کنترل پوشش توزیع‌شده سیستم چند عامله در یک منطقه بحران‌زده و مکانیابی اهداف ساکن احتمالی موجود در منطقه

این مقاله به مساله جستجو و پوشش مشارکتی اختصاص دارد که در آن یک الگوریتم کنترل توزیع شده برای جستجوی خودکار قربانیان بلایای طبیعی با استفاده از سیستم چند عامله مشارکتی به کار گرفته شده است. مدیریت بحران یک مسابقه با زمان است. بنابراین پاسخ سریع به بحران می‌تواند به طور چشمگیری از میزان خسارات و آسیب‌ها بکاهد. بدیهی است که یک نقشه فراگیر از منطقه بحران‌زده بلافاصله پس از وقوع به تیم کنترل بحران کمک می‌کند تا عملیات مدیریت بحران را با اطلاعات بیشتر و دقیق‌تری طراحی نماید. در این تحقیق یک محیط مستطیلی در نظر گرفته شده که 4 پرنده بال‌‌ثابت با پرواز بر فراز آن علاوه بر پوشش حداکثری محیط، محل دقیق 18 هدف ساکن توزیع‌شده را می‌یابند. بدین منظور، uav ها با همکاری یکدیگر نقشه شناخت شامل نقشه های احتمال حضور هدف و نامعینی را می‌سازند و براساس همین نقشه شناخت و همچنین پیش‌بینی سه حرکت بعدی خود و عامل‌های همسایه، بهترین مسیر بدون برخورد را محاسبه می‌کنند. مقایسه روش مشارکتی و غیر مشارکتی نشان می‌دهد در روش کنترل توزیع شده مشارکتی، درصد پوشش محیط و میانگین نامعینی بسیار زودتر به حداکثر و حداقل مقدار قابل قبول خود می‌رسد.

Distributed Coverage Control of a Multi Agent System in a Disaster Area and Localizing the Stationary Probable Targets in the Environment

This paper is dedicated to a cooperative search and coverage problem in which we applied a distributed coverage control algorithm for automated victim search using a cooperative multiUAVs system. Disaster management is a competition with time. So, fast response to disaster can significantly decrease damages and losses. It is obvious that a comprehensive map of the affected area immediately after disaster occurred, helps disaster control unit to quickly and initially evaluate the degree of damages, amount of economic losses and casualties. Therefore, they can plan for disaster management operations with more and detailed information. We considered a rectangular surveillance region in which four fixedwing UAVs fly over the affected area to exactly localize the 18 stationary targets randomly distributed in the environment, as well as maximizing the coverage. For this purpose, UAVs cooperatively build the cognitive maps including Target Probability Map and Uncertainty Map. Then based on cognitive map and also their prediction from three steps ahead of their own and also neighboring agents moves, UAVs decide about their optimal collisionfree paths. Comparison between cooperative and noncooperative methods indicates that in cooperative distributed scheme, coverage percentage and global average uncertainty converges to their admissible maximum and minimum value in a considerably less time, respectively.