Интеллектуальная система управления групповым поведением беспилотных транспортных средств тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Чжу Юйцин

• Чжу Юйцин
• кандидат наук
• 2025

Оглавление диссертации кандидат наук Чжу Юйцин

Введение

1.Обзор исследований системы управления групповым поведением БТС

1.1. Анализ исследований системы управления групповым поведением БТС

1.2. Состояние исследований БТС

1.3. Состояние исследований технологий управления групповым поведением и алгоритмов группового управления

1.3.1. Традиционные подходы и алгоритмы управления формирования строя (групповым поведением) агентов

1.3.2. Подход на основе реагирования (локальных правил движения и взаимодействия)

1.4. Постановка задач управления групповым поведением БТС

1.4.1 Математическая модель БТС

1.4.2 Математическая модель группы БТС

1.4.3. Ставится задача управления групповым поведением БТС

1.5. Выводы

2. Беспилотный летательный аппарат

2.1 Система координат

2.2 Описание динамики БПЛА

2.2.1 Описание динамики квадрокоптера

2.2.2 Анализ динамики квадрокоптера

2.3 Модель динамики квадрокоптера

2.3.1Анализ структуры модели

2.3.2 Теория твердого тела и теорема Ньютона-Эйлера

2.3.3 Модель поступательного движения

2.3.4 Модель движения ориентации

2.4 Модель динамики привода

2.5 Имитационное моделирование

2.6 Вывод

3. Исследование моделирования многоагентной системы для интеллектуальной системы управления групповым поведением БТС

3.1. Структура управления многоагентной системой

3.1.1. Общие сведения о структуре управления многоагентной системой

3.1.2. Информационное взаимодействие (оценивание и обмен информацией) и принятие решений

3.2. Информационное взаимодействие и Марковский анализ состояния

3.2.1. Моделирование многоагентной системы и информационное взаимодействие

3.2.2. Синтез распределенной информации в процессе информационного взаимодействия

3.2.3. Условия остановки и завершения процесса

3.3. Стратегия распределенного поведения (распределённое планирование)

3.3.1. Распределенное планирование

3.3.2. Распределенный подход принятия решений

4. Применение алгоритма управления групповым поведением

4.1. Группа БТС и алгоритм управления групповым поведением

4.1.1. Алгоритм управления групповым поведением

4.1.2. История развития алгоритма управления групповым поведением

4.1.3. Алгоритм управления групповым поведением по модели Ольфати-Сабера

4.1.4. Моделирование алгоритма управления групповым движением по модели Ольфати-Сабера

4.2. Применение алгоритма в интеллектуальной системе группового управления группой БТС

4.3. Упрощенный алгоритм управления групповым поведением в многоагентной модели

4.3.1. Разработка многоагентного алгоритма управления групповым поведением

4.3.2. Проектирование искусственного потенциального поля

4.3.3. Элементы искусственного потенциального поля

4.3.4. Скорость

4.3.5. Лидер

4.3.6. Формирование строя

4.4. Исследование управления группой БТС методом обучения с подкреплением

4.4.1.Обучение с подкреплением

4.4.2. Алгоритм Актер-Критик

4.5. Алгоритм оптимизации политики доверительной области (Trust Region Policy Optimization, TRPO) и алгоритм оптимизации проксимальной политики (Proximal Policy Optimization, PPO)

4.5.1 Управление БТС по алгоритму PPO

4.5.2. Два способа управления по методу обучения с подкреплением для БТС

4.5.3. Управление по методу обучения с подкреплением

4.5.4. Управление по методу обучения с подкреплением и с контроллером управления ориентацией

4.5.5. Управление БТС в 3-D по подходу обучения с подкреплением

4.6. Моделирование в программе Matlab

5. Разработка нового алгоритма управления групповым поведением агентов

5.1. Текущий статус исследований и анализ

5.2. Количественное измерение и наблюдение в дискретном подпространстве наблюдений

5.2.1. Три сценария работы в процессе осуществления доставки груза по назначению

5.3. Использование алгоритма на основе реагирования в режиме маневрирующего полета

5.3.1. Изменения точек конструкции (строя) в режиме маневренного полета

5.3.2. Точка траектории

5.3.3. Точка траектории в оптимизируемой структуре системы

5.3.4. Результаты моделирования

5.4. Уклонение от препятствий при групповом движении

5.5. Стратегии избегания препятствий при движении в строю

Заключение

Список Литературы

Приложение А. Акт внедрения с нотариальным переводом

Введение диссертации (часть автореферата) на тему «Интеллектуальная система управления групповым поведением беспилотных транспортных средств»

Введение

Беспилотные транспортные средства (БТС) - это автономные или удаленно пилотируемые аппараты, которые имеют большой набор сценариев применимости благодаря своей универсальности и простоте развёртывания. Применение БТС включает в себя сбор актуальной информации об объектах, находящихся на поверхности Земли, обеспечение беспроводной связи (изображения и видео, из удаленных мест), доставку товаров и управление дорожным движением, и широко применяются в таких областях, как сельское хозяйство, аэрофотосъёмка, перевозка и доставка товаров, и другие приложения.

Индивидуальные ограничения БТС приводят к трудностям при выполнении длительных задач, таких как охват больших географических районов и своевременное предоставление важной информации. Для более эффективного выполнения указанных задач все чаще и чаще в настоящее время, БТС используются для выполнения некоторого задания не поодиночке, а в составе организованной группы, которую можно назвать группа БТС. Каждый БТС в группе может быть рассмотрен как простой агент в системе, а совокупность всех агентов группы представляет собой многоагентную систему, в которой все необходимые задачи распределяются между всеми БТС на основе интеграции сетевой, взаимодействия и вычислительной систем, что позволяет решать сложные задачи, поставленные перед группой БТС. Таким образом, разработка интегрированной системы управления групповым поведением БТС позволит повысить эффективность усилий по координации поведения БТС, что позволит обеспечить более широкий охват территории, более высокую гибкость и надежность за счет резервирования.

Актуальность темы исследования. В последнее время беспилотные транспортные средства (БТС), такие как беспилотные машины, подводные роботы и беспилотные катера, беспилотные летательные аппараты привлекают всё большее внимание. БТС широко применяются в таких областях, как сельское хозяйство, аэрофотосъёмка, перевозка и доставка товаров, подводная

археология и др., а также используются для решения различных задач в труднодоступных местах и в экстремальных условиях. Однако некоторые виды БТС имеют ограниченные возможности по величине полезной нагрузки, диапазону наблюдения, дальности полёта и т.д. Не каждый отдельный БТС может эффективно справляться с рядом поставленных задач, в связи с чем для повышения производительности БТС, используют БТС, объединенные группы. Одна из наиболее важных и сложных задач группового управления - это задача управления группой в условиях неопределенности воздействия внешних или внутренних факторов и необходимости быстрого реагирования на такие воздействия. Например, традиционную централизованную группу БТС трудно использовать для решения конкретной задачи в условиях неопределённости, более того, ошибка в информационном центре приведет к ошибкам во всей системе. А при работе традиционной децентрализованной группы БТС следует учитывать, что масштабируемость системы недостаточная: если количество БТС в системе значительно увеличивается, совместное планирование решения задачи приведет к препятствиям, ограничивающим расширение группы БТС; причина заключается в том, что интеллектуализация в условиях неопределенности в значительной степени зависит от структуры представления информации и алгоритмов группового управления, а их соответствие, как правило, упускается из виду.

В децентрализованной системе группового управления БТС при применении алгоритмов управления групповым поведением в условиях неопределенности основная проблема заключается в том, что сложно оценить внутреннее состояние группы и оптимизировать процесс управления групповым поведением БТС.

Задачи, рассматриваемые в исследовании, направлены на улучшение таких качеств системы, как ситуационная осведомленность, управляемость, возможность координации групповых действий для более эффективного выполнения миссии группой БТС в условиях неопределенности при совместной их работе с целью значительного уменьшения потерь, вызванных недостатками

существующих групповых алгоритмов. Более того, разрабатываемые алгоритмы и система управления должны удовлетворять как требованиям общих задач управления групповым поведением БТС, так и требованиям ряда локальных задач, входящих в глобальные задачи (например, при облете группой препятствия требуется построение траектории отдельным БТС).

Таким образом, разработка интеллектуальной системы управления групповым поведением БТС в условиях неопределенности является актуальной задачей.

Решение данной задачи связано с широким кругом научных проблем и включает такие направления, как теория многоагентных систем, теория сложных систем, теория сетевого взаимодействия. Решением различных существующих проблем построения систем группового управления, особенно в области разработки алгоритмов управления, занимались и продолжают заниматься многие известные ученые, такие как Рейнольдс К, Вичек Т, Дориго М, Херардо Б, Ольфати-Сабер Р и т.д.; они заложили теоретическую основу алгоритмов управления на основе роевого интеллекта. Чжоу X, Муслимов Т.З., Флореан Д и др занимались групповым поведением БТС, а Васархей Г, Су Х, Ян С. и другие известные ученые занимались групповым поведением на основе роевого интеллекта. Количество научных статей, опубликованных по данной теме, значительно выросло в последнее время.

Цель исследования. Целью диссертационной работы является повышение эффективности управления групповым движением БТС в условиях неопределенности на основе интеллектуализации управления для удержания формы строя с помощью стратегии быстрого реагирования на случайные изменения формы строя в случае нарушения заданной формы.

Для достижения поставленной цели должны быть решены следующие задачи:

1.Анализ и обоснование метода синтеза информации для частично наблюдаемых систем управления групповым движением строя БТС в условиях неопределенности.

2.Разработка метода построения интеллектуальной системы управления, основанной на роевом интеллекте, для обеспечения заданной формы строя при групповом движинии.

3.Разработка целевых показателей и критериев эффективности группового управления.

4.Экспериментальный сравнительный анализ решения задачи управления групповым поведением БТС при различных сложных рабочих сценариях и проверка эффективности алгоритма.

Объектом исследования является система управления групповым движением строя БТС в условиях неопределенности.

Предметом исследования являются системы оптимизации процессов управления групповым поведением, позволяющие повысить управляемость и надежность системы управления групповым поведением БТС.

Методы исследования. В ходе работы над диссертацией использованы теория интеллектуальных систем управления, теория многоагентных систем, частично наблюдаемая марковская модель, модель и теория группового управления движением.

Научная новизна. Научная новизна работы заключается в решении следующих научных задач:

1.Предложен метод синтеза информации для группового управления БТС в частично наблюдаемых системах управления, отличающийся тем, что с целью повышения точности оцененных состояний вводится и используется дополнительный коэффициент доверия, что позволяет повысить достоверность оценивания состояния.

2.Предложен новый метод формализации интеллектуальной системы управления групповым движением строя БТС в режимах формирования строя, крейсерского полета и маневрирования на основе машинного обучения, отличающийся тем, что он обеспечивает согласованное взаимодействие в рабочем пространстве с вычисляемой наблюдаемостью и управляемостью, что

позволяет реализовать оптимизацию внутреннего состояния группы БТС и поддерживать заданную геометрическую форму движения строя.

3.Предложены система целевых показателей и критерии эффективности интеллектуального управления движением строя БТС, отличающиеся тем, что в них совмещены оценки задач движения по маршруту и децентрализованного управления строем БТС, что позволяет повысить эффективность группового управления.

4.Разработана новая библиотека программ тестирования для решения задачи группового управления в виртуальной среде, что позволяет решать согласованные задачи управления большими группами БТС в условиях неопределенности.

Основные положения, выносимые на защиту

1. Метод синтеза информации в частично наблюдаемой многоагентной системе в условиях неопределенности для группового управления движением строя БТС (соответствует п.4 паспорта специальности 2.3.1).

2.Метод формализации стратегий группового управления движением строя БТС в режимах формирования строя, крейсерского полета и маневрирования (соответствует п.4 паспорта специальности 2.3.1).

3.Целевые функции и критерии эффективности интеллектуального управления группой (соответствует п.3 паспорта специальности 2.3.1).

4.Программная реализация тестирования алгоритмов группового управления в условиях неопределенности (соответствует п.5 паспорта специальности 2.3.1).

Личный вклад автора. Все вынесенные на защиту положения диссертации сформулированы лично автором, автором разработаны программы для их реализации и получены результаты, выполненные с применением моделирования и расчетов.

Соответствие паспорту специальности. Диссертация соответствует паспорту специальности 2.3.1. - «Системный анализ, управление и обработка информации, статистика»

Теоретическая ценность и практическая значимость состоит в разработке модели группового движения, в которой предложен модифицированный алгоритм группового управления, а также метод подпространства наблюдений, позволяющие решать задачи оптимизации при групповом движении. Полученные результаты позволяют расширить класс решения многих важных практических задач при использовании группы БТС, среди которых задачи более точного и быстрого обнаружения источника возгорания и предотвращения пожаров в больших лесных массивах, логистические задачи транспортировки товаров на больших географически распределенных территориях, разработка крупномасштабной сети обмена информацией между беспилотными машинами для принятия совместных решений и ряд других гражданских задач. Практическая значимость работы обусловлена внедрением результатов исследования в организации, связанные с тематикой данной научной работы, которые подтверждены соответствующими актами.

Апробация работы - Результаты работы апробированы на следующих конференциях и научных мероприятиях:

1. Юйцин Ч. Модель системы управления беспилотного летательного аппарата (квадрокоптера) [J]. Информатика, телекоммуникации и управление, 2022, 15(3): 49-61. (Журнал в перечне ВАК, К2)

2. Юйцин Ч. Формирование управления полетом группы беспилотных летательных аппаратов на основе алгоритма многоагентной модели роения [J]. Информатика, телекоммуникации и управление, 2022, 15(4): 22-36. (Журнал в перечне ВАК, К2)

3. Zhu Y. Shkodyrev V.P. Swarm Flight of UAV in Virtual Rigid Formation Using Olfati-Saber Algorithm[M]//Intelligent Communication Technologies and Virtual Mobile Networks. Singapore: Springer Nature Singapore, 2023: 849-863. (Scopus)

4. Чжу Юйцин, Боряев А.А. Некоторые вопросы идентификации экспериментальных моделей объектов управления. Современная наука:

актуальные проблемы теории и практики. № 5, 2019. С. 35-40. 1,34/0,4. Издательство ООО «Научные технологии». (Научная статья. Журнал в перечне ВАК, К3)

5. Чжу Юйцин, Боряев А.А. Обзор по дискретным системам управления. Современная наука: актуальные проблемы теории и практики. № 10, 2019. С. 56-70 2,8/0,9 Издательство ООО «Научные технологии». (Научная статья. Журнал в перечне ВАК, К3)

6. Чжу Юйцин, Боряев А.А. Модель системы управления беспилотного аппарата. Proceedings of the III International Multidisciplmary Conference «Recent Scietific Investigation». Primedia E-launch LLC. Shawnee, USA. 2020. 0,5 (статья в сборнике трудов конференции).

7. Чжу Юйцин, Боряев А.А. Control and pre-processing of data on driving parameters of an unmanned vehicle for identification of the control model. Proceedings of the II International Multidisciplinary Conference «Prospects and Key Tendencies of Science in Contemporary World». 0,5 Bubok Publishing S.L., Madrid, Spain. 2020 (статья в сборнике трудов конференции).

8. Чжу Юйцин, Боряев А.А. A brief overview of the state of research on driverless vehicle control systems. Proceedings of the II International Multidisciplinary Conference «Innovations and Tendencies of State-of-Art Science». 0,5 Mijnbestseller Nederland, Rotterdam, Nederland. 2020 (статья в сборнике трудов конференции).

Структура и объем работы. Диссертационная работа состоит из введения, пяти глав, заключения, библиографического списка, включающего 130 наименования, и приложений. Работа изложена на 186 листах машинописного текста, содержит 48 рисунок и 5 таблицы.

1.Обзор исследований системы управления групповым поведением БТС

Беспилотные транспортные средства (БТС), такие как беспилотные машины, подводные роботы и беспилотные катера, беспилотные летательные аппараты (БПЛА) и пр. в ближайшем будущем будут являться неотъемлемой частью жизни. Ввиду проблем, связанных с организацией наземного транспортного движения, и большого количества ограничений беспилотные автомашины в настоящее время имеют ограниченное применение на практике, беспилотные такси используются экспериментально в небольших масштабах. Однако беспилотные летательные аппараты (БПЛА) привлекают всё больше внимания и широко применяются во многих областях, таких как сельское хозяйство (распыление пестицидов), аэрофотосъемка, обнаружение начинающихся пожаров, логистика (перевозка и доставка товаров), подводная археология, они даже участвовали в Олимпийских играх (шоу беспилотных летательных аппаратов). Кроме того, БТС активно используются во многих опасных и трудновыполнимых миссиях. БТС обращают на себя внимание исследователей по всему миру. Однако стоит признать, что широкое использование БТС имеет ряд ограничений, таких как радиус действия, ограниченная автономность и ограниченная полезная нагрузка[61]. Исходя из этого были выдвинуты требования к развитию технологии применения БТС.

Как правило, основными задачами для больших БТС, таких как беспилотные машины, являются обход препятствий и взаимодействие с другими беспилотными машинами, использующими интеллектуальную сеть для взаимодействия. Небольшие БТС (например, БПЛА) имеют ограниченные возможности по полезной нагрузке, наблюдению, дальности полёта и т. д., в связи с чем единичный БТС не всегда может эффективно решить некоторые сложные задачи. Одним из наиболее перспективных направлений исследований является разработка технологии группового управления, которая привлекает большое внимание благодаря высокой адаптивности к окружающей среде и гибкому взаимодействию (сотрудничеству) между агентами для выполнения

поставленной задачи. Система группового управления основана на внутренних взаимодействиях (между агентами) и взаимодействиях с окружающей средой. Группы БТС координируются и направляются в соответствии с целями миссий. По сравнению с единичными БТС группы БТС обладают преимуществами, такими как высокая эффективность, гибкость и высокая надежность. Этот режим работы может эффективно компенсировать недостатки (допустимая нагрузка, вычисления и т. д.) единичного БТС. Построение интеллектуальной системы группового управления стало перспективным направлением развития. Более того, в последнее десятилетие с развитием технологии искусственного интеллекта и микроэлектроники основные компоненты БТС обладают следующими характеристиками: миниатюрные размеры, низкая стоимость и низкое энергопотребление. Технология БТС объединяет ряд передовых технологий, таких как автоматическое управление, искусственный интеллект, обработка изображений, беспроводная передачам данных и объединение огромного множества датчиков. Развитие этих новых технологий также способствовали развитию исследований интеллектуальной системы группового управления.

Многие страны запустили проекты по развитию технологии интеллектуальной системы группового управления, например, известны проекты в США[1, 2], в которых проводят исследования в области ключевых технологий группового управления различными беспилотными транспортными средствами. Целью этих проектов является разработка новых систем автономного совместного управления, позволяющих облегчить управление крупномасштабными платформами беспилотных транспортных средств за счет уменьшения количества операторов, а также разработка интеллектуальной системы управления БТС с высоким уровнем автономности. Содержание этих проектов включает распределение задач, планирование траектории, совместное отслеживание, управление роем и другие аспекты. Более того, в Европе несколько компаний совместно разработали БПЛА (Dassault nEUROn)[62]. В основе европейских проектов принято, что наиболее совершенной формой

системы автономного управления беспилотными летательными аппаратами является групповое автономное управление. Государства Европы финансировали ряд проектов, такие как Пикси, Супер-Рой и многие другие.

В России Муслимов и др. [3] в Уфимском государственном авиационном техническом университете предложили новый метод для поддержания параллельности строя или строя с определенной геометрией. Этот метод использует контроль согласованности без лидера, интегрирует глобальный асимптотически стабильный закон и децентрализованное совместное управление, обладает неограниченной расширяемостью. Кроме того, технология «step-back» применяется к неполной динамической модели и генерации управляющих входных данных для более реалистичной модели БТС с автопилотом.

В сложных средах или условиях, таких как леса или городские районы, существующие модели группового движения БТС не обеспечивают быстрое и безопасное групповое движение. Для решения этой проблемы группа исследователей под руководством Флореана из Федерального технологического института в Лозанне, Швейцария, объединила локальный принцип модели потенциального поля и динамические характеристики множества агентов [4]. Была предложена прогностическая модель; этот метод может значительно повысить скорость, согласованность и безопасность группы, а также обеспечить независимость от расположения в среде. Группа исследователей Флореана также предложила алгоритм, основанный на визуальном обнаружении и отслеживании, для реализации автономной навигации без связи или визуальной маркировки [5].

Группа исследователей из Чжэцзянского университета в Китае под руководством Синь Чжоу и др. предложили подход [121], развивающий систему группового БПЛА в трех аспектах: способность навигации в загроможденной среде, расширение возможностей при выполнении разнообразных требований поставленных задач и координация в виде группового управления без внешних средств, что обеспечивает БТС в группе

полную автономность для максимального повышения качества навигации и планирования маршрута в ограниченной группе.

Интеллектуальные системы управления групповым поведением БТС были и остаются важной частью исследований БТС. В настоящее время технология находится в стадии быстрого развития. БТС имеют недетерминированную математическую модель, высокую степень нелинейности и должны удовлетворять требованиям сложных миссий. Система группового БТС обладает характеристиками сложной системы, что затрудняет планирование маршрута в крупномасштабной группе, поэтому разработка управляемой и высоко автономной системы управления для группового поведения БТС является сложной задачей в области интеллектуального управления.

1.1. Анализ исследований системы управления групповым поведением БТС

Создание полностью интеллектуальной системы группового управления БТС по-прежнему остается незаконченной и достаточно сложной задачей. Согласно обзору перспективных тенденций и проектов, представленных в литературе, было выявлено, что реализация проекта системы управления групповым поведением БТС включает много различных технологий и имеет разные направления исследований, включая разные подходы к управлению БТС, алгоритмы управления формированием строя, совместное планирование и декомпозицию задач, интеллектуальный алгоритм управления и т. д. Можно считать, что разработка системы группового управления БТС представляет собой сложную междисциплинарную задачу.

Исследования можно разделить на две основные части. Один аспект -проектирование на уровне группового поведения, при этом разработанные контроллеры и система управления должны обеспечить эффективное выполнение глобальных задач благодаря организации движения отдельных агентов в группе. Разработка алгоритма группового управления - это самое

важное и ключевое исследование, этот вопрос рассматривается подробно в разделе 1.3.

Второй аспект - проектирование на нижнем уровне. В этом случае рассматривается проектирование для отдельных агентов, в частности, структуры их взаимодействия с соседними агентами, определяющей локальные способности группы и отдельного БТС, что позволяет улучшить поведение агентов в группе для удовлетворения технических требований подсистем групп агентов.

Для реализации группового движения и определенных видов группового поведения существуют локальные требования для отдельных БТС в группе. Более того, существует фундаментальная связь между локальными ограничениями отдельного агента и его поведения с одной стороны и реализацией результатов на верхнем уровне с другой. Эта связь между одиночным БТС и группами БТС не может быть проигнорирована. Этот вопрос конкретно рассмотрен в обзоре Копполы и др. [110]. Следовательно, необходимо рассмотреть, как результаты проектирования на нижнем уровне влияют на верхний уровень и, таким образом, на уровень целой группы.

В данной работе для того, чтобы разработать систему и алгоритм управления, предлагается разделить систему группового управления БТС на несколько уровней. Будем рассматривать три уровня: отдельные агенты, агенты и соседние агенты, вся группа. Необходимо задать требования для каждого уровня и оценить взаимосвязь между уровнями.

Таким образом, в данной работе в соответствии с целевым применением БТС проводится моделирование агентов в многоагентной системе в качестве объекта управления, и выдвинуты технические требования к разработке интеллектуальной системы управления групповым поведением БТС.

Поскольку БТС (особенно БПЛА) широко применяются как отдельные агенты в совместной задаче группового управления, стандарты безопасности, характеристики движения или летной способности неизбежно становятся важным предметами исследования. БТС (особенно БПЛА) как компоненты

сложной системы, используемые в совместной задаче группового управления, должны быть разработаны с использованием метода системной инженерии, который определен Международным советом по системной инженерии (International Council on Systems Engineering, INCOSE) в «Systems Engineering Vision 2020»[63] в 2007 году. Целесообразно руководствоваться положениями «Model-Based Systems Engineering» при разработке БТС, особенно для компаний и научных институтов, обладающих достаточными ресурсами.

Многие исследования фокусируются на системе управления и повышении автономности БТС (особенно беспилотных машин и БПЛА). Автономный алгоритм управления БТС означает то, что БТС обладают способностью к интегрированному получению информации от датчиков, восприятию, анализу, коммуникации, планированию, принятию решений и действиям, которые позволяют выполнять задачи, поставленные операторами, что также применимо и к группе агентов. Автономность для пользователя на более высоком уровне подразумевает, что поставленную миссию легче реализовать. Более того, с активным развитием технологии искусственного интеллекта повышение автономности агентов не только быстро улучшает производительность, но и относительно легко реализуется. Эти вопросы рассматриваются подробно в следующем разделе.

Моделирование на уровне взаимодействующих структур в многоагентной системе будет рассматриваться подробно в главе 3.

1.2. Состояние исследований БТС

За последние три десятилетия исследователи сильно углубились в изучении алгоритмов управления БТС и предложили множество различных алгоритмов управления, многие из которых были успешно применены на практике.

В 2012 году журнал «Робототехника и автоматизация» Американского общества инженеров по электронике и электротехнике (IEEE) опубликовал

специальный выпуск, посвященный воздушной робототехнике, подытожил самые передовые технологии того времени.

Более того, можно заметить, что в последние годы опубликовано большое количество литературы по беспилотной технике, и пик количества публикаций пришелся на 2013 год. Эти фундаментальные исследования заложили хорошую базу для развития индустрии БТС, которая стала более коммерциализированной.

Разработанные алгоритмы и подходы управления БТС можно разделить на линейное управление, нелинейное управление и интеллектуальное управление (табл. 1.1).

Таблица 1.1. Подходы управления БПЛА

1) Линейное управление: 2)Нелинейное управление: 3) Интеллектуальное управление:

1. Метод Пид 2.Линейно-квадратичный регулятор (Linear Quadratic Regulator) 3.Робастное управление Н» 1.Бэкстеппинг (Backstepping), 2.Адаптивное управление 1.Управление нейронной сетью, 2.Обучение с подкреплением, З.Управление на основе нечеткой логики.

Список литературы диссертационного исследования кандидат наук Чжу Юйцин, 2025 год

Список Литературы

[1] Unmanned Systems Integrated Road map FY 2017-2042.

[2] Research progress on low-cost Distributed UAV clusters in the United States, Song Yiran, Shen Chao, Li Bingbing, Beijing Haiying Institute of Science and Technology Intelligence. (Chinese)

[3] Muslimov TZ, Munasypov R A. Consensus-based cooperative control of parallel fixed-wing UAV formations via adaptive backstepping[J]. Aerospace Science and Technology, 2020, 109, 2021-2043.

[4] Soria E, Schiano F, Floreano D. Predictive control of aerial swarms in cluttered environments [J]. 2020, doi.10.21203/rs.3.rs-82503/v1

[5] Vision-Based Drone Flocking in Outdoor Environments, Fabian Schilling; Fabrizio Schiano; Dario Floreano, 2021.

[6] Zhang Y Z, Feng W C, Shi G Q, et al. UAV swarm mission planning in dynamic environment using consensus based bundle algorithm[J]. Sensors, 2020, 20(8): 23072328.

[7] Li W, Chen Z. Leader-following consensus of second-order time-delay multiagent systems with and without nonlinear dynamics[J]. Journal of University of Science & Technology of China, 2012, 12(5):415-422.

[8] Cavagna A, Giardina I, Grigera T S, et al. Silent flocks: constraints on signal propagation across biological groups[J]. Phys Rev Lett. 2015, 114(21): 218101(1-5).

[9] Reza Olfati-Saber. Flocking for Multi-Agent Dynamic Systems: Algorithms and Theory[J]. IEEE Transactions on Automatic Control, 2004, 51(3):401-420.

[10] Qiu H, Duan H. Pigeon interaction mode switch-based UAV distributed flocking control under obstacle environments[J]. ISA Transactions, 2017, 71(1):93-109.

[11] Jadbabaic A.,Lin J.Morse A.S.Coordination of groups of mobile autonomous agents using nearest neighbor rules[J]. IEEE Transactions on Automatic Control, 2003, 48(6):988-1001.

[12]Hausknecht, Matthew, Peter Stone. Deep recurrent q-learning for partially observable MDPs[C]. 2015 AAAI Fall Symposium Series, 2015, 29:37.

[13] Tampuu, Ardi, et al. Multiagent cooperation and competition with deep reinforcement learning[J]. PloS one, 2017, 12(4):1-12.

[14] Bansal, Trapit, et al. Emergent complexity via multi-agent competition[J]. International Conference on Learning Representations, 2018, 6(17): 1-9.

[15] Pollini L, Giulietti F, Innocenti M. Robustness to communication failures within formation flight[C]. American Control Conference, Anchorage, AK, 2002: 2860-2866.

[16] Li Z, Xue X. Cucher-Smale flocking under rooted leadership with fixed switching topologies[J]. SIAM J. Appl. Math., 2010, 70(8): 3156-3174

[17] Vicsek T, Czirok A, Ben-Jacob E, et al. Novel type of phase transition in a system of self-driven particles[J]. 1995,75(6): 1226-1229.

[18] Cucker F, Smale S. Emergent behavior in flocks[J]. IEEE Trans Autom Control, 2007, 52(5): 852-862.

[19] Motsch S, Tadmor E. A New Model for Self-organized Dynamics and Its Flocking Behavior[J]. Journal of Statistical Physics, 2011, 144(5):923-947.

[20] Ballerini M., Cabibbo N., Candelier R. Interaction ruling animal collective

behavior depends on topological rather than metric distance: evidence from a field study[J]. Proceedings of the National Academy of Sciences, 2008,105(4): 1232-1237.

[21] George M., Ghose D. Reducing convergence times of self-propelled swarms via modified nearest neighbor rules[J]. Physic A, 2012,391(16):4121-4127.

[22] Reyna V R, Pachter M, D'Azzo J J. Fomation flight control automation[R], AIAA: AIAA-94-3557, 1994.

[23] Raju K L, Rao S K, Das R P, et al. Passive target tracking using unscented kalman filter based on monte carlo simulation [J]. Indian Journal of Science and Technology. 2015, 8 (29).

[24] Hausman K, Müller J, Hariharan A, et al. Cooperative multi-robot control for target tracking with onboard sensing 1 [J]. The International Journal of Robotics Research. 2015, 34 (13): 1660-1677.

[25] Tang Z, Ozguner U. PF-HMap: A target track maintenance approach for mobile sensor platforms with intermittent and regional measurements [C]. In Decision and Control, 2006 45th IEEE Conference on. 2006: 6757-6762.

[26] Teuliere C, Eck L, Marchand E. Chasing a moving target from a flying UAV [C]. In Intelligent Robots and Systems (IROS), 2011 IEEE/RSJ International Conference on. 2011: 4929-4934.

[27] Lee D-Y, Shim S-W, Hwang M-C, et al. Target tracking using Adaptive coarse-to-fine Particle Filter [C]. In AIAA Guidance, Navigation, and Control Conference. 2017: 1245.

[28] Wang J, Zhang Y, Lu J, et al. A framework for moving target detection, recognition and tracking in UAV videos [J]. Affective Computing and Intelligent Interaction. 2012: 69-76.

[29] Bandyopadhyay S, Chung S-J. Distributed Bayesian filtering using logarithmic opinion pool for dynamic sensor networks [J]. Automatica. 2018, 97: 7-17.

[30]. Pachter M, D'Azzo J J, Proud AW. Tight formation flight control[J]. Journal of Guidance, Control, and Dynamics, 2001, 24(2): 246-254.

[31]. Zhang X Y, Duan H B, Yu Y X. Receding horizon control for multi-UAVs close formation control based on differential evolution[J]. Science China Information Sciences, 2010(53): 223-235.

[32]. Mu Y. Research on Aerodynamic Coupling in UAV Formation[D]. Xi'an: Northwestern Polytechnical University, 2006.

[33]. Gautier H, Simon L, Rachid A. Formation flight: evaluation of autonomous configuration control algorithms[C]. IEEE/RSJ international Conference on Intelligent Robots and Systems, San Diego, USA, 2007: 2628-2633.

[34]. Giulietti F, Pollini L, Innocenti M. Autonomous formation flight[J]. IEEE Control Systems Magazine, 2000(12): 566-572.

[35]. Joao S, Tunc S, Pravin V. Task planning and execution for UAV teams[C]. IEEE Conference on Decision and Control, Atlantis, Bahamas, 2004: 3804-3810.

[36]. Lechevin N, Rabbath C A, Lauzon M. Cooperative and deceptive planning of multi-formations of networked UCAVs in adversarial urban environments[C]. AIAA Guidance, Navigation and Control Conference and Exhibit, Hilton Head, South Carolina, AIAA-2007-6410.

[37]. KOO T J, Shahruz S M. Formation of a group of unmanned aerial vehicles

(UAVs)[C]. Proceedings of the American Control Conference, Arlington, VA, 2001: 69-74.

[38]. Zong L, Xie F, Qin S. Intelligent Optimal Control of UAV Formation Flight Based on MAS [J]. Journal of Aeronautics and Astronautics, 2008, 29(5): 1326-1333.

[39]. Shin J, Kim H J. Nonlinear model predictive formation flight[J]. IEEE Transactions on systems, man and cyberentics, 2009, 39(5): 1116-1125.

[40]. Fidelis A P L, Tiauw H G. A collision-free formation reconfiguration control approach for unmanned aerial vehicles[J]. International Journal of Control, Automation, and Systems, 2010, 8(5): 1100-1107.

[41]. Fidelis A P L, Tiauw H G. Reconfiguration control with collision avoidance framework for unmanned aerial vehicles in three-dimensional space[J]. Journal of Aerospace Engineering, 2013, 26(3): 637-645.

[42]. Xiong W, Chen Z, Zhou R. Optimization method for multi-aircraft formation reconstruction using hybrid genetic algorithm [J]. Journal of Aeronautics and Astronautics, 2008(29): 209-214.

[43]. Ye Q, Hu X, Ma H. Two-stage solution method for coordinated target assignment of multi-UAV formations [J]. Journal of Hefei University of Technology, 2015,38(10): 1431-1436.

[44]. Dai J, Li X, Sun Y, et al. Research on coordinated target allocation method for multi-formation ground attack [J]. Journal of System Simulation, 2009, 21(8): 21482151.

[45] Kuriki Y, Namerikawa T. Formation control with collision avoidance for a multi-UAV system using decentralized MPC and consensus-based control [J]. SICE Journal of Control, Measurement, and System Integration. 2015, 8 (4): 285-294.

[46] Ye M, Anderson B D, Yu C. Bearing-only measurement self-localization, velocity consensus and formation control [J]. IEEE Transactions on Aerospace and Electronic Systems. 2017, 53 (2): 575-586.

[47] He L, Bai P, Liang X, et al. Feedback formation control of UAV swarm with multiple implicit leaders [J]. Aerospace Science and Technology. 2018, 72: 327-334.

[48] Choutri K, Lagha M, Dala L. Distributed Obstacles Avoidance For UAVs Formation Using Consensus-based Switching Topology [J]. International Journal of Computing and Digital Systems. 2019, 8.

[49] Pham H X, La H M, Feil-Seifer D, et al. Autonomous uav navigation using reinforcement learning[J]. arXiv preprint arXiv:1801.05086, 2018.

[50] Marques T, Lukic L, Gaspar J. Observation Functions in an Information Theoretic Approach for Scheduling Pan-Tilt-Zoom Cameras in Multi-target Tracking Applications [C]. In Robot 2015: Second Iberian Robotics Conference. 2016: 503515.

[51] Mahler R. Global optimal sensor allocation [C]. In Proceedings of the Ninth National Symposium on Sensor Fusion. 1996: 167-172.

[52] Aughenbaugh J M, La Cour B R. Metric selection for information theoretic sensor management [C]. In 2008 11th International Conference on Information Fusion. 2008: 1-8.

[53] Ristic B, Arulampalam S. Bernoulli particle filter with observer control for bearings-only tracking in clutter [J]. IEEE Transactions on Aerospace and Electronic

Systems. 2012, 48 (3): 2405-2415.

[54] Crooks G E. On measures of entropy and information [J]. Tech. Note. 2017, 9: v4.

[55] Ristic B, Vo B-N. Sensor control for multi-object state-space estimation using random finite sets [J]. Automatica. 2010, 46 (11): 1812-1818.

[56] Hero A O, Kreucher C M, Blatt D. Information theoretic approaches to sensor management [M] // Hero A O, Kreucher C M, Blatt D. Foundations and applications of sensor management. Springer, 2008: 2008: 33-57.

[57] Ristic B, Vo B-N, Clark D. A note on the reward function for PHD filters with sensor control [J]. IEEE Transactions on Aerospace and Electronic Systems. 2011, 47 (2): 1521-1529.

[58] Jenssen R, Principe J C, Erdogmus D, et al. The Cauchy-Schwarz divergence and Parzen windowing: Connections to graph theory and Mercer kernels [J]. Journal of the Franklin Institute. 2006, 343 (6): 614-629.

[59] Kampa K, Hasanbelliu E, Principe J C. Closed-form Cauchy-Schwarz PDF divergence for mixture of Gaussians [C]. In The 2011 International Joint Conference on Neural Networks. 2011: 2578-2585.

[60] Hoang H G, Vo B-N, Vo B-T, et al. The Cauchy-Schwarz divergence for Poisson point processes [J]. IEEE Transactions on Information Theory. 2015, 61 (8): 44754485.

[61] Quan Q, Dai X, Wang S. Multicopter design and control practice: a series experiments based on MATLAB and Pixhawk[M]. Springer Nature, 2020.

[62] Garrigues E. A review of industrial aeroelasticity practices at dassault aviation for military aircraft and business jets[J]. Aerospace Lab, 2018 (14): 1-34.

[63] Friedenthal S, Griego R, Sampson M. INCOSE model based systems engineering (MBSE) initiative[C]//INCOSE 2007 symposium. sn, 2007, 11.

[64] Schmuck P, Chli M. Multi-uav collaborative monocular slam [C]. In 2017 IEEE International Conference on Robotics and Automation (ICRA). 2017: 3863-3870.

[65] M^a, ftfcmx fM^,2012.

[66] DAVIDI A, BERMAN N. Formation flight using multiple Integral Backstepping controllers[M]. 2011: 317-322.

[67] Zhang X, Duan H. Altitude consensus-based 3D flocking control for fixed-wing unmanned aerial vehicle swarm trajectory tracking[J]. Proceedings of the Institution of Mechanical Engineers Part G Journal of Aerospace Engineering, 2016, 230(14): 111.

[68] Zhang X, Duan H . Altitude consensus-based 3D flocking control for fixed-wing unmanned aerial vehicle swarm trajectory tracking[J]. Proceedings of the Institution of Mechanical Engineers, 2016, 230(14): 2628-2638.

[69] D Sakai, H Fukushima, F Matsuno. Flocking for Multi-robots Without Distinguishing Robots and Obstacles[J], IEEE Trans. Control Syst. Technol., 2017, 25(33): 1019-1027.

[70] Iovino S, Vetrella AR, Fasano G, et al. Implementation of a Distributed Flocking Algorithm with Obstacle Avoidance Capability for UAV Swarming[C]. AIAA

Information Systems-AIAA Infotech, 2017, 1(5): 1-11.

[71] Wang Q, Fang H, Chen J, et al. Flocking with obstacle avoidance and connectivity maintenance in multi-agent systems[C]. IEEE Conference on Decision & Control, 2012, 6(9): 1-13.

[72] Vries E D, Subbarao K. Cooperative Control of Swarms of Unmanned Aerial Vehicles[C]. Aiaa Aerospace Sciences Meeting Including the New Horizons Forum and Aerospace Exposition. 2013:89-94.

[73] Randal W Beard, Timothy W Mclain. Small Unmanned Aircraft: Theory and Practice [M], IEEEE lectron Device Letters, 2012,2(5):103-105.

[74] Schellinck J, White T. A review of attraction and repulsion models of aggregation: Methods, findings and a discussion of model validation[J]. Ecological Modelling, 2011, 222(11): 1897-1911.

[75] Mnih, Volodymyr, et al. Human-level control through deep reinforcement learning[J]. Nature, 2015, 518(1):529-533.

[76] R. J. Williams. Reinforcement-learning connectionist systems. College of Computer Science, Northeastern University, 1987.

[77] R. J. Williams. Simple statistical gradient-following algorithms for connectionist reinforcement learning. Machine learning, 8(3-4):229-256, 1992.

[78] Barto, A.G., Sutton, R.S., Anderson, C.W.: Neuronlike adaptive elements that can solve difficult learning control problems. IEEE Transactions on Systems, Man, and Cybernetics SMC-13, 834-846 (1983)

[79] Couzin.D., Jens K., Richard J., Ruxton G.D., Franks N.R., Collective memory and spatial sorting in animal groups[J]. Jounal of Theoretical Biology, 2002,218(1):1-11

[80] Mogilner A, Edelstein-Keshet L, Bent L, et al. Mutual interactions, potentials, and individual distance in a social aggregation[J]. Journal of mathematical biology, 2003, 47: 353-389.

[81] M.S.Abdulla and S.Bhatnagar. Reinforcement Learning Based Algorithms for Average Cost Markov Decision Processes. Discrete Event Dynamic Systems, 17(1):23-52, 2007.

[82] S.Bhatnagar, R.S.Sutton, M.Ghavamzadeh, and.Lee. Natural Actor-critic algorithms. Automatica, 45(11):2471-2482, 2009.

[83] Z.Yang,Y.Chen,M.Zhang,and Z.Wang.Provably Global convergence of Actor-critic: A case for linear quadratic regulator with ergodic cost. In Advances in Neural Information Processing Systems(NeurIPS),pages 8353-8365, 2019.

[84] Konda V R, Tsitsiklis J N. On Actor-Critic Algorithms[M]. Philadelphia, Society for Industrial and Applied Mathematics, 2003.

[85] Mnih V, Badia, Adria Puigdomenech, Mirza M, et al. Asynchronous Methods for Deep Reinforcement Learning[C]. International Conference on Machine Learning, 2016, 48(1):1928-1937

[86] John Schulman, Filip Wolski, Prafulla Dhariwal, Alec Radford, Oleg Klimov, Proximal Policy Optimization Algorithm

[87] Schulman, John, et al. High-dimensional continuous control using generalized advantage estimation[J]. International Conference on Learning Representations, 2015.

[88] Schulman, John, et al. Trust region policy optimization[C]. International

Conference on Machine Learning, 2015, 37(1): 1-9.

[89] Schulman, John, et al. Proximal policy optimization algorithms[J]. arXiv preprint arXiv: 1707.06347(2017).

[90] Heess, Nicolas, et al. Emergence of locomotion behaviours in rich environments[J]. arXiv preprint arXiv:1707.02286(2017).

[91] Sunehag, Peter, et al. Value-decomposition networks for cooperative multi-agent learning[J]. International Conference on Autonomous Agents and Multiagent Systems, 2018, 17(6):2085-2087.

[92] C. W. Reynolds, "Flocks, herds, and schools: A distributed behavioral model," in Comput. Graph. (ACM SIGGRAPH'87 Conf. Proc.), vol. 21, Jul. 1987, pp. 25-34.

[93] Brandao AS, Sarcinelli-Filho M. On the Guidance of Multiple UAV using a Centralized Formation Control Scheme and Delaunay Triangulation[J]. Journal of Intelligent & Robotic Systems, 2016, 84(1):397-413.

[94] Ren W, Sorensen N. Distributed coordination architecture for multi-robot formation control[J], Robotics and Autonomous Systems, 2008, 56(4): 324-333.

[95] Zhang J, Meng F, Zhou Y, et al. Decentralized formation control of multi-UAV systems under wind disturbances[C] Control Conference. IEEE, 2015:7392-7397.

[96] J. Foerster, G. Farquhar, T. Afouras, N. Nardelli, and S. Whiteson. Counterfactual multi-agent policy gradients. In AAAI Conference on Artificial Intelligence, 2018.

[97] J. Foerster, N. Nardelli, G. Farquhar, T. Afouras, P. H. Torr, P. Kohli, and S. Whiteson. Stabilising experience replay for deep multi-agent reinforcement learning. In International Conference on Ma chine Learning (ICML), 2017.

[98] J. K. Gupta, M. Egorov, and M. Kochenderfer. Cooperative multi-agent control using deep reinforcement learning. In International Conference on Autonomous Agents and Multiagent Systems, 2017.

[99] S. Iqbal and F. Sha. Actor-attention-critic for multi-agent reinforcement learning. In International Conference on Machine Learning (ICML), 2019.

[100] R. Lowe, Y. I. Wu, A. Tamar, J. Harb, O. P. Abbeel, and I. Mordatch. Multiagent actor-critic for mixed cooperative-competitive environments. In Advances in Neural Information Processing Systems (NI PS), 2017.

[101] F. A. Oliehoek,M. T. Spaan,and N. Vlassis. Optimal and approximate Q-value functions for decentralized POMDPs. Journal of Artificial Intelligence Research,32:289-353,2008.

[102] A. Tampuu, T. Matiisen, D. Kodelja, I. Kuzovkin, K. Korjus, J. Aru, J. Aru, and R. Vicente. Multiagent cooperation and competition with deep reinforcement learning. PloS one, 12(4):e0172395, 2017.

[103] M. Tan. Multi-agent reinforcement learning: independent vs. cooperative agents. In International Conference on Machine Learning (ICML), 1993

[104] Brambilla M., Ferrante E., Birattari M., Dorigo M., Swarm robotics: A review from the swarm engineering perspective, 2013, Swarm Intelligence, 7(1), 1-41.

[105] Fine, B.T., Shell, D.A., 2013. Unifying microscopic flocking motion models for virtual, robotic, and biological flock members. Autonomous Robots 35, 195-219.

[106] Oh, H., Shirazi, A.R., Sun, C., Jin, Y., 2017. Bio-inspired self-organising multirobot pattern formation: A review. Robotics and Autonomous Systems 91, 83-100.

[107] Ibuki, T., Wilson, S., Yamauchi, J., Fujita, M., & Egerstedt, M. (2020). Optimization-based distributed flocking control for multiple rigid bodies. IEEE Robotics and Automation Letters, 5(2), 1891-1898.

[108] Soria, E., Schiano, F. & Floreano, D. Predictive control of aerial swarms in cluttered environments. Nat Mach Intell 3, 545-554 (2021).

[109] Vasarhelyi G, Viragh C, Somorjai G, et al. Optimized flocking of autonomous drones in confined environments[J]. Science Robotics, 2018, 3(20): eaat3536.

[110] Coppola M, McGuire K N, De Wagter C, et al. A survey on swarming with micro air vehicles: Fundamental challenges and constraints[J]. Frontiers in Robotics and AI, 2020,7: 18.

[111] X. Dai, C. Ke, Q. Quan and K. -Y. Cai, "RFlySim: Automatic test platform for UAV autopilot systems with FPGA-based hardware-in-the-loop simulations," Aerospace Science and Technology, vol. 114, p. 106727, 2021

[112] Flight Evalution. http s : //www. flyeval .com/

[113]Zhou D, Wang Z, Schwager M. Agile coordination and assistive collision avoidance for quadrotor swarms using virtual structures[J]. IEEE Transactions on Robotics, 2018, 34(4): 916-923.

[114] Zhao W, Chu H, Zhang M, et al. Flocking control of fixed-wing UAVs with cooperative obstacle avoidance capability[J]. IEEE Access, 2019, 7: 17798-17808.

[115] Zhu P, Dai W, Yao W, et al. Multi-robot flocking control based on deep reinforcement learning[J]. IEEE Access, 2020, 8: 150397-150406.

[116] Wong E M, Bourgault F, Furukawa T. Multi-vehicle Bayesian search for multiple lost targets[C]//Proceedings of the 2005 ieee international conference on robotics and automation. IEEE, 2005: 3169-3174.

[117] Bezcioglu M B, Lennox B, Arvin F. Self-Organised Swarm Flocking with Deep Reinforcement Learning[C]//2021 7th International Conference on Automation, Robotics and Applications (ICARA). IEEE, 2021: 226-230.

[118] Dai F, Chen M, Wei X, et al. Swarm intelligence-inspired autonomous flocking control in UAV networks[J]. IEEE Access, 2019, 7: 61786-61796.

[119] Zhou Y, Rao B, Wang W. Uav swarm intelligence: Recent advances and future trends[J]. Ieee Access, 2020, 8: 183856-183878.

[120] de Croon, G. C. H. E., Dupeyroux, J. J. G., Fuller, S. B., & Marshall, J. A. R. (2022). Insect-inspired AI for autonomous robots. Science Robotics, 7(67), eabl6334.

[121] Zhou X, Wen X, Wang Z, et al. Swarm of micro flying robots in the wild[J]. Science Robotics, 2022, 7(66): eabm5954.

[122] Georgy Skorobogatov, Cristina Barrado, Esther Salami, Multiple UAV Systems: A Survey, Unmanned Systems, Vol. 8, No. 2 (2020) 149-169

[123] Logan E. Beaver, Andreas A. Malikopoulos, "An Overview on Optimal Flocking," Annual Reviews in Control, vol. 51, pp. 88-99, 2021.

[124] Bassolillo S R, D'Amato E, Notaro I, et al. Decentralized mesh-based model predictive control for swarms of UAVs[J]. Sensors, 2020, 20(15): 4324.

[125] Gerardo Beni, From Swarm Intelligence to Swarm Robotics, In Swarm Robotics, volume 3342 of Lecture Notes in Computer Science, pages 1-9. Springer, Berlin, Heidelberg, 2005.

[126] Xing Guo, Jianquan Lu, Ahmed Alsaedi, Fuad E. Alsaadi. Bipartite consensus

for multi-agent systems with antagonistic interactions and communication delays[J]. PhysicaA: Statistical Mechanics and its Applications,2018, 495(1): 488-497.

[127] Shen J. Cucker-Smale flocking under hierarchical leadership[J]. SIAM Journal on Applied Mathematics, 2008, 68(3): 694-719.

[128] Quan M, Piao S, Tan M, et al. Map-Based Visual-Inertial Monocular SLAM using Inertial assisted Kalman Filter [C]. In Proceedings of the IEEE International Conference on Robotics and Automation (ICRA), Brisbane, QLD, Australia. 2018: 21-25.

[129] Abdelmawgoud A, Pack D, Ruble Z. Consensus-based distributed estimation in multi-agent systems with time delay [C]. In 2018 World Automation Congress (WAC). 2018: 1-5.

[130] Li D, Ji D, Liu J, et al. A multi-model EKF integrated navigation algorithm for deep water AUV [J]. International Journal of Advanced Robotic Systems. 2016, 13(1): 3.

«■ШШ1Ш

(2023 ff) 108^

ятш&ш&шт

2020 20 ttfcfl**

f IMWft.

вшк ть fc-f ч

2023. б. 7

Бюро переводов «Восстания 1»

Санет-Петербург, ул. Восстания, ]

Тел. [phone]

E-mail: perevodifM.spb.ru_

Перевод с китайского языка

Vosstaniya 1 Translation Agency

St. Petersburg, Ul. Vosstaniya, I Tel.[phone] E-mail: perevod^vI.spb.ru_

«Шаньси Чанфэй Электроник Текнолоджи Ко., Лтд.» (Shanxi Changfei Electronic Technology Co., Ltd.) (Документ) «Шаньси Чанфэй» (2023 год) №108

Уведомление о высокотехнологичных резервах

Доктор Дэн Цзыцян предложил включить «технологию беспилотной интеллектуальной системы группового управления» г-на Чжу Юйцина в передовые научные и высокотехнологичные знания, а также в технологические резервы компании. После исследования технический комитет компании считает, что эта технология имеет следующие характеристики:

1. Данная технология в основном решает задачу самоорганизованного группового перемещения крупных группировок беспилотных летательных аппаратов,

2. Технологию можно использовать для предотвращения лесных пожаров на больших территориях, интеллектуальных действий дронов, городской логистики и транспорта, создания сети беспилотных транспортных средств «умного города» и других целей,

3. Разработка имеет определенную практическую ценность и определенные технологические достижения.

Имеются следующие трудности с применением

1. Для различных сценариев применения алгоритм управления требует дальнейшей оптимизации;

2. Трудно добиться устойчивого управления при высокоскоростном движении. В соответствии с положением статьи 9 документа № 20 от 2020 года «Правила

управления передовыми научными и высокотехнологичными резервами», после исследования техническим комитетом компании было установлено, что данная технология соответствует стандартам высоких технологий класса А. Комитет сделал заключение и одобрил ее включение.

Этот документ вступает в силу через 20 дней после его опубликования. Директор

«Шаньси Чанфэй Электроник Текнолоджи Ко., Лтд.» Доктор Дэн Цзыцян (подпись)

/подпись/

Печать: /«Шаньси Чанфэй Электроник Текнолоджи Ко., Лтд.», 6101130084370/ «Шаньси Чанфэй Электроник Текнолоджи Ко., Лтд.»

07.06.2023

Конец перевода документа

Я. дипломированный переводчик Бойкова Дарья Евгеньевна, владеющая русским и китайским языками, подтверждаю, что выполненный мною перевод является правильным, точным и полным.

Переводчик Бойкова Дарья Евгеньевна

САНКТ-

Петербург

Российская Федерация, Санкт-Петербург. Шестнадцатого декабря две тысячи двадцать третьего года.

Я, Штоколова Светлана Федоровна, временно исполняющая обязанности нотариуса нотариального округа Санкт-Петербурга Михайловой Анны Анатольевны, свидетельствую подлинность подписи переводчика Бойковой Дарьи Евгеньевны. Подпись сделана в моем присутствии. Личность подписавшей документ установлена.

Зарегистрировано в реестре: № 78/167-н/78-2023-63-2056. Уплачено за совершение нотариального действия: 600 рублей.

С.Ф. Штоколова

Итого в настоящем документе 4 (четыре) листа Врио нотариуса: