Метод раціонального розподілу ролей у рої безпілотних літальних апаратів із комп’ютерним зором з урахуванням обмежених ресурсів
DOI:
https://doi.org/10.15276/opu.2.72.2025.11Ключові слова:
ройова робототехніка, розподіл ролей, безпілотні літальні апарати, комп’ютерний зір, енергоменеджмент, обчислювальні обмеження, зв’язність мережі, децентралізована координація, моделювання, симуляційний експериментАнотація
Розподіл ролей у рої БПЛА з бортовим комп’ютерним зором ускладнюється тим, що «важкі» алгоритми сприйняття споживають енергію, займають обчислювальний ресурс і підвищують вимоги до радіоканалу. Для малорозмірних платформ це напряму пов’язано з обмеженнями розміру, маси та потужності (SWaP) і, як наслідок, зі скороченням часу польоту. Більшість практичних евристик вибирає виконавців ролей за геометрією або поточним зарядом і тому не враховує взаємозв’язок між енергетикою, обчисленнями та зв’язністю. У роботі запропоновано децентралізовану процедуру призначення ролей (Scout, Mapper, Relay, Worker), у якій кожен апарат формує ставку з урахуванням прогнозованих витрат на пропульсію, обчислення, сенсори та передачу даних, а також ризику зростання багатострибкової відстані до базової станції. Призначення виконується аукціонною процедурою з локальним узгодженням переможців між сусідніми агентами. Запроваджено правила допустимості, що відсікають призначення ролей при недостатньому запасі батареї або дефіциті обчислювального бюджету, і штраф за перемикання ролей для зменшення осциляцій. Метод перевірено у відтворюваній симуляції на ПК для роїв із 20 і 50 апаратів у межах області 1000×1000 м за обмеженого радіуса зв’язку та гетерогенних обчислювальних можливостей; оцінювалися SR, Time, CR, Conn і Sw. У складнішому сценарії (N=20) запропонований підхід забезпечує завершення місії (SR=1.00), тоді як геометрична евристика та статичний розподіл не досягають порогу (SR=0). Порівняно з SoC‑евристикою метод зменшує Sw приблизно у 7–8 разів за збереження 100% успішності та прийнятної зв’язності з базою. Запропонована модель вартості може бути використана в системах керування роєм і надалі розширена на сценарії колективного сприйняття, коли частина апаратів виконує обчислювально важку обробку зору.
Завантаження
Посилання
Chung, S.-J., Paranjape, A. A., Dames, P., Shen, S., & Kumar, V. (2018). A survey on aerial swarm robotics. IEEE Transactions on Robotics, 34(4), 837–855. https://doi.org/10.1109/TRO.2018.2857475.
Oh, K.-K., Park, M.-C., & Ahn, H.-S. (2015). A survey of multi-agent formation control. Automatica, 53, 424–440. https://doi.org/10.1016/j.automatica.2014.10.022.
Choi, H.-L., Brunet, L., & How, J. P. (2009). Consensus-based decentralized auctions for robust task allocation. IEEE Transactions on Robotics, 25(4), 912–926. https://doi.org/10.1109/TRO.2009.2022423.
Dias, M. B., Zlot, R., Kalra, N., & Stentz, A. (2006). Market-based multirobot coordination: A survey and analysis. Proceedings of the IEEE, 94(7), 1257–1270. https://doi.org/10.1109/JPROC.2006.876939.
Boukoberine, M. N., Zhou, Z., & Benbouzid, M. E. H. (2019). A critical review on unmanned aerial vehicle power supply and energy management: Solutions, strategies, and prospects. Applied Energy, 255, Article 113823. https://doi.org/10.1016/j.apenergy.2019.113823.
Qin, T., Li, P., & Shen, S. (2018). VINS-Mono: A robust and versatile monocular visual-inertial state estimator. IEEE Transactions on Robotics, 34(4), 1004–1020. https://doi.org/10.1109/TRO.2018.2853729.
Mur-Artal, R., & Tardós, J. D. (2017). ORB-SLAM2: An open-source SLAM system for monocular, stereo, and RGB-D cameras. IEEE Transactions on Robotics, 33(5), 1255–1262. https://doi.org/10.1109/TRO.2017.2705103.
Paredes-Vallés, F., Hagenaars, J. J., Dupeyroux, J., Stroobants, S., Xu, Y., & de Croon, G. C. H. E. (2024). Fully neuromorphic vision and control for autonomous drone flight. Science Robotics, 9(86), Article eadi0591. https://doi.org/10.1126/scirobotics.adi0591.
Gerkey, B. P., & Matarić, M. J. (2004). A formal analysis and taxonomy of task allocation in multi-robot systems. The International Journal of Robotics Research, 23(9), 939–954. https://doi.org/10.1177/0278364904045564.
Korsah, G. A., Stentz, A., & Dias, M. B. (2013). A comprehensive taxonomy for multi-robot task allocation. The International Journal of Robotics Research, 32(12), 1495–1512. https://doi.org/10.1177/0278364913496484.
Ponda, S., Redding, J., Choi, H.-L., How, J. P., Vavrina, M., & Vian, J. (2010). Decentralized planning for complex missions with dynamic communication constraints. In Proceedings of the 2010 American Control Conference (ACC) (pp. 3998–4003). IEEE. https://doi.org/10.1109/ACC.2010.5531232.
Kim, K.-S., Kim, H.-Y., & Choi, H.-L. (2019). Minimizing communications in decentralized greedy task allocation. Journal of Aerospace Information Systems, 16(8), 340–345. https://doi.org/10.2514/1.I010624.
Raja, S., Habibi, G., & How, J. P. (2022). Communication-aware consensus-based decentralized task allocation in communication constrained environments. IEEE Access, 10, 19753–19767. https://doi.org/10.1109/ACCESS.2021.3138857.
Skaltsis, G. M., Shin, H.-S., & Tsourdos, A. (2023). A review of task allocation methods for UAVs. Journal of Intelligent & Robotic Systems, 109, Article 76. https://doi.org/10.1007/s10846-023-02011-0.
Shah, S., Dey, D., Lovett, C., & Kapoor, A. (2017). AirSim: High-fidelity visual and physical simulation for autonomous vehicles. In Field and Service Robotics (pp. 621–635). Springer.
Furrer, F., Burri, M., Achtelik, M., & Siegwart, R. (2016). RotorS—A modular Gazebo MAV simulator framework. In Simulation, Modeling, and Programming for Autonomous Robots (pp. 595–625). Springer. https://doi.org/10.1007/978-3-319-26054-9_23.
