UAV Swarm Koordinasyonu için Multibobjective Optimizasyonu Surveillance Misyonlar

Aerial Tools (UAVs) – modern gözetimde temel varlıklar haline gelir. Tek bir drone sabit bir alanı gözlemleyebilir, ancak koordineli bir şekilde kullanılabilir:0) UAVs) domaini geniş bölgeleri kapabilir, çok fazla hedefi tutabilir ve koşulları gerçek zamanlı olarak değiştirmeye adapte edilebilir.

gözetim görevlerinde, operatörler mümkün olduğunca uzun süre ayakta kalan bir batarmlara ihtiyaç duyar, belirli bir bölgenin her köşesini kapsar ve asla risk altında uçak koyarlar. Bu hedefler genellikle daha hızlı veya yüksek çözünürlükte bulunur, bu da UAV'nun koordinasyonunu sağlamak için matematiksel bir çerçeve sunar.

Multiobjective Optimizasyonu Anlamak

Çok fazlaobjective optimizasyon, iki veya daha fazla hedefle sorunları bağımsız olarak optimize edilemez. hedef, bir tane dahaki sefere daha iyi performans gösteren bir çözüm değildir.Bu çözümlerin koleksiyonu, bir amacın iyileştiği yerde sona ermektedir[Döneticileri).

UAV swarm için, tipik hedefler şunlardır:

  • [FONT:0)Anayasa kapsamı[[Dönetici:0)[[[Dönetici:0)[[[Dönetici: 1 ) - Belirli bir süre içinde gözlemlenen gözetim bölgesinin yüzdesi.
  • [FONT:0)Enerji tüketimi[DÜT:1] - Salarm tarafından kullanılan toplam batarya veya yakıt.
  • [FONT:0] ⁇ zamanı[[DÜT:1) - Ayaklanmalar, üsye dönmeden önce nasıl çalışılabilir.
  • [FONT=0)Collision risk[Dönetici:0)[Dönetici:0)[Dönetici:0))[Dönetici).
  • [FONT=0) Geçim Geçim) - UAVs ve zemin istasyonu arasındaki veri rölesinde gecikme.

Bu hedefler doğal olarak çatışmaktadır. Artan kapsama genellikle UAV'ları daha da dışlamak gerektirir, bu çarpışma riski ve iletişim gecikmelerini artırır. Görev süresini güçlendiren zaman kuvvetleri daha yavaş hızları uzatarak, bu ticarete uygun optimizasyonları resmileştirir ve mühendisler alternatifleri sayısal olarak karşılaştırmaya olanak sağlar.

Uygulamada, UAV swarms için MOO, INFLT:0)evrimsel algoritmaları ) kullanılarak çözülüyor, ).

UAV Swarm Koordinasyonunda Anahtar Meydanlar

Dinamik ve Uncertain Çevreleri

Şaşırtıcı görevler, tahmin edilemez bir şekilde değişen ortamlarda gerçekleşir. Hava koşulları, hareket engelleri (örneğin, kuşlar, diğer uçaklar), ve görev önceliklerini değiştirmek tüm swarm'ın performansını etkiler. ”||0| Gerçek zamanlı adaptasyon).

Sınırlı İletişim Aralığı ve Band Wide

UAVs in a swarm tipik olarak ad-hoc kablosuz ağlarla iletişim kurabilir. Bu bağlantılar sınırlı menzil, bant genişliği ve güvenilirlik vardır. UAVs bu tür senaryolar için sık sık sık güvenmektedir.Dönetici[Dönetici:0Dönetici).

Enerji ve Endurance Constraints

Çoğu küçük UAVs, 20-40 dakika boyunca bataryaya uçuş zamanı var. Büyük platformlar saatlerce havalanabilir, ancak hala sıkı enerji bütçeleri ile karşı karşıya kalır. Enerji tüketimi hız, yüksek ücretli veya döviz kurları ile devam eder.

Gerçek zamanlı Karar Verme

Şaşırtıcı operasyonlar genellikle saniyeler veya dakikalar içinde karar gerektirir. Yakın zamanda yakınlaşmaz, basitleştirilmiş modeller ve makine öğrenme planlarının tam simülasyonlar olmadan performansını tahmin eden bir optimizasyon algoritmasıdır.

Scalability

Swarm büyüklüğü bir avuçdan yüzlerce UAV'ya kadar değişebilir. Olası koordinasyon planları sayısı üst düzeye çıkarılır. Multi-objective optimizasyon yöntemleri etkili bir şekilde ölçeklenebilir.]Ücretsiz teknikler) Problemi daha küçük alt-problemlere ayırmaktadır (örneğin, küme bazlı koordinasyon)

Multi-objective Optimizasyona Yaklaşımlar

Pareto bazlı Yöntemler

Pareto bazlı yaklaşımlar açıkça, Pareto baskınlık seviyesindeki aday çözümlerini arıyorlar, o zaman NSGA'nın II'ye göre çeşitlilik korumak için bir kalabalık mesafe metriktir.[Dönetici Algoritma II (NSGA-II))[Döneticileri için). NSGA-II, birçok hedefe ulaşmada bir kitleye yönelik bir uçuş planlarını, bu kavramı birçok hedefle genişletebilir.

Dekompozitif Yöntemler

Aynı anda hedefleri işlemek yerine, dekompozisyon yöntemleri, tek bir tonlu probleme bir dizi tek-objective problemini ağırlık vektörlerini kullanarak gerçekleştirir.TheurFLT:0 BYMOEA/D[FLT)) Karşılaştırmalı Pareto cepheleri ile ilgili sorunlar için verimli ve iyi bir şekilde uygun şekilde yapılır.Her ağırlık vektörü objektif alanda tercih edilen bir yöne doğrultabilir ve algoritma tüm altüstleri paralel olarak optimize eder.

Swarm Intelligence Algorithms

Swarm istihbarat algoritmaları doğal kolektif davranışlardan ilham alır.ETHFLT:0)Particle Swarm Optimizasyonu (PSO)), başlangıçta tek kullanımlık sorunlar için tasarlanmış, MOPSO gibi bir dizi ile MOPSO'ya genişletildi.

Evrimsel ve Genetik Algoritmalar

Evrimsel algoritmaları (EAs) aday çözümlerinin popülasyonunda, seçim, geçit ve mutasyonu uygulayın. Generic multi-objective EAs includeDANFLT:0)SPEA2) (Str Pareto Evolutionary Algoritma 2) ve ACFLT:2 ).UAV koordinasyonu için, EAs caziptir çünkü onlar gradyanlı bilgi gerektirmezler - onlar özel olmayan objektif alanları idare edebilir.

Hybrid and Machine learning-assisted Methods-

Son çalışma, optimizasyonu ESFLT ile birleştirir:0))) Uygulamayı optimize ederken (RL) veya ESFLT:2) Denetimli öğrenme). Örneğin, bir sinir ağı, harita okumalarının uçuş komutlarına yönelik bir politikayı öğrenebilir, çok-objectiver, politikanın kapsamı, enerji ve güvenlik üzerindeki performansını değerlendirebilir.

Başka bir hibrit strateji, tam bir simülasyon olmadan gerçek zamanlı olarak birçok aday planlarını değerlendirmek için, hesaplama süresini azaltmak için, zorlama süresini azaltmak için, Gaussian süreçleri veya benzer yöntemleri kullanarak inşa edilmiştir.

Gerçek dünya Uygulamaları

Sınır ve Perimeter Surveillance

Ulusal sınır izlemesi, sınırlı kaynaklarla geniş kapsamlı kapsama gerektirir. UAV swarms yüzlerce kilometreye kadar devriye gezebilir, yasadışı geçişleri veya çevresel değişiklikleri tespit eder. Multi-objective optimizasyon, planlamacıları tüm kesintiye yardımcı olur UAVs to Segments to Segments to Segments based on risk levels, land, and air, while keeping yakıt tüketimi within limits. Örneğin, ABD Gümrük ve Sınır Koruma, U.S. Gümrük ve Sınır Koruma, optimizasyon algoritmalarının tüm planlama ve en iyi şekilde tespit edilmesine yardımcı olur.

Afet Cevap ve Arama-ve-Rescue

Depremlerden sonra, sular veya vahşi yangınlar, takımlar hızlıca kurtulanları bulmak ve zararları değerlendirmek zorundadır. UAV swarms hala insan yanıtlayıcıları için tehlikeli olan bölgelere girebilir. birincil hedefler alg.D:0) Bir arama desenleri kümesi oluşturabilir - tüm bölgeyi hızlı bir şekilde kapsayabilir, diğerleri bu yüksek ücretli alanları tercih eder.

Tarım İzleme ve Hassasiyet Çiftliği

Tarımda UAV batarms, ek sağlık, zararlıları tespit eder ve harita sulama ihtiyaçları vardır. Amaçlar doğru mozaik için , ⁇ sensörleri ile birlikte, [[UHA:2) en az uçuş zamanı [DDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDD

Altyapı Denetimi

Power hatları, boru hatları, köprüler ve demiryolular uzun mesafelere kadar uzanır ve düzenli denetim gerektirir. UAV swarms aynı anda birden fazla bölümü inceleyebilir.Buradaki UAVT:0) uzun denetimli yaklaşımlar, ) Tüm varlık (düşük enerji, orta detay) ve yavaş, yüksek enerji kontrolleri (yüksek enerji, yüksek enerji detayı) arasında seçim yapar.

Askeri İstihbarat, Şaşırtıcı ve Reconnaissance (ISR)

Askeri ISR misyonları, devam eden ve kapsama alanı talep eder. Amaçlar: 0,0) faiz kapsamını azaltmak), [[Döneticileri tespit etmek için ) ve [[Döneticileri, gürültü) ve [[Döneticileri (Döneticileri) otomatik olarak, çoklu planlama planlamayı kullanarak tehditler kullanarak tehditler kullanarak otomatik olarak araştırır.

Future Yol ve Araştırma Trendleri

Online ve Adaptive Optimizasyon

Mevcut yöntemler genellikle görev başlamadan çevrimdışı olarak planlanmaktadır. Geleceğin ortaya çıkması gerekir:0.online optimizasyon [Uygunsuz yeni bilgi gelir – hava değişiklikleri, UAV başarısız veya yeni bir hedef ortaya çıkıyor.Bu, hızlı algoritmaları ve onda hesaplama gerektirir.HENDNT işlemciler ).

Deep Donment Learning ile entegrasyon

Derin takviye öğrenme (DRL) hızlı, neredeyse çok-objective optimize edicileri koordine eden politikaları eğitebilir. A DRL ajanı, hem özerk hem de sağlam ilişkiler arasında iyi ticaret yapan eylemleri seçmeyi öğrenir. Araştırmacılar DRL-bazlı swarms'i açık bir iletişim olmadan koordine etmişler, sadece birbirlerinin pozisyonlarına göre.

Birçok-objective Optimizasyon

UAV misyonları daha karmaşık hale geldikçe, hedef sayısı hızla büyür - Discoverage, enerji, güvenlik, iletişim, çalkantı, ödeme yükü yönetimi ve daha fazlası. Geleneksel Pareto bazlı yöntemler birçok hedefle mücadele eder, çünkü non-dominated çözümlerin çoğu hızla artar (göpektiflik oranı).

Uncertainty-aware Optimizasyonu

Gelecek yöntemler açıkça belirsizleri modelleyecek: sensör gürültüsü, rüzgar fışkırtma, pil bozulması ve görev planlı değişiklikler. Robust veyaÜRT:0)stochastic multi-objective optimizasyon) sadece beklenen davadan ziyade mümkün olan bir dizi koşul üzerinde iyi performans gösteren planlar üretir.

İnsan-Swarm Takımları

Optimizasyon ayrıca, insan tercihleri[[Dönetici:0) interaktif olarak da dahil edilebilir.Süresel MOO araçları, Pareto-optimal planlarının bir setini sunar ve operatör bir geri bildirim sunar (örneğin, hava sahası yöneticilerinin gerçek zamanlı olarak hedeflerini ayarlamasını tercih ederim).

Cross-domain Koordinasyon

Future gözetim görevleri sadece UAV'lar değil aynı zamanda zemin robotlar, uydular ve mand uçaklar da dahil edebilir. Multi-objective optimizasyon, bu heterojen varlıkları ayrıştırma dinamikleri ve kısıtlamalarla koordine etmelidir.Bu, araştırma alanında aktif bir alandır.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Multiobjective optimizasyon, UAV swarm gözetiminde rekabet hedeflerinin üstesinden gelmenin bir ilke sağlar.Tek bir plandan ziyade, operatörler, eş görev önceliklerini bildiren kararlar verebilirler.

UAV platformları daha küçük, daha ucuz ve daha yetenekli hale gelir ve optimizasyon algoritmaları daha hızlı ve daha uyarlanabilir hale gelir, otonom swarms daha karmaşık gözetim rollerini tasarlayacak. Online optimizasyon, birçok UAV sistemleri.