Нейросетевое оценивание состояния и оптимизационный синтез распределенного управления роем мобильных роботов в условиях неопределенности

Рассмотрена задача распределенного управления группой мобильных роботов, осуществляющих коллективное движение в трехмерной среде с препятствиями при ограниченном обмене информацией между агентами. Актуальность обусловлена необходимостью координации роя в условиях эпизодической доступности данных о состоянии соседей. Целью исследования является разработка распределенного регулятора, реализующего правила коллективного движения и обеспечивающего безопасность перемещения при неполной наблюдаемости. Предложен метод, объединяющий обучаемый оценщик состояния на основе полносвязной нейронной сети, аппроксимирующей фильтр частиц с одновременной оценкой неопределенности, и оптимизационный регулятор на основе функций барьерного управления и функций управления Ляпунова. По результатам моделирования установлено, что нейросетевой оценщик обеспечивает точность, сопоставимую с классическими методами фильтрации, при вычислительных затратах на один-два порядка ниже. Взвешенный центроид, учитывающий надежность оценок, уменьшает ошибку координации. Результаты применимы при проектировании систем управления многороботными группами.

1. Bartolomei L., Teixeira L., Chli M. Fast multi-UAV decentralized exploration of forests // IEEE Robotics and Automation Letters. 2023. Vol. 8, no. 9. P. 5576–5583. https://doi.org/10.1109/LRA.2023.3296037.

2. Ali Z. A., Alkhammash E. H., Hasan R. State-of-the-art flocking strategies for the collective motion of multi-robots // Machines. 2024. Vol. 12, no. 10. https://doi.org/10.3390/machines12100739.

3. Kim J., Kim S., Ju C. et al. Unmanned aerial vehicles in agriculture: A review of perspective of platform, control, and applications // IEEE Access. 2019. Vol. 7. P. 105100–105115. https://doi.org/10.1109/ACCESS.2019.2932119.

4. Shao X., Zhang J., Zhang W. Distributed cooperative surrounding control for mobile robots with uncertainties and aperiodic sampling // IEEE Transactions on Intelligent Transportation Systems. 2022. Vol. 23, no. 10. P. 18951–18961. https://doi.org/10.1109/TITS.2022.3189201.

5. Brunacci V., De Angelis A., Costante G. et al. Development and analysis of a UWB relative localization system // IEEE Transactions on Instrumentation and Measurement. 2023. Vol. 72. P. 1–12. https://doi.org/10.1109/TIM.2023.3265107.

6. Walter V., Staub N., Franchi A. et al. UVDAR System for visual relative localization with application to leader–follower formations of multirotor UAVs // IEEE Robotics and Automation Letters. 2019. Vol. 4, no. 3. P. 2637–2644. https://doi.org/10.1109/LRA.2019.2901683.

7. Salimpour S., Morón P. T., Yu X. et al. Exploiting redundancy for UWB anomaly detection in infrastructure-free multi-robot relative localization // Frontiers in Robotics and AI. 2023. Vol. 10. https://doi.org/10.3389/frobt.2023.1190296.

8. Li B., Wen S., Yan Z. et al. A survey on the control Lyapunov function and control barrier function for nonlinear-affine control systems // IEEE/CAA Journal of Automatica Sinica. 2023. Vol. 10, no. 3. P. 584–602. https://doi.org/10.1109/JAS.2023.123075.

9. Duan H., Huo M., Fan Y. From animal collective behaviors to swarm robotic cooperation // National Science Review. 2023. Vol. 10, no. 5. https://doi.org/10.1093/nsr/nwad040.

10. Long K., Dhiman V., Leok M. et al. Safe control synthesis with uncertain dynamics and constraints // IEEE Robotics and Automation Letters. 2022. Vol. 7, no. 3. P. 7295–7302. https://doi.org/10.1109/LRA.2022.3182544.

11. Zhang S., So O., Garg K. et al. GCBF+: A neural graph control barrier function framework for distributed safe multiagent control // IEEE Transactions on Robotics. 2025. Vol. 41. P. 1533–1552. https://doi.org/10.1109/TRO.2025.3530348.

12. Nguyen L. V. Swarm intelligence-based multi-robotics: A comprehensive review // AppliedMath. 2024. Vol. 4, no. 4. P. 1192–1210. https://doi.org/10.3390/appliedmath4040064.

13. Dawson C., Gao S., Fan C. Safe Control with learned certificates: A survey of neural Lyapunov, barrier, and contraction methods for robotics and control // IEEE Transactions on Robotics. 2023. Vol. 39, no. 3. P. 1749–1767. https://doi.org/10.1109/TRO.2022.3232544.

14. Ge R., Lee M., Radhakrishnan V. et al. Vision-based relative detection and tracking for teams of micro aerial vehicles // 2022 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), October 23–27, 2022, Kyoto, Japan. New York, NY : Institute of Electrical and Electronics Engineers, 2022. P. 380–387. https://doi.org/10.1109/IROS47612.2022.9981115.

15. Ávila-Martínez E. J., Barajas-Ramírez J. G. Flocking motion in swarms with limited sensing radius and heterogeneous input constraints // Journal of the Franklin Institute. 2021. Vol. 358, no. 4. P. 2346–2366. https://doi.org/10.1016/j.jfranklin.2021.01.022.

16. Zhu P., Dai W., Yao W. et al. Multi-robot flocking control based on deep reinforcement learning // IEEE Access. 2020. Vol. 8. P. 150397–150406. https://doi.org/10.1109/ACCESS.2020.3016951.