Вдосконалення моделі розподілу завдань у групі між мобільними робототехнічними платформами
Анотація
Для сучасного етапу розвитку наземних мобільних робототехнічних платформ (МРП) характерні збільшення інтелектуальності, зменшення габаритів, маси, енергоспоживання, вартості та тривалості їх розроблення. Досліджено, що окрема МРП, зазвичай, орієнтована на виконання відносно нескладних операцій, що зумовлено невеликим радіусом дії, обмеженою ємністю акумулятора, невеликою кількістю операцій, які вона може виконувати, обмеженим набором виконавчих пристроїв і, як наслідок, невисокою ймовірністю виконання поставленого завдання в екстремальних умовах. Запропоновано для вирішення складніших завдань використовувати групи МРП, що збільшує радіус дії, розширює набір виконуваних функцій та зменшує час їх виконання. Вибрано централізований підхід для розподілу завдань у групі, який враховує інформацію про стан кожної МРП та навколишнього середовища. Запропоновано для оцінювання ефективності розподілу завдань у групі між МРП використовувати такі критерії: тривалість виконання завдань, витрати ресурсів, надійність та масштабованість. Вибрано для розподілу завдань у групі між МРП концепцію балансування розподілу завдань, за якої замість однієї компоненти балансування використовують декількох компонент. Запропоновано завдання розподілу транспортування вантажів у пункти призначення з допомогою групи МРП подати таблицею у вигляді початкових умов транспортної задачі. Показано, що таку задачу можна розв'язати класичним способом, склавши початковий опорний план методом північно-західного кута, а потім покроково поліпшувати його аж до отримання оптимального плану перевезень з погляду мінімізації загального енергоспоживання. Удосконалено модель розподілу завдань у групі між МРП, яка внаслідок урахування динамічних змін (несправності МРП, зміни у переліку завдань), обмежень на ресурси (запас заряду акумулятора, вантажопідйомності) та просторових координат кожної МРП забезпечує зменшення часу та економію заряду акумулятора.
Завантаження
Посилання
Bischoff, E., Meyer, F., Inga, J., & Hohmann, S. (2020). Multi-Robot Task Allocation and Scheduling Considering Cooperative Tasks and Precedence Constraints. In: 2020 IEEE International Conference on Systems, Man, and Cybernetics (SMC), Toronto, ON, Canada, 3949–3956. https://doi.org/10.1109/SMC42975.2020.9283215
Chao, Y., Augenstein, P., Roennau, A., Dillmann, R., & Xiong, Z. (2023). Brain inspired path planning algorithms for drones. Front. Neurorobot, 17. https://doi.org/10.3389/fnbot.2023.1111861
Do, H. T., et al. (2021). Formation control algorithms for multiple-uavs: a comprehensive survey. EAI Endorsed Transactions on Industrial Networks and Intelligent Systems, 8(27). https://doi.org/10.4108/eai.10-6-2021.170230
Fedorovich, O., Lukhanin, M., Prokhorov, O., Slomchynskyi, O., Hubka, O., & Leshchenko, Yu. (2023). Simulation of arms distribution strategies by combat zones to create military parity of forces. Radioelectronic and computer systems, 4, 209–220. https://doi.org/10.32620/reks.2023.4.15
Gautam, A., Thakur, A., Dhanania, G., & Mohan, S. (2016). A distributed algorithm for balanced multi-robot task allocation. In: 2016 11th International Conference on Industrial and Information Systems (ICIIS), Roorkee, India, 622–627. https://doi.org/10.1109/ICIINFS.2016.8263014
Guo, J., Wang, L., & Wang, X. (2022). A Group Maintenance Method of Drone Swarm Considering System Mission Reliability. Drones, 6(10). https://doi.org/10.3390/drones6100269
Jia, G. W., & Wang, J. F. (2021). Research review of UAV swarm mission planning method. Systems Engineering and Electronics, 43(1), 99–111. https://doi.org/10.3969/j.issn.1001-506X.2021.01.13
Kritskiy, D., Yashin, S., & Koba, S. (2021). Unmanned aerial vehicle mass model peculiarities. Advances in Intelligent Systems and Computing (AISC), 1265, 299–308. https://doi.org/10.1007/978-3-030-58124-4_29
Kritsky, D. N., Ovsiannik, V. M., Pogudina, O. K., Shevel, V. V., & Druzhinin, E. A. (2019). Model for intercepting targets by the unmanned aerial vehicle. Advances in Intelligent Systems and Computing, 197–206. https://doi.org/10.1007/978-3-030-25741-5_20
Lizzio, F. F., Capello, E., & Guglieri, G. (2022). A Review of Consensus-based Multi-agent UAV Implementations. Journal of Intelligent & Robotic Systems, 106(43). https://doi.org/10.1007/s10846-022-01743-9
Merkert, R., & Bushell, J. (2020). Managing the drone revolution: A systematic literature review into the current use of airborne drones and future strategic directions for their effective control. Journal of Air Transport Management, 89. https://doi.org/10.1016/j.jairtraman.2020.101929
Pohudina, O., Bykov, A., Kritskiy, D., & Kovalevskyi, M. (2022). The Method of Flight Mission Formation for a Group Autonomous Flight of Unmanned Aerial Vehicles. Integrated Computer Technologies in Mechanical Engineering – 2021. ICTM 2021. Lecture Notes in Networks and Systems, Springer, Cham, 367, 894–901. https://doi.org/10.1007/978-3-030-94259-5_69
Pohudina, O., Kritskiy, D., Koba, S., & Pohudin, A. (2020). Assessing unmanned traffic bandwidth. Integrated Computer Technologies in Mechanical Engineering: Synergetic Engineering, 447–458. https://doi.org/10.1007/978-3-030-37618-5_38
Quinton, F., Grand, C., & Lesire, C. (2023). Market Approaches to the Multi-Robot Task Allocation Problem: a Survey. Journal of Intelligent & Robotic Systems, 107. https://doi.org/10.1007/s10846-022-01803-0
Rejeb, A., Rejeb, K., Simske, S. J., & Treiblmaier, H. (2023). Drones for supply chain management and logistics: a review and research agenda. International Journal of Logistics Research and Applications, 26(6), 708–731. https://doi.org/10.1080/13675567.2021.1981273
Siemiatkowska, B., & Stecz, W. (2021). A Framework for Planning and Execution of Drone Swarm Missions in a Hostile Environment. Sensors, 21(12). https://doi.org/10.3390/s21124150
Soto, M., Nava, P., & Alvarado, L. (2007). Drone Formation Control System Real-Time Path Planning. AIAA Infotech@Aerospace 2007 Conference and Exhibit, 7–10 May 2007, Rohnert Park, California. https://doi.org/10.2514/6.2007-2770
Sun, H., Qi, J., Wu, C., & Wang, M. (2020). Path Planning for Dense Drone Formation Based on Modified Artificial Potential Fields. In: 39th Chinese Control Conference (CCC), Shenyang, China, 4658–4664. https://doi.org/10.23919/CCC50068.2020.9189345
Sytsma, J., Thompson, D., & Sicoli, J. (2023). Drone Ultrasonic Detection. Australian International Aerospace Congress. URL: https://search.informit.org/doi/10.3316/informit.063769306863002
Tsmots, I., Opotyak, Yu., Oliynyk, O., Antoniv, V., & Lytvyn, A. (2024). Basic components of the system of neurofuzzy control of a group of mobile robotic platforms. The Journal of Lviv Polytechnic National University "Information Systems and Networks", 16, 348–368. https://doi.org/10.23939/sisn2024.16.348
Tsmots, I., Opotyak, Yu., Shtogrinets, B, Dzyuba, A, & Oliynyk, Yu. (2023). Basic structure of the system of neurofuzzy control of a group of mobile robotic platforms. Ukrainian Journal of Information Technologies, 5(1), 77–85. https://doi.org/10.23939/ujit2023.01.077
Tsmots, I., Opotyak, Yu., Shtogrinets, B., Dzyuba, A., & Oliynyk, Yu. (2023). Basic structure of the system of neurofuzzy control of a group of mobile robotic platforms. Ukrainian Journal of Information Technologies, 5(1), 77–85. https://doi.org/10.23939/ujit2023.01.077
Tsmots, I., Teslyuk, V., Opotyak, Yu., & Oliynyk. O. (2023). Development of a scheme and improvement of a method for controlling the movement of a group of mobile robotic platforms. Ukrainian Journal of Information Technologies, 5(2), 97–104. https://doi.org/10.23939/ujit2023.02.097
Tymoshin, Yu., & Shevchenko, M. (2021). Intelligent control system for a group of robots. Adaptive automatic control systems, 2(39), 106–114. https://doi.org/10.20535/1560-8956.39.2021.247420
Xu, Z., Yan, T., Yang, S. X., & Gadsden, S. A. (2023). Distributed Leader Follower Formation Control of Mobile Robots based on Bioinspired Neural Dynamics and Adaptive Sliding Innovation Filter. In: IEEE Transactions on Industrial Informatics, Vol. 20, no. 2, pp. 1180–1189. https://doi.org/10.1109/TII.2023.3272666
Xue, F., Tang, H., Su, Q., & Li, T. (2019). Task Allocation of Intelligent Warehouse Picking System based on Multi-robot Coalition. KSII Transactions on Internet and Information Systems, 13, 7, 3566–3582. https://doi.org/10.3837/tiis.2019.07.013
Yang, Liang, Qi, Juntong, Song, Dalei, Xiao, Jizhong, Han, Jianda, & Xia, Yong. (2016). Survey of Robot 3D Path Planning Algorithms. Journal of Control Science and Engineering, 22 p. https://doi.org/10.1155/2016/7426913
Yang, Y., Xiong, X., & Yan, Y. (2023). UAV Formation Trajectory Planning Algorithms: A Review. Drones, 7(1). https://doi.org/10.3390/drones7010062
Ye, Y., Hu, S., Zhu, X., & Sun, Z. (2024). An Improved Super-Twisting Sliding Mode Composite Control for Quadcopter UAV Formation. Machines, 12(1), article ID 32. https://doi.org/10.3390/machines1201003
Zhao, Z., Chen, G., Huang, Z., Shen, Y., & Li, T. (2023). A Dynamic Task Assignment Method Based on Auction Algorithm for Dual-arm Robots. In: 2023 IEEE 18th Conference on Industrial Electronics and Applications (ICIEA), Ningbo, China, 1298–1303. https://doi.org/10.1109/ICIEA58696.2023.10241447
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
