DOI: https://doi.org/10.1109/tits.2024.3367769
تاريخ النشر: 2024-03-18
المؤلف: Önder Tutsoy وآخرون
الموضوع الرئيسي: خوارزميات تخطيط المسار الروبوتي
نظرة عامة
تقدم هذه القسم نظرة عامة على تطوير خوارزميات تخطيط المسار التكيفية للطائرات بدون طيار (UAVs)، وبشكل خاص الطائرات الرباعية، التي تعمل في بيئات ديناميكية مع احتمال حدوث أعطال في المحركات. يؤكد البحث على ضرورة وجود خوارزميات خالية من النموذج يمكنها استيعاب تشبع المحركات وقيود حركية وديناميكية متنوعة لضمان تطبيقات فعالة في الوقت الحقيقي. لمعالجة هذه التحديات، يقترح المؤلفون أساليب تحسين سرب الجسيمات متعددة الأبعاد (M-PSO) وخوارزمية الجينات متعددة الأبعاد (M-GA) لتحسين تخطيط المسار من حيث الحد الأدنى من المسافة والوقت.
تشير النتائج إلى أن M-GA تتفوق على M-PSO من خلال توليد مسارات أقصر بينما تدير بشكل فعال العوائق الناتجة عن أعطال المحركات. تم التحقق من صحة كلا الخوارزميات من خلال المحاكاة والتجارب في الوقت الحقيقي، مما يظهر أن الطائرة الرباعية اتبعت بنجاح المسارات المخططة باستخدام أقصى سرعات للدوران. يستنتج المؤلفون أن العمل المستقبلي سيركز على تعزيز هذه الخوارزميات لتنسيق عدة طائرات رباعية، مع الأخذ في الاعتبار مواقعها ومستويات البطارية والعقبات ومتطلبات المهمة المحددة.
الطرق
في قسم “نتائج التجارب في الوقت الحقيقي”، يقدم المؤلفون نتائج من منصة اختبار مصممة لتقييم القدرات الدورانية ثلاثية الأبعاد لإطار الطائرة الرباعية المزودة بنظام تحكم طيران Pixhawk. يوضح الإعداد التجريبي، كما هو موضح في الشكل 12، قدرة النظام على تتبع مسارات زوايا أويلر المستهدفة على الرغم من حدوث أعطال في المحركات 1 و 2، تحديدًا بمعدل 15%. يشير الشكل 13 إلى أن منصة الاختبار تتبع بشكل فعال المسارات المحسنة المستمدة من دالة تكلفة الحد الأدنى من الوقت، كما هو موضح في المعادلة (25). ومع ذلك، فإن الطبيعة الثابتة لمنصة الاختبار تقدم قيود حالة إضافية واضطرابات، مما يؤدي إلى تقلبات محدودة حول المسارات المستهدفة.
تظهر النتائج أيضًا أنه بينما يتم تتبع الزوايا $\theta(t)$ و $\phi(t)$ عن كثب، فإن الزاوية $\psi(t)$ تظهر تقاربًا متأخرًا يتميز بتذبذبات مطولة. يُعزى هذا السلوك إلى إطار الطائرة الرباعية الثابت، الذي لم يتم أخذه بالكامل في الاعتبار في التدريب القائم على المحاكاة. يوضح الشكل 14 النتائج التجريبية تحت حالة عطل بنسبة 30% في المحرك 1، مما يوفر رؤى إضافية حول أداء النظام في سيناريوهات الأعطال. يختتم القسم بالإشارة إلى أن الجزء التالي من الورقة سيقوم بتلخيص النتائج وتحديد اتجاهات البحث المستقبلية.
النتائج
في قسم النتائج، تتم مقارنة أداء خوارزميتين ميتا-هيوريستيكيتين، M-PSO (تحسين سرب الجسيمات المعدل) و M-GA (خوارزمية الجينات المعدلة)، من حيث تحسين المسار لطائرة رباعية. تشير النتائج إلى أن M-GA تتفوق على M-PSO من حيث وقت التقارب، حيث تتطلب 4.55 ثانية لتحسين المسار بأقل مسافة و 4.57 ثانية لتحسين المسار بأقل وقت، مقارنةً بـ 5.71 و 5.42 ثانية لـ M-PSO، على التوالي. يُعزى الانخفاض السريع في تكاليف الوقت الأدنى إلى اعتبار الخوارزمية لعكس السرعة القصوى، كما هو موضح في المعادلة (25). كلا الخوارزميات تظهر خصائص التحكم النشط، حيث تولد إشارات تحكم قصوى تتقارب مع اقتراب الطائرة الرباعية من المسارات المستهدفة.
بالإضافة إلى ذلك، يناقش القسم تأثير أعطال المحركات على تخطيط المسار باستخدام خوارزمية M-GA. مع انخفاض سرعات المحركات بسبب العطل، تتكيف خوارزمية توليد المسار بأقل وقت عن طريق تخطيط مسارات جديدة تتطلب أوقات هبوط أطول. تم الإبلاغ عن قيم إشارات التحكم القصوى كـ 32 و 26.2 و 19.2 لفقدان المحركات بنسبة 0% و 20% و 40%، على التوالي، مع فترات أطول عند القيم القصوى تتوافق مع زيادة أعطال المحركات. تمهد هذه التحليل الطريق لتقديم النتائج التجريبية في الوقت الحقيقي لاحقًا.
المناقشة
في هذا القسم، يقدم المؤلفون نظرة شاملة على نموذج الطائرة الرباعية والدوال التكلفة المرتبطة المستخدمة في تخطيط المسار. تتميز الطائرة الرباعية بديناميكياتها وحركتها وقيود المحرك، والتي تعتبر ضرورية لتوليد مسارات دقيقة في بيئات المحاكاة. يتضمن النموذج الانتقالي ديناميكيات غير خطية تتأثر بزوايا أويلر وقوى السحب، بينما يأخذ النموذج الدوراني في الاعتبار السرعات الدورانية اللازمة لتسهيل الانتقال. يؤكد المؤلفون على أهمية هذه النماذج في ضمان أن تعكس المسارات المخططة الظروف الواقعية، بما في ذلك عدم اليقين وأعطال المحركات.
تم تقديم دالتين رئيسيتين للتكلفة: دالة تكلفة الحد الأدنى من المسافة ودالة تكلفة الحد الأدنى من الوقت. تهدف دالة تكلفة الحد الأدنى من المسافة إلى تحسين مسارات الهبوط من خلال تقليل المسافة المقطوعة، بينما تركز دالة تكلفة الحد الأدنى من الوقت على تحقيق الهبوط في أقصر وقت ممكن. تم صياغة كلا الدالتين كمشاكل تحسين مقيدة، مع ملاحظة المؤلفين أن الحلول ليست بسيطة بسبب الطبيعة غير الخطية لديناميكيات الطائرة الرباعية. تم تصميم الخوارزميات المطورة، وهي تحسين سرب الجسيمات المعدل (M-PSO) وخوارزمية الجينات متعددة الأبعاد (M-GA)، لتحسين زوايا أويلر للطائرة الرباعية بشكل تكراري لتقليل هذه الدوال التكلفة، مما يعزز الاستقلالية وكفاءة عمليات UAV. تشير النتائج إلى أن خوارزمية M-GA تتفوق على M-PSO من حيث تحسين المسافة والوقت، مما يظهر فعالية طرق تخطيط المسار المقترحة.
DOI: https://doi.org/10.1109/tits.2024.3367769
Publication Date: 2024-03-18
Author(s): Önder Tutsoy et al.
Primary Topic: Robotic Path Planning Algorithms
Overview
This section presents an overview of the development of adaptive path planning algorithms for unmanned aerial vehicles (UAVs), specifically quadrotors, operating in dynamic environments with potential actuator failures. The paper emphasizes the necessity for model-free algorithms that can accommodate actuator saturations and various kinematic and dynamic constraints to ensure effective real-time applications. To address these challenges, the authors propose multi-dimensional particle swarm optimization (M-PSO) and multi-dimensional genetic algorithm (M-GA) approaches for optimizing path planning in terms of minimum distance and minimum time.
The results indicate that the M-GA outperforms the M-PSO by generating shorter paths while effectively managing quadrotor impairments due to actuator failures. Both algorithms were validated through simulations and real-time experiments, demonstrating that the quadrotor successfully followed the planned paths using maximum rotor speeds. The authors conclude that future work will focus on enhancing these algorithms to coordinate multiple quadrotors, taking into account their locations, battery levels, obstacles, and specific mission requirements.
Methods
In the “Real-Time Experimental Results” section, the authors present findings from a testbed designed to assess the three-dimensional rotational capabilities of a quadrotor frame equipped with a Pixhawk autopilot. The experimental setup, as illustrated in Figure 12, demonstrates the system’s ability to track target Euler angle trajectories despite experiencing failures in actuators 1 and 2, specifically at a rate of 15%. Figure 13 indicates that the testbed effectively follows the optimized trajectories derived from a minimum time cost function, as outlined in Equation (25). However, the fixed nature of the testbed introduces additional state constraints and disturbances, leading to bounded fluctuations around the target trajectories.
The results further reveal that while the angles $\theta(t)$ and $\phi(t)$ are closely tracked, the angle $\psi(t)$ exhibits a delayed convergence characterized by prolonged oscillations. This behavior is attributed to the fixed quadrotor frame, which was not fully accounted for in the simulation-based training. Figure 14 illustrates the experimental outcomes under a 30% fault condition in actuator 1, providing additional insights into the system’s performance under fault scenarios. The section concludes by indicating that the subsequent part of the paper will summarize the findings and outline future research directions.
Results
In the results section, the performance of two meta-heuristic algorithms, M-PSO (Modified Particle Swarm Optimization) and M-GA (Modified Genetic Algorithm), is compared in terms of trajectory optimization for a quadrotor. The findings indicate that M-GA outperforms M-PSO in terms of convergence time, requiring 4.55 seconds for minimum distance and 4.57 seconds for minimum time path optimization, compared to M-PSO’s 5.71 and 5.42 seconds, respectively. The rapid reduction in minimum time costs is attributed to the algorithm’s consideration of the inverse of maximum velocity, as detailed in Equation (25). Both algorithms exhibit bang-bang control characteristics, generating maximum control signals that converge as the quadrotor approaches target trajectories.
Additionally, the section discusses the impact of actuator failures on trajectory planning using the M-GA algorithm. As actuator speeds decrease due to failure, the minimum time trajectory generation algorithm adapts by planning new trajectories that require longer landing times. The maximum control signal values are reported as 32, 26.2, and 19.2 for actuator losses of 0%, 20%, and 40%, respectively, with longer durations at maximum values corresponding to increased actuator failures. This analysis sets the stage for the subsequent presentation of real-time experimental results.
Discussion
In this section, the authors present a comprehensive overview of the quadrotor model and the associated cost functions used for trajectory planning. The quadrotor is characterized by its dynamics, kinematics, and motor constraints, which are essential for generating accurate trajectories in simulation environments. The translational model incorporates non-linear dynamics influenced by Euler angles and drag forces, while the rotational model accounts for the necessary rotational velocities to facilitate translation. The authors emphasize the importance of these models in ensuring that the planned trajectories reflect real-world conditions, including uncertainties and actuator failures.
Two primary cost functions are introduced: the minimum distance and minimum time cost functions. The minimum distance cost function aims to optimize landing trajectories by minimizing the distance traveled, while the minimum time cost function focuses on achieving the landing in the shortest possible time. Both functions are formulated as constrained optimization problems, with the authors noting that the solutions are not straightforward due to the non-linear nature of the quadrotor’s dynamics. The algorithms developed, namely the modified Particle Swarm Optimization (M-PSO) and the Multi-Dimensional Genetic Algorithm (M-GA), are designed to iteratively optimize the quadrotor’s Euler angles to minimize these cost functions, thereby enhancing the autonomy and efficiency of UAV operations. The results indicate that the M-GA algorithm outperforms M-PSO in terms of both distance and time optimization, demonstrating the effectiveness of the proposed trajectory planning methods.