دانش و فناوری هوافضا

دانش و فناوری هوافضا

طراحی و پیاده‌سازی پرواز گروهی کوادکوپترها برای نمایش نوری با الگوریتم ترکیبی ازدحام ذرات و یادگیری فیزیکی

نوع مقاله : مقاله پژوهشی

نویسندگان
فرهاد فردوسی 1
ناصر اسکندریان 2
فهیمه باغبانی 2
علیرضا شریفی 3
1 دانشجوی دکتری کنترل، دانشکده برق و کامپیوتر، دانشگاه سمنان، ایران،
2 استادیار، دانشکده مهندسی برق و کامپیوتر، دانشگاه سمنان، ایران
3 استادیار، دانشکده مهندسی هوا فضا، دانشگاه شریف، تهران، ایران
چکیده
پرواز گروهی کوادکوپترها در نمایش‌های نوری، مأموریت‌های اکتشافی و نظارت هوایی اهمیت فراوانی دارد. بااین‌حال، بهینه‌سازی مسیر و تخصیص هدف با چالش‌هایی نظیر جلوگیری از برخورد، حفظ پایداری و دستیابی به همگرایی سریع همراه است. در این پژوهش، چارچوب کنترل متمرکز ارائه می‌شود که در آن یک واحد تصمیم‌گیر مرکزی، مسئول تخصیص اهداف، تولید مسیر و اعمال قیود ایمنی برای کل گروه پروازی است. در این چارچوب، الگوریتمی ترکیبی و بهبودیافته مبتنی بر ازدحام ذرات و یادگیری فیزیکی، مسیر حرکت، تخصیص هدف و هماهنگی پرواز گروهی کوادکوپترها را بهینه می‌سازد. هدف این روش، افزایش سرعت همگرایی و پایداری جستجو از طریق ترکیب قابلیت‌های دو الگوریتم است. در ساختار پیشنهادی، الگوریتم ازدحام ذرات به‌عنوان بخش اکتشاف سراسری عمل می‌کند و الگوریتم یادگیری فیزیکی با بهره‌گیری از مفاهیم انرژی و مومنتوم، موقعیت ذرات را دینامیک اصلاح نموده و از گرفتارشدن در کمینه‌های محلی جلوگیری می‌کند. نتایج شبیه‌سازی، برتری روش ترکیبی را ازنظر سرعت همگرایی، دقت، پایداری و کارایی محاسباتی نسبت به الگوریتم‌های مستقل تأیید می‌کند
کلیدواژه‌ها
الگوریتم ازدحام ذرات
یادگیری فیزیکی
پرواز گروهی کوادکوپترها
اجتناب از موانع
کنترل آرایش
موضوعات

عنوان مقاله English

Design and experimental validation of quadrotor swarm flight for drone light shows based on a hybrid particle swarm optimization and physics learning

نویسندگان English

farhad ferdowsi 1
Naser Eskandarian 2
Fahimeh Baghbani 2
Alireza Sharifi 3
1 Ph.D Student, Faculty of Electrical and Computer Engineering, Semnan University, Semnan, Iran.
2 Assistant Professor, Faculty of Electrical and Computer Engineering, Semnan University, Semnan, Iran.
3 Assistant Professor, Faculty of Aerospace Engineering, Sharif University of Technology, Tehran, Iran
چکیده English

Quadcopter swarm flight is of great significance in light displays, exploratory missions, and aerial surveillance. However, trajectory optimization and target assignment are accompanied by challenges such as collision avoidance, stability preservation, and achieving rapid convergence. In this study, a centralized control framework is proposed in which a central decision-making unit is responsible for target allocation, path generation, and enforcing safety constraints for the entire flying swarm. Within this framework, an improved hybrid algorithm based on particle swarm optimization and physics-based learning optimizes the trajectory, target assignment, and coordination of quadcopter swarms. The aim of this method is to enhance convergence speed and search stability by combining the capabilities of the two algorithms. In the proposed structure, the particle swarm optimization algorithm serves as the global exploration component, while the physics-based learning algorithm, leveraging the concepts of energy and momentum, dynamically adjusts particle positions to prevent entrapment in local minima. Simulation results confirm the superiority of the hybrid method over the independent algorithms in terms of convergence speed, accuracy, stability, and computational efficiency.

کلیدواژه‌ها English

Particle Swarm Optimization (PSO)
Physical Learning (PL)
Multi-UAV Cooperative Flight
Obstacle Avoidance
Formation Control
[1] A. Rejeb, A. Abdollahi, K. Rejeb, and H. Treiblmaier, “Drones in agriculture: A review and bibliometric analysis,” Comput. Electron. Agric. vol. 198, p. 107017, 2022.
[2] Y. Jia, Q. Li, and W. Zhang, “A distributed cooperative approach for unmanned aerial vehicle flocking,” Chaos, vol. 29, no. 4, p. 043118, 2019.
[3] R. Olfati-Saber, “Flocking for multiagent dynamic systems: Algorithms and theory,” IEEE Trans. Automat. Contr., vol. 51, no. 3, pp. 401–420, 2006.
[4] F. Schilling, F. Schiano, and D. Floreano, “Vision-Based Drone Flocking in Outdoor Environments,” IEEE Robot. Autom. Lett., vol. 6, no. 2, pp. 2956–2963, 2021.
[5] Z. Yaghoubi, “Robust cluster consensus of general fractional-order nonlinear multi-agent systems via adaptive sliding mode controller,” Math. Comput. Simul., vol. 172, pp. 15–32, 2020.
[6] X. Dang, C. Shao, and Z. Hao, “Target detection coverage algorithm based on 3D Voronoi partition for three-dimensional wireless sensor networks,” Mob. Inf. Syst., vol. 2019, pp. 1–15, 2019.
[7] Y. Dong and J. Huang, “A leader-following rendezvous problem of double integrator multi-agent systems,” Automatica, vol. 49, no. 5, pp. 1386–1391, 2013.
[8] A. Faghihinia, M. A. A. Atashgah, and S. M. M. Dehghan, “Model-based cooperative navigation for a group of flying robots,” IEEE Trans. Aerosp. Electron. Syst., vol. 58, no. 5, pp. 3895–3905, 2022.
[9] M. Hooshyar and Y.-M. Huang, “Meta-heuristic Algorithms in UAV Path Planning Optimization: A Systematic Review (2018–2022),” Drones, vol. 7, no. 12, p. 687, 2022.
[10] H. Haghighi, S. H. Sadati, S. M. M. Dehghan, and J. Karimi, “Hybrid Form of Particle Swarm Optimization and Genetic Algorithm For Optimal Path Planning in Coverage Mission by Cooperated Unmanned Aerial Vehicles,” J. Aerosp. Technol. Manag., vol. 12, e4120, 2020.
[11] A. H. A. Rahman et al., “Decentralized multi-robot collision avoidance: A systematic review from 2015 to 2021,” Symmetry, vol. 14, no. 3, p. 610, 2022.
[12] S. Batra, Z. Huang, A. Petrenko, T. Kumar, A. Molchanov, and G. S. Sukhatme, “Decentralized Control of Quadrotor Swarms with End-to-end Deep Reinforcement Learning,” in Proc. 5th Conf. Robot Learn., PMLR, vol. 164, pp. 576–586, 2022.
[13] H. Zhu, Y. Wang, Z. Ma, and X. Li, “A Comparative Study of Swarm Intelligence Algorithms for UCAV Path-Planning Problems,” Mathematics, vol. 9, no. 2, p. 171, 2021.
[14] L. Huo, J. Zhu, Z. Li, and M. Ma, “A hybrid differential symbiotic organisms search algorithm for UAV path planning,” Sensors, vol. 21, no. 9, p. 3037, 2021.
[15] K.-C. Weng, S.-T. Lin, C.-C. Hu, R.-T. Soong, and M.-T. Chi, “Multi-view approach for drone light
[16] S. Wang et al., “On unmanned aerial vehicles light show systems: Algorithms, software, and hardware,” Aerospace Sci. Technol., vol. 137, 2023.
[17] C. Gao, J. Ma, T. Li, and Y. Shen, “Hybrid swarm intelligent algorithm for multi-UAV formation reconfiguration,” Complex Intell. Syst., vol. 9, no. 2, pp. 1885–1903, 2023.
[18] T. Muslimov, “Particle Swarm Optimization for Target Encirclement by a UAV Formation,” Eng. Proc., vol. 33, no. 1, p. 15, 2023.
[19] T. T. N. Duong, D.-N. Bui, and M. D. Phung, “Navigation variable-based multi-objective particle swarm optimization for UAV path planning with kinematic constraints,” Neural Comput. Appl., vol. 37, no. 1, pp. 1–25, 2025.
[20] L. Xiao et al., “A model predictive path integral method for fast, proactive, and uncertainty-aware UAV planning in cluttered environments,” Robotics Autonomous Syst., vol. 155, 2022.
[21] S. Jiao, J. Wang, Y. Hua, Y. Zhuang, and X. Yu, “Trajectory-tracking control for quadrotors using an adaptive integral terminal sliding mode under external disturbances,” Drones, vol. 8, no. 2, p. 67, 2024.
[22] N. P. Nguyen and P. Pitakwachara, “Integral terminal sliding mode fault tolerant control of quadcopter UAV systems,” Sci. Rep., vol. 14, 2024.
[23] X. Zhang and J. Liu, “Research on UAV swarm network modeling and resilience assessment methods,” Sensors, vol. 24, no. 1, p. 11, 2024.