СОЗДАНИЕ КЛЮЧЕВЫХ КОМПОНЕНТОВ СИСТЕМЫ УПРАВЛЕНИЯ ДЛЯ БЕСПИЛОТНОГО ЛЕТАТЕЛЬНОГО АППАРАТА НА ПЛАТФОРМЕ ROS

​DEVELOPMENT OF KEY COMPONENTS FOR THE UAV CONTROL SYSTEM ON THE ROS PLATFORM

Victoria Eremina

Cand. Phys.-Math. Sciences, Associate Professor, Amur State University,

Russia, Blagoveshchensk

Kirill Mokronos

Graduate student, Department of Information and Control Systems, Amur State University,

Russia, Blagoveshchensk

АННОТАЦИЯ

В данной статье рассматривается интеграция ключевых компонентов системы управления беспилотным летательным аппаратом (БПЛА) с использованием Robot Operating System (ROS). Включены анализ и реализация фильтра Калмана, динамической системной модуляции (DSM) и адаптивного алгоритма 3DVFH+ для обеспечения точной оценки состояния, адаптивного управления и планирования траектории. Основное внимание уделено интеграции этих компонентов в единую робототехническую систему, что способствует повышению точности и безопасности управления БПЛА в динамичных условиях.

ABSTRACT

This paper discusses the integration of key components of an unmanned aerial vehicle (UAV) control system using the Robot Operating System (ROS). The analysis and implementation of the Kalman filter, dynamic system modulation (DSM), and the 3DVFH+ adaptive algorithm are included to provide accurate state estimation, adaptive control, and trajectory planning. The main focus is on integrating these components into a single robotic system, which contributes to improving the accuracy and safety of UAV control in dynamic conditions.

Ключевые слова: БПЛА, ROS, фильтр Калмана, динамическая системная модуляция, 3DVFH+, уклонение от препятствий, автономное управление.

Keywords: UAV, ROS, Kalman filter, dynamic system modulation, 3DVFH+, obstacle avoidance, autonomous control.

Введение

ROS предоставляет мощный и гибкий инструментарий для разработки сложных робототехнических систем, однако эффективное использование его возможностей требует детальной разработки и интеграции специализированных компонентов [4-11]. В контексте данного исследования, направленного на создание автономной навигационной системы для беспилотных летательных аппаратов (БПЛА), необходимо разработать несколько ключевых модулей, работающих совместно в рамках единого алгоритма для обеспечения точной оценки состояния, адаптивного управления и эффективного планирования траектории полета. [1-3]

Ключевыми компонентами системы являются:

- Модуль фильтра Калмана – для обеспечения высокой точности и надёжности оценки состояния БПЛА на основе данных, поступающих с сенсоров.

- Динамическая системная модуляция (DSM) – для адаптивной корректировки поведения БПЛА в реальном времени.

Адаптивный алгоритм 3DVFH+ – для планирования траектории движения и обхода препятствий в реальном времени.

Разработка основных компонентов системы

Во-первых, Фильтр Калмана, является ключевым компонентом для оценки состояния БПЛА, обеспечивая точные оценки на основе зашумленных данных датчиков. Он позволяет улучшить качество информации о положении, скорости и ускорении БПЛА, что критически важно для динамического управления и планирования пути.

Для начала рассмотрим вектор состояния  который включает в себя положение и скорость вдоль осей X, Y и Z:

,                                                                                     (1)

где  – координаты положения БПЛА по осям X, Y и Z;  – компоненты скорости БПЛА по осям X, Y и Z;

Переходная матрица состояния F используется для прогнозирования следующего состояния системы на основе текущего состояния и временного шага:

,                                                           (2)

где,  – временной шаг дискретизации.

В матрице F диагональные элементы равны 1, означающие, что каждый компонент состояния сохраняет свою величину при отсутствии других воздействий, а элементы  учитывают вклад скорости в изменение положения за временной шаг.

Матрица управления B используется для определения влияния управляющих воздействий (ускорений) на состояние системы:

.                                                                 (3)

Выражение , матрицы B, в первых трех строках учитывают вклад ускорения в изменение положения, а элементы  в последних трех строках учитывают вклад ускорения в изменение скорости.

Во-вторых, динамическая системная модуляция. Она представляет собой метод коррекции динамики БПЛА на основе оценок состояния для упреждающего решения потенциальных проблем с навигацией. Этот метод позволяет адаптировать поведение БПЛА в реальном времени, обеспечивая более точное и безопасное управление в динамических условиях.

DSM в нашем исследовании направлена на улучшение управления БПЛА путем предсказания его состояния и внесения соответствующих корректировок в управляющие воздействия. Это достигается за счет использования оценок состояния, предоставляемых фильтром Калмана, и вычисления оптимальных управляющих воздействий для достижения желаемого состояния.

Для предсказания состояния можем воспользоваться дискретной моделью движения БПЛА, полученной с помощью метода Эйлера. Однако для более точного численного интегрирования возьмём дискретную модель, вычисленную с помощью метода Рунге-Кутты 4-го порядка (RK4):

 .                                                (7)

Предсказание состояния:

.                                        (8)

Эти шаги используются для более точного предсказания состояния  на следующий временной шаг .

В-третьих, адаптивный алгоритм 3DVFH+, используется для планирования пути БПЛА в реальном времени. Он улучшает процесс обхода препятствий за счет динамической настройки параметров, таких как разрешение сетки и коэффициенты стоимости пути. Адаптивность алгоритма позволяет ему более эффективно реагировать на изменения в окружении и на поведение БПЛА.

Алгоритм 3DVFH+ использует гистограмму направлений для представления свободного пространства и препятствий в окружении БПЛА. Основные шаги алгоритма включают в себя: построение гистограммы направлений, фильтрацию и выбор оптимального направления движения.

Для построения гистограммы направлений используется информация от сенсоров, таких как лидар или радар. Основная идея заключается в том, чтобы преобразовать данные о расстояниях до препятствий в гистограмму направлений, которая представляет распределение свободных и занятых пространств вокруг БПЛА.

Допустим, у нас есть n точек данных, полученных от сенсоров, каждая из которых имеет координаты  и расстояние до БПЛА . Преобразование координат точек в угловое пространство:

,                                                                (8)

где  – горизонтальный угол, а  – вертикальный угол точки i.

Преобразование углов в индексы гистограммы:

,                                                                                    (9)

где  и  – угловые разрешения гистограммы по горизонтали и вертикали соответственно.

Заполнение гистограммы:

                                                                          (10)

где  – значение гистограммы в ячейке .

Затем, гистограмма фильтруется для сглаживания шумов и выделения свободных направлений. Это включает в себя применение фильтрации средних значений и пороговых значений.

Средняя фильтрация:

.                (11)

Пороговая фильтрация:

,                                        (12)

где , если , а  – это пороговое значение для фильтрации.

Выбор оптимального направления основан на минимизации стоимости пути, которая учитывает расстояние до препятствий и целевое направление движения.

Заключение

В данной статье рассмотрена интеграция ключевых компонентов системы управления беспилотным летательным аппаратом с использованием Robot Operating System (ROS). Основное внимание было уделено фильтру Калмана, динамической системной модуляции и адаптивному алгоритму 3DVFH+. Эти модули обеспечивают точную оценку состояния, адаптивное управление и эффективное планирование пути, что позволяет БПЛА безопасно и эффективно маневрировать в сложных и динамичных условиях. Интеграция модулей в единую систему на базе ROS способствует улучшению модульности и масштабируемости разработки.

В дальнейших исследованиях планируется проведение всесторонних тестов разработанной системы и ее программной реализации в симуляционной среде для проверки её надёжности и эффективности.

Список литературы:

1. Еремина, В. В., Мокронос К.К. Модернизация типового алгоритма уклонения от препятствий. I // Информатика и системы управления. – 2022. – № 1(71). – С. 27–40.
2. Еремина, В. В., Мокронос К.К. Модернизация типового алгоритма уклонения от препятствий. II // Информатика и системы управления. – 2023. – № 2(76). – С. 6–17.
3. Еремина, В. В., Мокронос К.К. Модернизация типового алгоритма уклонения от препятствий. III // Информатика и системы управления. – 2024. – № 2(80). – С. 40–54.
4. Quigley M., Berger E., Ng A. Y. STAIR: Hardware and Software Architecture. // AAAI 2007 Robotics Workshop – 2007. – P. 31–37.
5. Wyrobek K. A., Berger E. H., Van der Loos H. F. M. Salisbury J. K. Towards a personal robotics development platform: Rationale and design of an intrinsically safe personal robot. // IEEE International Conference on Robotics and Automation – 2008. – P. 2165–2170.
6. Montemerlo M., Roy N., Thrun S. Perspectives on standardization in mobile robot programming: The Carnegie Mellon Navigation (CARMEN) Toolkit. // IEEE/RSJ Intl. Conf. on Intelligent Robots and Systems (IROS). – 2003. – P. 2436–2441.
7. J. Jackson. Microsoft robotics studio: A technical introduction. // IEEE Robotics & Automation Magazine. – 2007. – Vol. 14, №. 4. – P. 82–87.
8. Makarenko A., Kaupp T., Brooks A., Upcroft B. Building a Software Architecture for a Human-Robot Team Using the Orca Framework. // IEEE International Conference on Robotics and Automation. – 2007. – P. 3736–3741.
9. Vaughan R. T., Gerkey B. P. Reusable robot code and the Player/Stage Project. // Software Engineering for Experimental Robotics. – 2007. – P. 267–289.
10. Bradski G, Kaehler A. Learning OpenCV – Publ.: O'Reilly Media, Inc., 2008.
11. Diankov R., Kuffner J. The robotic busboy: Steps towards developing a mobile robotic home assistant. // Intelligent Autonomous Systems. – 2008 – Vol. 10.