Запечатлевая движение,
Создавая истории

Обзор

Как стая автономных летательных аппаратов способна окружать несколько движущихся целей в загромождённой среде при отсутствии прямой связи между машинами? Команда под руководством Хан Чжоу из Национального университета обороны решила данную задачу в научной работе по плотностным вероятностным графовым моделям для адаптивного многоцелевого окружения роя автономных воздушных судов, опубликованной в журнале IEEE RA-L. В исследовании предложена плотностная вероятностная графовая модель (DB-PGM), которая преобразует локальную пространственную плотность в адаптивные действия роя. При натурных испытаниях система оптического захвата движения NOKOV фиксировала координаты аппаратов Crazyflie с частотой 90 Гц для работы контроллера в замкнутом контуре ROS-Simulink. При возникновении неисправности у аппарата AAV R7 на 43,8 секунде оставшиеся машины продолжали выполнение задачи и успешно окружили обе цели к 68,9 секунде, что подтвердило работоспособность подхода к адаптивному многоцелевому окружению с устойчивостью к сбоям.

Почему многоцелевое окружение представляет сложную задачу управления?

Задача сочетает в себе преследование, предотвращение столкновений, адаптацию формации и непрерывность выполнения задания. Методы искусственного потенциального поля эффективны для простых геометрических конфигураций, но сталкиваются с ограничениями, когда требуемый периметр имеет сложную форму. Алгоритмы формирования структур способны адаптироваться, однако часто опираются на заранее заданные построения или сложные математические функции. Подходы на основе обучения с подкреплением повышают гибкость системы, но увеличение числа аппаратов значительно расширяет пространство поиска и повышает затраты на обучение и конструирование функции вознаграждения. Эти ограничения проявляются особенно ярко при изменении взаимного расположения целей или появлении препятствий, разделяющих доступные маршруты.

Как DB-PGM принимает распределённое решение?

Каждый окружающий аппарат поддерживает направленный граф восприятия и принятия решений, содержащий узел управления и узлы обработки данных о плотности соседних аппаратов, угрозах столкновений и скоплениях целей. Локальные измерения обновляют вероятностные параметры. После этого апостериорный максимум выбирает дискретную величину и вектор ускорения. Благодаря локальному и распределённому характеру принятия решений рой способен разбиваться на кластеры, корректировать периметр и реагировать на изменение конфигурации целей без привязки к заранее подготовленному шаблону формации. На этапе натурных испытаний система NOKOV передаёт данные о положении аппаратов с частотой 90 Гц, что позволяет синхронно оценивать состояние алгоритма DB-PGM и реальное движение роботов Crazyflie в рамках единого замкнутого контура управления. Аналогичный распределённый процесс принятия решений тестируется на устойчивость к отказам при выполнении многоагентного окружения в условиях потери одного аппарата.

Рисунок 1. Контур восприятия и принятия решений DB-PGM и экспериментальная архитектура с поддержкой системы захвата движения

Что измерялось в натурном эксперименте?

Для натурных испытаний использовалось до десяти квадрокоптеров Crazyflie в арене размером 5,5 м на 10 м, оборудованной шестью хаотичными препятствиями. Система оптического захвата движения NOKOV фиксировала координаты аппаратов с частотой 90 Гц. Полученные данные поступали в контроллер замкнутого контура ROS-Simulink, а модули Crazyradio передавали команды на борт машин. Данный канал измерений обеспечивает систему управления актуальным состоянием положения с точной привязкой ко времени и предоставляет исследователям общую точку отсчёта для анализа траекторий, изменения формации и восстановления после аварийных ситуаций.

Что произошло после отказа одного аппарата?

Эксперимент включал проверку сценария частичного отказа. Система NOKOV записала данные о положении аппаратов в период вокруг инцидента, что обеспечило возможность сравнить координаты до и после аварии. На 43,8 секунде у аппарата AAV R7 произошёл сбой, вызвавший его падение. Оставшиеся роботы продолжили корректировку позиций и успешно окружили обе цели к 68,9 секунде. Этот результат подтверждает заявленную непрерывность выполнения задачи и устойчивость к отказам в указанных условиях. Данные выводы относятся конкретно к проведённому опыту и не должны трактоваться как универсальная гарантия безопасности или идентичного поведения системы в любых открытых условиях.

Рисунок 2. Фиксация этапов натурного эксперимента: начальное состояние, сбой R7 на 43,8 с и успешное двухцелевое окружение на 68,9 с.

Что изучалось в компьютерном моделировании?

Моделирование в первую очередь оценивает работу алгоритма в меняющихся условиях; система NOKOV применяется на последующем этапе натурных испытаний для обеспечения контура управления данными о положении аппаратов Crazyflie с частотой 90 Гц. Пять серий компьютерных экспериментов рассмотрели окружение множества целей в загромождённой среде, адаптивную формацию без заранее заданных настроек, динамическую перестройку при изменении групп целей, устойчивость к шуму по сравнению с базовым эталоном взаимодействия через плотность и эффективность алгоритма при разных радиусах обнаружения и соотношениях скоростей. Комплекс этих тестов проверяет жизнеспособность локальных вероятностных решений при изменении геометрии пространства, условий работы датчиков и характера движения целей.

Почему роль измерительной системы NOKOV важна?

В натурном эксперименте с роем математическая оценка состояния алгоритма должна быть напрямую связана с фактическим движением роботов. Система NOKOV генерирует поток данных о положении в реальном времени, который использует контроллер и процедура анализа. Это позволяет точно фиксировать моменты отказов аппаратов, отслеживать изменения плотности роя после инцидента и проверять, соответствуют ли итоговые траектории поставленной задаче окружения. Общий вывод заключается в том, что адаптивное управление многими агентами требует наличия как математической модели принятия решений, так и надёжной физической системы контроля.

Какой опыт могут извлечь робототехнические команды из этого исследования?

Опубликованный материал демонстрирует путь от распределённого вероятностного вывода к реальному многоцелевому окружению. Исследование актуально для разработки систем совместного преследования, воздушной разведки, поисково-спасательных операций и других задач с участием множества агентов, где использование централизованных скриптов формации неэффективно. Авторы выделяют активное исследование среды, обход неструктурированных препятствий, ретрансляцию данных восприятия и сквозную верификацию сенсорных цепочек в качестве перспективных направлений, тем самым определяя текущие границы доказательной базы.

Часто задаваемые вопросы

Вопрос 1: Требует ли DB-PGM заранее заданную формацию?

Ответ: Нет. Каждый аппарат адаптируется исходя из локальной плотности и вероятностного вывода.

Вопрос 2: Требуется ли явная связь между аппаратами?

Ответ: Предложенный процесс принятия решений опирается на локальное восприятие и не требует явной связи в реальном времени между аппаратами в процессе окружения.

Вопрос 3: Почему в данном исследовании используется оптический захват движения NOKOV?

Ответ: Контроллер замкнутого контура нуждается в состоянии положения с высокой точностью по времени, а сам эксперимент требует общей эталонной базы для подтверждения корректности физического движения роботов.

Вопрос 4: Что именно предоставила система NOKOV для этого исследования?

Ответ: Обеспечение отслеживания положения в реальном времени с частотой 90 Гц для аппаратов Crazyflie в рамках контура управления ROS-Simulink.

Вопрос 5: Каков прямой результат по устойчивости к отказам?

Ответ: После отказа аппарата R7 на отметке 43,8 с оставшиеся машины успешно окружили обе цели к отметке 68,9 с.

Источники

Huang, Yixin, et al. Density-Based Probabilistic Graphical Models for Adaptive Multi-Target Encirclement of AAV Swarm. IEEE Robotics and Automation Letters 10.8 (2025): 8228-8235.