Stochastic Movement Swarm Performing a Coverage Task with Physical Parameters

• Autorzy: Falkowski Krzysztof , Duda Michał

Identyfikatory

DOI

10.5604/01.3001.0016.0047

Warianty tytułu

PL

Stochastyczny ruch roju wykonujący zadanie przeszukiwania z uwzględnieniem parametrów fizycznych

• Języki publikacji: EN

Abstrakty

EN

This paper describes an attempt of implementing physical parameters into a virtual swarm algorithm solution. It defines which physical parameters of the single object need to be known to properly transfer a virtual algorithm into a physical system. Considerations have been based on a stochastic movement swarm performing a coverage task. Time to finish the task and energy consumptions were measured for different numbers of drones in a swarm allowing to designate an optimal size of the swarm. Additional tests for changing variables allowed us to determine their impact on the swarm performance. The presented algorithm is a discrete-time solution, and every test is divided into steps. Positions of the drones are calculated only in time corresponding to these steps. Their position is unknown between these steps and the algorithm does not check if the paths of two drones cross between subsequent positions. The lower the time interval, the more precise results, but simulating the test requires more computing power. Further work should consider the smallest possible time intervals or additional feature to check if the paths of the drones do not cross.

PL

W artykule opisano próbę implementacji parametrów fizycznych do rozwiązania algorytmu wirtualnego roju. Określono, które parametry fizyczne pojedynczego obiektu muszą być znane, aby poprawnie przenieść wirtualny algorytm do systemu fizycznego. Rozważania oparto na stochastycznym roju ruchu wykonującym zadanie przeszukiwania. Zmierzono czas wykonania zadania i zużycie energii dla różnej liczby dronów w roju, co pozwoliło na wyznaczenie optymalnej wielkości roju. Dodatkowe testy zmieniających się zmiennych pozwoliły określić ich wpływ na wydajność roju. Przedstawiony algorytm jest rozwiązaniem dyskretnym i z każdym testem jest podzielony na kroki. Pozycje dronów są obliczane tylko w czasie odpowiadającym tym krokom. Ich pozycja między tymi krokami jest nieznana, a algorytm nie sprawdza, czy ścieżki dwóch dronów przecinają się między kolejnymi pozycjami. Im krótszy odstęp czasu, tym dokładniejsze wyniki, ale symulacja testu wymaga większej mocy obliczeniowej. Dalsze prace powinny uwzględniać możliwie najmniejsze odstępy czasu lub dodatkową funkcję do sprawdzenia jeśli ścieżki dronów się nie przecinają.

Słowa kluczowe

EN

swarms; swarm algorithm; sweep coverage; coverage task; optimisation; stochastic movement

PL

algorytm roju; zasięg przemiatania; zadanie pokrycia; optymalizacja; ruch stochastyczny

• Wydawca: Wojskowa Akademia Techniczna im. Jarosława Dąbrowskiego
• Czasopismo: Problemy Mechatroniki : uzbrojenie, lotnictwo, inżynieria bezpieczeństwa
• Rocznik: 2022
• Tom: Vol. 13, Nr 3 (49)
• Strony: 9--26
• Opis fizyczny: Bibliogr. 18 poz., tab.

Twórcy

autor

Falkowski Krzysztof

• Military University of Technology, Faculty of Mechatronics, Armament and Aerospace, 2 Sylwestra Kaliskiego Str., 00-908 Warsaw, Poland

• https://orcid.org/0000-0002-0279-3791

autor

Duda Michał

• Military University of Technology, Faculty of Mechatronics, Armament and Aerospace, 2 Sylwestra Kaliskiego Str., 00-908 Warsaw, Poland

Bibliografia

• [1] Brambilla, Manuele, Eliseo Ferrante, Mauro Birattari and Marco Dorigo. 2013. “Swarm robotics: a review from the swarm engineering perspective”. Swarm Intell 7 (1) : 1–41. DOI: 10.1007/s11721-012-0075-2.
• [2] Schranz, Melanie, Martina Umlauft, Micha Sende and and Wilfried Elmenreich. 2020. “Swarm Robotic Behaviors and Current Applications”. Front. Robot. AI 7 : 36. DOI: 10.3389/frobt.2020.00036.
• [3] Pavlic, P. Theodore, Sean Wilson, Ganesh P. Kumar and Spring Berman. 2013. An Enzyme-Inspired Approach to Stochastic Allocation of Robotic Swarms Around Boundaries. In Inaba, M., Corke, P. (eds) Robotics Research. Springer Tracts in Advanced Robotics, vol 114. Springer, Cham. DOI: 10.1007/978-3-319-28872-7_36.
• [4] Gage, W. Douglas. 1992. “Command control for many-robot systems”. Unmanned Syst. 10 (4) : 28–34.
• [5] Marjovi, Ali, Joao Goncalo Nunes, Lino Marques and Anibal de Almeida. 2009. Multi-robot exploration and fire searching. In 2009 IEEE/RSJ International Conference on Intelligent Robots and Systems, pp. 1929- 1934, doi: 10.1109/IROS.2009.5354598.
• [6] Couceiro, S. Micael, Patricia A.Vargas, Rui P. Rocha and Nuno M.F. Ferreira. 2014. “Benchmark of swarm robotics distributed techniques in a search task”. Robotics and Autonomous Systems 62 (2) : 200-213. http://dx.doi.org/10.1016/j.robot. 2013.10.004.
• [7] Englot, Brendan and Franz S. Hover. 2014. Sampling-Based Coverage Path Planning for Inspection of Complex Structures. In Proceedings of the 22nd International Conference on Automated Planning and Scheduling. ICAPS 2012.
• [8] Soto, Carlos Xavier and Robin R. Murphy. 2011. A survey of animal foraging for directed, persistent search by rescue robotics. In Proceedings of the 9th IEEE International Symposium on Safety, Security, and Rescue Robotics, (SSRR) pp. 314-320. DOI: 10.1109/ssrr.2011.6106744.
• [9] Fox, Dieter, Jonathan Ko, Kurt Konolige, Benson Limketkai, Dirk Schulz and Benjamin Stewart. 2005. Distributed Multi-Robot Exploration and Mapping. In Proceedings of the IEEE. 94 (7). DOI: 10.1109/CRV.2005.36.
• [10] Kumar, P. Ganesh, and Spring M. Berman. 2017. “Design of Stochastic Robotic Swarms for Target Performance Metrics in Boundary Coverage Tasks”. arxiv-1702.02511v1 [cs.RO].
• [11] Ayvali, Elif, Hadi Salman and Howie Choset. 2017. Ergodic coverage in constrained environments using stochastic trajectory optimization. In Proceedings of the IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), pp. 5204-5210, DOI: 10.1109/IROS.2017.8206410.
• [12] Yanmaz, Evsen, Carmelo Costanzo, Christian Bettstetter and Wilfried Elmenreich. 2010. A discrete stochastic process for coverage analysis of autonomous UAV networks. In Proceedings of the 2010 IEEE Globecom Workshops pp. 1777-1782. DOI: 10.1109/GLOCOMW.2010.5700247.
• [13] Zhang, Fangbo, Andrea L. Bertozzi, Karthik Elamvazhuthi and Spring Berman. 2018. “Performance Bounds on Spatial Coverage Tasks by Stochastic Robotic Swarms”. IEEE TRANSACTIONS ON AUTOMATIC CONTROL 63 (6) : 1563-1578. DOI:10.1109/TAC.2017.2747769.
• [14] Falkowski, Krzysztof and Michał Duda. 2021. “Swarm behavior optimization methods based on an original algorithm.” Problemy mechatroniki. Uzbrojenie, lotnictwo, inżynieria bezpieczeństwa / Problems of Mechatronics. Armament, Aviation, Safety Engineering 12 (3) : 53-70. DOI:10.5604/01.3001.0015.2428.
• [15] Lopez, J.C. 2021. Quadrotor Simulation. Import from: https://engineering.usu.edu/students/clubs/shpe/quacopter-simulation (10.05.2021).
• [16] Rotaru, Constantin and Michael Todorov. 2018. Helicopter Flight Physics. In Flight Physics Models, Techniques and Technologies (Ed. Volkov, K.). London, UK: IntechOpen ISBN 978-953-51-3807-5.
• [17] Cavcar, M. 2000. The International Standard Atmosphere (ISA). Import from: https://scholar.google.com/citations?user=WpEp_wcAAAAJ&hl=en (15.05.2021).
• [18] Reid, S. John. 2020. Drone flight – what does basic physics say?. JSR 2018/2020, Version 3.