سرب الروبوتات لمراقبة تغطية المنطقة ضمن بيئة العوائق الديناميكية

الباحث

دينا كاظم محسن

المشرف

أحمد طارق صادق - فراس عبد الرزاق رحيم

الجامعة

الجامعة التكنولوجية

الكلية / القسم

قسم علوم الحاسوب / علوم الحاسوب

الشهادة

دكتوراه

السنة

2024

لغة الرسالة

انكليزي

الكلمات المفتاحية

Swarm robots;Area coverage;Dynamic obstacles;ROS

أحد التحديات الكبيرة في مجال الروبوتات هو تغطية المنطقة بواسطة سرب الروبوتات لإكمال مهمة معينة. يعد استكشاف البيئات الديناميكية وغير المعروفة بشكل مستقل باستخدام روبوتات السرب بشكل تعاوني وفعال في أقل وقت ممكن هو الأولوية الرئيسية في العديد من المجالات. يشير الاستكشاف إلى التنقل في منطقة غيرمعروفة وإنشاء خريطة. تشكل روبوتات السرب حلا مناسبًا algal الاستكشاف وتخطيط المسار. تفشل بعض خوارزميات الاستكشاف التي تستخدمها روبوتات السرب في تغطية مساحة من بيئات محددة أو تستهلك وقنّا للتغطية الكاملة. التحدي الآخرهو تخطيط مسارات سرب الروبوتات لإنشاء مسارات مثالية تتكامل مع خوارزميات الاستكشاف واستخدام تقنيات التعلم العميق لاكتشاف كائنات محددة كأهداف. يتضمن تخطيط مسار الروبوت المتنقل إيجاد تسلسل مسار للروبوت المتنقل للانتقال من الموقع الأولي إلى الموقع المستهدف في ظل قيود معينة. ُستخدم خوارزميات Metaheuristic المستوحاة من الطبيعة بشكل شائع لتوجيه الروبوتات نحو الحلول شبه المثالية خلال إطار زمني معقولء مما يجعلها مناسبة Lali لتخطيط المسار ومشاكل تغطية المنطقة. تتناول هذه الأطروحة مشكلة تغطية المنطقة باستخدام سرب الروبوتات للقيام بعمليات إنقاذ الأشخاص من خلال اقتراح نظام طوارئ ذكي لتغطية المنطقة يسمى TESAC وهو مصمم لسيناريوهات الإنقاذ من التلوث الكيميائي في المستودعات للقيام بمهام إنقاذ الأشخاص المختنقين بالداخل. تم التركيزعلى اقتراح خوارزميات فعالة للاستكشاف المستقل وتخطيط المسارواكتشاف الأشخاص. تم استخدام خمسة روبوتات نوع GIS TurtleBot3 Burger مواصفات عالية وخصائص مهمة للملاحة الذاتية. تستكشف ثلاثة روبوتات سرب المستودع، وتكتشف Calan) وترسل معلومات الموقع إلى الكمبيوترالرئيسي الذي بدوره يرسل هذه المواقع الى الروبوتين المتبقيين لإجراء تخطيط المساروالوصول الى هذه المواقع المحددة لتنفيذ عمليات الإنقاذ للأشخاص المختنقين في المستودع. تم العمل في الأطروحة على مرحلتين والاستفادة من نظام تشغيل الروبوت (ROS) تقترح المرحلة الأولى خوارزميات مختلفة لتخطيط المسار العام . هذه الخوارزميات هي؛ خوارزمية تطوير خوارزمية استكشاف الشجرة العشوائية ال RRT بواسطة خوارزمية Swarm Optimization م521 ،(IRRT-SSA) خوارزمية MRRTO وهي تطوير خوارزمية RRT التي تتضمن تحسين الذاكرة وتوليد مسار ثنائي الاتجاهء و خوارزمية MSRRTO وهي طريقة هجينة من MRRTO> IRRT-SSA تجمع بين نقاط قوتهما لتخطيط المسار الامثل. يتم استخدام طريقة النافذة الديناميكية DWA كمخطط مسارمحلي لتجنب العوائق الديناميكية، وخوارزمية تحديد المكان ورسم الخرائط في الوقت نفسه SLAM وخوارزمية AMCL في هذه المرحلة. تقترح المرحلة الثانية خوارزمية تطوير البجع (POA) الاستكشافية باستخدام سرب روبوتات للاستكشاف وتغطية المنطقة. تم استخدام طريقة TER كمخطط مسار محلي لتجنب العوائق، وخوارزمية ،SLAM ونموذج التدريب7701.01:8 GLESY الأشخاص في هذه Als yall يتم اختبار خوارزميات تخطيط المساروالاستكشاف المقترحة في بيئة محاكاة تعتمد على ROS Rviz، Gazebos وتجارب واقعية للتحقق من كفاءة هذه الخوارزميات المقترحة. واظهرت نتائج التقييم مقارنة بخوارزمية RRT الأصلية: تفوق أداء IRRT-SSA في طول المسار وعدد العقد والتكرارات بحوالي 9 054 ، و %54 على call sill تحسين طول المسار بنسبة 9/22 وتقليل استهلاك الوقت بنسبة 9/099.5 وتقليل استخدام العقدة بنسبة 9071.58 باستخدام خوارزمية MRRTO كما Gal خوارزمية MSRRTO إلى تقليل استهلاك الوقت بنسبة %96 واستخدام العقدة بنسبة 9095.9 وقدمت أداء إجمالي افضل متفوق على .MRRTO 5 IRRT-SSA تم اختبار خوارزمية تحسين البجع المقترحة في بيئات مختلفة وحققت تغطية مساحة كبيرة بأقل وقت ممكنء مما أدى إلى تقليل الوقت الإجمالي بنسبة 050 تقريبًا وتحقيق نسب تغطية 998 YIM ، و9/98 مقارنة ب 9093 9/89٠ ، و9091 باستخدام خوارزمية استكشاف RRT للبيئات الفارغة والصغيرة والكبيرة على التوالي. يتم اختبار TESAC المقترح باستخدام روبوتات السرب في بيئة محاكاة وتجارب واقعية للعديد من السيناريوهات في بيئات مختلفة. يحقق النظام المقترح نسبة عالية من استكشاف المنطقة المجهولة في المستودع في أقل وقت ممكن وتحديد دقيق لجميع الأهداف (الأشخاص المختنقين). يتميز النظام بالمرونة والقوة وقابلية التوسع والتحدي والعمومية. يعالج النظام المقترح التحديات السابقة لتغطية المنطقة بواسطة روبوتات الملاحة في البيئات الديناميكية ويدمج خوارزميات متعددة للاستكشاف وتخطيط المسار واكتشاف الكائنات في اطارعمل ROS

One of the significant challenges in the robotics field is area coverage by swarm robots to complete a particular task. Exploring dynamic and unknown environments autonomously using swarm robots cooperatively and effectively in minimum time is the main priority in many domains. Exploration refers to navigating an unknown area and creating a map. Swarm robots form a suitable solution for exploration and path-planning tasks. Some exploration algorithms used by swarm robots fail to cover an area of specific environments or consume time for complete coverage. Another challenge is planning the paths of swarm robots to generate optimal paths integrating with exploration algorithms and using deep learning techniques to detect specific objects as targets. Mobile robot path planning involves finding a path sequence for a mobile robot to move from an initial position to a target position under certain constraints. Metaheuristic algorithms which are inspired by nature are commonly used to guide robots toward near-optimal solutions within a reasonable time frame, making them well-suited for path planning and area coverage problems. This dissertation addresses the area coverage problem using swarm robots to do rescue operations for persons by proposing an intelligent emergency system for área coverage (IESAC), which is designed for rescue scenarios of warehouse chemical pollution to do rescue tasks for suffocated persons inside. Focus on proposing efficient algorithms for autonomous exploration, path planning, and person detection. Five TurtleBot3 Burger robots with high specifications and important characteristics for autonomous navigation are used. Three swarm robots explore the warehouse, detect targets, and send the target's position information to the master computer, which has a role in sending a person's position to the remaining two robots to perform path planning and reach the determined positions to rescue suffocated persons in the warehouse. The work in the dissertation was conducted in two phases leveraging the Robot Operating System (ROS). The first phase proposes different algorithms for global path planning. These algorithms are; improved rapidly exploring random tree -salp swarm algorithm (IRRT-SSA) is an enhanced RRT algorithm by the salp swarm optimization algorithm, memorized rapidly exploring random tree optimization (MRRTO) incorporates memory optimization in RRT and bidirectional path generation, and memorized salp rapidly exploring random tree optimization (MSRRTO) is a hybrid method of IRRT-SSA and MRRTO combining their strengths for superior path planning. The Dynamic Window Approach (DWA) as a local planner for dynamic obstacle avoidance, Simultaneous Localization and Mapping (SLAM), and Adaptive Monte Carlo Localization (AMCL) are used in this phase. The second phase proposes a Pelican Optimization Algorithm (POA) by swarm robots for exploration and area coverage. The Timed Elastic Band (TEB) as a local planner for obstacle avoidance, SLAM algorithm, and a training model which is called You Only Look Once version 8 nano (YOLOv8n) for person detection are used in this phase. The proposed path planning and exploration algorithms are tested in a simulation environment based on ROS, Gazebo, and RViz and real-world experiments to validate the efficiency of these proposed algorithms. Evaluation results compared with the original RRT algorithm showed that; IRRT-SSA outperformed in path length, node count, and iterations by approximately 49%, 54%, and 54%, respectively, the path length was enhanced by 22%, reduced time consumption by 99.5%, and decreased node usage by 71.58% using the MRRTO algorithm, the MSRRTO algorithm reduced time consumption by 96% and node usage by 95.9% and provided the best overall performance superior on IRRT-SSA and MRRTO. The proposed pelican optimization algorithm was tested in different environments and achieved high area coverage with minimal time, reducing total time approximately by 50% and achieving coverage ratios of 98%, 99%, and 98% compared to 93%, 89%, and 91% with RRT exploration algorithm for empty, small, and large environments respectively. The proposed IESAC by using swarm robots is tested in a simulation environment and real-world experiments for many scenarios in various environments. It achieves a high ratio of exploration of the unknown área in a warehouse in minimum time and accurate identification of all targets (suffocated persons). The system is characterized by flexibility, power, scalability, challenge, and generality. It addresses the previous challenges of navigation robots in dynamic environments and integrates multiple algorithms for exploration, path planning, and object detection in the ROS framework.

طلب نسخة من الملف

الملفات غير منشورة على الموقع. اترك بياناتك وسيتواصل معك موظفو قسم الشؤون الثقافية والفنون لإرسال النسخة مجاناً.

الاسم

رقم الهاتف

البريد الإلكتروني

الغرض من الطلب (اختياري)

إرسال الطلب