Nelineární prediktivní řízení autonomního vzdušného robotu v prostředí s překážkami

Abstract

Tato bakalářská práce představuje nové Nelineárnı́ Modelové Prediktivnı́ Řı́zenı́ (NMPC) pro navigaci a vyhýbánı́ se překážkám Bezpilotnı́ch Létajı́cı́ch Strojů (UAV), jehož cı́lem je rozšı́řit schopnosti řı́dicı́ch systémů skupiny Multi-Robot Systems (MRS) pro scénáře obratných letů. Práce se zaměřuje na návrh a implementaci kontroléru NMPC pomocı́ knihovny acados, přičemž popisuje jeho penalizačnı́ funkci a formulaci omezenı́, spolu s metodologiı́ pro zvládánı́ překážek. Pro účely vyhýbánı́ se překážkám je let drona omezen na letový koridor vytvořený množinou konvexnı́ch mnohostěnů, přičemž za odchylky od tohoto koridoru je v rámci optimalizace uložena penalizace. Tento přı́stup je vyhodnocen prostřednictvı́m několika simulačnı́ch experimentů, které zdůrazňujı́ účinnost navrhované architektury řı́zenı́ a ukazujı́ jeho potenciál stát se významným kontrolérem ve vybavenı́ MRS.This bachelor’s thesis introduces a new Nonlinear Model Predictive Control (NMPC) for the navigation and obstacle avoidance of Unmanned Aerial Vehicles (UAVs), aimed at enhancing the controllers capabilities of the Multi-Robot Systems (MRS) group for agile flight scenarios. The thesis focuses on the design and implementation of the NMPC controller using the acados library, outlining its cost function and constraint formulation, alongside the methodology for obstacle management. To perform obstacle avoidance, drone flight is restricted to a flight corridor formed by a set of convex polyhedra, with an optimization penalty awarded for deviations from this corridor. This approach is evaluated through a series of simulation experiments that highlight the effectiveness of the proposed control architecture and demonstrate its potential to become a prominent controller in the MRS flight stack.