Plánování sběru dat pro vzdušné prostředky

Abstract

Tato práce se zabývá plánováním misí sběru dat bezpilotními vzdušnými prostředky (Unmanned Aerial Vehicles - UAV). Sběr dat je jedním z mnoha využití UAV, při kterém mohou být palubní sensory použity například záchrannými složkami k pátrání, dohledu nad zvolenou oblastí, nebo inspekci budov. Úkolem plánování sběru dat je nalezení plánu, který navštíví předem definovaná cílová místa. Plánování misí je klíčovým problémem efektivního využití UAV vzhledem k očekávanému výsledku mise. Cílem této práce je umožnit efektivní nasazení UAV s ohledem na optimalizační kritéria: 1) minimalizace délky cesty navštívení všech definovaných cílů a 2) maximalizace dat s omezením délky cesty. Text disertační práce je souborem pěti časopiseckých publikací, které se zaměřují na specifické aspekty plánování sběru dat UAV prostředky. Důležitým aspektem ovlivňujícím proveditelnost plánu neholonomních nebo dynamicky omezených UAV je schopnost navštívit cílová místa v naplánovaném pořadí při dodržení předepsané letové rychlosti. Tento aspekt je řešen využitím modelu Dubinsova vozidla s omezeným poloměrem zatáčení. Model Dubinsova vozidla vyžaduje nové formulace plánování přes více cílů, které v práci navrhujeme společně s metodami řešení a experimentálním ověřením. Dále ukazujeme, že je možné zlepšit kvalitu řešení v podobě zvýšení nasbíraných dat explicitním zahrnutím dosahu palubního sensoru, a to za cenu zvýšené komplexnosti optimalizační úlohy. Varianty plánování s modelem Dubinsova vozidla i s uvažováním dosahu sensoru jsou formulovány celočíselným lineárním programováním (Integer Linear Program - ILP) a řešeny optimálně pro určité velikosti problémů. Pro optimalizační kritérium minimalizace délky cesty jsou navrženy metody plánování pro více prostředků s modelem Dubinsova vozidla a uvažováním dosahu sensoru. Plánovací metody jsou dále zobecněny pro prostředí s překážkami, které představují realističtější scénář nasazení autonomních UAV. V prostředí s překážkami je však nutné řešit kombinaci bezkolizního plánování pohybu s kombinatorickým plánováním přes více cílů. Navržené metody plánování sběru dat jsou založeny na algoritmech Variable Neighborhood Search, Self-Organizing Map a formulaci ILP. Metody jsou ověřeny na testovacích scénářích z literatury a proveditelnost plánů je experimentálně otestována na reálných UAV.

This thesis concerns planning for data collection missions with Unmanned Aerial Vehicles (UAV). The data collection is one of the many use cases of UAVs where the onboard sensors can produce various data such as thermal images in search and rescue scenarios, visual images for surveillance, or LiDAR point clouds for inspection. The task of the data collection planning is to find a plan that visits a predefined set of target locations to retrieve the data. The data collection planning is essential for all mentioned scenarios to achieve, with respect to a planning objective, efficient deployment of UAVs in data collection missions. The goal of this thesis is to make the data collection with UAVs feasible and more effective. Two planning objectives of the data collection planning are used in the thesis: 1) minimization of the path cost visiting all target locations, and 2) maximization of the collected data using a predefined path cost. This thesis is a compilation of five journal publications with contributions towards the data collection planning with UAVs and all focus on unique aspects of such planning. The important aspect that influences the feasibility of plans for the nonholonomic or dynamically constrained UAVs is the ability to visit the target locations in planned order when traveling a certain speed. It is addressed by employing the curvature-constrained Dubins vehicle for modeling the UAV in data collection planning. This, however, requires to create a novel data collection formulations for the Dubins vehicle model. We further show that at the cost of a more complex optimization problem, the amount of collected data can be increased by using a non-zero sensing range when collecting the data without the precise visit of the target locations, e.g., for a long-range sensor attached to UAV. Both data collection planning using Dubins vehicle and with non-zero sensing range are formulated as an Integer Linear Program (ILP) that is solved optimally for certain problem sizes. For the objective of minimizing the data collection plan cost, we propose methods that can be used for a multi-vehicle variant of data collection with Dubins vehicle model and non-zero sensing range. Finally, we extend the proposed planning methods for environments with obstacles. Such environments represent more realistic data collection scenarios, however, they require to solve a challenging combination of the multi-goal routing problem with collision-free motion planning. The proposed planning methods are mostly based on Variable Neighborhood Search, Self-Organizing Map, and ILP formulations. All methods are evaluated in numerous test instances from the literature and the feasibility of found plans is experimentally verified with real UAVs.