Controle de formação de vants utilizando esquema
Transcrição
Controle de formação de vants utilizando esquema
XII Simpósio Brasileiro de Automação Inteligente (SBAI) Natal – RN, 25 a 28 de outubro de 2015 CONTROLE DE FORMAÇÃO DE VANTS UTILIZANDO ESQUEMA MULTI-CAMADAS E A TRIANGULAÇÃO DE DELAUNAY Alexandre Santos Brandão∗, Gabriel Viana Pacheco∗, João Paulo Amorim Barbosa∗, Mario Sarcinelli-Filho† ∗ † Núcleo de Especialização em Robótica, Departamento de Engenharia Elétrica Universidade Federal de Viçosa, Viçosa, MG, Brasil Programa de Pós-graduação em Engenharia Elétrica, Departamento de Engenharia Elétrica Universidade Federal do Espı́rito Santo, Vitória, ES, Brasil Emails: [email protected], [email protected], [email protected], [email protected] Abstract— This work presents a strategy to guide a formation of multiple unmanned aerial vehicles (MUAV) to accomplish positioning and trajectory-tracking tasks. Delaunay triangulation is here used to split the platoon of UAVs in N -triangles, which are individually guided by the multi-layer control scheme (MLCS). The advantage of this proposal is to reduce the possibility of intra-formation collision, since there is no intersection between the line segments composing the sides of the N -triangles. The advantage of the MLCS is to maintain the order of the Jacobian matrix constant, regardless of the number of robots in the formation, which reduces the complexity of the control problem. Before sending the control signals to each robot, they are weighted according to the number of triangles to which a specific robot belongs. Simulation results demonstrate the ability to accomplish the aforementioned tasks, thus validating the proposal. Keywords— UAV cooperation, Delaunay triangulation, Multi-Layer Control Scheme. Resumo— Este trabalho apresenta uma estratégia para guiar uma formação de múltiplos veı́culos aéreos não tripulados (MVANTs) em missões de posicionamento e rastreamento de trajetória. A triangulação de Delaunay é usada para dividir o pelotão de VANTs em N -triângulos, que são individualmente guiados pelo esquema de controle multi-camadas (ECMC). A vantagem dessa proposta é reduzir a possibilidade de colisão intra-formação, já que não há interseção entre os seguimentos de linha que compõem os lados dos N -triângulos. A vantagem do ECMC é manter a ordem da matriz Jacobiana constante, independente do número de robôs na formação, o que reduz a complexidade do problema de controle. Antes de enviar os sinais de controle para cada robô, eles são ponderados de acordo com o número de triângulos que cada robô especı́fico pertence. Resultados de simulações demonstram a habilidade de cumprir as missões antes mencionadas, validando a proposta. Palavras-chave— 1 Cooperação de VANTs, Triangulação de Delaunay, Esquema de Controle Multi-Camadas. Introdução deve cobrir uma grande área em um curto perı́odo de tempo (Mercado et al., 2013); uma equipe de VANTs equipada com garras deve segurar, transportar e montar elementos estruturais (Lindsey et al., 2012); a manutenção de infraestrutura; a observação de riscos naturais (Rezaee and Abdollahi, 2011); a inspeção em aplicações de segurança pública (Maza et al., 2010) e assim por diante. Em todos esses casos, o desafio é solucionar o problema de controle de uma formação de múltiplos VANTs, objetivando o cumprimento das missões programadas de maneira eficiente, em termos de custo, tempo de execução, consumo de energia, entre outros. Existem muitas maneiras de abordar um mesmo problema de controle de formação. Apesar disso, a maioria deles podem ser incluı́dos em pelo menos uma das seguintes formações estruturais: lı́der-seguidor, estrutura virtual ou navegação comportamental (Yang et al., 2012a). Na estratégia lı́der-seguidor um agente denominado lı́der é responsável por guiar os outros membros da formação, denominados seguidores. Na estrutura virtual, toda a formação é descrita por um único corpo rı́gido que pode executar movimentos de rotação e translação no espaço 3D. Quando os robôs devem seguir um conjunto de missões predefinidas A pesquisa em controle de formação de múltiplos veı́culos aéreos não tripulados (MVANTs) tem recebido grande atenção da comunidade de pesquisa em robótica. Tal interesse deriva de uma grande aplicabilidade de pelotões de VANTs em aplicações tanto militares quanto civis, com menor custo e maior eficiência, quando comparados com o uso de um único robô especializado para cumprir a mesma tarefa. Como exemplo da aplicabilidade, em (Caraballo et al., 2014) foi proposta uma estratégia correspondente a dividir uma área em blocos para ser monitorada por um grupo de VANTs, sendo que cada VANT é responsável por cobrir um bloco. Um segundo exemplo é o cumprimento de uma tarefa de transporte de carga, onde uma equipe de VANTs deve mover um objeto, cujas dimensões tornam impossı́vel o seu transporte por um único robô (Mellinger et al., 2013). Outros exemplos são uma missão de rastreamento de alvo, no qual um grupo de VANTs deve seguir múltiplos alvos móveis (Capitan et al., 2014; Zhu et al., 2013); uma missão de vigilância e cobertura de grandes áreas (Zheng-Jei and Wei, 2013); uma operação de busca e resgate, em que um pelotão 1310 XII Simpósio Brasileiro de Automação Inteligente (SBAI) (selecionadas de acordo com o cenário atual) para compor a missão global a ser cumprida, a estratégia comportamental é adotada. Uma estratégia comportamental é adotada e simulada em (Saif et al., 2014), onde o objetivo é agrupar múltiplos VANTs de forma a evitar colisões internas ao pelotão baseando-se no deslocamento de um grupo de aves durante o voo. Alguns trabalhos na literatura adotam a estratégia lı́der-seguidor, principalmente para guiar uma formação objetivando uma tarefa de desvio de obstáculo (Luo et al., 2013; Shi and Yang, 2013), ou simplesmente para conduzir uma formação durante uma missão de seguimento de trajetória (Mercado et al., 2013). Em relação a estratégia de estrutura virtual, em (Mas and Kitts, 2010) pode ser encontrado o conceito de Cluster Space. Nesse caso, o deslocamento da formação depende das caracterı́sticas das variáveis do Cluster Space, tais como posição, orientação e forma. Por sua vez, os autores em (Yang et al., 2012b) e (Yang et al., 2012a) também apresentam uma estratégia de controle adequada para guiar uma equipe de VANTs conforme uma estrutura virtual. Em nossos trabalhos passados (Brandão et al., 2014) nós apresentamos uma estratégia de controle para guiar uma formação triangular de três VANTs, baseada em uma estrutura virtual, utilizando o Esquema de Controle Multi-Camadas (ECMS), introduzido em (Rampinelli et al., 2009). Nesse contexto, o presente trabalho estende essa estratégia para formações de N -VANTs, utilizando um algoritmo de ordenação para obter a configuração ótima para a formação de N -VANTs, que busca pelas menores distâncias entre as posições iniciais dos VANTs e os vértices desejados da figura geométrica que descreve a formação. O algoritmo de triangulação de Delaunay é adotado para separar a formação em uma configuração de triângulos, objetivando reduzir a complexidade do problema de controle. Este trabalho é doravante dividido nas seguintes seções: Seção 2 descreve o ECMC adotado para guiar três VANTs no cumprimento de missões no espaço 3-D Cartesiano, em conjunto com o algoritmo de otimização e a triangulação de Delaunay para definir os melhores triângulos a serem adotados; Seção 3 apresenta resultados de simulação que validam o esquema de controle e algumas discussões sobre os resultados; e, finalmente, Seção 4, destaca algumas conclusões sobre o trabalho. 2 para a formação de um único triângulo de robôs terrestres, e então generalizada em (Rampinelli et al., 2010; Brandão et al., 2015) para uma configuração de N -robôs. Em (Brandão et al., 2014), o conceito de ECMC é expandido para guiar uma formação triangular de VANTs, cujo destaque é a realização de tarefas no espaço Cartesiano 3-D. No presente trabalho, o objetivo é generalizar a estratégia de controle de formação para uma configuração de N -robôs, em vez de uma única formação triangular. O esquema de controle multi-camadas é composto por um grupo de módulos independentes, cada um tratando de uma parte especı́fica do controle de formação (brevemente explicado na sequência). Contudo, nosso foco é na Camada Planejador Off-Line, que é responsável por configurar as posições iniciais dos VANTs, por gerar as referências, e principalmente, por estabelecer uma formação estrutural desejada, como mostrado nas próximas duas subseções. A Camada de Controle de formação é responsável por gerar os sinais de controle a serem enviados para cada robô na formação, de forma a guiá-los para atingir suas posições desejadas. A camada de formação de robôs representa os próprios VANTs, suas caracterı́sticas cinemáticas e dinâmicas e também suas estratégias de navegação individuais. Por fim, a Camada de Ambiente é incluı́da para representar a interação entre o ambiente e os robôs a partir da informação sensorial. A principal vantagem do ECMC é sua independência entre camadas e módulos, no sentido horizontal e vertical (Brandão et al., 2015). Em outras palavras, o ECMC pode trabalhar excluindo algumas camadas, por exemplo, a Camada Planejador Off-Line pode ser eliminada, se uma navegação reativa é considerada. Cada formação triangular é descrita pelas variáveis de estado mostradas na Figura 1. A postura da formação é definida por PF = [xF yF zF φF θF ψF ]T e a forma de cada estrutura triangular é definida por SF = [pF qF βF ]T , O esquema de controle multi-camadas Esta seção apresenta uma estratégia centralizada para guiar múltiplos VANTs para cumprir uma missão cooperativa. Essa estratégia, denominada Esquema de Controle Multi-Camadas (ECMC), primeiramente introduzida em (Rampinelli et al., 2009), foi proposta em (Brandão et al., 2009) Figura 1: Formação triangular de VANTs e suas variáveis de estado. 1311 XII Simpósio Brasileiro de Automação Inteligente (SBAI) que representa a distância kR1 − R2 k, kR1 − R3 k, c1 R3 , respectivamente. É válido e o ângulo R2 R mencionar que (xF , yF , zF ) são as coordenadas do centroide da formação. A relação entre essas variáveis é apresentada em (Brandão et al., 2014). 2.1 Estabelecendo a configuração inicial ótima A Camada Planejador Off-Line é responsável por atribuir a posição desejada de cada robô na formação ou mesmo a posição e a forma de toda a formação, considerando as posições iniciais dos robôs e a tarefa a ser cumprida por eles. Essa atribuição é muito importante devido à possibilidade de colisões internas à formação durante a transição dos robôs antes de atingirem suas posições desejadas na formação (principalmente para grandes formas 3-D de pelotões). Para minimizar o risco de colisão interna durante o estabelecimento da formação, essa subseção propõe uma estratégia para reorganizar a sequência dos robôs baseando-se na posição desejada. Neste caso, o usuário somente precisa determinar a forma 3-D da formação, os robôs usados para configurar a formação podem ser dispostos aleatoriamente e o algoritmo proposto vai buscar a configuração ótima. Neste trabalho, uma configuração ótima é aquela que não tem interseções entre segmentos de linha reta unindo as posições atuais e desejadas dos robôs na vista superior (plano XY ). Na Figura 2(a) a configuração inicial não apresenta nenhuma interseção, em contraste com a configuração apresentada na Figura 2(b). No último caso, os ı́ndices dos robôs R1 e R3 devem ser alterados (consequentemente suas posições desejadas também mudarão) para retornar ao primeiro caso. Portanto, o objetivo é evitar interseções considerando linhas conectando as posição atuais dos robôs e as desejadas. O Algoritmo 1 apresenta a implementação para estabelecer a configuração ótima inicial. Um exemplo do funcionamento do algoritmo é exibido na Figura 3. No esquema apresentado é proposta uma situação em que três robôs colineares 1, 2 e 3 devem formar de um triângulo retângulo. Inicialmente cada robô é associado a (a) Sem interseção. Figura 3: Rearranjando uma formação triangular colinear para um triângulo retângulo. posição desejada pela sequência 1-a, 2-b e 3-c. Na primeira iteração do algoritmo, o robô 1 permanece associado a posição a. Na sequência, o robô 2 é associado a posição a, ao passo que o robô 1 assume a posição b. Por fim, o robô 3 é associado a posição a, quando o robô 2 seja associado a posição c. Realizada esta sequência de iterações, as posições de destino dos agentes são reordenadas de acordo com a nova posição desejada. Outro exemplo do do funcionamento do algoritmo pode ser encontrado no link https:// youtu.be/Twg74ij5Klo. Nesse vı́deo, é dada uma formação composta por quatro robôs e o algoritmo proposto otimiza a configuração inicial. É importante mencionar que a abordagem reduz tanto as colisões internas à formação como o consumo de energia ao montar a formação desejada, uma vez que a menor distância coletiva para atingir a formação desejada é considerada. Algoritmo 1 Estabelecendo a configuração ótima inicial. N ← número de robôs X ← todas posições atuais dos robôs Xd ← todas posições desejadas dos robôs E←1 while E 6= 0 do E←0 for i = 1 : N − 1 do for j = i + 1 : N do Calcular as distâncias entre as posições atuais e desejadas Di ← kXdi − Xi k Dj ← kXdj − Xj k if Di > Dj then Mudar os ı́ndices i e j dos robôs Xt ← Xdi Xdi ← Xdj Xdj ← Xt E ←E+1 end if end for end for end while (b) Com interseção. Figura 2: Configuração inicial de uma formação de múltiplos VANTs. 1312 XII Simpósio Brasileiro de Automação Inteligente (SBAI) 2.2 Definindo a formação N -triangular −5 −5 −3 −3 −1 −1 T X = 1 1 3 3 5 5 Após encontrar a configuração inicial ótima, é necessário dividir toda a formação em um conjunto de triângulos. A fim de evitar a ocorrência de triângulos concorrentes (sobreposição de dois ou mais triângulos) é aplicada a triangulação de Delaunay, considerando a posição desejada dos robôs. A Figura 4 destaca a diferença entre um grupo de triângulos criados a partir do ı́ndice do robô e um criado a partir da triangulação de Delaunay. No primeiro caso é possı́vel garantir que um robô pertencerá a no máximo três triângulos, enquanto no segundo caso o número de triângulos que um robô especı́fico pertence depende do processo de triangulação. Em termos de controle, os sinais de controle calculados e enviados para um robô serão ponderados considerando o número de triângulos. (a) Triangulação baseada no ı́ndice dos robôs. −4 −4 −4 −4 −4 −4 T Xd = 4 4 4 4 4 4 0 0 0 0 0 0 0 0 0 0 0 0 0 −2 2 −2 2 0 0 −2 2 −2 2 0 1 3 3 5 5 7 1 3 3 5 5 7 Calculando a menor distância coletiva entre a posição inicial e a posição desejada usando o Algoritmo 1, os ı́ndices dos robôs são trocados e a nova configuração de posições desejadas é: −4 −4 −4 −4 −4 −4 T Xd = 4 4 4 4 4 4 (b) Triangulação baseada no algoritmo de Delaunay. Figura 4: Decomposição do triângulo. 3 2 −2 1 −1 2 −2 2 −2 1 −1 2 −2 2 −2 0 0 2 −2 2 −2 0 0 2 −2 3 3 7 1 5 5 5 5 1 7 3 3 Assim, os ı́ndices das posições desejadas foram trocados da sequência 1 · · · 12 para [ 3 2 6 1 5 4 11 10 7 12 9 8 ]. A Tabela 1 mostra quais robôs compõem cada formação triangular. Como antes mencionado, isso é muito importante em termos de controle, pois os sinais de controle enviados para um robô são ponderados considerando o número de formações triangulares a que o robô pertence (conforme vı́nculo destacado na Tabela 2). A Figura 5 apresenta o caminho percorrido pelos robôs para montar a formação desejada. Note que não há colisão intra-formação durante Resultados e discussão Esta seção apresenta os resultados de simulação considerando a estratégia proposta durante uma missão de posicionamento. O objetivo principal é demonstrar a viabilidade da configuração ótima inicial para reduzir o risco de colisão interna à formação. O controlador aqui implementado para guiar cada formação triangular é apresentado em (Brandão et al., 2014) e o controlador aplicado para cada VANT (neste caso um quadrirrotor) é descrito em (Brandão et al., 2013). Primeiramente, para fins de validação da estratégia para um pequeno número de VANTs, é proposta uma formação de quatro VANTs formando um losango sobre o plano Y Z. Os resultados da simulação podem ser vistos no link https://youtu.be/Twg74ij5Klo. A fim de validar a estratégia para um grupo maior de VANTs é proposta a formação de um prisma cilı́ndrico no espaço cartesiano, em que doze robôs devem atingir cada vértice do prisma. O centro de massa da formação é localizado em (0, 0, 4) m e as duas bases hexagonais são dispostas à 4m do centro. Inicialmente, os robôs se localizam no plano XY e a posição cartesiana inicial e a posição desejada são: Tabela 1: Composição de cada triângulo pelos robôs. Triângulo #1 #2 #3 #4 #5 #6 #7 #8 #9 #10 #11 #12 #13 #14 1313 R2 R1 R6 R3 R4 R4 R4 R7 R9 R7 R7 R4 R12 R7 Robôs R6 R2 R4 R4 R5 R6 R7 R11 R8 R9 R4 R12 R8 R10 R3 R3 R3 R1 R1 R12 R5 R5 R10 R1 0 R9 R9 R9 R11 XII Simpósio Brasileiro de Automação Inteligente (SBAI) 4 Considerações Finais Tabela 2: Número de triângulos que cada robô pertence. Robôs Número R1 3 2 R2 R3 4 R4 7 R5 3 R6 3 5 R7 R8 2 R9 5 3 R10 R11 2 R12 3 Este trabalho apresenta uma estratégia para guiar uma formação de múltiplos veı́culos aéreos não tripulados (MUAVs) para cumprir tarefas de posicionamento e rastreamento de trajetória. Uma estratégia para rearranjar a configuração da formação inicial é proposta e implementada. Na sequência, a triangulação de Delaunay é usada para dividir o pelotão em N -triângulos, que são individualmente guiados pelo esquema de controle multi-camadas (ECMC). Os resultados de simulação validam a proposta destacando a redução das colisões internas à formação quando o método proposto é aplicado na Camada Planejador Off-Line. a navegação e que os robôs cumprem a missão de posicionamento e estabelecimento da formação. É importante ressaltar que nessa simulação não foi considerado o efeito da turbulência gerado pelas pás rotativas dos VANTs, que gera perturbações na dinâmica de um VANT, quando este sobrevoa abaixo de outro. Além disso, este trabalho demonstra a vantagem do ECMC no controle de N -robôs. Admitindo que um robô pertence a muitos triângulos, seu sinal de controle é ponderado de acordo com o número de triângulos que o robô pertence, considerando os sinais de controle gerados pelos controladores associados a esses triângulos. Logo, essa estratégia pode ser considerada um tipo de fusão de sinais de controle, referente à toda a formação. A fim de demonstrar a relevância e a importância do rearranjo da formação antes de iniciar a navegação, a Figura 6 mostra o caminho percorrido pelo pelotão se o algoritmo proposto na Seção 2 não é levado em consideração. Nota-se que ocorrem algumas colisões internas à formação durante o cumprimento da tarefa. Além disso, o caminho percorrido pela formação é maior que o mostrado na Figura 5. Portanto, o consumo de energia da formação, nesse caso, também é maior, justificando a implementação de um rearranjo da configuração antes de executar uma missão de voo. Todas as etapas da estratégia proposta podem ser acompanhadas em https://youtu.be/ 9rfNEdubHwM. Os próximos passos nessa pesquisa serão a execução de uma missão de seguimento de trajetória, considerando a navegação do centro de massa do pelotão, e consequentemente o deslocamento de todos os robôs. Uma etapa adicional seria incorporar uma estratégia de desvio de obstáculo, capaz de guiar de maneira segura toda a formação em um ambiente semiestruturado. Além disso, um módulo de compensação dinâmica adaptativa poderia ser adicionado a fim de reduzir os erros de formação, melhorando a performance do sistema. Finalmente, os futuros trabalhos estão direcionados à escalabilidade do esquema proposto no intuito de controlar um grupo de N -robôs, com diferentes configurações de formação. Figura 5: Formação de um prisma hexagonal com Planejador Offline. Figura 6: Formação em prisma sem realizar o rearranjo prévio da configuração. 1314 XII Simpósio Brasileiro de Automação Inteligente (SBAI) Agradecimentos Maza, I., Caballero, F., Capitán, J., de Dios, J. M. and Ollero, A. (2010). Experimental results in multiuav coordination for disaster management and civil security applications, Journal of Intelligent and Robotic Systems 64(1-4): 563–585. Mellinger, D., Shomin, M., Michael, N. and Kumar, V. (2013). Cooperative grasping and transport using multiple quadrotors, Distributed Autonomous Robotic Systems, Vol. 83 of Springer Tracts in Advanced Robotics, Springer Berlin Heidelberg, pp. 545–558. Mercado, D. A., Castro, R. and Lozano, R. (2013). Quadrotors flight formation control using a leader-follower approach, Proceedings of the 2103 European Control Conference (ECC), Zurich, Switzerland, pp. 3858–3863. Rampinelli, V. T. L., Brandão, A. S., Martins, F. N., Sarcinelli-Fillho, M. and Carelli, R. (2010). Embedding obstacle avoidance in the control of a flexible multi-robot formation, Proceedings of the IEEE Internation Symposium on Industrial Electronics, IEEE, Bari, Italy. Rampinelli, V. T. L., Brandão, A. S., Martins, F. N., Sarcinelli-Filho, M. and Carelli, R. (2009). A multi-layer control scheme for multi-robot formations with obstacle avoidance, Proceedings of the 14th International Conference on Advanced Robotics, ICAR’09, IEEE, Munich, Germany. Rezaee, H. and Abdollahi, F. (2011). A synchronization strategy for three dimensional decentralized formation control of unmanned aircrafts, Proceedings of the 37th Annual Conference on IEEE Industrial Electronics Society (IECON 2011), Melbourne, Australia, pp. 462–467. Saif, O., Fantoni, I. and Zavala-Rı́o, A. (2014). Flocking of multiple unmanned aerial vehicles by lqr control, Proceedings of the 2014 Internation Conference on Unmanned Aerial Systems, IEEE, Orlando, FL, USA. Shi, X. and Yang, J. (2013). Design of formation flight control based on virtual body frame of the team formation, Proceedings of the 25th Chinese Control and Decision Conference (CCDC), Guiyang, China, pp. 796–800. Yang, A., Naeem, W., Irwin, G. W. and Li, K. (2012a). A decentralized control strategy for formation flight of unmanned aerial vehicles, Proceedings of the UKACC International Conference on Control, Cardiff, UK, pp. 345–350. Yang, A., Naeem, W., Irwin, G. W. and Li, K. (2012b). Novel decentralized formation control for unmanned vehicles, Proceedings of the 2012 Intelligent Vehicles Symposium, Alcalá de Henares, Spain, pp. 13–18. Zheng-Jei, W. and Wei, L. (2013). A solution to cooperative area coverage surveillance for a swarm of muavs, Internation Journal of Advanced Robotic Systems 10(398): 1–8. Zhu, S., Wang, D. and Low, C. B. (2013). Cooperative control of multiple uavs for moving source seeking, Proceedings of the 2013 Internation Conference on Unmanned Aircraft Systems (ICUAS), Atlanta, GA, USA, pp. 193–202. Os autores agradecem ao CNPq e à FAPES, pelo apoio financeiro ao projeto. Eles também agradecem ao Instituto Federal do Espı́rito Santo, à Universidade Federal de Viçosa e à Universidade Federal do Espı́rito Santo, respectivamente, pelo suporte para participação neste trabalho de pesquisa. Dr. Brandão também agradece à FAPEMIG e à FUNARBE pelo apoio financeiro concedido a este trabalho. Referências Brandão, A. S., Rampinelli, V. T. L., Martins, F. N., Sarcinelli-Filho, M. and Carelli, R. (2015). The multilayer control scheme: A strategy to guide n-robots formations with obstacle avoidance, J. of Control, Automation and Electrical Systems 26(3): 201–214. Brandão, A. S., Martins, F. N., Rampinelli, V. T. L., Sarcinelli-Filho, M., Bastos-Filho, T. F. and Carelli, R. (2009). A multi-layer control scheme for multi-robot formations with adaptative dynamic compensation, Proc. of the 5th IEEE International Conference on Mechatronics, IEEE, Málaga, Spain. Brandão, A. S., Sarcinelli-Filho, M. and Carelli, R. (2013). High-level underactuated nonlinear control for rotorcraft machines, Proceedings of the IEEE International Conference on Mechatronics, IEEE, Vicenza, Itália. Brandão, A. S., Barbosa, J. P. A., Mendoza, V., Sarcinelli-Filho, M. and Carelli, R. (2014). A multi-layer control scheme for a centralized uav formation, Proceedings of the 2014 Internation Conference on Unmanned Aerial Systems, IEEE, Orlando, FL, USA. Capitan, J., Merino, L. and Ollero, A. (2014). Decentralized cooperation of multiple uas for multitarget surveillance under uncertainties, Proc. of the 2014 Internation Conference on Unmanned Aerial Systems, IEEE, Orlando, FL, USA. Caraballo, L., Acevedo, J., Dı́az-Báñez, J., Arrue, B., Maza, I. and Ollero, A. (2014). The block-sharing strategy for area monitoring missions using a decentralized multi-uav system, Proceedings of the 2014 Internation Conference on Unmanned Aerial Systems, IEEE, Orlando, FL, USA. Lindsey, Q., Mellinger, D. and Kumar, V. (2012). Construction with quadrotor teams, Autonomous Robots 33(3): 323–336. Luo, D., Zhou, T. and Wu, S. (2013). Obstacle avoidance and formation regrouping strategy and control for uav formation flight, Proceedings of the 10th IEEE International Conference on Control and Automation (ICCA), Hangzhou, China, pp. 1921–1926. Mas, I. and Kitts, C. (2010). Centralized and decentralized multi-robot control methods using the cluster space control framework, Proceedings of the 2010 IEEE/ASME International Conference on Advanced Intelligent Mechatronics, Montreal, Canada, pp. 115–122. 1315
Documentos relacionados
Sobre o controle de robos heterogêneos em formação
Com o crescimento da pesquisa voltada para veı́culos autônomos de todos os tipos, aumentou-se também a pesquisa em controle de formação e cooperação em diversas áreas. Este trabalho trata do...
Leia mais