Distributed Lloyd-Based algorithm for uncertainty-aware multi-robot under-canopy flocking

यहाँ शोध पत्र "Distributed Lloyd-based algorithm for uncertainty-aware multi-robot under-canopy flocking" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र सख्त बाधाओं के तहत सघन, असंरचित और अव्यवस्थित वातावरण (विशेष रूप से जंगलों) में अनमैन्ड एरियल व्हीकल्स (UAVs) के एक झुंड (swarm) को समन्वित करने की चुनौती को संबोधित करता है:

• स्पष्ट संचार का अभाव (No Explicit Communication): रोबोट एक-दूसरे के साथ डेटा (स्थिति, वेग, प्रक्षेपवक्र) का आदान-प्रदान नहीं कर सकते।
• वैश्विक स्थानीयकरण का अभाव (No Global Localization): सिस्टम GNSS या किसी सामान्य संदर्भ फ्रेम के बिना कार्य करता है; रोबोट केवल ऑन-बोर्ड सेंसरों पर निर्भर हैं।
• फ्लॉकिंग बाधाएं (Flocking Constraints): रोबोटों को एक विशिष्ट लक्ष्य क्षेत्र की ओर नेविगेट करते समय अपने विशिष्ट पड़ोसियों के साथ निकटता बनाए रखनी होगी (निकटता रखरखाव)।
• अनिश्चितता प्रबंधन (Uncertainty Handling): सिस्टम को बाउंडेड ट्रैकिंग त्रुटियों (डायनामिक्स के कारण) और माप अनिश्चितताओं (सेंसर शोर के कारण) को ध्यान में रखना चाहिए।
• सुरक्षा (Safety): स्थिर बाधाओं और अन्य गतिशील रोबोटों दोनों से टकराव से बचाव की गारंटी हर समय दी जानी चाहिए।

मुख्य समस्या एक वितरित नियंत्रण नियम (distributed control law) को संश्लेषित करना है जो यह सुनिश्चित करे कि झुंड एक लक्ष्य तक पहुँचे, फ्लॉकिंग सामंजस्य बनाए रखे, और इन सीमाओं एवं अनिश्चितताओं के बावजूद सुरक्षा की गारंटी दे।

2. कार्यप्रणाली (Methodology)

प्रस्तावित समाधान एक वितरित, लॉयड-आधारित एल्गोरिदम (Lloyd-based algorithm) है जिसे अनिश्चितताओं को संभालने के लिए अनुकूली रणनीतियों (adaptive strategies) के साथ उन्नत किया गया है।

A. मुख्य ढांचा: कॉनवेक्स वेटेड वोरोनोई डायग्राम (CWVD)

एल्गोरिदम लॉयड एल्गोरिदम पर आधारित है, जो एक कवरेज लागत फलन (coverage cost function) को कम करता है। लेखक प्रत्येक रोबोट के लिए मिशन स्पेस को विभाजित करने के लिए कॉन्वेक्स वेटेड वोरोनोई डायग्राम (CWVD) का उपयोग करते हैं, जो निम्नलिखित पर आधारित है:

• रोबोट पड़ोसी ($V^p_i$): पास के रोबोटों की सापेक्ष स्थितियों द्वारा परिभाषित।
• बाधाएं ($V^o_i$): बाधाओं की निकटता द्वारा परिभाषित।
• वेटिंग पैरामीटर्स ($\epsilon_p, \epsilon_o$): ये पैरामीटर "सावधानी" को नियंत्रित करते हैं। $\epsilon=1$ आक्रामक व्यवहार को दर्शाता है, जबकि $\epsilon=2$ (क्लासिक वोरोनोई) रूढ़िवादी व्यवहार को दर्शाता है।

B. सुरक्षा और फ्लॉकिंग के लिए सेल ज्योमेट्री का पुनर्गठन (Cell Geometry Reshaping)

सुरक्षा और फ्लॉकिंग की गारंटी देने के लिए, मानक वोरोनोई सेल $V_i$ को प्रतिच्छेदन (intersection) के माध्यम से एक अंतिम सेल $F_i$ में पुनर्गठित किया जाता है:

1. सुरक्षा पुनर्गठन ($A_i$): सेल को इस तरह संशोधित किया जाता है कि रोबोट की वर्तमान स्थिति से सेल के सेंट्रॉइड (केंद्रक) तक का सीधा पथ बाधा मुक्त हो। इसमें रोबोटों और बाधाओं के भौतिक आयामों ($\delta$) द्वारा उनके प्रभावी त्रिज्या का विस्तार शामिल है।
2. फ्लॉकिंग पुनर्गठन ($M_i$): सेल को एक निकटता सेट $M_i$ द्वारा और अधिक सीमित किया जाता है, जिससे यह सुनिश्चित होता है कि रोबोट अपने निर्धारित पड़ोसियों से अधिकतम दूरी $\Gamma_{ij}$ के भीतर रहे।
3. अंतिम सेल ($F_i = \tilde{V}^p_i \cap \tilde{V}^o_i \cap S_i \cap M_i$): रोबोट इस अंतिम उत्तल सेट (convex set) के सेंट्रॉइड की ओर बढ़ता है।

C. अनुकूली वेटिंग फंक्शन ($\phi_i(q)$)

ट्रैकिंग त्रुटियों और माप अनिश्चितताओं को संभालने के लिए, लेखक एक वर्चुअल लक्ष्य $\bar{p}_i$ पर केंद्रित एक अनुकूली वेटिंग फंक्शन $\phi_i(q)$ पेश करते हैं।

• तंत्र (Mechanism): वेटिंग फंक्शन के "फैलाव" को एक पैरामीटर $\beta_i$ द्वारा नियंत्रित किया जाता है।
• अनुकूलन नियम (Adaptation Rule): $\beta_i$ को ऑनलाइन समायोजित किया जाता है। एक छोटा $\beta_i$ रोबोट को अधिक आक्रामक बनाता है (सेंट्रॉइड सेल की सीमा के करीब), जबकि एक बड़ा $\beta_i$ इसे अधिक रूढ़िवादी बनाता है (सेंट्रॉइड सीमा से दूर)।
• अनिश्चितता मुआवजा (Uncertainty Compensation): एल्गोरिदम एक न्यूनतम सुरक्षित दूरी $d_u$ (ट्रैकिंग त्रुटि $d^t_u$ और माप अनिश्चितता $d^m_u$ का योग) की गणना करता है। यह $\beta_i$ पर एक निचली सीमा ($\beta_{min}$) लागू करता है ताकि यह सुनिश्चित हो सके कि सेंट्रॉइड $c_{F_i}$, सेल की सीमा $\partial F_i$ से कम से कम दूरी $d_u$ दूर रहे। यह एक "सुरक्षा मार्जिन" बनाता है जो टकराव या फ्लॉकिंग बाधाओं का उल्लंघन किए बिना संभावित त्रुटियों को सोख लेता है।

D. नियंत्रण कार्यान्वयन (Control Implementation)

• डायनामिक्स: नियंत्रण नियम को UAVs के नॉन-होलोनोमिक डायनामिक्स को संभालने के लिए मॉडल प्रिडिक्टिव कंट्रोल (MPC) के माध्यम से लागू किया जाता है।
• सेंसर: सिस्टम IMU, 2D Lidar, ऊंचाई सेंसर और पड़ोसियों के सापेक्ष स्थानीयकरण के लिए UVDAR (UltraViolet Direction And Ranging) पर निर्भर करता है।

3. प्रमुख योगदान (Key Contributions)

1. नया वितरित एल्गोरिदम: एक लॉयड-आधारित नियंत्रक जो बिना किसी स्पष्ट संचार या वैश्विक स्थानीयकरण के कार्य करता है, जो सघन वन वातावरण के लिए उपयुक्त है।
2. सैद्धांतिक गारंटी: शोध पत्र गणितीय रूप से गारंटी देने के लिए पर्याप्त स्थितियाँ (थ्योरम 1 और 2) प्रदान करता है:
   • बाधाओं और अन्य रोबोटों के साथ टकराव से बचाव।
   • फ्लॉकिंग (निकटता) बाधाओं का रखरखाव।
   • बाउंडेड ट्रैकिंग त्रुटियों और माप अनिश्चितताओं के प्रति मजबूती (robustness)।
3. अनुकूली अनिश्चितता प्रबंधन: $\beta_i$ जैसे अनुकूली पैरामीटर का उपयोग करने वाली एक अनूठी रणनीति, जो वास्तविक समय के त्रुटि अनुमानों के आधार पर रोबोट की "आक्रामकता" को गतिशील रूप से समायोजित करती है, जिससे सेल ज्योमेट्री को गतिशील रूप से पुनर्गठित किए बिना (जो अनिर्धारित अवस्थाओं की ओर ले जा सकता है) सुरक्षा सुनिश्चित होती है।
4. व्यापक सत्यापन: दृष्टिकोण को 4 UAVs के साथ एक घने जंगल में व्यापक सिमुलेशन और वास्तविक-दुनिया के प्रयोगों के माध्यम से मान्य किया गया है, जो GNSS या बाहरी मोशन कैप्चर के बिना संचालन प्रदर्शित करता है।

4. परिणाम (Results)

सिमुलेशन परिणाम

• स्केलेबिलिटी (Scalability): अव्यवस्थित वातावरण में 9 और 16 रोबोटों के साथ परीक्षण किया गया।
• मजबूती (Robustness): जब अनिश्चितता मार्जिन ($d_u$) को 0 पर सेट किया गया, तो सिस्टम तेज़ था लेकिन टकरावों से ग्रस्त था। जब $d_u$ को सैद्धांतिक सीमाओं के अनुसार (1.0m) सेट किया गया, तो सिस्टम ने टकराव से बचाव और फ्लॉकिंग रखरखाव में 100% सफलता दर प्राप्त की।
• तुलना: इसे PACNav (एक अत्याधुनिक गैर-संचार एल्गोरिदम) के विरुद्ध तुलना की गई। प्रस्तावित विधि जटिल परिदृश्यों (जैसे 9 रोबोट) में PACNav से काफी बेहतर प्रदर्शन करती है, जहाँ PACNav विफल हो गया या सुरक्षा बनाए रखने में असमर्थ रहा (कुछ घने परिदृश्यों में 0% सफलता दर), जबकि प्रस्तावित विधि ने 100% सफलता बनाए रखी।

प्रायोगिक परिणाम (वास्तविक जंगल)

• सेटअप: 4 UAVs बिना GNSS के एक घने जंगल में 40 मीटर की दूरी तय कर रहे हैं।
• प्रदर्शन: सभी 4 UAVs सफलतापूर्वक लक्ष्य क्षेत्र तक पहुँच गए।
• मेट्रिक्स:
  • औसत गति 0.33 से 0.37 m/s के बीच रही।
  • कुल मिशन समय: ~150–175 सेकंड।
  • सुरक्षा और फ्लॉकिंग: पेड़ों से होने वाले उच्च माप शोर और अवरोधों (occlusions) के बावजूद, रोबोटों के बीच की दूरी पूरे मिशन के दौरान परिभाषित सुरक्षा और फ्लॉकिंग बाधाओं के भीतर रही।
• त्रुटियों का प्रबंधन: सेंसर की अस्थायी विफलता (पेड़ों के कारण) को संभालने के लिए व्यावहारिक रणनीतियों (उच्च-अनिश्चितता वाले मापों को हटाना और स्थितियों को पुनः प्रोजेक्ट करना) को सफलतापूर्वक नियोजित किया गया।

5. महत्व (Significance)

यह कार्य वास्तविक दुनिया के अनुप्रयोगों के लिए स्वायत्त मल्टी-रोबोट सिस्टम में एक महत्वपूर्ण कदम है:

• परिचालन स्वतंत्रता: यह सिद्ध करता है कि जटिल फ्लॉकिंग व्यवहार बिना नाजुक संचार नेटवर्क या बाहरी बुनियादी ढांचे (जैसे मोशन कैप्चर या GNSS) पर निर्भर हुए प्राप्त किए जा सकते हैं, जो आपदा प्रतिक्रिया, खोज और बचाव, तथा दूरदराज के क्षेत्रों में कृषि निगरानी के लिए महत्वपूर्ण है।
• सुरक्षा-केंद्रित डिजाइन: कई ह्यूरिस्टिक (heuristic) दृष्टिकोणों के विपरीत, यह विधि सुरक्षा और निकटता के लिए कठोर गणितीय गारंटी प्रदान करती है, जिससे यह मानव-जनित या अत्यधिक भीड़भाड़ वाले वातावरण में तैनाती के लिए उपयुक्त बनाती है।
• अनिश्चितता जागरूकता: नियंत्रण नियम में ट्रैकिंग और माप त्रुटियों का स्पष्ट एकीकरण ($\beta$ के माध्यम से) अपूर्ण सेंसरों के साथ काम करने के लिए एक मजबूत ढांचा प्रदान करता है, जो फील्ड रोबोटिक्स की एक वास्तविकता है।
• ओपन सोर्स: लेखक पुनरुत्पादकता और आगे के शोध को सुगम बनाने के लिए ओपन-सोर्स कोड और वीडियो प्रदर्शन प्रदान करते हैं।

सीमाएँ: वर्तमान कार्यान्वयन 2D प्लेनर मोशन (स्थिर ऊंचाई) तक सीमित है। भविष्य के कार्यों का लक्ष्य एल्गोरिदम को 3D तक विस्तारित करना और चपलता (agility) में सुधार करना है।