial potential field (APF) method. In this case, the path following algorithm developed in our previous works provides the circular motion. As a result, a collision avoidance algorithm has been developed that works efficiently by maintaining a coordinated circular motion of the autonomous drone formation without unnecessary turns. The proposed algorithm was named Artificial Potential Field for Circular Motion (abbreviated as APFfCM). Using the direct Lyapunov method, it is shown that the trajectories of the formation system have uniform boundedness (UB) when using the proposed control algorithm. Due to the boundedness of the candidate Lyapunov function, it is guaranteed that no collision event between drones will occur. Thus the control objective of providing coordinated circular motion for an autonomous fixed-wing type drone formation without collisions is achieved. Fixed-wing (“flying wing”) UAV models in MATLAB/Simulink environment demonstrate the effective performance of the proposed algorithm. These models have both full nonlinear dynamics and implementation of tuned autopilots stabilizing angular and trajectory motion.

Sobre autores

T. Muslimov

Ufa University of Science and Technology (UUST)

Autor responsável pela correspondência
Email: tagir.muslimov@gmail.com
Karl Marx St. 12

Bibliografia

  1. Платонов А.К., Кирильченко А.А., Колганов М.А. Метод потенциалов в задаче выбора пути: история и перспективы. Препринты Института прикладной математики им. М.В. Келдыша РАН. 2001. Препринт ИПМ № 40.
  2. Khatib O. Real-Time Obstacle Avoidance for Manipulators and Mobile Robots. The international journal of robotics research. 1986. vol. 5. no. 1. pp. 90–98.
  3. Bojian L., Jun F., Yunxiao Q., Aijun L. Precise Formation Control for the Multi-agent Systems Based on Tilted Potential Field with Collision Avoidance. International Conference on Guidance, Navigation and Control. Lecture Notes in Electrical Engineering. 2023. vol. 845. pp. 84–93. doi: 10.1007/978-981-19-6613-2_10.
  4. Alhaddad M., Mironov K., Staroverov A., Panov A. Neural Potential Field for Obstacle-Aware Local Motion Planning. 2023. arxiv preprint arXiv:2310.16362. doi: 10.48550/arXiv.2310.16362.
  5. Filimonov A.B., Filimonov N.B. The Concept of Fairway in Problems of Potential Guidance of Mobile Robots. Optoelectronics, Instrumentation and Data Processing. 2022. vol. 58. no. 4. pp. 366–372. doi: 10.3103/S8756699022040057.
  6. Szczepanski R., Tarczewski T., Erwinski K. Energy Efficient Local Path Planning Algorithm Based on Predictive Artificial Potential Field. IEEE Access. 2022. vol. 10. pp. 39729–39742. doi: 10.1109/ACCESS.2022.3166632.
  7. Микишанина Е.А., Платонов П.С. Алгоритмизация управления мобильным колесным роботом в среде с препятствиями методом потенциальных полей. Мехатроника, автоматизация, управление. 2024. Т. 25. № 2. С. 93–100.
  8. Xi Z., Han H., Cheng J., Lv M. Reducing Oscillations for Obstacle Avoidance in a Dense Environment Using Deep Reinforcement Learning and Time-Derivative of an Artificial Potential Field. Drones. 2024. vol. 8. no. 3. doi: 10.3390/drones8030085.
  9. De Medio C., Nicolò F., Oriolo G. Robot Motion Planning Using Vortex Fields. New Trends in Systems Theory. Progress in Systems and Control Theory. Boston: Birkhäuser Boston. 1991. vol. 7. pp. 237–244.
  10. De Medio C., Oriolo G. Robot Obstacle Avoidance Using Vortex Fields. Advances in Robot Kinematics. Vienna: Springer Vienna. 1991. pp. 227–235. doi: 10.1007/978-3-7091-4433-6_26.
  11. De Luca A., Oriolo G. Local incremental planning for nonholonomic mobile robots. Proc. IEEE Int. Conf. Robot. Autom. 1994. pp. 104–110. doi: 10.1109/ROBOT.1994.351003.
  12. Martis W.P., Rao S. Cooperative Collision Avoidance in Mobile Robots using Dynamic Vortex Potential Fields. 9th Int. Conf. Autom. Robot. Appl. (ICARA 2023). 2023. pp. 60–64. doi: 10.1109/ICARA56516.2023.10125851.
  13. Choi D., Lee K., Kim D. Enhanced Potential Field-Based Collision Avoidance for Unmanned Aerial Vehicles in a Dynamic Environment. AIAA Scitech 2020 Forum. 2020. doi: 10.2514/6.2020-0487.
  14. Choi D., Kim D., Lee K. Enhanced Potential Field-Based Collision Avoidance in Cluttered Three-Dimensional Urban Environments. Appl. Sci. 2021. vol. 11. no. 22. doi: 10.3390/app112211003.
  15. Choi D., Chhabra A., Kim D. Intelligent cooperative collision avoidance via fuzzy potential fields. Robotica. 2022. vol. 40. no. 6. pp. 1919–1938. doi: 10.1017/S0263574721001454.
  16. Batinovic A., Goricanec J., Markovic L., Bogdan S. Path Planning with Potential Field-Based Obstacle Avoidance in a 3D Environment by an Unmanned Aerial Vehicle. International Conference on Unmanned Aircraft Systems (ICUAS). 2022. pp. 394–401. doi: 10.1109/ICUAS54217.2022.9836159.
  17. Goricanec J., Milas A., Markovic L., Bogdan S. Collision-Free Trajectory Following With Augmented Artificial Potential Field Using UAVs. IEEE Access. 2023. vol. 11. pp. 83492–83506. doi: 10.1109/ACCESS.2023.3303109.
  18. Szczepanski R. Safe Artificial Potential Field – Novel Local Path Planning Algorithm Maintaining Safe Distance From Obstacles. IEEE Robot. Autom. Lett. 2023. vol. 8. no. 8. pp. 4823–4830. doi: 10.1109/LRA.2023.3290819.
  19. Su Y.-H., Bhowmick P., Lanzon A. A Fixed-time Formation-containment Control Scheme for Multi-agent Systems with Motion Planning: Applications to Quadcopter UAVs. IEEE Transactions on Vehicular Technology. 2024. vol. 73. no. 7. pp. 9495–9507. doi: 10.1109/TVT.2024.3382489.
  20. Muslimov T. Curl-Free Vector Field for Collision Avoidance in a Swarm of Autonomous Drones. Lecture Notes in Computer Science. Interactive Collaborative Robotics (ICR 2023). 2023. vol. 14214. pp. 369–379.
  21. Muslimov T., Kozlov E., Munasypov R. Drone Swarm Movement without Collisions with Fixed Obstacles Using a Hybrid Algorithm Based on Potential Functions. International Russian Automation Conference (RusAutoCon). 2023. pp. 781–785.
  22. Gao Y., Bai C., Fu R., Quan Q. A non-potential orthogonal vector field method for more efficient robot navigation and control. Rob. Auton. Syst. 2023. vol. 159. doi: 10.1016/j.robot.2022.104291.
  23. Park C., Cho N., Lee K., Kim Y. Formation Flight of Multiple UAVs via Onboard Sensor Information Sharing. Sensors. 2015. vol. 15. no. 7. pp. 17397–17419.
  24. Kim S., Cho H., Jung D. Circular Formation Guidance of Fixed-Wing UAVs Using Mesh Network. IEEE Access. 2022. vol. 10. pp. 115295–115306. doi: 10.1109/ACCESS.2022.3218673.
  25. Muslimov T. Cooperative Circumnavigation with Robust Vector Field Guidance for Multiple UAVs in Unknown Wind Environments. J. Intell. Robot. Syst. 2023. vol. 109. no. 84. doi: 10.1007/s10846-023-02000-3.
  26. Муслимов Т.З. Методы и алгоритмы группового управления беспилотными летательными аппаратами самолетного типа. Системная инженерия и информационные технологии. 2024. Т. 6. № 1(16). С. 3–15.
  27. Lafmejani A.S., Farivarnejad H., Sorkhabadi M.R., Zahedi F., Doroudchi A., Berman S. Collision-Free Velocity Tracking of a Moving Ground Target by Multiple Unmanned Aerial Vehicles. The 4th International Symposium on Swarm Behavior and Bio-Inspired Robotics. 2021.
  28. Peters S.C., Bobrow J.E., Iagnemma K. Stabilizing a vehicle near rollover: An analogy to cart-pole stabilization. IEEE International Conference on Robotics and Automation. 2010. pp. 5194–5200. doi: 10.1109/ROBOT.2010.5509367.
  29. Beard R.W., McLain T.W. Small unmanned aircraft: Theory and practice. Princeton and Oxford: Princeton University Press. 2012. 320 p.

Arquivos suplementares

Arquivos suplementares
Ação
1. JATS XML
Baixar

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».