Accelerated Local Voting Protocol for Single Remote Controller Robot Swarm System

Cover Page

Cite item

Full Text

Abstract

Controlling a robot swarm with a single remote controller is a challenging task, especially under unstable communication conditions where agents can temporarily lose the control signal, necessitating robust decentralized mechanisms for formation maintenance. This paper presents and tests a semi-centralized control system that enables an operator to coordinate the entire swarm as a unified entity. The system integrates centralized commands from a base station with decentralized position correction via the ESP-NOW protocol. To compare performance in maintaining a rigid formation, the Local Voting Protocol (LVP) and its Accelerated version (ALVP) were applied. Their effectiveness was evaluated in a simulation environment with a group of four drones through experiments involving sharp maneuvers (50° and 75° turns) and significant data packet loss simulations (50% and 80%). The results demonstrate that the Accelerated Local Voting Protocol (ALVP) offers significant advantages over the standard LVP, including faster formation recovery, lower mean positioning error, and greater stability. Specifically, in a series of 20 flight tests with a 50° turn, ALVP successfully maintained the formation in 17 cases, compared to only 3 for LVP, and also showed superior robustness under packet loss conditions. Therefore, the proposed semi-centralized approach using the ALVP protocol is an effective and robust solution for swarm formation control. Future work will focus on conducting physical experiments and integrating obstacle avoidance mechanisms.

About the authors

I. S Arkhipov

St. Petersburg State University

Email: arkhipov.iv99@mail.ru
University Emb. 7/9

V. A Erofeeva

St. Petersburg State University

Email: vicki.ultramarine@gmail.com
University Emb. 7/9

O. N Granichin

St. Petersburg State University

Email: oleg_granichin@mail.ru
University Emb. 7/9

V. A Kiselev

St. Petersburg State University

Email: kiselyovvld@mail.ru
University Emb. 7/9

A. O Chernov

St. Petersburg State University

Email: a.o.chernov@mail.ru
University Emb. 7/9

References

  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.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

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».