МОДЕЛІ ТА МЕТОДИ ІНТЕЛЕКТУАЛЬНОГО КЕРУВАННЯ АВТОНОМНИМ РУХОМ МЕРЕЖІ МОБІЛЬНИХ СИСТЕМ У ДИНАМІЧНОМУ АНТРОПОГЕННОМУ СЕРЕДОВИЩІ

Д. В. Патлай

doi:10.32782/2521-6643-2026-2-72.21

Д. В. Патлай Національний університет «Одеська політехніка» https://orcid.org/0009-0005-2070-5598

DOI: https://doi.org/10.32782/2521-6643-2026-2-72.21

Ключові слова: мультиагентні системи; інтелектуальне керування; гетерогенні робототехнічні системи; соціальна навігація; багатокритеріальна оптимізація; автономна логістика; UAV–UGV координація

Анотація

Запропоновано архітектуру інтелектуального керування мережею гетерогенних мобільних робототехнічних систем. Розглянуто особливості роботи роботизованих платформ у динамічному антропогенному середовищі з високою невизначеністю та наявністю людських потоків. Обґрунтовано необхідність адаптивної координації автономних систем у міській логістиці, що забезпечують безпечну та узгоджену роботу систем у реальному часі. Мета роботи – розроблення мультиагентної платформи координації UAV та UGV для задач автономної логістики у динамічно змінних середовищах. Методологічну основу роботи становлять методи теорії графів та багато- критеріальної оптимізації. Запропоновано модель координації, що враховує динамічну оцінку щільності людського потоку та прогнозні вектори руху об’єктів середовища. Архітектура керування базується на ієрархічному прийнятті рішень і забезпечує адаптивний перерозподіл завдань між гетерогенними агентами залежно від умов середовища та експлуатаційних обмежень. Наукова новизна роботи полягає у розробленні алгоритму адаптивного вибору типу агента на основі каскадного аналізу фізичних, метеорологічних і соціальних обмежень. На відміну від існуючих підходів, запропоноване рішення інтегрує принципи соціальної навігації безпосередньо в багаторівневу архітектуру мережевого керування, що дозволяє зменшити конфліктність взаємодій і підвищити стабільність координації у щільному антропогенному середовищі. Результати моделювання підтвердили працездатність запропонованої архітектури в умовах динамічної зміни параметрів середовища та продемонстрували адаптивність стратегії керування до варіацій соціальної щільності, складності місій і комунікаційних обмежень. Практична значущість дослідження полягає у можливості застосування розроблених моделей і архітектурних рішень у масштабованих системах автономної міської логістики, сервісній робототехніці, системах «останньої милі» та моніторингу складних інфраструктурних об’єктів. Перспективи подальших досліджень пов’язані з програмною реалізацією запропонованих методів у робототехнічних симуляційних середовищах і кількісною оцінкою енергоефективності, масштабованості та резильєнтності мультиагентних мереж.

Посилання

1. Macenski S., Foote T., Gerkey B., Lalancette S., Woodall W. The Robot Operating System 2: Design, architecture, and uses in the wild. Science Robotics. 2022. Vol. 7, No. 66. https://doi.org/10.1126/scirobotics. abm6074
2. Yang G., An L., Zhao C. Collision/Obstacle Avoidance Coordination of Multi-Robot Systems: A Survey. Actuators. 2025. Vol. 14, No. 2. Art. 85. https://doi.org/10.3390/act14020085
3. Thrun S., Burgard W., Fox D. Probabilistic robotics // Communications of the ACM. 2002. Vol. 45, No. 3. P. 52–57. https://doi.org/10.1145/504729.504754
4. International Organization for Standardization. ISO 8373:2021 Robots and robotic devices – Vocabulary. Geneva : ISO, 2021. URL: https://www.iso.org/standard/75539.html
5. Trautman P., Krause A. Unfreezing the robot: Navigation in dense, interacting crowds. Proc. IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). 2010. P. 797–803. URL: https://doi.org/10.1109/iros.2010.5654369
6. Rudenko A., Palmieri L., Herman M., Kitani K., Gavrila D., Arras K. Human motion trajectory prediction: A survey. The International Journal of Robotics Research. 2020. Vol. 39, No. 8. P. 895–935. https://doi.org/10.1177/0278364920917446
7. Chen C., Liu Y., Kreiss S., Alahi A. Crowd-Robot Interaction: Crowd-Aware Robot Navigation with Attention-Based Deep Reinforcement Learning. Proc. IEEE International Conference on Robotics and Automation (ICRA). 2019. P. 6015–6022. URL: https://doi.org/10.1109/ICRA.2019.8794134
8. Fox D., Burgard W., Thrun S. The dynamic window approach to collision avoidance. IEEE Robotics & Automation Magazine. 1997. Vol. 4, No. 1. P. 23–33. URL: https://ieeexplore.ieee.org/document/580977
9. Dorling K., Heinrichs J., Messier G., Magierowski S. Vehicle routing problems for drone delivery. IEEE Transactions on Systems, Man, and Cybernetics: Systems. 2017. Vol. 47, No. 1. P. 70–85. URL: https://ieeexplore.ieee.org/document/7505975
10. Waharte S., Trigoni N. Supporting search and rescue operations with UAVs. Proc. International Conference on Emerging Security Technologies. 2010. P. 142–147. URL: https://ieeexplore.ieee.org/document/5601296
11. Chung S.-J., Paranjape A., Dames P., Shen S., Kumar V. A survey on aerial swarm robotics. IEEE Transactions on Robotics. 2018. Vol. 34, No. 4. P. 837–855. URL: https://ieeexplore.ieee.org/document/8424819
12. Michael N., Fink J., Kumar V. Cooperative manipulation and transportation with aerial robots. Autonomous Robots. 2011. Vol. 30. P. 73–86. https://doi.org/10.1007/s10514-010-9205-0
13. Olfati-Saber R., Fax J., Murray R. Consensus and cooperation in networked multi-agent systems. Proceedings of the IEEE. 2007. Vol. 95, No. 1. P. 215–233. URL: https://ieeexplore.ieee.org/document/4118472
14. Zavlanos M., Pappas G. Distributed formation control with permutation symmetries. Proc. IEEE Conference on Decision and Control. 2007. URL: https://doi.org/10.1109/CDC.2007.4434527
15. Bușoniu L., Babuška R., De Schutter B. A comprehensive survey of multiagent reinforcement learning. IEEE Transactions on Systems, Man, and Cybernetics Part C. 2008. Vol. 38, No. 2. P. 156–172. URL: https://doi.org/10.1109/cec.2007.4424494
16. Makridakis S., Spiliotis E., Assimakopoulos V. Statistical and machine learning forecasting methods: Concerns and ways forward. PLoS ONE. 2018. Vol. 13, No. 3. e0194889. https://doi.org/10.1371/journal. pone.0194889
17. Laporte G. Fifty years of vehicle routing. Transportation Science. 2009. Vol. 43, No. 4. P. 408–416. https://doi.org/10.1287/trsc.1090.0301
18. Goodfellow I., Bengio Y., Courville A. Deep Learning. Cambridge : MIT Press, 2016. URL: https://www.deeplearningbook.org
19. Dellaert F., Hutchinson S. Probabilistic robotics: Algorithms and applications // Foundations and Trends in Robotics. 2020. Vol. 8, No. 1–2. P. 1–201. https://doi.org/10.1561/2300000052