DOI: https://doi.org/10.1038/s41598-025-86803-4
PMID: https://pubmed.ncbi.nlm.nih.gov/39924550
تاريخ النشر: 2025-02-09
المؤلف: Noorulden Basil وآخرون
الموضوع الرئيسي: خوارزميات تخطيط المسار الروبوتي
نظرة عامة
تقدم هذه الدراسة تحليلًا مقارنًا لخوارزميات تحسين المسار للطائرات بدون طيار (UAVs) التي تتنقل في بيئات معقدة، مع التركيز على خوارزمية HAOAROA المعتمدة على FOPID-TID (خوارزمية تحسين أرخميدس الهجينة – خوارزمية تحسين الراكب). تجمع هذه الطريقة الجديدة بين التحكم من الدرجة الكسرية وتقنيات التحسين الهجينة، مما يظهر أداءً متفوقًا على الخوارزميات التقليدية مثل A* وJPS وBezier وL-BSGF. تشير النتائج إلى أن خوارزمية HAOAROA المعتمدة على FOPID-TID تحقق تقليصًا بنسبة 10% في طول المسار مع تعزيز السلاسة والثبات، خاصة في البيئات الصعبة، مما يحسن من قدرة الرفض على الاضطرابات ودقة التحكم.
على الرغم من مزاياها، تواجه خوارزمية HAOAROA المعتمدة على FOPID-TID قيودًا كبيرة تتمثل في: التكاليف الحسابية العالية التي قد تعيق التطبيق في الوقت الحقيقي ونقص التحقق في ظروف العالم الحقيقي الديناميكية وغير الخطية وغير المؤكدة. تشمل اتجاهات البحث المستقبلية تحسين الخوارزمية لتقليل المتطلبات الحسابية، واختبار قوتها في ظروف الطيران غير المتوقعة، واستكشاف قابليتها للتوسع في أنظمة متعددة الطائرات بدون طيار. بالإضافة إلى ذلك، يُوصى بدمج تقنيات التعلم الآلي للتحكم التكيفي والتحقق من الخوارزمية مع الطائرات بدون طيار الفعلية لضمان قابلية التطبيق العملي وتعزيز أدائها بشكل أكبر.
طرق
تتكون المنهجية الموضحة في هذه البحث من ثلاث مراحل متميزة تهدف إلى تعزيز أداء الطائرات بدون طيار من خلال تحسين المسار، وتصميم التحكم الهجين، وتعزيز الخوارزميات المتقدمة. في المرحلة 1، يتم تطوير نموذج تحسين المسار للطائرات بدون طيار Gradient لتسهيل تخطيط المسار بكفاءة يتكيف مع الظروف البيئية المتغيرة. يضع هذا النموذج الأساسي الأساس للمرحلتين التاليتين من خلال ضمان قدرة الطائرة بدون طيار على التنقل بفعالية.
تركز المرحلة 2 على تصميم وحدة تحكم هجينة من الدرجة الكسرية (FOPID) ووقت التأخير (TID). تتضمن هذه الوحدة التحكم تعويضات من الدرجة الكسرية وتأخيرات زمنية، وهي ضرورية لتحسين استقرار النظام والأداء العام. من المتوقع أن يؤدي دمج هذه الآليات التعويضية إلى تحسينات كبيرة في قدرات الطائرة بدون طيار التشغيلية.
أخيرًا، تقدم المرحلة 3 خوارزمية HAOAROA، وهي تقنية تحسين هجينة متطورة تهدف إلى ضبط معلمات التحكم. تم تصميم هذه الخوارزمية خصيصًا لتعظيم أداء الطائرات بدون طيار في مواجهة الاضطرابات الديناميكية في العالم الحقيقي. تدعم كل مرحلة معادلات شاملة، وشيفرات تحسين، ومشتقات، مما يضمن إطارًا منهجيًا قويًا للبحث.
نتائج
في هذا القسم، يتم تقييم أداء خوارزميات تحسين المسار المختلفة لتخطيط مسار الطائرات بدون طيار، مع التركيز على طريقة HAOAROA المعتمدة على FOPID-TID جنبًا إلى جنب مع خوارزميات A* وBezier وJPS وL-BSGF. استخدمت التحليل تسع دوال مرجعية، حيث تم إخضاع كل خوارزمية لـ 20 تجربة لضمان موثوقية إحصائية. تشير النتائج، الملخصة في الجدول 3، إلى أن HAOAROA تتفوق باستمرار على كل من AOA وROA عبر جميع الدوال المرجعية، محققة قيمة مثالية تساوي صفر لكل منها، مما يدل على فعاليتها في تحديد القيم الدنيا العالمية. بالمقابل، حققت AOA وROA قيمًا أفضل غير صفرية، مما يظهر قيودها في الوصول إلى الحلول المثلى.
على سبيل المثال، في دالة Sphere ($f_1$)، حققت AOA أفضل قيمة قدرها $1.23 \times 10^{-10}$ وROA $2.35 \times 10^{-9}$، بينما وصلت HAOAROA إلى القيمة المثالية صفر. لوحظت اتجاهات مماثلة في دوال أخرى، مثل دالة روزنبرك ($f_2$)، حيث كانت أفضل قيم AOA وROA $2.57 \times 10^{-11}$ و$4.68 \times 10^{-10}$، على التوالي. من الجدير بالذكر أن HAOAROA أظهرت أداءً متفوقًا ليس فقط في القيم الأفضل ولكن أيضًا في المتوسط والوسيط ومعايير الانحراف المعياري، مما يبرز قوتها عبر سيناريوهات تحسين متنوعة. تسلط النتائج الضوء على قدرة HAOAROA على التنقل بفعالية في كل من الدوال أحادية النمط ومتعددة الأنماط، مما يسهل الحلول عالية الجودة في بيئات العقبات المعقدة.
نقاش
في هذا القسم، يناقش البحث تحسين المسار للطائرات بدون طيار (UAVs) باستخدام منحنيات B-spline، مع التأكيد على الحاجة إلى مسارات سلسة وخالية من التصادمات تقلل من الطول. يتم تعريف تمثيل B-spline رياضيًا، مع نقاط التحكم والدوال الأساسية التي تسهل توليد مسارات الطائرات بدون طيار. يوضح المؤلفون عملية اشتقاق السرعة والتسارع من مسار B-spline، مما يضمن أن حركة الطائرة بدون طيار مستمرة وسلسة عند نقاط البداية والنهاية. تتضمن المنهجية نهجًا منهجيًا لإضافة نقاط الطريق بناءً على المسافة بين نقاط التحكم وانحناء المسار، مما يساعد في الحفاظ على الكفاءة والقدرة على التكيف في البيئات الديناميكية.
علاوة على ذلك، يقدم البحث إطار عمل تحسين متعدد المراحل. تستخدم المرحلة الأولى تقنيات قائمة على التدرج لتعديل نقاط التحكم مع موازنة طول المسار والسلاسة وتجنب العقبات. تستخدم المرحلة الثانية وحدة تحكم من الدرجة الكسرية مع مشتق زمني ثابت (FOPID-TID) لتوجيه الطائرات بدون طيار في الوقت الحقيقي على طول المسار المحسن. تتضمن المرحلة النهائية خوارزمية تحسين هجينة، تجمع بين خوارزمية تحسين أرخميدس وخوارزمية تحسين الراكب، لتعزيز دقة المسار بشكل أكبر. لا يعالج هذا النهج الشامل تحديات تجنب العقبات فحسب، بل يضمن أيضًا أن الطائرة بدون طيار يمكن أن تتكيف مع التغيرات البيئية مع الحفاظ على أداء مثالي.
DOI: https://doi.org/10.1038/s41598-025-86803-4
PMID: https://pubmed.ncbi.nlm.nih.gov/39924550
Publication Date: 2025-02-09
Author(s): Noorulden Basil et al.
Primary Topic: Robotic Path Planning Algorithms
Overview
This study presents a comparative analysis of trajectory optimization algorithms for Unmanned Aerial Vehicles (UAVs) navigating complex environments, focusing on the proposed FOPID-TID based HAOAROA (Hybrid Archimedes Optimization Algorithm-Rider Optimization Algorithm). This novel approach combines fractional-order control with hybrid optimization techniques, demonstrating superior performance over traditional algorithms such as A*, JPS, Bezier, and L-BSGF. The results indicate that the FOPID-TID based HAOAROA achieves a 10% reduction in trajectory length while enhancing smoothness and stability, particularly in challenging environments, thus improving disturbance rejection and control precision.
Despite its advantages, the FOPID-TID based HAOAROA algorithm faces two significant limitations: high computational costs that may hinder real-time application and a lack of validation in dynamic, nonlinear, and uncertain real-world conditions. Future research directions include optimizing the algorithm to reduce computational demands, testing its robustness in unpredictable flight conditions, and exploring its scalability in multi-UAV systems. Additionally, integrating machine learning techniques for adaptive control and validating the algorithm with physical UAVs are recommended to ensure practical applicability and further enhance its performance.
Methods
The methodology outlined in this research consists of three distinct phases aimed at enhancing UAV performance through trajectory optimization, hybrid control design, and advanced algorithmic enhancement. In Phase 1, the UAV Gradient Trajectory Optimization Model is developed to facilitate efficient path planning that adapts to varying environmental conditions. This foundational model sets the stage for subsequent phases by ensuring that the UAV can navigate effectively.
Phase 2 focuses on the design of a Hybrid Fractional-Order Proportional-Integral-Derivative (FOPID) and Time-Delay (TID) Controller. This controller incorporates both fractional-order and time-delay compensations, which are crucial for improving system stability and overall performance. The integration of these compensatory mechanisms is expected to yield significant enhancements in the UAV’s operational capabilities.
Finally, Phase 3 introduces the HAOAROA Algorithm, a sophisticated hybrid optimization technique aimed at fine-tuning control parameters. This algorithm is specifically designed to maximize UAV performance in the face of real-world dynamic disturbances. Each phase is supported by comprehensive equations, optimization pseudocode, and derivations, ensuring a robust methodological framework for the research.
Results
In this section, the performance of various trajectory optimization algorithms for UAV path planning is evaluated, focusing on the proposed FOPID-TID based HAOAROA method alongside A*, Bezier, JPS, and L-BSGF algorithms. The analysis utilized nine benchmark functions, with each algorithm subjected to 20 runs to ensure statistical reliability. Results, summarized in Table 3, indicate that HAOAROA consistently outperforms both AOA and ROA across all benchmark functions, achieving an optimal value of zero for each, which signifies its effectiveness in identifying global minima. In contrast, AOA and ROA yielded non-zero best values, demonstrating their limitations in reaching optimal solutions.
For instance, in the Sphere function ($f_1$), AOA achieved a best value of $1.23 \times 10^{-10}$ and ROA $2.35 \times 10^{-9}$, while HAOAROA reached the optimal value of zero. Similar trends were observed in other functions, such as Rosenbrock’s function ($f_2$), where AOA and ROA’s best values were $2.57 \times 10^{-11}$ and $4.68 \times 10^{-10}$, respectively. Notably, HAOAROA demonstrated superior performance not only in best values but also in average, median, and standard deviation metrics, underscoring its robustness across diverse optimization scenarios. The results highlight HAOAROA’s capability to effectively navigate both single-modal and multi-modal functions, facilitating high-quality solutions in complex obstacle environments.
Discussion
In this section, the paper discusses the trajectory optimization of Unmanned Aerial Vehicles (UAVs) using B-spline curves, emphasizing the need for smooth, collision-free paths that minimize length. The B-spline representation is defined mathematically, with control points and basis functions facilitating the generation of UAV trajectories. The authors detail the process of deriving velocity and acceleration from the B-spline trajectory, ensuring that the UAV’s motion is continuous and smooth at the start and end points. The methodology includes a systematic approach to adding waypoints based on the distance between control points and the trajectory’s curvature, which aids in maintaining efficiency and adaptability in dynamic environments.
Furthermore, the paper introduces a multi-phase optimization framework. The first phase employs gradient-based techniques to refine control points while balancing trajectory length, smoothness, and obstacle avoidance. The second phase utilizes a Fractional Order Proportional Integral Derivative with Time-Invariant Derivative (FOPID-TID) controller for real-time UAV guidance along the optimized path. The final phase incorporates a hybrid optimization algorithm, combining the Archimedes Optimization Algorithm and the Rider Optimization Algorithm, to further enhance trajectory accuracy. This comprehensive approach not only addresses the challenges of obstacle avoidance but also ensures that the UAV can adapt to environmental changes while maintaining optimal performance.