Вы находитесь на странице: 1из 25

Управление несколькими роботами для формирования

статического многоугольника с использованием алгоритма Лидер-


Сосед
Баядир А. Исса, Абдулмутталиб Тюрки Рашид
Электротехнический факультет, Университет Басры и Саутрена,
Басра, Ирак
Аннотация
Одной из самых больших нерешенных проблем для
роботизированной системы является управление формацией нескольких
роботов. Ее важность была отмечена в самых различных областях
применения, от группы грузовиков до доставки автономных посылок. В
этой статье для группы роботов-соседей, случайным образом
распределенных в неизвестной среде, предложен новый центральный
подход к управлению формацией в форме многоугольника под
названием Алгоритм соседа-лидера. Во-первых, процедура локализации
роботов используется для оценки положений и ориентаций в реальном
времени робота-лидера и его соседних роботов. Эта информация
собирается с помощью датчика RP LIDAR, установленного на каждом
роботе, затем собранная информация отправляется ведущему. Во-
вторых, соседних роботов перестраивают в регулярное распределение,
перемещая их вокруг лидера для получения нового распределения с
равными углами между каждым из двух соседних роботов. На
последнем этапе направление каждого соседнего робота изменяется в
сторону ведущего робота. После этого все соседние роботы движутся к
лидеру, пока не достигнут виртуального круга, проходящего через
требуемые вершины многоугольника. Результаты моделирования
иллюстрируют целостность этого алгоритма.
© 2020 Авторы. Производство и хостинг Elsevier B.V. от имени
Университета короля Сауда. Это статья открытого доступа под
лицензией CC BY-NC-ND (http ://creativecommons.org/licenses/by-nc-
nd/4.0/).

1. Вступление

Мобильные робототехнические формации получили большое


внимание в начале десятилетия благодаря своей способности работать
вместе и выполнять множество видов работ в целом более
профессионально, чем один робот (Chen et al., 2010; Rashid et al., 2015).
Кроме того, они могут обеспечить силу и способность противостоять
ошибкам, ожидаемым для военных действиях и спасательных миссий.
Строительство систем с несколькими роботами обходится дешевле, чем
строительство большого и сложного робота-одиночки (Farias et al., 2016;
Rashid, 2016). Формирование мультироботов быстро развивается,
поскольку они применимы во многих областях, таких как совместный
мониторинг и удаленное транспортирование (Toibero et al., 2008). Эти
задачи требуют, чтобы роботы занимали некоторые желаемые положения
между собой во время движения. Управление формацией относится к
проблеме управления относительным положением и ориентацией
роботов внутри группы при обеспечении ее движения как единого
целого (Issa and Rashid, 2019). Предложены различные методы
управления формированием, включая поведенческий подход,
виртуальные структуры и подход лидер-последователь (Penghao and
Zhiyong, 2016). В конфигурации, основанной на поведении, групповые
действия (или задачи) состоят из нескольких низкоуровневых действий
(или подзадач), где отдельные роботы должны выполнять
низкоуровневые действия для достижения группового действия.
Действия созданы для достижения различных целей (Rashid and Yakub,
2019). Основное преимущество этой стратегии заключается в том, что
запланированные ответные действия в основном сочетаются с
переносом нагрузок от деятельности, зависящих от партнеров,
реагирующих на подключенного робота. Однако такой подход имеет
недостатки, математический анализ данной методологии сложен,
поэтому симуляция роботизированного формирования такой структуры
не может быть одобрена (Lawton et al., 2003; Marina et al., 2017). В
подходе виртуальной структуры контроллер используется в три этапа.
На первом этапе выделяют динамику, необходимую для гипотетической
структуры. На втором, идеальное движение виртуальной структуры
транслируется в желаемое движение всех роботов. Наконец, один
следующий контроллер для всех роботов получается из
роботизированного слежения (Sugihara and Suzuki, 1996). Принцип
благоприятного положения этой методологии заключается в том, что
одиночное научное руководство интерпретирует все осязаемое
информационное пространство в пространство выхода привода без
требования многочисленных стандартов или практик. Аналогично,
полученное поведение может быть консолидировано с использованием
векторных активностей. Некоторые свойства, например, устойчивость и
стабильность, могут быть продемонстрированы с использованием
теоретических инструментов из физики, теории управления и теории
графов. Однако стратегия подхода виртуальной структуры часто
используется для структурирования агрегированных практик, которые
требуют формирования нескольких роботов, которые дают неточные
результаты и не могут быть использованы во многих приложениях.
(Cristescu et al., 2012; Han et al., 2017). В подходе лидер-последователь
один робот организован как лидер, путешествует по определенному
пути, а другие роботы спроектированы как последователи (Khalaji and
Zahedifar, 2019). Проблема управления конфигурацией в формации
лидер-последователь превращается в две простые задачи: одна
заключается в управлении отслеживанием лидера, а другая - в
организации формации с другими роботами. Робот последователь
должен принять положение в соответствии с положением лидера,
поддерживать требуемую формацию и регулировать свое расположение.
Поэтому для настройки процесса конфигурирования просто выбирается
относительное положение между ведущим и ведомым роботами,
(Balasundaram and Muthuswamy, 2017; Rashid and Ali, 2013) используя
стандартные методы теории управления, которые обеспечивают
стабильность отслеживания ошибок. (Vaitheeswaran et al., 2014). Этот
подход имеет простую структуру и легко реализуется двумя
контроллерами, он опирается только на информацию от локальных
датчиков, но имеет недостаток, заключающийся в том, что ведущий робот
является единственным блоком, неисправность которого может привести
к отказу всей формации. Лидер-последующие образования могут
принимать множество форм, начиная с линии, в которой каждый робот
подчиняется предыдущему роботу и является роботом-лидером для
следующего. Вместо этого оно может состоять из одного лидера, за
которым следуют все остальные роботы. Объединение этих двух видов
структур приводит к созданию различным геометрических форм,
которые могут быть искажены, чтобы избегать препятствия или пройти
через узкие места. Самый сложный метод организации роботов
включает замену лидера основной системой, наблюдение за роботами,
предоставляющую задачи роботам (Darmanin and Bugeja, 2017). Два
основных способа используются для поддержания формирования
мобильных роботов на основе подхода лидер-последователь, названного
способом расстояние-ориентация, в котором последователь должен
поддерживать фиксированное расстояние и угол ориентации между ним
и лидером в структуре организации. И второй способ, а именно способ
"расстояние-расстояние", который основан на объеме восприятия
подвижных роботов для управления относительным расстоянием между
последователями и лидером. При этом условии каждый последователь
должен следовать за более дальними роботами-лидерами для получения
желаемой формы структуры, и требует большей сети связи. (Markom et
al., 2015; Wei and Cagle, 2018).
Эта работа сосредоточена на управлении формированием
мобильных робототехнических систем. Предложен новый алгоритм
управления несколькими мобильными роботами, которые могут
самостоятельно собираться в определенной конфигурации. Это одна из
важнейших особенностей выполнения задач, требующих совместных
действий. Возможность формирования конфигураций особенно важна,
когда возможности отдельных роботов ограничены. Например, роботы
могут координироваться для синхронизированной поисково-
спасательной деятельности в случае катастрофы, коллективно
транспортировать крупные объекты, изучать неизвестные участки,
планировать и поддерживать конфигурацию для строительства зданий,
внедрять новую систему управления и управления для устойчивой
организации мобильных роботов в форме статического многоугольника.
Более эффективное использование пропускной способности сети связи и
снижение энергопотребления из-за связи только между лидером и
каждым соседним роботом, так что физические компоненты для этого
процесса уменьшаются. Только ведущее устройство в нашей системе,
знает внешнюю систему управления пользователя, которая выпускает
соответствующие мобильные программные агенты в среду для создания
требуемой формации. В большинстве других алгоритмов управления
конфигурацией каждому роботу необходима информация обо всей
конфигурации, что неприемлемо при реальном приложении. В нашем
алгоритме, с другой стороны, только ведущему роботу нужна
информация о собственном соседе, которая получена от подключенного
к нему лазерного датчика RP LIDAR. Итерационная процедура уточняет
относительные положения роботов соседа в коллективе, чтобы создать
конечную формацию с точной формой и размерами, заданными
роботом-лидером. Соседние роботы организуются с роботом-лидером с
помощью сетевой связи WIFI и создают формации. Для работы в этой
схеме роботу-лидеру нужны только собственные данные, которые
состоят из позиций относительно него соседних роботов, которые
получаются с лидарного датчика каждого из них. Система состоит из
одного ведущего робота и четырех соседних роботов, распределенных
случайным образом в неизвестной среде. Каждый соседний робот
обладает простыми возможностями перемещения, такими как качение
колес, измерение расстояния и угла через закрепленный с ним датчик
RP LIDAR. Он используется для сбора информации о других соседних
роботах и окружающей среде. RP LIDAR - это полная 360 степень
сканирования, низкая стоимость и может принимать более 8000 данных
расстояния в секунду со скоростью сканирования от 2 до 10 Гц (Rashid
and Ali, 2012; Consolini and Morbidi, 2008). RP LIDAR используется при
картировании окружающей среды, поэтому датчик, соединенный с
мобильным роботом, и управление станциями были установлены для
сбора информации об окружающей среде. Она более точна, охватывает
большую площадь и сканирует до 100 раз в секунду, поэтому может
использоваться в 2D и 3D неизвестной среде. Все управления соседних
роботов осуществляются ведущим роботом, который регулирует их
относительное положение в соответствии со своим положением и
ориентацией. Помимо мобильных возможностей, роботы имеют
некоторые устройства связи, с помощью которых они могут
взаимодействовать с ведущим роботом по сети связи WIFI. Структура
настоящего документа такова: раздел 2 определяет соответствующую
работу. Раздел 3 определяет базовый алгоритм ведомого лидера на их
основе. В разделе 4 разъясняются предлагаемые процедуры. В разделе 5
поясняются результаты моделирования. И наконец, раздел 6 делает
выводы из документа.
2. Связанные работы

В течение многих лет было предложено несколько общих


областей применения формации лидера-последователя. Например,
задачи для наблюдения, поиска и спасения, которым многие годы
уделялось большое внимание со стороны сообщества мульти-
робототехники. Это связано с важностью этих задач в повседневной
жизни. Первоначально программа мониторинга предназначалась для
патрулирования или обследования внутренних районов. Группы роботов
часто вдохновлены естественными колониальными системами, такими
как пчелы и муравьи. Это связано с тем, что распределенные группы
часто включают только неявное соединение для сбора случайно
распределенных элементов и их передачи на "домашние" области. В
конфигурационных приложениях группы роботов должны сохранять
строгое положение, избегая препятствий на своем пути. Эта проблема
сложнее, так как члены команды должны избегать препятствий в
больших количествах, если они не покидают формацию на длительный
период времени. Общим решением является подход Leader-Follower, в
котором алгоритм планирования пути и ограничения конфигурации
реализуется (расстояние от лидера) на командном роботе, а
последователи следуют за ним. Недавние исследования также
использовали методы вычислительной разведки в приложениях для
планирования. В (Schlanbusch et al., 2010) был предложен алгоритм
создания формирования лидер-последователи, предполагающий, что
требуемый угол между лидером и последователями измеряется внутри
последователей, а не лидера, который управляет более высокими
затратами на реализацию. В (Yang and Fan, 2019) представлена формация
лидер-последователь с предположением, что последователи завершают
оценку лидера, отслеживая точку между точкой по умолчанию и центром
лидера на фиксированном расстоянии. Работа основана на модели с 6
степенями свободы, где каждый последователь генерирует ссылку в
реальном времени на основе относительного положения и перемещения
между лидером и его последователями. Это гарантирует, что лидер
указывает на цель при реконструкции формации. Этот метод имеет
сложные и неточные результаты. В то время как в (González-Sierra et al.,
2018) был предложен распределенный контроллер нелинейного
образования, так что управляющие входы для каждого последователя
могут быть представлены как произведение нелинейного члена на
основании ошибки расстояния под структурой лидер-последователь.
При таком типе структуры лидер-последователь ряд роботов считаются
лидерами, направляют группы других роботов в конкретные пункты
назначения, которые называются последователи. Стабильность этого
контрольного закона демонстрируется с помощью функций Ляпунова. И
(Solot and Ferlini, 2019) представили стратегию управления для
формирования ведущего-толкателя с дистанционно-зависимой моделью
двух кинематических моделей роботов. Используются методы
подпрыгивания для управления роботами последователями, чтобы
поддерживать требуемое расстояние и направление с лидером робота. В
(Qian and Xi, 2018) распределённая технология используется для
управления формированием лидера-последователя трёх роботов-
черепах, каждый из которых делает действия, управляемые данными,
предоставляемые бортовым лидаром и работает по мере необходимости
для отслеживания человека или другого робота. Управление режимом
скольжения производно-интегральной (DI) станции для формации
лидер-последователь структурировано в (Yang et al., 2019) в
зависимости от относительного положения. Поскольку организация
формации испытывает уязвимости, для их нейтрализации используется
средство просмотра нелинейных возмущений. Выражение Ляпунова
доказало устойчивость замкнутой системы управления. Вместо
традиционного способа обратного шагового перемещения предлагается
другая структура управления (Chinelato et al., n.d.), в которой основной
робот структурирован таким образом, что он сходится к опорному
направлению в зависимости от требования положения лидера без
необходимости узнавать скорость и динамику лидера. Также анализ
устойчивости Ляпунова используется для того, чтобы показать, что все
сигналы замкнутого контура равномерно ограничены в конечном итоге.
В то же время как в (Tutuko et al., 2018) предложен метод управления,
называемый SDRE (State-Dependent Riccati Equation), для управления
формированием мульти-роботной системы с одним роботом-лидером и
двумя последователями. И в (Kambayashi, et al., 2019) предлагается
использовать только ограниченные величины для оценки
относительного положения. Для подвижных роботов одноколесного
типа предлагается контроллер, зависящий от оцененного
относительного положения в структуре координат толкателя. В (Trinh et
al., 2018) был предложен алгоритм управления формированием роевых
роботов с помощью трехмерного движущегося агента. Мобильные
агенты транспортируют физических роботов и используют непрямую
связь, распространяя феромоны. Распространение феромонов также
достигается мобильными агентами. Алгоритм применяет два типа
мобильных программных агентов: муравей и феромон. Муравьи
используют локальную информацию для генерации феромона.
Локальная информация состоит из векторных значений, которые
определяют, где роботы занимают пространство для формирования
требуемой формации. Этот тип алгоритма был дорогостоящим и
требовал большей связи между всеми роботами. В (Rashid and Ali, 2019)
установили направление управления формированием сбора
самодостаточных роботов со структурой первого последователя
ведущего (LFF) в открытом размерном пространстве. Предложены и
изучены законы контроля положения, которые полностью
стабилизируют образования LFF до предпочтительной формации. Для
сведения к минимуму энергии, затрачиваемой роботами, или времени,
необходимого для выполнения этой задачи, реализуются несколько
статических стратегий формирования многоугольника в глобальной
среде знаний. В этих стратегиях вместо алгоритма триангуляции
используется алгоритм согласования блоков (Rashid et al., 2019).
Цель настоящего документа - представить другой алгоритм
формирования статического многоугольника системы лидер-
последователь, основанный на упрощении алгоритма ориентации-
расстояния для группы мобильных роботов, случайным образом
распределенных вокруг лидера в неизвестной среде. Каждый робот
оснащен RP LIDAR сенсором, используемым для сбора информации об
окружающей среде и других роботах. Собранная информация от
датчиков RP LIDAR передается роботу-лидеру через прямой контакт
между лидером и последователями. Поэтому лидер может локализовать
каждого робота в правильное положение в соответствии с его
расположением по отношению к лидеру. После этого роботы образуют
статическое многоугольное образование, стабилизируя расстояние
между лидером и каждым роботом по окружности круга и поворачивая
их в том же направлении, что и лидер.
3. Алгоритм "лидер-последователь"

Этот алгоритм черпает вдохновение из (Farias et al., 2016)


алгоритма лидер-последователь и создает статическую форму
многоугольника, как (Rashid et al., 2019). По этой причине в этом
разделе кратко представлена концепция (Farias et al., 2016)
формирования лидера-последователя и конфигурация формы
статического многоугольника. Алгоритм круговых путей используется
для прогнозирования пути робота-последователя, который зависит от
пути ведущего, и указания положение ведущего для следования за ним.
В этом алгоритме траектория робота-последователя содержит
многочисленные круговые пути, каждый из которых достигается из трех
точек, характеризующихся перспективным положением робота-лидера,
предыдущим и нынешним положениями робота-последователя.
Первоначально вычисляется расстояние (L) между роботами-лидерами и
последователями, и на каждом этапе движения размер шага движения
увеличивается на конкретную проблему (l), так как расстояние между
лидером и толкателем больше, чем часть L, другие его уменьшения на
аналогичную проблему l. В то время как подход, представленный в
(Rashid et al., 2019), заключается в локализации мульти- роботов через
организованную формацию. Форматирование конфигурации позволяет
локализовать мобильный робот с помощью трех статических роботов,
которые выступают в качестве исходных узлов. Этот мобильный робот
будет зафиксирован после завершения шага и будет использоваться в
качестве одного из исходных узлов. Выбирается один неподвижный
робот, и можно переключиться на следующий мобильный робот.
Повторяя этот процесс, статическое образование достигается без
сигнала внешнего источника. В конфигурационном формате мобильный
робот перемещается по последовательностям переключения и
переключения. В последовательности смен каждый робот перемещается
на нужный путь. В последовательности переключения мультиробот
запускается и следует по нужному пути. При движении каждого робота
он должен оставаться в диапазоне действия инфракрасного датчика. В
этом разделе координация формирования будет использоваться в
качестве стратегии для создания правильной формы многоугольника.
Каждый робот в системе с несколькими роботами получает свои данные
с собственного датчика и посредством связи с другими роботами. Во-
первых, все роботы используют алгоритм согласования блоков для
оценки начального положения и направления. Стратегия затем начинает
выбирать подходящих роботов для перемещения в зависимости от
формы и местоположения этих роботов. Этот процесс осуществляется с
помощью алгоритма согласования блоков, который выбирает роботов,
которые находятся далеко от места образования полигона. В
триангуляции оценка движения робота выполняется по меньшей мере
тремя неподвижными роботами, но предлагаемая стратегия требует
только двух роботов. Это уменьшает число переходных событий при
построении многоугольника. Каждый робот использует алгоритм
диаграммы двоичного дерева для определения его пути. Эти роботы
останавливаются на границах диапазона связи соседнего неподвижного
робота. Затем другой удаленный робот начинает движение к
целеобразованию и повторяет ту же процедуру. Этот процесс
продолжается до тех пор, пока все роботы не достигнут своих целей.

4. Алгоритм сосед-лидер

При управлении алгоритмами формации обычно предполагается,


что для роботов в формации доступны идеальные оценочные данные. В
мультироботической системе, где важно поддержание формы
группировки, если соседние роботы не имеют полностью настроенных
датчиков, то прочность требуемой формы не стабилизирует групповое
объединение. В частности, конфигурации демонстрируют
нежелательное групповое движение, а также искажения требуемой
формы. Эта проблема может сохраняться, если два соседних робота не
несут одинаковой ответственности. Например, только один робот
управляет расстоянием ошибки между двумя соседними роботами в
ведущей и ведомой конфигурации, которая называется конфигурацией
ведущего-ведомого. Формирование ведущего-ведомого приводит к
направленной топологии, которая описывает взаимосвязи между
соседними роботами и анализирует основные свойства алгоритмов
управления конфигурацией, такие как стабильность, гравитация и время
схождения. Анализ распределения обязанностей между соседними
роботами показал, что увеличение числа роботов в команде требует
дополнительных затрат на координацию всех пар датчиков на соседних
роботах. В этом разделе представлен алгоритм Neighbor-Leader для
формирования формы статического многоугольника. Этот алгоритм
используется для прогнозирования траекторий соседних роботов,
зависящих от положения ведущего. Он учитывает наблюдаемое
местоположение ведущего робота, чтобы двигаться к нему. Сначала
позиции и направления соседних роботов вычисляются в соответствии с
положением лидера, и на каждом шаге перемещения соседнего робота
длина шага перемещения увеличивается в один раз. (j) до тех пор, пока
расстояние между ведущим и соседним роботами не станет равным
радиусу окружности, где цель каждого робота находится вокруг
ведущего, чтобы сформировать форму статического многоугольника.
Исследование этого алгоритма требует двух частей:
4.1. Часть первая: Переставьте углы среди соседних роботов

В этой части роботы распределены случайным образом.


Координатная ось и направления для каждого робота вычисляются
относительно ведущего робота. Эта информация о положении может
быть получена с датчика RP LIDAR, установленного на каждом роботе.
RP LIDAR предоставляет информацию о направлении и расстоянии для
каждого робота. На основе этой информации положение каждого робота
можно рассчитать с помощью следующей процедуры:
Шаг1: Расчет исходного положения: Координаты и
направления каждого робота, смежного с ведущим роботом, должны
рассчитываться в соответствии со следующей процедурой, как
показано на рис. 1:

1. 1. RP LIDAR лидера сканирует среду для вычисления bi (угол


поворота между направлением лидера и положением робота i) и Di
(расстояние между роботом-лидером и роботом i).
2. Рассчитайте направление робота i относительно
расположения лидера следующим образом:

где ui ориентация робота лидера.


3. Координаты робота i вычисляются следующим образом:

Рисунок 1. Расчет исходного положения.

здесь (x0, y0) - координатная ось ведущего робота, и (xi, yi) -


начальная координатная ось робота i.
Шаг2: Изменение ориентации соседних роботов: На этом шаге
каждый робот расположен на круговой траектории вокруг ведущего
робота, как показано на рис. 2. Направления роботов должны быть
изменены для совмещения их траекторий. Этот процесс
осуществляется в соответствии со следующими шагами:
1. Соседний робот i сканирует окружение для коррекции угла ai
(рис. 3) между его направлением и положением ведущего робота.
2. Измените ориентацию соседнего робота i на j градусов.

3. Этапы 1 и 2 повторяют до ai = 90 градусов.


Шаг3: Перестроение расстояние между роботами-соседями:
Равномерное формирование роботов-соседей происходит, когда углы
между любыми двумя роботами-соседями относительно робота-лидера
имеют одинаковое значение. Этот процесс осуществляется в
соответствии со следующими шагами:
1- Вычислить угол q между двумя соседними роботами
относительно ведущего.

где n - число соседних роботов.

2- Вычислите углы между соседними роботами и ведущим, как


показано на рис. 4.

3- Изменить углы между соседними роботами и лидером по


возрастанию.
4- Вычислить угол ориентации между двумя соседними роботами.

Рисунок 2. Каждый соседний робот расположен на круговой


траектории вокруг ведущего робота.
Рисунок 3. Ориентация каждого соседнего робота должна быть
перпендикулярна расположению выноски.

Рисунок 4. Вычисление углов между соседними роботами и


лидером.
где ϑi угол между роботом i и i + 1.
5- Если угол ϑi меньше, чем угол q, то увеличить угол ci..

6- Вычислите новое положение соседнего робота i.

7- Повторите шаги 5 и 6 для текущего соседнего робота и для всех


роботов до тех пор, пока все ¼углы между соседними роботами и ведущим не
станут равными и не будут иметь значение q # i q, как показано на рис.5.
4.2. Часть вторая: изменение расстояний между соседними
роботами и лидером

В этой части роботы должны изменить свою ориентацию к


ведущему и двигаться до достижения круговой траектории, которая
проходит через желаемую форму многоугольника, как в следующих
шагах:
Шаг1: Изменить ориентацию соседних роботов: В конце
первого этапа все соседние роботы расположены в одинаковых углах
друг с другом и имеют разные расстояния от ведущего. Направление
каждого соседнего робота перпендикулярно расположению выноски.
Эта ориентация должна быть изменена на 90 градусов, чтобы быть на
прямой траектории к расположению ведущего робота. Этот процесс
осуществляется в соответствии со следующими этапами:

1- Согласно рис. 3 ориентация соседнего робота i:

2- Ориентация соседнего робота i увеличивается на j на каждом


шаге.

3- Процесс повторяют до bi = 180 градусов, как показано на


фиг.6.
Шаг2: Завершение построения формы многоугольника: После
изменения ориентации соседних роботов, Следующий шаг -
переместить этих роботов к лидеру на расстояниях, представленных
круговой траекторией, которые проходят через вершины
многоугольника. Этот процесс осуществляется в соответствии со
следующими шагами:

1. Вычислите новое положение соседнего робота i

2. Вычисление расстояние между соседними роботами и


поводком следующим образом:

Рисунок 5. Организация соседних роботов с равными углами


вокруг лидера.
Рис. 6. Направление ориентации каждого соседнего робота к
ведущему.
3. Повторяйте 1, 2 до тех пор, пока не станет Di = L, как
показано на рис. 7, где L представляет расстояние образования между
соседними роботами и лидером, как показано на рис. 6.
Шаг3: Полная ориентация соседних роботов: Корректировка
ориентации всех соседних роботов, чтобы сделать их направления как у
ведущего, с помощью следующих уравнений, как показано на рис. 7, и
полного формирования статического многоугольника, показанного на
рис. 8:

5. Результаты моделирования

В этой статье моделирование предложенного алгоритма


используется для исследования формирования Neighbor-Leader
мобильных роботов с использованием Visual Basic 2010. Стратегия
конфигурации моделируется в неизвестной среде и рассматривается как
статическая многоугольная форма. Алгоритм, предложенный в этой
статье, сравнивается с алгоритмом лидера-последователя в (Farias et al.,
2016) и статическим образованием многоугольника в (Rashid et al.,
2019). Формирование с алгоритмом ведущего-ведомого реализуется в
глобальной среде знаний, где каждый робот знает свое местоположение,
включая расстояния до других роботов, чтобы предсказать траекторию
ведомого робота в зависимости от траектории ведущего. В то время как
другая формация с использует два алгоритма: энергосберегающий
алгоритм, который основан на алгоритме перестановки для определения
целей каждого робота. Идеальное расположение происходит в случае,
когда сумма расстояний между роботами и целями наименьшая. Кроме
того, алгоритм формирования кратчайшего времени также встроен в
глобальную среду знаний и использует алгоритм перестановки.
Наилучшая компоновка в этом случае возникает, когда максимальное
расстояние в этой компоновке является минимальным по отношению к
другим компоновкам. Моделирование выполняется с использованием
разнородной топологии, представляющей различные размеры сети (n) от
3 до 7 роботов. Роботы случайным образом размещаются в пространстве
500х500 пикселей. В этом моделировании используются два параметра.

Рисунок 7. Расположение углов ориентации между соседними


роботами как у лидера.

Рисунок 8. Статическое многоугольное образование.


Число соседних роботов (n): эта метрика используется для измерения
времени, необходимого для завершения формирования статического
многоугольника при увеличении числа роботов.
Время завершения формирования (t): эта метрика используется для
определения процента времени завершения относительно числа соседних
роботов.

На рис. 9 показано моделирование. На рис. 9 (a) - (f) представлены


сценарии моделирования для нашего алгоритма на различных временных
этапах для исследования образования статического многоугольника в
неизвестной среде. Основная цель этого моделирования - показать связь между
количеством роботов и процентом достижения. На рис. 10-12 показано
сравнение между лидером соседа, лидером-толкателем и алгоритмами
формирования экономии энергии для вычисления процента времени
завершения формирования в статической среде с тремя, пятью и семью
соседними роботами соответственно. Сравнения показывают, что по мере
увеличения числа роботов в окружающей среде процент достижений также
увеличивается. Алгоритм формирования Neighbor-Leader имеет оптимальную
производительность по сравнению с двумя другими алгоритмами. На рис. 13
показаны скриншоты симуляций с разным количеством роботов. Этот процесс
достигается с помощью алгоритма Neighbor-Leader для перемещения далеких
роботов из их неизвестных мест к их целям для формирования статического
многоугольника Neighbor-Leader.
Рис. 9. Формирование роботов. (a-e) Скриншоты моделирова-
ния на различных временных этапах. (f) Окончательное формирова-
ние.

Рисунок 10. Сравнение между Соседним Лидером, ведомым


лидером и алгоритмами формирования экономии энергии для
вычисления процента времени завершения формирования в
астатической среде с тремя соседними роботами.

Рис. 11. Сравнение между соседним лидером, ведомым


лидером и алгоритмами формирования экономии энергии для
вычисления процента времени завершения формирования в
астатической среде с пятью соседними роботами.

Рисунок 12. Сравнение между соседним лидером, ведомым


лидером и алгоритмами формирования экономии энергии для
вычисления процента времени завершения формирования в
астатической среде с семью соседними роботами.

Основная цель этого моделирования - показать связь между


количеством роботов и временем выполнения.
Из рис. 14 Видно, что по мере увеличения числа соседних роботов
время выполнения также увеличивается для всех соседних лидеров,
ведомых лидеров и алгоритмов формирования экономии энергии.
Алгоритм формирования соседнего лидера обеспечивает оптимальную
производительность по сравнению с двумя другими алгоритмами.
Последнее моделирование используется для сравнения общих
путей, которые используются всеми роботами для завершения
формирования для всех соседей.
Рисунок 13. Формирование с несколькими роботами. (a, b) три
робота (c, d) пять роботов (e, f) шесть роботов.

Рисунок 14. Время формирования для разного количества


роботов.
Лидер, ведомый лидера и алгоритмы формирования экономии
энергии. Минимизация общего пути означает снижение мощности,
используемой этими роботами для достижения своих целей. На рисунке
15 показано сравнение между соседним лидером, ведомым лидером и
алгоритмами формирования экономии энергии для вычисления среднего
значения общего пути для различного числа соседних роботов.
Сравнения показывают, что по мере увеличения числа роботов в
окружающей среде увеличивается и среднее значение общего пути.
Алгоритм формирования экономии энергии имеет лучшую
производительность, чем два других алгоритма. Для более измеримой
оценки моделирование в этой ситуации повторялось для измененных
отклонений, простирающихся от 0 до 200 на этапах 5. Для каждого
среднего значения расстояния в момент времени для достижения цели
было рассмотрено 10 различных реализаций, где при каждой реализации
учитывалось различное рассеяние соседних роботов в окружающей
среде. Для каждого алгоритма формирования статического
многоугольника вычислены и описаны на рис. 16 среднее значение и
стандартное отклонение расстояния между позициями роботов и их
целью. Представленный алгоритм обладает лучшей производитель-
ностью, чем два других алгоритма.

Рисунок 15. Сравнение среднего значения общего пути для


лидера, кратчайшего времени и алгоритмов формирования экономии
энергии относительно числа соседних роботов.
Рисунок 16. Среднее значение и стандартное отклонение
расстояния между позициями роботов и их целью.
6. Заключение

В этой статье предложена новая стратегия организации


формирования удаленных смежных роботов для формирования
структуры статического многоугольника в неизвестной среде путем
использования нескольких мобильных роботов, локализованных и
распределенных случайным образом. Результаты моделирования
реализуются в среде с другим числом (от 3 до 7) роботов,
использующих Neighbor-Leader, ведомый лидер и алгоритмы
формирования экономии энергии. Результаты показывают, что алгоритм
Neighbor-Leader имеет лучшую эффективность для завершения
формации, поскольку он использует основной алгоритм для
определения времени выполнения и процента достижения. Другие
алгоритмы зависят от нескольких алгоритмов для выполнения одной и
той же задачи, которая требует большего времени вычислений. Из
полученных результатов видно, что процент достижения увеличивается
по мере увеличения числа соседних роботов для всех алгоритмов. Кроме
того, по мере увеличения числа роботов время выполнения также
увеличивается, и алгоритм Neighbor-Leader имеет лучшую
эффективность, чем другие алгоритмы. При вычислении среднего
значения общего пути для завершения формирования для всех лидеров,
ведомых и алгоритмов формации с экономией энергии обнаруживается,
что по мере увеличения числа роботов в окружающей среде среднее
значение общего пути также увеличивается. Алгоритм формирования с
экономией энергии имеет оптимальную производительность, чем два
других алгоритма, потому что этот алгоритм выбирает наилучшее
распределение между роботами и их целевыми местоположениями.
Декларация конкурирующих интересов

Авторы заявляют, что у них нет известных конкурирующих


финансовых интересов или личных отношений, которые могли бы
повлиять на работу, описанную в этой статье.

Список источников

Chen, Jian, Sun, Dong, Yang, Jie, Chen, Haoyao, 2010. Leader-
follower formation control of multiple non-holonomic mobile robots
incorporating a receding- horizon scheme. Int. J. Robotics Res. 29 (6),
727–747.
Rashid, A.T., Frasca, M., Ali, A.A., Rizzo, A., Fortuna, L., 2015.
Multi-robot localization and orientation estimation using robotic cluster
matching algorithm. Rob. Auton. Syst. 63, 108–121.
Farias, G., Fabrega, E., et al., 2016. Development of an easy-to-
use multi-agent platform for teaching mobile robotics. IEEE Trans. J.
4, 1–13.
Rashid, A., 2016. Leader follower tracking with obstacle avoidance
using circular paths algorithm. Basrah J. Eng. Sci. 16 (2), 29–47.
Toibero, J., Roberti, F., et al., 2008. Formation control for non-
holonomic mobile robots: a hybrid approach, Recent Adv. Multi Robot
Syst., INTECH J., 234–248, www.intechopen.com.
Issa, B., Rashid, A., 2019. Survey of multi-mobile robot formation
control. Int. J. Computer Appl. 181 (48), 0975–8887.
Penghao, W., Zhiyong, G., 2016. Leader-Follower Formation
Control of Multi-Robot Systems Using the Dynamic Surface Approach.
In: Proceedings of the 35th Chinese Control Conference, Chengdu, China,
July 27–29, 2016, pp. 7757–7762. Rashid, M., Yakub, Z., et al., 2019.
Comprehensive review on controller for leader-
follower robotic system. Indian J. Geo Marine Sci. 48 (7), 985–
1007.
Lawton, J.R.T., Beard, R.W., Young, B.J., 2003. A decentralized
approach to formation maneuvers. IEEE Trans. Robot. Automat. 19 (6),
933–941.
Marina, H.G., Jayawardhana, B., et al., 2017. Distributed algorithm
for controlling scale-free polygonal formations. In: IFAC 2017 World
Congress, Toulouse, France.
Sugihara, Kazuo, Suzuki, Ichiro, 1996. Distributed algorithms for
formation of geometric patterns with many mobile robots. J. Robotic Syst.
13 (3), 127–139.
Cristescu, S., Ionescu, C., et al., 2012. Leader-Follower String
Formation using Cascade Control for Mobile Robots, Barcelona, Spain,
pp. 1092–1098, pp. 3–6.
Han, Q., Ren, S., et al., Bearing-Based Localization for Leader-
Follower Formation Control, PLOS J. Long Wang, Peking University,
China, April 20, 2017, pp. 1–16. Khalaji, A.K., Zahedifar, R., 2019.
Lyapunov-Based Formation Control of Underwater
Robots, Robotica in Cambridge University, pp. 1–18.
Balasundaram, M., Muthuswamy, S., 2017. Systematic approach
for role assignment in mobile robots using leader-follower approach:
experimental observations. Int. J. Rob. Autom. 32 (3), 224–232.
Rashid, A.T., Ali, A.A., et al., 2013. Path planning with obstacle
avoidance based on visibility binary tree algorithm. Rob. Auton. Syst. 61,
1440–1449.
Vaitheeswaran, S., B.M.K, et al., 2014. Leader follower formation
control of ground vehicles using camshaft based guidance, Int. J.
Multimedia Its Appl. (IJMA) 6 (6). Darmanin, R., Bugeja, M., 2017. A
review on multi-robot systems categorized by application domain. In: 25th
Mediterranean Conference on Control and
Automation, pp. 1–7.
Markom, M., Adom, A., et al., 2015. Mobile Robotics Mapping
using RP LIDAR Scanner. In: 2015 IEEE International Symposium on
Robotics and Intelligent Sensors (IRIS), October 2015, pp. 1–7.
Wei, P., Cagle, L., 2018. LiDAR and camera detection fusion in a
real-time industrial multi-sensor collision avoidance system, MDPI
Electronics J., 7 (84) 1–32.
Rashid, A.T., Ali, A.A., et al., 2012. Multi-robot collision-free
navigation based on reciprocal orientation. Rob. Auton. Syst. 60 (10),
1221–1230.
Consolini, L., Morbidi, F., et al., 2008. Leader-follower
formation control of nonholonomic mobile robots with input
constraints. Automatica 44 (5), 1343–1349.
Schlanbusch, R., Kristiansen, R., et al., 2010. Attitude Reference
Generation for Leader-Follower Formation With Nadir Pointing Leader,
in: The American Control Conference, June 2010, pp. 1–7.
Yang, Xiaowu, Fan, Xiaoping, 2019. A distributed formation
control scheme with obstacle avoidance for multiagent systems.
Mathematical Problems Eng. 2019, 1–16.
González-Sierra, J., Hernández-Martínez, E.G., Ferreira-
Vazquez, Enrique D., Flores- Godoy, J.J., Fernandez-Anaya, G.,
Paniagua-Contro, P., 2018. Leader-follower control strategy with rigid
body behavior. IFAC-PapersOnLine 51 (22), 184–189. Solot, A.,
Ferlini, A., 2019. Leader-Follower Formations on Real Terrestrial
Robots.
Association for Computing Machinery, Beijing, China.
Qian, D., Xi, Y., 2018. Leader–Follower formation Maneuvers
for multi-robot systems via derivative and integral terminal sliding mode,
MDPI J.
Yang, Z., Zhu, S., Chen, C., Feng, G., Guan, X., Leader-follower
formation control of nonholonomic mobile robots with bearing-only
measurements, J. Franklin Institute, No. 7, 2019.
Chinelato, C., Filho, L., S D R E based Leader - Follower
Formation Control of Multiple Mobile Robots, Tema J. 15 (2) 195–202.
Tutuko, B., Saparudin, S.N., Fitriana, G., 2018. Enhancement of
non-holonomic leader-follower formation using interval type-2 fuzzy
logic controller, IJOE – 14 (9).
Kambayashi, Y., Yajima, H., et al., 2019. Formation control of
swarm robots using mobile agents, Vietnam J. Computer Sci., 10 (1142)
1–30.
Trinh, M., Zhao, S., Sun, Z., Zelazo, D., Anderson, B., Ahn, H.,
2018. Bearing-based formation control of a group of agents with leader-
first follower structure, IEEE Trans. Automatic Control.
Rashid, A., Ali, A., 2019. Polygon shape formation for multi-
mobile robots in a local knowledge environment, Basrah J. Eng. Sci. 19
(2) 39–46.
Rashid, A., Ali, A., et al., 2019. Polygon shape formation for multi-
mobile robots in a global knowledge environment, Iraqi J. Electrical
Electronic Eng. 15 (1) 76–88.