بربرنامه ريزي عمليات پويش و مين يابي براي چند روبات در محيط هاي ناشناخته

Planning of Covering and Mine Sweeping Operations for Multiple Robots in Unknown Environments

به موازات پيشرفت سخت افزاري روبات ها، علم برنامه ريزي حركت آنها نيز روزبه روز پيچيده تر و ضروري تر شده و روبات ها را قادر مي سازد قابليت هاي خود را در كاربردهايي كه حضور انسان‌ها در آن ناممكن يا خطرناك هستند ارتقا دهند. مثالي از چنين كاربردهايي، عمليات جستجو و جمع آوري مين هاي دفن شده در محيط هاي باز مي باشد. مقاله حاضر به حل مسيله پويش و مين يابي در محيطي ناشناخته توسط چند روبات متحرك مي پردازد كه در آن روبات ها با يك‌ديگر تعاملي هم كارانه دارند. براي پويش محيط و يافتن اقلام پراكنده در آن، روش جديدي به نام MSRT توسعه داده شده، و براي برنامه ريزي جهت دسترسي و جمع آوري اقلام پراكنده توسط روبات ها مدلي رياضي شبيه به مسيله فروشنده دوره گرد چندگانه (mTSP) پيشنهاد شده است كه با تلفيق آن با تكنيك هايي نظير خوشه بندي k-means، الگوريتم جستجوي A* و گراف ديدنگار، مسيريابي براي هر روبات انجام مي شود. مقايسه روش جديد با نتيجه هاي حاصل از بهينه سازي رياضي مسيله نشان داد كه روش پيشنهادي جواب هاي نزديك به بهينه مطلق را در زمان‌هاي بسيار كوتاه تري توليد مي كند.

In parallel with advances in robots hardware, the motion planning science has become increasingly indispensable and complicated, and enables robots to enhance their capabilities in applications where the presence of humans is impractical or hazardous. The covering and minesweeping operations of outdoor areas are examples of such applications. This paper deals with the problem of covering and minesweeping of unknown environments by multiple mobile robots which have cooperative interactions. For searching the space, the new method of multi sensor-based random trees (MSRT) is developed, and for planning the robots’ paths toward the scattered items and their collection, a mathematical model similar to the multiple traveling salesman problem is proposed, which together with the k-means clustering, the A* search, and the visibility graph techniques plans the route of each robot. Comparisons with the counterpart mathematic model solved to optimality showed that the proposed method produces suboptimal solutions in much shorter computational times.