Plánování pro autonomní odchyt bezpilotních letounů

Abstract

Popularita bezpilotních helikoptér, běžně známých jako drony, stále roste, stejně jako obavy ohledně jejich možného zneužití. Jedním z nových bezpečnostních problémů je nedostatek efektivních prostředků ochrany před drony, zvláště v případech kdy jejich přítomnost může vést ke zranění nebo porušuje zákon. Zachycení nespolupracujícího dronu je komplikovaný problém. Jedna slibná větev výzkumu v této oblasti zahrnuje nasazení odchytového dronu. Pro tento účel je potřeba vyvinout rychlý a robustní algoritmus plánování odchytových trajektorií. V této práci je implementován plánovač trajektorií založený na prediktivním řízení a strategie řízení založená na posilovaném učení. Jejich účinnost, rychlost a robustnost jsou zhodnoceny, porovnány a testovány v simulacích. Plánovač založený na prediktivním řízení je otestován i v reálném experimentu.As the popularity of Unmanned Aerial Vehicles (UAVs), commonly known as drones, continues to grow, concerns regarding the potential misuse of them have become more actual. One of the emerging challenges in the area of drone security is the interception of intruder drones, especially when their presence can lead to injuries or breaks the law. Intercepting a non-cooperating drone requires a sophisticated approach, and one promising branch of this technology involves deploying an interceptor drone. For this purpose a fast and robust approach for planning the interception trajectory must be used. In this thesis a Model Predictive Control (MPC)-based trajectory planner and a Reinforcement Learning (RL)-based control strategy are implemented. Their effectiveness, speed and robustness are assessed, compared and tested in simulations. The MPC-based planner is also tested in a real-world experiment.