Plánování odchytové trajektorie pro bezpilotní letouny

Abstract

Tato práce se zaměřuje především na návrh, vývoj a testování nových metod autonomního zachycení rušivých dronů pomocí jiného dronu. Byl vyvinut pokročilý detekční a sledovací mechanismus, který využívá měření LIDAR (Light Detection and Ranging) s ohledem na letové charakterstiky agilního zachycovacího dronu. Po ověření byla technika rozšířena pomocí algoritmu interaktivního vícenásobného modelu (IMM), který prokázal vynikající schopnost sledovat vysoce manévrovatelné cíle. Pro proces zachycení byly zavedeny různé algoritmy, včetně proporcionální navigace (PN) a nelineárního modelového prediktivního řízení (NMPC), které byly porovnány se základní metodou, navigací založenou na nelineární optimalizaci (NLOPT). Metoda PN byla upravena speciálně pro zachycení dronů a NMPC využita s přímým cílem využít výhod tohoto typu řízení. Prostřednictvím důkladného testování a porovnání v simulacích PN a NMPC znatelně překonaly základní algoritmus, přičemž NMPC vykazoval výjimečný výkon ve všech ukazatelích. PN byla také úspěšně testována proti lidskému pilotovi v reálném scénáři, což podtrhuje praktickou použitelnost a účinnost těchto metod při řešení reálných problémů se zachycením dronů. To představuje významný milník, který potvrzuje teoretické základy této práce a zároveň zdůrazňuje jejich praktickou hodnotu při řešení rostoucího problému rušivých dronů.

This thesis primarily centers on the design, development, and testing of novel methods for the autonomous interception of intrusive drones using another drone. An advanced detection and tracking mechanism was developed, using Light Detection and Ranging (LIDAR) measurements with respect to flight characteristics of the agile interceptor drone. Post validation, the technique was augmented using the Interactive Multiple Model (IMM) filter algorithm, which showed superior tracking of highly maneuverable targets. For the interception process, various algorithms, including Proportional Navigation (PN) and Nonlinear Model Predictive Control (NMPC), were introduced and compared to a baseline method, Navigation Based on Nonlinear Optimization (NLOPT). The PN method was adapted specifically for drone interceptions and NMPC utilized with a straightforward objective to leverage the benefits of this type of control. Through rigorous testing and comparison in simulations, PN and NMPC notably outperformed the baseline algorithm, with NMPC showing exceptional performance across all metrics. PN was also successfully tested against a human pilot in a real-world scenario, highlighting the practical applicability and effectiveness of these methods in tackling real-world drone interception challenges. This marks a significant milestone, validating the theoretical foundations of this research while also underlining their practical value in addressing the growing issue of intrusive drones.