Professional Documents
Culture Documents
Đối tượng điều khiển: Mạng thiết bị bay không người lái - UAVs
Nhiệm vụ thực hiện của mạng TKBNL: Di chuyển từ trạm trung tâm điều
khiển, phát hiện và tránh chướng ngại vật, di chuyển tới vị trí mục tiêu, duy
trì đội hình để thực hiện nhiệm vụ giám sát tại khu vực đã định trước.
Cấu trúc điều khiển: Điều khiển nhóm phân tán
Chiến lược điều khiển: Điều khiển nhóm UAVs phân tán sử dụng chiến
lược điều khiển nhóm trưởng – thành viên kết hợp chiến lược điều khiển
dựa trên hành vi
Bộ điều khiển cho từng TBKNL
Bộ điều khiển nhóm TBKNL
19
Mô hình toán
Mô hình toán
của hệ các
của một thiết
thiết bị không
bị không người Mối quan hệ giữa các người lái
lái thiết bị không người lái (Modelling of
(Modelling of
MAS)
agent)
2
Nội dung chính
• Lý thuyết đồ thị
1
• Kết luận
4
2
• Lý thuyết đồ thị
1
5
• Lý thuyết đồ thị
1
Cơ sở của kỹ thuật điều khiển nhóm cho hệ đa tác tử - MAS (Multi-Agent System)
• Cấu trúc liên kết (topology) là cấu trúc của mạng TBKNL thể hiện mối
Cấu trúc liên kết liên kết không gian và sự tương tác giữa các thiết bị, được thực hiện để
Topology giải quyết vấn đề trao đổi thông tin trong đội hình và thường được mô tả
dưới dạng đồ hình.
Lý thuyết đồ thị là một công cụ được sử dụng trong điều khiển nhóm
Lý thuyết đồ thị Đạt được sự đồng thuận
Graph Theory Thực hiện phân tích độ ổn định
• Đồ thị thể hiện sự kết nối, phối hợp giữa các thiết bị trong nhóm để trao
đổi thông tin, duy trì đội hình.
• Các cấu trúc liên kết (topology) được mô hình hóa dưới dạng biểu đồ
trong đó TBKNL có thể được biểu diễn dưới dạng các nút của đồ thị, mối
liên hệ và giao tiếp giữa các thiết bị trong đội hình được biểu diễn dưới
dạng các cạnh của đồ thị
Các TBKNL có thể đạt được thỏa thuận nhóm bằng cách chia sẻ thông
Thuật toán đồng tin cục bộ với các robot lân cận của chúng.
thuận Sự đồng thuận là tìm ra một giao thức điều khiển đảm bảo rằng mỗi
Consensus TBKNL cập nhật trạng thái của nó dựa trên thông tin từ các TBKNL liền
kề và trạng thái cuối cùng hội tụ về một giá trị không đổi và điều này phụ
thuộc vào giao tiếp giữa TBKNL.
19
• Lý thuyết đồ thị
1
Lý thuyết đồ thị ứng dụng trong điều khiển nhóm các hệ MAS
Một đồ thị được cho dưới dạng G = (V, E, W)
Lý thuyết đồ thị
V (vertices) là tập hợp các đỉnh (𝑉 = 1,2 … , 𝑛 , 𝑉 = 𝑛)
Graph Theory E (edges) là tập hợp các cạnh còn gọi là tập cung,
i, j V ; E i, j i, j V , i j
Trong đó j là robot lân cận của robot thứ i. Tập hợp các robot
lân cận của robot thứ i:
Ni j V : (i, j ) E
W (weights) là tập hợp các trọng số 𝑊 = {𝑤𝑖𝑗 ∈ 𝑅+ }(𝑖,𝑗)∈𝐸
19
• Lý thuyết đồ thị
1
Lý thuyết đồ thị ứng dụng trong điều khiển nhóm các hệ MAS
2 0 1 0 1 2 0 0 0
1 1.5
1 0 1.5 2 0 4.5 0 0
A D
0 1.5 0 0.5 0 0 2 0
0.5
1 2 0.5 0 0 0 0 3.5
Đồ thị vô hướng
Ma trận Laplace (Laplacian matrix) L: L= D - A
Hệ TBKNL bậc nhất gồm N đối tượng, động lực của mỗi đối Sự đồng thuận là tìm
tượng được mô hình hóa: ra một giao thức
điều khiển đảm bảo
xi (t ) ui (t ) i 1,2,3,..., N (2.1)
rằng mỗi TBKNL cập
Giao thức đồng thuận:ui (t ) w x (t ) x (t )
jNi
ij j i
nhật trạng thái của
nó dựa trên thông tin
từ bản thân đối
xi (t ) ui (t ) w ij x j (t ) xi (t ) (2.2) tượng và các TBKNL
jNi lân cận; trạng thái
cuối cùng hội tụ về
x(t ) Lx(t ) (2.3)
một giá trị không đổi.
19
• Lý thuyết đồ thị trong thuật toán đồng thuận
2
(2.4)
1
x(t ) x1 x2 ... xn
n
x(t ) Lx(t ) x(t ) ker( L) im 1n
xi (t ) x i 1,2,3..., N
19
• Kỹ thuật điều khiển nhóm
3
𝒑𝒊 ∈ 𝑹𝒅 - Vị trí trong của đối tượng i trong không gian d chiều (d=2,3)
𝒑 𝒕 = 𝒗𝒆𝒄 𝒑𝟏 , … . , 𝒑𝒏 - Đội hình tại thời điểm t ≥ 0
19
• Kỹ thuật điều khiển nhóm
3
• Điều khiển nhóm dựa trên sự chuyển vị
(Displacement-based Formation Control)
pi (t ) w ij
jNi
i
p (t ) p j
(t ) i j
p *
p *
(2.5)
Hệ quy chiếu
p t p *
toàn cục
Trong đó,
p p p j pi p j pi
2 2
* *
w ij j i
(2.8)
Hệ quy chiếu
toàn cục
-w , j N
ij i
Hệ quy chiếu địa
R w ij , i j phương của đối
tượng i
jNi
0, j Ni
19
• Kỹ thuật điều khiển nhóm
3
Hệ TBKNL bậc hai gồm N đối tượng, động lực của mỗi đối Mô hình toán của
tượng được mô hình hóa: Quadrotor-UAV
pi (t ) vi (t )
(Chuyên đề 1)
vi (t ) ui (t ) (2.10)
Giao thức đồng thuận: VE
m
1 E
T G E Fd
(1.10)
vi (t ) ui (t ) w ij
jNi
p (t ) p (t ) v (t ) v (t )
j i v j i RBET B G E Fd
1
m
(2.11)
19
• Kỹ thuật điều khiển nhóm
3
• Ví dụ bài toán điều khiển nhóm dựa trên khoảng cách
• UAVs thực lân cận (actual neighbors)
• 𝑁𝑖𝑎 𝑡 = 𝑗 ∈ 𝑉: 𝑝𝑗 − 𝑝𝑖 ≤ 𝑅𝑐 , 𝑖 ≠ 𝑗 ,
Điều khiển đội hình MAS với • UAVs ảo lân cận (virtual neighbors)
nhiệm vụ: • 𝑁𝑖𝑣 𝑡 = 𝑘 ∈ 𝑉𝑜 : 𝑝𝑖𝑘 − 𝑝𝑖 ≤ 𝑟𝑜 , 𝑉𝑜 = 1, 2, … 𝐾 ,
• Véc tơ đầu vào điều khiển ui cho UAV thứ i:
Phát hiện – tránh va
ui fi f fi o fi n
chạm vật cản
Theo dõi – giám sát mục • Hàm điều khiển nhóm:
tiêu fi f c1a jN a pik pi n c2a jN aij p v j vi
Thiết lập và duy trì đội
a ij a
i i
fi n c1 pi pt c2 ( p N i
pt )
i
a
[1] Hai T. Do, Linh H. Truong, Minh T. Nguyen, Chen-Fu Chien, Hoang T. Tran, Hoang T. Hua, Cuong V. Nguyen, Hoa T. T. Nguyen, Nga T. T.
Nguyen, "Energy-Efficient Unmanned Aerial Vehicle (UAV) Surveillance Utilizing Artificial Intelligence (AI)", Wireless Communications and Mobile
Computing, vol. 2021, Article ID 8615367, 11 pages, 2021.
[2] Do H.T., Hua H.T., Nguyen H.T.T., Nguyen M.T., Tran H.T. (2022) Cooperative Tracking Framework for Multiple Unmanned Aerial Vehicles (UAVs).
Advances in Engineering Research and Application. ICERA 2021. Lecture Notes in Networks and Systems, vol 366. Springer, Cham.
• Kỹ thuật điều khiển nhóm
3
• Ví dụ bài toán điều khiển nhóm dựa trên khoảng cách
Bài toán điều khiển nhóm dựa trên khoảng cách thì vị trí ban đầu của các
đối tượng ảnh hưởng nhiều việc hội tụ về đội hình mong muốn, vấn đề điểm
cân bằng không mong muốn.
REPFERENCES
HONG, Seong-Woo; SHIN, Shang-Woon; AHN, Doo-Sung. "Formation control based on artificial intelligence for multi-agent coordinationv" IEEE International Symposium on
Industrial Electronics Proceedings (Cat. No. 01TH8570) pp 429-434, (2001).
AYKIN, Can; KNOPP, Martin; DIEPOLD, Klaus. "Deep Reinforcement Learning for Formation Control," 2018 27th IEEE International Symposium on Robot and Human Interactive
Communication (RO-MAN).p. 1-5.(2018).
LIU, Qishuai; HUI, Qing. "The formation control of mobile autonomous multi-agent systems using deep reinforcement learning" 2019 IEEE International Systems Conference
(SysCon). pp 1-8, (2019)
Zhao, Yijing, Zheng Zheng, and Yang Liu. "Survey on computational-intelligence-based UAV path planning." Knowledge-Based Systems 158,pp 54-64 (2018).
O. K. Sahingoz, "Flyable path planning for a multi-UAV system with Genetic Algorithms and Bezier curves," 2013 International Conference on Unmanned Aircraft Systems
(ICUAS), Atlanta, GA, USA, pp. 41-48 (2013)
O. Souissi, R. Benatitallah, D. Duvivier, A. Artiba, N. Belanger and P. Feyzeau, "Path planning: A 2013 survey," Proceedings of 2013 International Conference on Industrial
Engineering and Systems Management (IESM), Agdal, Morocco, pp. 1-8, (2013).
Challita, Ursula, Walid Saad, and Christian Bettstetter. "Cellular-connected UAVs over 5G: Deep reinforcement learning for interference management." arXiv preprint
arXiv:1801.05500 (2018).
Chen, Mingzhe, Walid Saad, and Changchuan Yin. "Echo state learning for wireless virtual reality resource allocation in UAV-enabled LTE-U networks." 2018 IEEE International
Conference on Communications (ICC). pp.1-6, (2018).
Chen, Mingzhe, Walid Saad, and Changchuan Yin. "Liquid state machine learning for resource allocation in a network of cache-enabled LTE-U UAVs." GLOBECOM 2017-2017
IEEE Global Communications Conference. pp.1-6, (2017).
Arsénio, Artur, et al. "Internet of intelligent things: Bringing artificial intelligence into things and communication networks." Inter-cooperative collective intelligence: Techniques and
applications. Springer, Berlin, Heidelberg, pp. 1-37. (2014).
D. Kinaneva, G. Hristov, J. Raychev and P. Zahariev, "Early Forest Fire Detection Using Drones and Artificial Intelligence," 2019 42nd International Convention on Information and
Communication Technology, Electronics and Microelectronics (MIPRO), Opatija, Croatia, pp. 1060-1065, (2019).
Y. M. Park, M. Lee and C. S. Hong, "Multi-UAVs Collaboration System based on Machine Learning for Throughput Maximization," 2019 20th Asia-Pacific Network Operations and
Management Symposium (APNOMS), Matsue, Japan, pp. 1-4, (2019).
Chunyu, J.; Qu, Z.; Pollak, E.; Falash, M. A New Multi-objective Control Design for Autonomous Vehicles. In Optimization and Cooperative Control Strategies; Hirsch, M.J.,
Commander, C.W., Pardalos, P.M., Murphey, R., Eds.; Springer: Berlin/Heidelberg, Germany, pp. 81–102; ISBN 978-3-540-88063-9, (2009).
Lawton, Jonathan RT, Randal W. Beard, and Brett J. Young. "A decentralized approach to formation maneuvers." IEEE transactions on robotics and automation 19.6,pp. 933-941
(2003).
Ren, Wei, and Randal W. Beard. "Decentralized scheme for spacecraft formation flying via the virtual structure approach." Journal of Guidance, Control, and Dynamics 27.1,pp.73-
82, (2004).
Carrio, Adrian, et al. "A review of deep learning methods and applications for unmanned aerial vehicles." Journal of Sensors 2017 (2017).
Bithas, Petros S., et al. "A survey on machine-learning techniques for UAV-based communications." Sensors 19.23, 5170 (2019).
Goodfellow, Ian, et al. Deep learning. Vol. 1. No. 2. Cambridge: MIT press, (2016).
Alsamhi, Saeed H., Ou Ma, and Mohd Samar Ansari. "Survey on artificial intelligence based techniques for emerging robotic communication." Telecommunication Systems
72.3,pp.483-503 (2019).
Li, Howard, Simon X. Yang, and Mae L. Seto. "Neural-network-based path planning for a multirobot system with moving obstacles." IEEE Transactions on Systems, Man, and
Cybernetics, Part C (Applications and Reviews) 39.4, pp.410-419, (2009)
Shibata, Katsunari. "Communications that emerge through reinforcement learning using a (recurrent) neural network." arXiv preprint arXiv:1703.03543 (2017).
Sharma, Vishal, Roberto Sabatini, and Subramanian Ramasamy. "UAVs assisted delay optimization in heterogeneous wireless networks." IEEE Communications Letters 20.12,
pp.2526-2529. (2016)
Challita, Ursula, et al. "Machine learning for wireless connectivity and security of cellular-connected UAVs." IEEE Wireless Communications 26.1 pp.28-35 (2019).
Doriya, Rajesh, Siddharth Mishra, and Swati Gupta. "A brief survey and analysis of multi-robot communication and coordination." International Conference on Computing,
Communication & Automation. pp 1014-1021. (2015).
Min, Byung-Cheol, et al. "Finding the optimal location and allocation of relay robots for building a rapid end-to-end wireless communication." Ad Hoc Networks 39,pp 23-44, (2016).
Akat, Salih Burak, Veysel Gazi, and Lino Marques. "Asynchronous particle swarm optimization-based search with a multi-robot system: simulation and implementation on a real
robotic system." Turkish Journal of Electrical Engineering & Computer Sciences 18.5 pp.749-764 (2010).
Challita, Ursula, Walid Saad, and Christian Bettstetter. "Cellular-connected UAVs over 5G: Deep reinforcement learning for interference management." arXiv preprint
arXiv:1801.05500 (2018).
Arsénio, Artur, et al. "Internet of intelligent things: Bringing artificial intelligence into things and communication networks." Inter-cooperative collective intelligence: Techniques and
applications. Springer, Berlin, Heidelberg, pp. 1-37. (2014).
26