Сценарии и система управления БПЛА
Заказать уникальную дипломную работу- 67 67 страниц
- 152 + 152 источника
- Добавлена 19.09.2020
- Содержание
- Часть работы
- Список литературы
- Вопросы/Ответы
Введение 3
1. Анализ целесообразности и эффективности использования БПЛА 5
1.1 Предпосылки к применению БПЛА 5
1.2 Стратегии управления коллективом БПЛА 8
1.2.1 Централизованное управление 9
1.2.2 Децентрализованное управление 10
1.2.3 Роевое управление 11
1.3 Примеры воздушных роботов на основе роевого интеллекта 16
1.4 Методы роевого управления БПЛА 18
1.5 Постановка задачи исследования 21
2. Решение оперативных задач группой БПЛА 24
2.1 Эквидистантное распределение роя БПЛА 24
2.2 Барражирование роя БПЛА 25
2.3 Имитационное моделирование на ЭВМ 26
3 Разработка программы моделирования 30
3.1 Разработка интерфейса 31
3.2 Алгоритмы решаемых задач 33
3.3 Разработка кода основной программы 37
3.3.1 Глобальные переменные и массивы 37
3.3.2 Формирования массива сил распределения роботов 37
3.3.3 Формирование массива координат роботов 38
Заключение 39
Список использованных источников 40
Приложение 1. Исходный код программы 57
Приложение 2. Глобальные переменные и массивы 64
Приложение 3. Формирование массива сил взаимодействия роботов 65
Приложение 4. Формирование массива координат роботов 67
MIT Press, 2014.87.Bloss R. Advanced swarm robots addressing innovative tasks such as assembly, search, rescue, mapping, communication, aerial and other original applications // Ind. Robot An Int. J. Emerald Group Publishing Limited, 2014. Vol. 41, № 5. P. 408–412.88.Mondada F. et al. SWARM-BOT: from concept to implementation // Proc. 2003 IEEE/RSJ Int. Conf. Intell. Robot. Syst. (IROS 2003) (Cat. No.03CH37453). 2003. Vol. 2.89.Dorigo M. Swarm-Bots and Swarmanoid: Two Experiments in Embodied Swarm Intelligence // 2009 IEEE/WIC/ACM Int. Jt. Conf. Web Intell. Intell. Agent Technol. 2009. Vol. 1.90.O’Grady R. et al. Performance benefits of self-assembly in a swarm-bot // Intelligent Robots and Systems, 2007. IROS 2007. IEEE/RSJ International Conference on. 2007. P. 2381–2387.91.Konolige K. et al. Centibots: Very large scale distributed robotic teams // Springer Tracts Adv. Robot. 2006. Vol. 21. P. 131–140.92.Ortiz C.L., Vincent R., Morisset B. Task inference and distributed task management in the Centibots robotic system // Proceedings of the fourth international joint conference on Autonomous agents and multiagent systems. 2005. P. 860–867.93.Franchi A. et al. Shared control: Balancing autonomy and human assistance with a group of quadrotor UAVs // IEEE Robot. Autom. Mag. 2012. Vol. 19, № 3. P. 57–68.94.Wooldridge M., Jennings N.R. Agent theories, architectures, and languages: a survey // International Workshop on Agent Theories, Architectures, and Languages. 1994. P. 1–39.95.Городецкий В.И. Информационные технологии и многоагентные системы // Проблемы информатизации. 1998. № 1. P. 3–14.96.Осипов Г.С. Методы искусственного интеллекта и задача управления // Пленарные доклады Международной мультиконференции “Теория и системы управления”./М.: Институт проблем управления им. ВА Трапезникова РАН. 2009. P. 161–170.97.Яковлев К.С., Петров А.В., Хитьков В.В. Программный комплекс навигации и управления беспилотными транспортными средствами // Информационные технологии и вычислительные системы. Федеральное государственное учреждение" Федеральный исследовательский центр" Информатика и управление" Российской академии наук, 2013. № 3. P. 72–83.98.Шаповалов И.О. Распределенная система управления движением группы крупногабаритных объектов // Известия Южного федерального университета. Технические науки. Технологический институт Федерального государственного образовательного учреждения высшего профессионального образования Южный федеральный университет в г. Таганроге, 2013. № 2 (139). P. 41–46.99.Даринцев О.В., Мигранов А.Б. Разработка архитектуры облачной вычислительной системы для управления группами мобильных роботов // Труды Института механики им. РР Мавлютова УНЦ РАН. Федеральное государственное бюджетное учреждение науки Институт механики им~…, 2016. Vol. 11, № 1. P. 72–80.100.Даринцев О.В., Мигранов А.Б. Декомпозиция задач в группе роботов с использованием технологий облачных вычислений // Труды Института механики им. РР Мавлютова Уфимского научного центра РАН. 2017. Vol. 12, № 1. P. 83–88.101.Даринцев О.В., Мигранов А.Б. Распределенная система управления группами мобильных роботов // Вестник Уфимского государственного авиационного технического университета. Федеральное государственное бюджетное образовательное учреждение высшего~…, 2017. Vol. 21, № 2 (76).102.Карпова И.П. Хранение и обработка распределенных данных в группе мобильных роботов [Electronic resource] // RoboFob Лаборатория “Робототехника” ФНБИК МФТИ, МИЭМ НИУ ВШЭ, МГТУ им. Н.Э. Баумана. 2018. P. 1–17. URL: http://robofob.ru/materials/articles/2018/karpova_it_2018.pdf (accessed: 01.12.2019).103.Brugali D., Fayad M.E. Distributed computing in robotics and automation // IEEE Trans. Robot. Autom. IEEE, 2002. Vol. 18, № 4. P. 409–420.104.Défago X. Distributed computing on the move: From mobile computing to cooperative robotics and nanorobotics // Proc. 1st Wksp. on Principles of Mobile Computing (POMC). 2001. P. 1–7.105.Kuffner J. Cloud-enabled robots In: IEEE-RAS international conference on humanoid robots // Piscataway, NJ IEEE. 2010.106.Hu G., Tay W.P., Wen Y. Cloud robotics: architecture, challenges and applications // IEEE Netw. IEEE, 2012. Vol. 26, № 3. P. 21–28.107.Kehoe B. et al. A survey of research on cloud robotics and automation // IEEE Trans. Autom. Sci. Eng. IEEE, 2015. Vol. 12, № 2. P. 398–409.108. Arumugam R. et al. DAvinCi: A cloud computing framework for service robots // 2010 IEEE international conference on robotics and automation. 2010. P. 3084–3089.109. Mohanarajah G. et al. Rapyuta: A cloud robotics platform // IEEE Trans. Autom. Sci. Eng. IEEE, 2014. Vol. 12, № 2. P. 481–493.110. Hunziker D. et al. Rapyuta: The roboearth cloud engine // 2013 IEEE International Conference on Robotics and Automation. 2013. P. 438–444.111. Quigley M. et al. ROS: an open-source Robot Operating System // ICRA workshop on open source software. 2009. Vol. 3, № 3.2. P. 5.112. Zhang Y. et al. CAP: Community activity prediction based on big data analysis // Ieee Netw. Citeseer, 2014. Vol. 28, № 4. P. 52–57.113. Wan J. et al. Enabling cyber-physical systems with machine-to-machine technologies // Int. J. Ad Hoc Ubiquitous Comput. Inderscience Publishers, 2013. Vol. 13, № 3–4. P. 187–196.114. Chen M. et al. AIWAC: Affective interaction through wearable computing and cloud technology // IEEE Wirel. Commun. IEEE, 2015. Vol. 22, № 1. P. 20–27.115. Wan J. et al. Cloud robotics: Current status and open issues // IEEE Access. IEEE, 2016. Vol. 4. P. 2797–2807.116. Mohanarajah G. et al. Cloud-based collaborative 3D mapping in real-time with low-cost robots // IEEE Trans. Autom. Sci. Eng. IEEE, 2015. Vol. 12, № 2. P. 423–431.117. Agüero C.E. et al. Inside the virtual robotics challenge: Simulating real-time robotic disaster response // IEEE Trans. Autom. Sci. Eng. IEEE, 2015. Vol. 12, № 2. P. 494–506.118. Botta A., Gallo L., Ventre G. Cloud, Fog, and Dew Robotics: architectures for next generation applications // 2019 7th IEEE International Conference on Mobile Cloud Computing, Services, and Engineering (MobileCloud). 2019. P. 16–23.119.Chen K. et al. Cloud Computing // IEEE Netw. 2011. P. 4.120.Bonomi F. et al. Fog Computing and Its Role in the Internet of Things // Proc. first Ed. MCC Work. Mob. cloud Comput. 2012. P. 13–16.121.Bar-Magen J. Fog computing: introduction to a new cloud evolution. Escrituras silenciadas: paisaje como historiografia, 2013. P. 111–126.122.Hosseinpour F., Westerlund T., Meng Y. A Review on Fog Computing Systems // Int. J. Adv. Comput. Technol. Hannu Tenhunen. 2016. Vol. 8(5). P. 48–61.123.Wang Y. Cloud-dew architecture // Int. J. Cloud Comput. Inderscience Publishers (IEL), 2015. Vol. 4, № 3. P. 199–210.124.Wang Y. Definition and categorization of dew computing // Open J. Cloud Comput. RonPub, 2016. Vol. 3, № 1. P. 1–7.125.Skala K. et al. Scalable distributed computing hierarchy: Cloud, fog and dew computing // Open J. Cloud Comput. RonPub, 2015. Vol. 2, № 1. P. 16–24.126.Ray P.P. An introduction to dew computing: Definition, concept and implications // IEEE Access. IEEE, 2017. Vol. 6. P. 723–737.127.Bonomi F. Connected vehicles, the internet of things, and fog computing // The Eighth ACM International Workshop on Vehicular Inter-Networking (VANET), Las Vegas, USA. 2011. P. 13–15.128. Бородин В.А. Интернет вещей-следующий этап цифровой революции // Образовательные ресурсы и технологии. 2014. № 2 (5). P. 178–181.129. Atzori L., Iera A., Morabito G. The internet of things: A survey // Comput. networks. Elsevier, 2010. Vol. 54, № 15. P. 2787–2805.130. Familiar B. Microservices, IoT, and Azure. Springer, 2015.131. Лунтовский А.О., Мельник И.В. Современные системы туманных вычислений и методы их проектирования // Электронное моделирование. Інститут проблем моделювання в енергетиці ім. ГЄ Пухова НАН України, 2015. Vol. 37, № 2. P. 59–76.132. Дворников А.А. Платформа туманных вычислений на основе беспроводных сенсорных сетей // Качество. Инновации. Образование. Фонд Европейский центр по качеству (некоммерческая организация), 2014. № 8. P. 64–70.133. Yi S. et al. Fog computing: Platform and applications // Proceedings - 3rd Workshop on Hot Topics in Web Systems and Technologies, HotWeb 2015. 2016. P. 73–78.134. Stojmenovic I., Wen S. The Fog Computing Paradigm: Scenarios and Security Issues // Proc. 2014 Fed. Conf. Comput. Sci. Inf. Syst. 2014. Vol. 2. P. 1–8.135. Hong K. et al. Mobile fog: A programming model for large-scale applications on the internet of things // Proceedings of the second ACM SIGCOMM workshop on Mobile cloud computing. 2013. P. 15–20.136. Aazam M., Huh E.N. Fog computing and smart gateway based communication for cloud of things // Proceedings - 2014 International Conference on Future Internet of Things and Cloud, FiCloud 2014. 2014. P. 464–470.137. Bonomi F. et al. Fog computing: A platform for internet of things and analytics // Big data and internet of things: A roadmap for smart environments. Springer, 2014. P. 169–186.138. Yousefpour A., Ishigaki G., Jue J.P. Fog computing: Towards minimizing delay in the internet of things // 2017 IEEE international conference on edge computing (EDGE). 2017. P. 17–24.139. Lee K. et al. On security and privacy issues of fog computing supported Internet of Things environment // 2015 6th International Conference on the Network of the Future (NOF). 2015. P. 1–3. 140. Alrawais A. et al. Fog computing for the internet of things: Security and privacy issues // IEEE Internet Comput. IEEE, 2017. Vol. 21, № 2. P. 34–42.141. Gudi S. et al. Fog robotics: An introduction // IEEE/RSJ International Conference on Intelligent Robots and Systems. 2017.142. Kuffner J. Cloud-enabled humanoid robots // Humanoid Robots (Humanoids), 2010 10th IEEE-RAS International Conference on, Nashville TN, United States, Dec. 2010.143. Turnbull L., Samanta B. Cloud robotics: Formation control of a multi robot system utilizing cloud infrastructure // 2013 Proceedings of IEEE Southeastcon. 2013. P. 1–4.144. DeMarinis N. et al. Scanning the internet for ros: A view of security in robotics research // 2019 International Conference on Robotics and Automation (ICRA). 2019. P. 8514–8521.145. Tanwani A.K. et al. A fog robotics approach to deep robot learning: Application to object recognition and grasp planning in surface decluttering // arXiv Prepr. arXiv1903.09589. 2019.146. Mouradian C. et al. A comprehensive survey on fog computing: State-of-the-art and research challenges // IEEE Commun. Surv. Tutorials. IEEE, 2017. Vol. 20, № 1. P. 416–464.147. Gudi S.L.K.C. et al. Fog robotics for efficient, fluent and robust human-robot interaction // 2018 IEEE 17th International Symposium on Network Computing and Applications (NCA). 2018. P. 1–5.148. Pop P. et al. Enabling fog computing for industrial automation through time-sensitive networking (TSN) // IEEE Commun. Stand. Mag. IEEE, 2018. Vol. 2, № 2. P. 55–61.149. Song D. et al. Networked-, cloud-and fog-robotics // Springer. 2019.150. Melnik E.V., Klimenko A.B., Ivanov D. Y. The Model of Device Community Forming Problem for the Geographically-Distributed Information and Control Systems Using Fog-computing Concept // Proceedings of the IV International research conference "Information technologies in Science, Management, Social sphere and Medicine. 2017. P. 132–136. 151. Korovin I., Melnik E., Klimenko A. The Fog-Computing Based Reliability Enhancement in the Robot Swarm // International Conference on Interactive Collaborative Robotics. 2019. P. 161–169.152. https://docplayer.ru/29244651-Ris-1-prognoz-evropeyskogo-rynka-grazhdanskih-i-kommercheskih-bpla-k-2015-g-po-klassam-reshaemyh-zadach.htmlПриложение 1. Исходныйкодпрограммыusing System;using System.Collections.Generic;using System.ComponentModel;using System.Data;using System.Drawing;using System.Linq;using System.Text;using System.Threading.Tasks;using System.Windows.Forms;namespace swarm_of_drones{publicpartialclassForm1 : Form {// Флагцелиpublicstaticbool flag_target = false, flag_target_goto = false;// Флагпрепятствияpublicstaticbool flag_prep = false;// Числодроновpublicstaticint N_drones = 20;// Координатыцелиpublicstaticint X_target, Y_target, dX_target, dY_target;// Координатыпрепятствияpublicstaticint X_prep, Y_prep, dX_prep, dY_prep, dX_prep_min = 28, dY_prep_min = 28;// Массивы для разности координат цели и роботовpublicstaticdouble[] Array_dX_target = newdouble[N_drones];publicstaticdouble[] Array_dY_target = newdouble[N_drones];// Массивы для разности координат препятствия и роботовpublicstaticdouble[] Array_dX_prep = newdouble[N_drones];publicstaticdouble[] Array_dY_prep = newdouble[N_drones];// Постоянная положительной силыpublicstaticdouble Might_plus=2E-3;// Постоянная отрицаетльной силыpublicstaticdouble Might_minus = 0.05;// Минимальноерасстояниемеждуроботамиpublicstaticdouble d_min = 40, dX_min=28, dY_min=28;// Текущаяразностькоординатроботовpublicstaticdouble dX, dY;// Текущее расстояние между роботамиpublicstaticdouble d;// Радиусвидимостироботаpublicstaticdouble R_vid=600;// Массивкоординатроботовpublicstaticint[,] Array_Robot_XY = newint[N_drones, 2];// Массивсилpublicstaticdouble[,] Array_Robot_Might = newdouble[N_drones, 2];// Глобальнаяпеременная bitmapstaticBitmap bitmap_Polygon;public Form1() { InitializeComponent();// Числороботов textBox_robot.Text = Convert.ToString(Array_Robot_XY.Length/2);// Отключаеминтерфейс textBox_robot.Enabled = false; button_postr.Enabled = false; radioButton_target.Enabled = false; radioButton_prep.Enabled = false; button_goto.Enabled = false; button_Stop.Enabled = false;// Полигон }// Начальнаярасстановкароботов (начало)privatevoid button_rast_Click(object sender, EventArgs e) {// Отключаемтаймер timer1.Enabled = false;// Создаем графический объект для полигонаPen BlackPen;BlackPen = newPen(Color.Black); bitmap_Polygon = newBitmap(pictureBox_Polygon.Width, pictureBox_Polygon.Height); pictureBox_Polygon.Image = bitmap_Polygon;Graphics Robot_XY = Graphics.FromImage(bitmap_Polygon);//Создание объекта для генерации чиселRandomrnd = newRandom();for (int i = 0; i < Array_Robot_XY.Length/2; i++){//Создание объекта для генерации чисел//Random rnd = new Random();// Начальная X-координата робота Array_Robot_XY[i, 0] = rnd.Next(0, pictureBox_Polygon.Width);// НачальнаяY-координатароботаArray_Robot_XY[i, 1] = rnd.Next(0, pictureBox_Polygon.Height);// Рисуем начальную расстановкуRobot_XY.DrawEllipse(BlackPen, Array_Robot_XY[i, 0], Array_Robot_XY[i, 1], 5, 5); }// Активируемследующийэтапbutton_postr.Enabled = true;}// Начальнаярасстановкароботов (конец)privatevoid button_postr_Click(object sender, EventArgs e) { timer1.Enabled = true; }privatevoid pictureBox_Polygon_MouseMove(object sender, MouseEventArgs e) {var cp = pictureBox_Polygon.PointToClient(Cursor.Position); richTextBox_info.Text = ""; richTextBox_info.Text += "Координатакурсора X = " + cp.X.ToString() + '\n'; richTextBox_info.Text += "Координатакурсора Y = " + cp.Y.ToString() + '\n';}// Построение роботов на равные дистанции (начало)privatevoid timer1_Tick(object sender, EventArgs e) {// Отключениепредыдущегоэтапа// button_rast.Enabled = false;// Включениецели radioButton_target.Enabled = true;// Включениепрепятствия radioButton_prep.Enabled = true;// ПолигонPen BlackPen; BlackPen = newPen(Color.Black);Pen RedPen; RedPen = newPen(Color.Red);Pen GreenPen; GreenPen = newPen(Color.Green); bitmap_Polygon = newBitmap(pictureBox_Polygon.Width, pictureBox_Polygon.Height); pictureBox_Polygon.Image = bitmap_Polygon;Graphics Robot_XY = Graphics.FromImage(bitmap_Polygon);// Очищаеммассивсилfor (int i = 0; i < Array_Robot_XY.Length / 2; i++) { Array_Robot_Might[i, 0] = 0; Array_Robot_Might[i, 1] = 0; }// Формируеммассивсил (начало)for (int i = 0; i < Array_Robot_XY.Length / 2; i++) {for (int j = 0; j < Array_Robot_XY.Length / 2; j++){// Массивs разностей координат цели и роботовif (flag_target_goto == true && j == i) { Array_dX_target[i] = X_target - Array_Robot_XY[i, 0]; Array_dY_target[i] = Y_target - Array_Robot_XY[i, 1];}// Массивы разностей координат препятствия и роботовif (flag_prep == true && j == i) { Array_dX_prep[i] = X_prep - Array_Robot_XY[i, 0]; Array_dY_prep[i] = Y_prep - Array_Robot_XY[i, 1];}if (j != i) {// Опредляем условие направления силы // Текущие разности координат роботов dX, dYdX = Array_Robot_XY[j, 0] - Array_Robot_XY[i, 0]; dY = Array_Robot_XY[j, 1] - Array_Robot_XY[i, 1];// Текущеерасстояниемеждуроботами d = Math.Sqrt(Math.Pow(dX, 2) + Math.Pow(dY, 2));// Если расстояние d больше минимального, то сила равнаif (d < R_vid && d > d_min) {// Array_Robot_Might[i, 0] += Might_plus * (dX - dX_min);// Array_Robot_Might[i, 1] += Might_plus * (dY - dY_min); Array_Robot_Might[i, 0] += Might_plus * dX; Array_Robot_Might[i, 1] += Might_plus * dY; }// Если расстояние d меньше минимального, то сила равнаif (d <= d_min) { // Array_Robot_Might[i, 0] += Might_minus * Math.Pow((dX - dX_min), 1);// Array_Robot_Might[i, 1] += Might_minus * Math.Pow((dY - dY_min), 1); Array_Robot_Might[i, 0] += -Might_minus * Math.Pow(dX_min, 2) / (dX + 0.5); Array_Robot_Might[i, 1] += -Might_minus * Math.Pow(dY_min, 2) / (dY + 0.5);//Array_Robot_Might[i, 0] += -Might_minus * Math.Pow(dX_min,2)/(Math.Abs(dX+2.5));//Array_Robot_Might[i, 1] += -Might_minus * Math.Pow(dY_min, 2)/(Math.Abs(dY+2.5)); }//richTextBox_info.Text += "d" + Convert.ToString(d) + '\n'; } }if (flag_target == true) { button_goto.Enabled = true; Robot_XY.DrawEllipse(RedPen, X_target, Y_target, 20, 20); }if (flag_prep == true) { Robot_XY.DrawRectangle(GreenPen, X_prep, Y_prep, 40, 10); }//richTextBox_info.Text += "X" + Convert.ToString(Array_Robot_Might[i, 0]) + '\n';//richTextBox_info.Text += "Y" + Convert.ToString(Array_Robot_Might[i, 1]) + '\n';}// Формируем массив сил (конец)// Формируем массив координат после воздействия силfor (int i = 0; i < Array_Robot_XY.Length / 2; i++){// Начальная X-координата робота // if (Array_Robot_XY[i, 0] > 100)if (flag_target_goto == true) { Array_Robot_Might[i, 0] += 5*Might_plus * Array_dX_target[i]; Array_Robot_Might[i, 1] += 5*Might_plus * Array_dY_target[i]; }if (flag_prep == true) {// Корректироватькоэффициентыif (Array_dX_prep[i]<=dX_prep_min) Array_Robot_Might[i, 0] += -0.5*Might_plus*Math.Pow(dX_prep_min,2) /(Array_dX_prep[i]+0.5);if (Array_dY_prep[i] <= dY_prep_min) Array_Robot_Might[i, 1] += -0.5*Might_plus*Math.Pow(dY_prep_min, 2) / (Array_dY_prep[i] + 0.5);// Корректироватькоэффициенты } Array_Robot_XY[i, 0] += (int)Array_Robot_Might[i, 0];// Начальная Y-координатаробота// if (Array_Robot_XY[i, 1] > 100) Array_Robot_XY[i, 1] += (int)Array_Robot_Might[i, 1]; }// Рисуемрасстановкуfor (int i = 0; i < Array_Robot_XY.Length / 2; i++){// Рисуемначальнуюрасстановку Robot_XY.DrawEllipse(BlackPen, Array_Robot_XY[i, 0], Array_Robot_XY[i, 1], 5, 5); } }privatevoid pictureBox_Polygon_Click(object sender, EventArgs e){// Включаемфлагцелиif (radioButton_target.Checked==true) flag_target = true;// Включаемфлагпрепятствияif (radioButton_prep.Checked==true)flag_prep = true;var cp = pictureBox_Polygon.PointToClient(Cursor.Position);// Рисуемцельif (radioButton_target.Checked == true) { X_target = cp.X; Y_target = cp.Y; }// Рисуемпряпятсивиеif (radioButton_prep.Checked == true) { X_prep = cp.X; Y_prep = cp.Y; } }// Движениекцели (начало)privatevoid button_goto_Click(object sender, EventArgs e) { button_Stop.Enabled = true; flag_target_goto = true; }privatevoid button_Stop_Click(object sender, EventArgs e){ timer1.Enabled = false; }// Движение к цели (конец)// Построение роботов на равные дистанции (конец) }}Приложение 2 – Глобальные переменные и массивы// Флаг цели, используем для задания режима моделированияpublicstaticbool flag_target = false, flag_target_goto = false;// Флагпрепятствияpublicstaticbool flag_prep = false;// Числодроновpublicstaticint N_drones = 20;// Переменныекоординатцелиpublicstaticint X_target, Y_target, dX_target, dY_target;// Координатыпрепятствияpublicstaticint X_prep, Y_prep, dX_prep, dY_prep, dX_prep_min = 28, dY_prep_min = 28;// Массивы для разности координат цели и роботовpublicstaticdouble[] Array_dX_target = newdouble[N_drones];publicstaticdouble[] Array_dY_target = newdouble[N_drones];// Массивы для разности координат препятствия и роботовpublicstaticdouble[] Array_dX_prep = newdouble[N_drones];publicstaticdouble[] Array_dY_prep = newdouble[N_drones];// Постоянная положительной силыpublicstaticdouble Might_plus=2E-3;// Постоянная отрицаетльной силыpublicstaticdouble Might_minus = 0.05;// Минимальноерасстояниемеждуроботамиpublicstaticdouble d_min = 40, dX_min=28, dY_min=28;// Текущаяразностькоординатпарыроботовpublicstaticdouble dX, dY;// Текущее расстояние между роботамиpublicstaticdouble d;// Радиус видимости для роботаpublicstaticdouble R_vid=600;// Массив координат роботовpublicstaticint[,] Array_Robot_XY = newint[N_drones, 2];// Массивсилpublicstaticdouble[,] Array_Robot_Might = newdouble[N_drones, 2];// Глобальнаяпеременнаяbitmap,staticBitmapbitmap_Polygon;Приложение 3 – Формирование массива сил взаимодействия роботов// Формируем массив сил взаимодействия роя роботов (начало)for (int i = 0; i < Array_Robot_XY.Length / 2; i++) {for (int j = 0; j < Array_Robot_XY.Length / 2; j++){// Массивs разностей координат цели и роботовif (flag_target_goto == true && j == i) { Array_dX_target[i] = X_target - Array_Robot_XY[i, 0]; Array_dY_target[i] = Y_target - Array_Robot_XY[i, 1];}// Массивы разностей координат препятствия и роботовif (flag_prep == true && j == i) { Array_dX_prep[i] = X_prep - Array_Robot_XY[i, 0]; Array_dY_prep[i] = Y_prep - Array_Robot_XY[i, 1];}if (j != i) {// Опредляем условие направления силы // Текущие разности координат роботов dX, dYdX = Array_Robot_XY[j, 0] - Array_Robot_XY[i, 0]; dY = Array_Robot_XY[j, 1] - Array_Robot_XY[i, 1];// Текущеерасстояниемеждуроботами d = Math.Sqrt(Math.Pow(dX, 2) + Math.Pow(dY, 2));// Если расстояние d больше минимального, то сила равнаif (d < R_vid && d > d_min) { Array_Robot_Might[i, 0] += Might_plus * dX; Array_Robot_Might[i, 1] += Might_plus * dY; }// Если расстояние d меньше минимального, то сила равнаif (d <= d_min) { Array_Robot_Might[i, 0] += -Might_minus * Math.Pow(dX_min, 2) / (dX + 0.5); Array_Robot_Might[i, 1] += -Might_minus * Math.Pow(dY_min, 2) / (dY + 0.5); } } }if (flag_target == true) { button_goto.Enabled = true; Robot_XY.DrawEllipse(RedPen, X_target, Y_target, 20, 20); }if (flag_prep == true) { Robot_XY.DrawRectangle(GreenPen, X_prep, Y_prep, 40, 10);}}// Формируем массив сил взаимодействия роя роботов (конец)Приложение 4 – Формирование массива координат роботов// Формируем массив координат роботов после воздействия сил (начало)for (int i = 0; i < Array_Robot_XY.Length / 2; i++){if (flag_target_goto == true) { Array_Robot_Might[i, 0] += 5*Might_plus * Array_dX_target[i]; Array_Robot_Might[i, 1] += 5*Might_plus * Array_dY_target[i]; }if (flag_prep == true) {if (Array_dX_prep[i]<=dX_prep_min) Array_Robot_Might[i, 0] += -0.5*Might_plus*Math.Pow(dX_prep_min,2) /(Array_dX_prep[i]+0.5);if (Array_dY_prep[i] <= dY_prep_min) Array_Robot_Might[i, 1] += -0.5*Might_plus*Math.Pow(dY_prep_min, 2) / (Array_dY_prep[i] + 0.5); }// Начальная X-координатаробота Array_Robot_XY[i, 0] += (int)Array_Robot_Might[i, 0];// Начальная Y-координатаробота Array_Robot_XY[i, 1] += (int)Array_Robot_Might[i, 1]; }// Рисуемрасстановкуfor (int i = 0; i < Array_Robot_XY.Length / 2; i++) {// Рисуемрасстановкурояроботов Robot_XY.DrawEllipse(BlackPen, Array_Robot_XY[i, 0], Array_Robot_XY[i, 1], 5, 5); } }// Формируем массив координат роботов после воздействия сил (конец)
1. Каримов А.Х. Цели и задачи, решаемые беспилотными авиационными комплексами нового поколения Электронный журнал «Труды МАИ». Выпуск № 47.
2. Инструкция по авиационной охране лесов, утверждена приказом Федеральной службы лесного хозяйства России 22 сентября 1997 г. № 122.
3. Правила организации и осуществления авиационных работ по охране и защите лесов, утвержденные Постановлением Правительства Российской Федерации от 19 июня 2007 г. N 385.
4. РУСГЕОКОМ [Электронный ресурс]: Использование беспилотников для нужд сельского хозяйства – электронные данные, – режим доступа http://www.rusgeo.com/ispolzovanie-bpla-dlya-nuzhd-selskogo-xozyajstva – дата доступа: октябрь 2017.
5. Коллективы интеллектуальных роботов. Сферы применения / под ред. В.И. Сырямкина. – Томск : STT, 2018. –140 с.
6. Бабич Л.А. Групповое применение разведывательных и ударных беспилотных летательных аппаратов. Молодой учёный №45 (283) ноябрь 2019 г.
7. Д.Я. Иванов. Методы роевого интеллекта для управления группами малоразмерных беспилотных летательных аппаратов.
8. Кориков А.М., Сырямкин В.И., Титов В.С. Корреляционные системы роботов. – Томск : Радио и связь, 1990. – 264 с.
9. Ermolov I.L. Emerging Issues of Robots to Be Used in Groups // Smart Electromechanical Systems. Springer, 2019. P. 3–7.
10. Городецкий В.И., Бухвалов О.Л., Скобелев П.О. Современное состояние и перспективы индустриальных применений многоагентных систем // Управление большими системами: сборник трудов. Федеральное государственное бюджетное учреждение науки Институт проблем управления им. ВА Трапезникова РАН, 2017. № 66.
11. Кузнецов А.В. Краткий обзор многоагентных моделей // Управление большими системами. Институт проблем управления им. ВА Трапезникова РАН, 2018. Vol. 71. P. 6–44.
12. Мартынова Л.А., Карсаев О.В. Метод координации поведения группы автономных необитаемых подводных аппаратов на мультиагентной основе при ведении сейсморазведки // Известия ЮФУ. Технические науки. 2018. № 1. P. 52-67.
13. Карсаев О.В. Имитационное моделирование автономного управления группировкой малых спутников // Известия Южного федерального университета. Технические науки. 2018. Vol. 1. P. 140–154.
14. Миляков Д.А. Об управлении большой группой беспилотных летательных аппаратов как системой с распределенными параметрами // Проблемы управления и моделирования в сложных системах: Труды XX Международной конференции (3-6 сентября 2018 г., Самара, Россия) / Под ред.: акад. Е.А.Федосова, акад. Н.А. Кузнецова, д.т.н. С.Ю. Боровика. 2018. P. 176–181.
15. Миляков Д.А. Способ управления группой беспилотных летательных аппаратов как распределенной вычислительной системой // Суперкомпьютерные технологии материалы 5-й Всероссийской научтно-технической конференции. Том 1. 2018. P. 192–196.
16. Миляков Д.А. Новый подход к управлению большой группой беспилотных летательных аппаратов как системой с распределенными параметрами // Шестнадцатая Национальная конференция по искусственному интеллекту с международным участием КИИ-2018 (24-27 сентября 2018 г., г. Москва, Россия). Труды конференции. Том 1. 2018. P. 132–140.
17. Попеленков В.В., Котов К.Ю., Мальцев А.С. Разработка алгоритма управления траекторным движением группы мобильных роботов // Проблемы управления и моделирования в сложных системах Труды XX Международной конференции (3-6 сентября 2018 г., Самара, Россия) / Под ред. акад. Е.А.Федосова, акад. Н.А. Кузнецова, д.т.н. С.Ю. Боровика. 2018. P. 206–211.
18. Филимонов А.Б., Филимонов Н.Б., Барашков А.А. Задача перемещения твердого тела группой мобильных агентов // Проблемы управления и моделирования в сложных системах Труды XX Международной конференции (3-6 сентября 2018 г., Самара, Россия) / Под ред. акад. Е.А.Федосова, акад. Н.А. Кузнецова, д.т.н. С.Ю. Боровика. 2018. P. 218–222.
19. Воробьев В.В. Логический вывод и элементы планирования действий в группах роботов // Шестнадцатая Национальная конференция по искусственному интеллекту с международным участием КИИ-2018 (24-27 сентября 2018 г., г. Москва, Россия). Труды конференции. Том 1. 2018. P. 88–95.
20. Пантелей Е. Разработка программно-аппаратного комплекса управления группой беспилотных летательных аппаратов для решения задач предприятий растениеводства // Проблемы управления и моделирования в сложных системах Труды XX Международной конференции (3-6 сентября 2018 г., Самара, Россия) / Под ред. акад. Е.А.Федосова, акад. Н.А. Кузнецова, д.т.н. С.Ю. Боровика. 2018. P. 548–553.
21. Алексеев В.А. et al. Моделирование иерархической системы управления группой наземных робототехнических средств // Инженерный журнал наука и инновации. 2018. Vol. 4. P. 1–20.
22. Киселев Л.В., Медведев А.В. Траекторное обследование границ морских акваторий группой автономных подводных роботов // Известия Южного федерального университета. Технические науки. 2018. Vol. 3. P. 185–197.
23. Зенкевич С.Л., Чжу Х. Управление движением группы роботов в строю типа" конвой" // Мехатроника, автоматизация, управление. Общество с ограниченной ответственностью Издательство Новые технологии, 2017. Vol. 18, № 1. P. 30–34.
24. Котов К.Ю. et al. Децентрализованное управление квадрокоптерами в составе группы лидер—ведомые // Автометрия. Федеральное государственное унитарное предприятие Издательство Сибирского отделения Российской академии наук, 2017. Vol. 53, № 1. P. 26–31.
25. Леонард А.В., Брискин Е.С., Горбов И.А. О влиянии “характера” группы роботов на их движение // Известия Волгоградского государственного технического университета. Государственное образовательное учреждение высшего образования “Волгоградский государственный технический университет,” 2017. № 1 (196). P. 116–120.
26. Леонард А.В. et al. Интеллектуализация системы управления робота, моделируемого материальной точкой на плоскости // Известия Волгоградского государственного технического университета. Государственное образовательное учреждение высшего профессионального образования "Волгоградский государственный технический университет", 2015. № 14 (178).
27. Кузнецов А.В. Модель совместного движения агентов с трехуровневой иерархией на основе клеточного автомата // Журнал вычислительной математики и математической физики. Российская академия наук, Отделение математических наук, 2017. Vol. 57, № 2. P. 339–349.
28. Соловьев В.В., Финаев В.И., Белоглазов Д.А. Навигация для обеспечения коммуникаций в группе подвижных объектов // Телекоммуникации. Общество с ограниченной ответственностью" Наука и технологии", 2017. № 9. P. 21–27.
29. Лапшов В.С. et al. Формирование моделей виртуальной реальности и информационно-навигационных полей для обеспечения автономного функционирования РТК специального назначения // Известия Южного федерального университета. Технические науки. Федеральное государственное автономное образовательное учреждение высшего образования "Южный федеральный университет", 2017. № 2 (187).
30. Бочаров Н.А. et al. Решение задач когнитивного управления группой роботов на многоядерных микропроцессоранх “Эльбрус” // Труды II Международной научной конференции «Конвергентные когнитивно-информационные технологии» (Convergent’2017), Москва, 24-26 ноября, 2017. 2017. P. 1–11.
31. Ильичев К.В., Манцеров С.А. Разработка масштабируемой мобильной робототехнической системы роевого взаимодействия // Вестник Пермского национального исследовательского политехнического университета. Электротехника, информационные технологии, системы управления. Федеральное государственное бюджетное образовательное учреждение высшего образования “Пермский национальный исследовательский политехнический университет,” 2017. № 21. P. 91–108.
32. Белоглазов Д.А. et al. Интеллектуальное планирование траекторий подвижных объектов в средах с препятствиями/Под ред. проф. ВХ Пшихопова // М.: ФИЗМАТЛИТ. 2014. 300 p.
33. Пшихопов В.Х., Медведев М.Ю. Планирование движения группы подвижных объектов в двумерной среде с препятствиями // Известия Южного федерального университета. Технические науки. 2016. Vol. 2 (175). P. 6–22.
34. Сапрыкин Р.В. Алгоритмы информационного взаимодействия интеллектуальных мобильных роботов при картографировании внешней среды функционирования // Известия Южного федерального университета. Технические науки. Технологический институт Федерального государственного образовательного учреждения высшего профессионального образования Южный федеральный университет в г. Таганроге, 2015. № 3 (164). P. 164–174.
35. Чернухин Ю.В. Микропроцессорное и нейрокомпьютерное управление адаптивными мобильными роботами // Учебно-научное издание/Ю.В. Чернухин. – Таганрог: ТРТИ. 1993. 91 p.
36. Чернухин Ю.В., Приемко А.А. Моделирование поведения интеллектуальных агентов в динамических средах: Учебное пособие // Таганрог Изд-во ТТИ ЮФУ. 2007.
37. Chernukhin Y.V., Priemko А.А. Method of an environment mapping in neural network control system of adaptive mobile robot // Opt. Mem. Neural Networks. 2006. Vol. 1. P. 45–49.
38. Чернухин Ю.В. et al. Программно-аппаратное моделирование внешней среды функционирования мобильных роботов с нейросетевым управлением на базе робототехнического комплекта Hemisson: Материалы XV Международной конференции по нейрокибернетике // Ростов-на-Дону Изд-во ЮФУ. 2009. P. 212–215.
39. Чернухин Ю.В. et al. Мобильная робототехническая платформа с перестраиваемой гетерогенной системой управления // Известия Южного федерального университета. Технические науки. Федеральное государственное автономное образовательное учреждение высшего образования "Южный федеральный университет", 2012. Vol. 126, № 1.
40. Guzik V.P. et al. Neural network method of intellectual planning of mobile robotic object movement in the conditions of uncertainty // Advances in Robotics, Mechatronics and Circuits. Proceedings of the 2014 International Conference on Mechatronics and Robotics, Structural Analysis. 2014. P. 194–200.
41. Пшихопов В.Х. et al. Разработка интеллектуальной системы управления автономного подводного аппарата // Известия Южного федерального университета. Технические науки. Федеральное государственное автономное образовательное учреждение высшего образования "Южный федеральный университет", 2014. № 3 (152).
42. Чернухин Ю.В., Доленко Ю.С., Бутов П.А. Нейросетевой подход к решению задачи локальной навигации интеллектуальными мобильными роботами в условиях, приближенных к реальной среде // Известия Южного федерального университета. Технические науки. Федеральное государственное автономное образовательное учреждение высшего образования "Южный федеральный университет", 2013. № 5 (142).
43. Каляев И.А., Гайдук А.Р., Капустян С.Г. Самоорганизация в мультиагентных системах // Известия Южного федерального университета. Технические науки. Федеральное государственное автономное образовательное учреждение высшего образования "Южный федеральный университет", 2010. Vol. 104, № 3.
44. Каляев И.А., Капустян С.Г., Гайдук А.Р. Самоорганизующиеся распределенные системы управления группами интеллектуальных роботов, построенные на основе сетевой модели // Управление большими системами: сборник трудов. Федеральное государственное бюджетное учреждение науки Институт проблем управления им. ВА Трапезникова РАН, 2010. № 30–1. P. 605–639.
45. Каляев И.А., Гайдук А.Р., Капустян С.Г. Распределенные системы планирования действий коллективов роботов. Москва: Янус-К, 2002. 292 p.
46. Каляев И.А., Гайдук А.Р., Капустян С.Г. Модели и алгоритмы коллективного управления в группах роботов. Москва: Физматлит, 2009. 280 p.
47. Каляев И.А., Гайдук А.Р., Капустян С.Г. Управление коллективом интеллектуальных объектов на основе стайных принципов // Наука Юга России. Федеральное государственное унитарное предприятие Академический научно-издательский, производственно-полиграфический и книгораспространительский центр Наука, 2005. Vol. 1, № 2. P. 20–27.
48. Muliukha V., Ilyashenko A., Laboshin L. Network-centric supervisory control system for mobile robotic groups // Procedia Comput. Sci. Elsevier, 2017. Vol. 103. P. 505–510.
49. Мулюха В.А. Сетецентрический метод организации информационного взаимодействия киберфизических объектов в среде облачных вычислений // Робототехника и техническая кибернетика. федеральное государственное автономное научное учреждение Центральный научно-исследовательский и опытно-конструкторский институт робототехники и технической кибернетики, 2014. № 3. P. 43–47.
50. Oh H., Shiraz A.R., Jin Y. Morphogen diffusion algorithms for tracking and herding using a swarm of kilobots // Soft Comput. Springer, 2018. Vol. 22, № 6. P. 1833–1844.
51. Holland J., O’Riordan C. Evolving Collective Behaviours in Simulated Kilobots // Symposium On Applied Computing SAC’18. 2018. P. 1–8.
52. Mahato N.R., Chakraverty S., Jaulin L. Fuzzy Matrix Contractor Based Approach for Localization of Robots // Recent Advances in Applications of Computational and Fuzzy Mathematics. Springer, 2018. P. 47–73.
53. Pasqualetti F., Franchi A., Bullo F. Rigidity maintenance control for multi-robot systems // Robot. Sci. Syst. VIII. MIT Press, 2018. Vol. 28. P. 592–606.
54. Pěnička R. et al. Dubins orienteering problem with neighborhoods // 2017 International Conference on Unmanned Aircraft Systems (ICUAS). 2017. P. 1555–1562.
55. Baca T., Stepan P., Saska M. Autonomous landing on a moving car with unmanned aerial vehicle // Mobile Robots (ECMR), 2017 European Conference on. 2017. P. 1–6.
56. Pěnička R. et al. Reactive dubins traveling salesman problem for replanning of information gathering by uavs // Mobile Robots (ECMR), 2017 European Conference on. 2017. P. 1–6.
57. Brandtner D., Saska M. Coherent swarming of unmanned micro aerial vehicles with minimum computational and communication requirements // Mobile Robots (ECMR), 2017 European Conference on. 2017. P. 1–6.
58. Saska M. et al. Documentation of dark areas of large historical buildings by a formation of unmanned aerial vehicles using model predictive control // IEEE ETFA. 2017.
59. Saska M. Large sensors with adaptive shape realised by selfstabilised compact groups of micro aerial vehicles. 2017.
60. Mu B. et al. Design and implementation of nonuniform sampling cooperative control on a group of two-wheeled mobile robots // IEEE Trans. Ind. Electron. IEEE, 2017. Vol. 64, № 6. P. 5035–5044.
61. Ardakani E.S., Ebel H., Eberhard P. Transporting an elastic plate using a group of swarm mobile robots // Advanced Intelligent Mechatronics (AIM), 2017 IEEE International Conference on. 2017. P. 1393–1398.
62. Di Paola D. et al. Decentralized dynamic task planning for heterogeneous robotic networks // Auton. Robots. Springer, 2015. Vol. 38, № 1. P. 31–48.
63. Jones C. V, Matarić M.J. Behavior-Based Coordination in Multi-Robot Systems // Auton. Mob. Robot. Sens. Control Decis. Appl. 2005. P. 549–569.
64. Huq R., Mann G.K.I., Gosine R.G. Behavior-modulation technique in mobile robotics using fuzzy discrete event system // IEEE Trans. Robot. IEEE, 2006. Vol. 22, № 5. P. 903–916.
65. Ji M., Sarkar N. Supervisory fault adaptive control of a mobile robot and its application in sensor-fault accommodation // IEEE Trans. Robot. IEEE, 2007. Vol. 23, № 1. P. 174–178.
66. Valentini G. et al. Collective Decision with 100 Kilobots: Speed versus accuracy in binary discrimination problems // Auton. Agent. Multi. Agent. Syst. 2016. Vol. 30, № 3. P. 553–580.
67. Dimidov C., Oriolo G., Trianni V. Random walks in swarm robotics: an experiment with kilobots // International Conference on Swarm Intelligence. 2016. P. 185–196.
68. Kernbach S. et al. Adaptive collective decision-making in limited robot swarms without communication // Int. J. Rob. Res. Sage Publications Sage UK: London, England, 2013. Vol. 32, № 1. P. 35–55.
69. Kernbach S. Encoder-free odometric system for autonomous microrobots // Mechatronics. Elsevier, 2012. Vol. 22, № 6. P. 870–880.
70. Kernbach S., Kernbach O. Collective energy homeostasis in a large-scale microrobotic swarm // Rob. Auton. Syst. Elsevier, 2011. Vol. 59, № 12. P. 1090–1101.
71. Kernbach S. et al. Specialization and generalization of robot behaviour in swarm energy foraging // Math. Comput. Model. Dyn. Syst. Taylor & Francis, 2012. Vol. 18, № 1. P. 131–152.
72. Schmickl T. et al. CoCoRo--The Self-Aware Underwater Swarm // Self-Adaptive and Self-Organizing Systems Workshops (SASOW), 2011 Fifth IEEE Conference on. 2011. P. 120–126.
73. Schmickl T., Moslinger C., Thenius R.C. A self-aware swarm of underwater vehicles // Aware. Self Aware. Auton. Syst. 2011.
74. Behrje U. et al. A Robust Acoustic-Based Communication Principle for the Navigation of an Underwater Robot Swarm // Ocean. 18, MTS/IEEE, Kobe. 2018.
75. Christensen A.L. et al. Design of Communication and Control for Swarms of Aquatic Surface Drones. // ICAART (2). 2015. P. 548–555.
76. Lanteigne A. et al. Design of a Drone Lead-Follow Control System // Systems and Information Engineering Design Symposium (SIEDS), 2017. 2017. P. 162–167.
77. Christensen D.L. et al. μTugs: Enabling microrobots to deliver macro forces with controllable adhesives // Robotics and Automation (ICRA), 2015 IEEE International Conference on. 2015. P. 4048–4055.
78. Aguilera M. Swarm of Underwater Robots Mimics Ocean Life // Scripps Inst. Oceanogr. 2017.
79. Hunsaker L. ARSENL reaches its ultimate goal of 50 autonomous UAVs in flight. Naval Postgraduate School, Monterey, California, 2015.
80. Letzing J. Amazon Adds That Robotic Touch // Wall Str. J. 2012. Vol. 20. P. 2012.
81. Bank H.S. A software framework for an agile manufacturing system. Rutgers University-Graduate School-New Brunswick, 2015.
82. Mellucci C. et al. Experimental validation of boundary tracking using the suboptimal sliding mode algorithm // American Control Conference (ACC), 2017. 2017. P. 4878–4883.
83. Townsend N.C. Self-powered autonomous underwater vehicles: results from a gyroscopic energy scavenging prototype // IET Renew. Power Gener. IET, 2016. Vol. 10, № 8. P. 1078–1086.
84. Seo T., Casarez C.S., Fearing R.S. High-rate controlled turning with a pair of miniature legged robots // Robotics and Automation (ICRA), 2017 IEEE International Conference on. 2017. P. 5962–5968.
85. Kurdi H., How J., Bautista G. Bio-inspired algorithm for task allocation in multi-UAV search and rescue missions // AIAA Guidance, Navigation, and Control Conference. 2016. P. 1377.
86. Pitonakova L., Crowder R., Bullock S. Understanding the role of recruitment in collective robot foraging. MIT Press, 2014.
87. Bloss R. Advanced swarm robots addressing innovative tasks such as assembly, search, rescue, mapping, communication, aerial and other original applications // Ind. Robot An Int. J. Emerald Group Publishing Limited, 2014. Vol. 41, № 5. P. 408–412.
88. Mondada F. et al. SWARM-BOT: from concept to implementation // Proc. 2003 IEEE/RSJ Int. Conf. Intell. Robot. Syst. (IROS 2003) (Cat. No.03CH37453). 2003. Vol. 2.
89. Dorigo M. Swarm-Bots and Swarmanoid: Two Experiments in Embodied Swarm Intelligence // 2009 IEEE/WIC/ACM Int. Jt. Conf. Web Intell. Intell. Agent Technol. 2009. Vol. 1.
90. O’Grady R. et al. Performance benefits of self-assembly in a swarm-bot // Intelligent Robots and Systems, 2007. IROS 2007. IEEE/RSJ International Conference on. 2007. P. 2381–2387.
91. Konolige K. et al. Centibots: Very large scale distributed robotic teams // Springer Tracts Adv. Robot. 2006. Vol. 21. P. 131–140.
92. Ortiz C.L., Vincent R., Morisset B. Task inference and distributed task management in the Centibots robotic system // Proceedings of the fourth international joint conference on Autonomous agents and multiagent systems. 2005. P. 860–867.
93. Franchi A. et al. Shared control: Balancing autonomy and human assistance with a group of quadrotor UAVs // IEEE Robot. Autom. Mag. 2012. Vol. 19, № 3. P. 57–68.
94. Wooldridge M., Jennings N.R. Agent theories, architectures, and languages: a survey // International Workshop on Agent Theories, Architectures, and Languages. 1994. P. 1–39.
95. Городецкий В.И. Информационные технологии и многоагентные системы // Проблемы информатизации. 1998. № 1. P. 3–14.
96. Осипов Г.С. Методы искусственного интеллекта и задача управления // Пленарные доклады Международной мультиконференции “Теория и системы управления”./М.: Институт проблем управления им. ВА Трапезникова РАН. 2009. P. 161–170.
97. Яковлев К.С., Петров А.В., Хитьков В.В. Программный комплекс навигации и управления беспилотными транспортными средствами // Информационные технологии и вычислительные системы. Федеральное государственное учреждение" Федеральный исследовательский центр" Информатика и управление" Российской академии наук, 2013. № 3. P. 72–83.
98. Шаповалов И.О. Распределенная система управления движением группы крупногабаритных объектов // Известия Южного федерального университета. Технические науки. Технологический институт Федерального государственного образовательного учреждения высшего профессионального образования Южный федеральный университет в г. Таганроге, 2013. № 2 (139). P. 41–46.
99. Даринцев О.В., Мигранов А.Б. Разработка архитектуры облачной вычислительной системы для управления группами мобильных роботов // Труды Института механики им. РР Мавлютова УНЦ РАН. Федеральное государственное бюджетное учреждение науки Институт механики им~…, 2016. Vol. 11, № 1. P. 72–80.
100. Даринцев О.В., Мигранов А.Б. Декомпозиция задач в группе роботов с использованием технологий облачных вычислений // Труды Института механики им. РР Мавлютова Уфимского научного центра РАН. 2017. Vol. 12, № 1. P. 83–88.
101. Даринцев О.В., Мигранов А.Б. Распределенная система управления группами мобильных роботов // Вестник Уфимского государственного авиационного технического университета. Федеральное государственное бюджетное образовательное учреждение высшего~…, 2017. Vol. 21, № 2 (76).
102. Карпова И.П. Хранение и обработка распределенных данных в группе мобильных роботов [Electronic resource] // RoboFob Лаборатория “Робототехника” ФНБИК МФТИ, МИЭМ НИУ ВШЭ, МГТУ им. Н.Э. Баумана. 2018. P. 1–17. URL: http://robofob.ru/materials/articles/2018/karpova_it_2018.pdf (accessed: 01.12.2019).
103. Brugali D., Fayad M.E. Distributed computing in robotics and automation // IEEE Trans. Robot. Autom. IEEE, 2002. Vol. 18, № 4. P. 409–420.
104. Défago X. Distributed computing on the move: From mobile computing to cooperative robotics and nanorobotics // Proc. 1st Wksp. on Principles of Mobile Computing (POMC). 2001. P. 1–7.
105. Kuffner J. Cloud-enabled robots In: IEEE-RAS international conference on humanoid robots // Piscataway, NJ IEEE. 2010.
106. Hu G., Tay W.P., Wen Y. Cloud robotics: architecture, challenges and applications // IEEE Netw. IEEE, 2012. Vol. 26, № 3. P. 21–28.
107. Kehoe B. et al. A survey of research on cloud robotics and automation // IEEE Trans. Autom. Sci. Eng. IEEE, 2015. Vol. 12, № 2. P. 398–409.
108. Arumugam R. et al. DAvinCi: A cloud computing framework for service robots // 2010 IEEE international conference on robotics and automation. 2010. P. 3084–3089.
109. Mohanarajah G. et al. Rapyuta: A cloud robotics platform // IEEE Trans. Autom. Sci. Eng. IEEE, 2014. Vol. 12, № 2. P. 481–493.
110. Hunziker D. et al. Rapyuta: The roboearth cloud engine // 2013 IEEE International Conference on Robotics and Automation. 2013. P. 438–444.
111. Quigley M. et al. ROS: an open-source Robot Operating System // ICRA workshop on open source software. 2009. Vol. 3, № 3.2. P. 5.
112. Zhang Y. et al. CAP: Community activity prediction based on big data analysis // Ieee Netw. Citeseer, 2014. Vol. 28, № 4. P. 52–57.
113. Wan J. et al. Enabling cyber-physical systems with machine-to-machine technologies // Int. J. Ad Hoc Ubiquitous Comput. Inderscience Publishers, 2013. Vol. 13, № 3–4. P. 187–196.
114. Chen M. et al. AIWAC: Affective interaction through wearable computing and cloud technology // IEEE Wirel. Commun. IEEE, 2015. Vol. 22, № 1. P. 20–27.
115. Wan J. et al. Cloud robotics: Current status and open issues // IEEE Access. IEEE, 2016. Vol. 4. P. 2797–2807.
116. Mohanarajah G. et al. Cloud-based collaborative 3D mapping in real-time with low-cost robots // IEEE Trans. Autom. Sci. Eng. IEEE, 2015. Vol. 12, № 2. P. 423–431.
117. Agüero C.E. et al. Inside the virtual robotics challenge: Simulating real-time robotic disaster response // IEEE Trans. Autom. Sci. Eng. IEEE, 2015. Vol. 12, № 2. P. 494–506.
118. Botta A., Gallo L., Ventre G. Cloud, Fog, and Dew Robotics: architectures for next generation applications // 2019 7th IEEE International Conference on Mobile Cloud Computing, Services, and Engineering (MobileCloud). 2019. P. 16–23.
119. Chen K. et al. Cloud Computing // IEEE Netw. 2011. P. 4.
120. Bonomi F. et al. Fog Computing and Its Role in the Internet of Things // Proc. first Ed. MCC Work. Mob. cloud Comput. 2012. P. 13–16.
121. Bar-Magen J. Fog computing: introduction to a new cloud evolution. Escrituras silenciadas: paisaje como historiografia, 2013. P. 111–126.
122. Hosseinpour F., Westerlund T., Meng Y. A Review on Fog Computing Systems // Int. J. Adv. Comput. Technol. Hannu Tenhunen. 2016. Vol. 8(5). P. 48–61.
123. Wang Y. Cloud-dew architecture // Int. J. Cloud Comput. Inderscience Publishers (IEL), 2015. Vol. 4, № 3. P. 199–210.
124. Wang Y. Definition and categorization of dew computing // Open J. Cloud Comput. RonPub, 2016. Vol. 3, № 1. P. 1–7.
125. Skala K. et al. Scalable distributed computing hierarchy: Cloud, fog and dew computing // Open J. Cloud Comput. RonPub, 2015. Vol. 2, № 1. P. 16–24.
126. Ray P.P. An introduction to dew computing: Definition, concept and implications // IEEE Access. IEEE, 2017. Vol. 6. P. 723–737.
127. Bonomi F. Connected vehicles, the internet of things, and fog computing // The Eighth ACM International Workshop on Vehicular Inter-Networking (VANET), Las Vegas, USA. 2011. P. 13–15.
128. Бородин В.А. Интернет вещей-следующий этап цифровой революции // Образовательные ресурсы и технологии. 2014. № 2 (5). P. 178–181.
129. Atzori L., Iera A., Morabito G. The internet of things: A survey // Comput. networks. Elsevier, 2010. Vol. 54, № 15. P. 2787–2805.
130. Familiar B. Microservices, IoT, and Azure. Springer, 2015.
131. Лунтовский А.О., Мельник И.В. Современные системы туманных вычислений и методы их проектирования // Электронное моделирование. Інститут проблем моделювання в енергетиці ім. ГЄ Пухова НАН України, 2015. Vol. 37, № 2. P. 59–76.
132. Дворников А.А. Платформа туманных вычислений на основе беспроводных сенсорных сетей // Качество. Инновации. Образование. Фонд Европейский центр по качеству (некоммерческая организация), 2014. № 8. P. 64–70.
133. Yi S. et al. Fog computing: Platform and applications // Proceedings - 3rd Workshop on Hot Topics in Web Systems and Technologies, HotWeb 2015. 2016. P. 73–78.
134. Stojmenovic I., Wen S. The Fog Computing Paradigm: Scenarios and Security Issues // Proc. 2014 Fed. Conf. Comput. Sci. Inf. Syst. 2014. Vol. 2. P. 1–8.
135. Hong K. et al. Mobile fog: A programming model for large-scale applications on the internet of things // Proceedings of the second ACM SIGCOMM workshop on Mobile cloud computing. 2013. P. 15–20.
136. Aazam M., Huh E.N. Fog computing and smart gateway based communication for cloud of things // Proceedings - 2014 International Conference on Future Internet of Things and Cloud, FiCloud 2014. 2014. P. 464–470.
137. Bonomi F. et al. Fog computing: A platform for internet of things and analytics // Big data and internet of things: A roadmap for smart environments. Springer, 2014. P. 169–186.
138. Yousefpour A., Ishigaki G., Jue J.P. Fog computing: Towards minimizing delay in the internet of things // 2017 IEEE international conference on edge computing (EDGE). 2017. P. 17–24.
139. Lee K. et al. On security and privacy issues of fog computing supported Internet of Things environment // 2015 6th International Conference on the Network of the Future (NOF). 2015. P. 1–3.
140. Alrawais A. et al. Fog computing for the internet of things: Security and privacy issues // IEEE Internet Comput. IEEE, 2017. Vol. 21, № 2. P. 34–42.
141. Gudi S. et al. Fog robotics: An introduction // IEEE/RSJ International Conference on Intelligent Robots and Systems. 2017.
142. Kuffner J. Cloud-enabled humanoid robots // Humanoid Robots (Humanoids), 2010 10th IEEE-RAS International Conference on, Nashville TN, United States, Dec. 2010.
143. Turnbull L., Samanta B. Cloud robotics: Formation control of a multi robot system utilizing cloud infrastructure // 2013 Proceedings of IEEE Southeastcon. 2013. P. 1–4.
144. DeMarinis N. et al. Scanning the internet for ros: A view of security in robotics research // 2019 International Conference on Robotics and Automation (ICRA). 2019. P. 8514–8521.
145. Tanwani A.K. et al. A fog robotics approach to deep robot learning: Application to object recognition and grasp planning in surface decluttering // arXiv Prepr. arXiv1903.09589. 2019.
146. Mouradian C. et al. A comprehensive survey on fog computing: State-of-the-art and research challenges // IEEE Commun. Surv. Tutorials. IEEE, 2017. Vol. 20, № 1. P. 416–464.
147. Gudi S.L.K.C. et al. Fog robotics for efficient, fluent and robust human-robot interaction // 2018 IEEE 17th International Symposium on Network Computing and Applications (NCA). 2018. P. 1–5.
148. Pop P. et al. Enabling fog computing for industrial automation through time-sensitive networking (TSN) // IEEE Commun. Stand. Mag. IEEE, 2018. Vol. 2, № 2. P. 55–61.
149. Song D. et al. Networked-, cloud-and fog-robotics // Springer. 2019.
150. Melnik E.V., Klimenko A.B., Ivanov D. Y. The Model of Device Community Forming Problem for the Geographically-Distributed Information and Control Systems Using Fog-computing Concept // Proceedings of the IV International research conference "Information technologies in Science, Management, Social sphere and Medicine. 2017. P. 132–136.
151. Korovin I., Melnik E., Klimenko A. The Fog-Computing Based Reliability Enhancement in the Robot Swarm // International Conference on Interactive Collaborative Robotics. 2019. P. 161–169.
152. https://docplayer.ru/29244651-Ris-1-prognoz-evropeyskogo-rynka-grazhdanskih-i-kommercheskih-bpla-k-2015-g-po-klassam-reshaemyh-zadach.html
Вопрос-ответ:
Зачем использовать БПЛА в режиме централизованного управления?
Централизованное управление БПЛА позволяет достичь более высокой координации и синхронизации действий группы БПЛА. Это особенно важно при выполнении сложных задач, таких как поиск и обнаружение целей, совместное наведение оружия или выполнение сложных маневров. Централизованное управление также позволяет эффективно использовать ресурсы группы БПЛА и оптимизировать их действия.
Какие стратегии управления коллективом БПЛА существуют?
Существуют три основные стратегии управления коллективом БПЛА: централизованное, децентрализованное и роевое управление. Централизованное управление подразумевает, что все действия БПЛА контролируются одним центральным аппаратом. В децентрализованном управлении каждый БПЛА имеет отдельного оператора и самостоятельно принимает решения на основе полученной информации. Роевое управление подразумевает, что группа БПЛА действует как единый организм, без централизованного управления, и каждый БПЛА принимает решения на основе информации, полученной от других участников роя.
Какими методами осуществляется роевое управление БПЛА?
Обычно роевое управление БПЛА осуществляется с использованием алгоритмов искусственного интеллекта, таких как методы машинного обучения и нейронные сети. Эти методы позволяют БПЛА обмениваться информацией друг с другом, чтобы принимать совместные решения и координировать свои действия. Некоторые из методов роевого управления включают распределение задач между БПЛА, координирование движения и выполнение совместных маневров.
Какие задачи можно решать с помощью группы БПЛА?
Группа БПЛА может решать множество оперативных задач, таких как мониторинг и разведка территории, поиск и обнаружение целей, сбор информации, выполнение разведывательных маневров и т.д. Благодаря совместным усилиям группы, БПЛА могут выполнять сложные и рискованные задачи, которые для одиночного аппарата были бы недоступны.
Какие преимущества есть у БПЛА перед другими воздушными средствами?
БПЛА обладают рядом преимуществ перед другими воздушными средствами. Во-первых, они могут проникать в труднодоступные районы безопасно для пилотов. Во-вторых, они могут оставаться в воздухе на протяжении продолжительного времени, что позволяет осуществлять длительные миссии. В-третьих, они имеют возможность собирать информацию и передавать ее оператору в реальном времени. И наконец, БПЛА являются более экономичным средством, чем пилотируемые воздушные суда.
Какие стратегии управления коллективом БПЛА существуют?
Существуют три основные стратегии управления коллективом БПЛА. Первая - централизованное управление, при котором все БПЛА подчиняются одному оператору и выполняют задачи согласно его указаниям. Вторая - децентрализованное управление, при котором каждый БПЛА имеет своего оператора и самостоятельно принимает решения. Третья - роевое управление, при котором БПЛА работают в коллективе, сотрудничая и координируясь между собой.
Какие методы роевого управления БПЛА существуют?
Существует несколько методов роевого управления БПЛА. Один из них - метод фиксированного лидера, при котором один БПЛА является лидером и остальные следуют за ним. Другой метод - метод децентрализованного контроля, при котором каждый БПЛА самостоятельно принимает решения и сотрудничает с остальными. Еще один метод - метод координации через обмен информацией, при котором БПЛА передают и получают данные друг от друга для согласования своих действий.
В чем заключаются предпосылки к применению БПЛА?
Применение БПЛА обусловлено несколькими предпосылками. Во-первых, развитие технологий привело к возможности создания и использования беспилотных аппаратов. Во-вторых, военные и гражданские задачи требуют выполнения миссий в труднодоступных районах, что часто небезопасно для пилотов. В-третьих, экономические соображения позволяют сократить затраты на обучение и содержание пилотов, используя БПЛА вместо пилотируемых воздушных судов.
Какие существуют стратегии управления коллективом БПЛА?
Существуют три основные стратегии управления коллективом БПЛА: централизованное управление, децентрализованное управление и роевое управление.
Что такое роевое управление БПЛА?
Роевое управление - это стратегия управления коллективом БПЛА, при которой дроны работают в рою, координируя свои действия с помощью обмена информацией и сотрудничества. Это позволяет достичь более эффективного выполнения задач и увеличить надежность системы.
Какие методы роевого управления БПЛА существуют?
Существует несколько методов роевого управления БПЛА, таких как методы, основанные на управлении градиентом, методы, основанные на возмущениях, и методы, основанные на коммуникации.