Una strategia di controllo predittivo distribuito per sistemi multi-veicolo vincolati in movimento in ambienti sconosciuti

Sommario: In questo articolo, proponiamo una strategia di controllo predittivo distribuito per una squadra di veicoli in movimento in uno scenario con ostacoli sconosciuti. In particolare, combiniamo gli argomenti del controllo a orizzonte mobile con formazioni leader-follower per progettare un’architettura flessibile in cui la topologia dei veicoli può essere riorganizzata, se necessario, per affrontare meglio la presenza di ostacoli. Ogni veicolo è dotato di un controllore a doppia modalità ad hoc, incaricato di seguire il veicolo predecessore lungo la catena leader-follower (ovvero il target per il leader) e garantire l’assenza di collisioni. Inoltre, ogni volta che il leader riconosce che lo scenario di ostacoli impedisce la sua navigazione, la formazione attuale viene adeguatamente riconfigurata, preservando la fattibilità ricorsiva e le proprietà di evitamento degli ostacoli. I risultati numerici finali su una squadra di sette robot mobili puntuali sono utili per mostrare le principali caratteristiche dell’algoritmo di controllo predittivo distribuito proposto.

Autori

Giuseppe Franzè

Walter Lucia

Antonello Venturino

Simulazione completa di una flotta di 7 veicoli

100 simulazioni casuali

Descrizione

IEEE Transactions on Intelligent Vehicles
DOI: https://doi.org/10.1109/TIV.2020.3029746
YouTube
08/10/2020

G. Franzè, W. Lucia and A. Venturino, "A Distributed Model Predictive Control Strategy for Constrained Multi-Vehicle Systems Moving in Unknown Environments," in IEEE Transactions on Intelligent Vehicles, vol. 6, no. 2, pp. 343-352, June 2021, doi: 10.1109/TIV.2020.3029746.

Copia

@ARTICLE{Franze2021Distributed,
    author={Franzè, Giuseppe and Lucia, Walter and Venturino, Antonello},
    journal={IEEE Transactions on Intelligent Vehicles},
    title={A Distributed Model Predictive Control Strategy for Constrained Multi-Vehicle Systems Moving in Unknown Environments},
    year={2021},
    volume={6},
    number={2},
    pages={343-352},
    doi={10.1109/TIV.2020.3029746}
}