Robust Multi-Agent Collision Avoidance for Drones

Al Ahdab, Mohamad

4. term

Control and Automation, Master

2019

2019-06-06

144

Denne afhandling undersøger, hvordan små Crazyflie 2.0-droner kan følge planlagte ruter pålideligt og undgå kollisioner, selv når der er forstyrrelser og usikkerheder. Først opbygges en model af dronen baseret på kvaternioner (en kompakt måde at beskrive 3D-orientering). Derefter udvikles Sliding Mode Control (SMC) til både holdnings- (orienterings-) og positionsstyring, koblet i kaskade. Simuleringer viser, at metoden er robust over for forstyrrelser og modelusikkerhed. For at give regulatoren præcise tilstande udvikles et IMU-drevet, kvaternionbaseret fejltilstands-udvidet Kalman-filter med bias-estimation; i simulering er nøjagtigheden tilstrækkelig til styring. Herefter forsøges position-SMC implementeret på en Crazyflie 2.0. Regulatoren stabiliserer den lodrette z-akse, men endnu ikke de vandrette x- og y-akse, hvilket kræver yderligere undersøgelser. En enkel robusthedstest på z-aksen viser god robusthed. Til sidst udvikles en lokal ruteplanlægger baseret på modelprædiktiv kontrol (MPC), der arbejder sammen med position-SMC. Kalman-filteret bruges til at estimere dronens dynamik og levere en model til MPC. I simulering med flere droner og en stationær forhindring opnås kollisionfri flyvning, hvilket peger på potentiale for anvendelse i praksis.

This thesis explores how to make small Crazyflie 2.0 drones follow planned paths reliably and avoid collisions, even in the presence of disturbances and uncertain parameters. We first build a drone model based on quaternions (a compact way to represent 3D orientation). We then design Sliding Mode Controllers (SMC) for attitude (orientation) and position, arranged in a cascade. Simulations indicate that the method is robust to disturbances and modeling errors. To provide the controller with accurate states, we develop an IMU-driven, quaternion Error-State Extended Kalman Filter with bias estimation; in simulation, its accuracy is sufficient for control. We next attempt to implement the position SMC on a Crazyflie 2.0. The controller stabilizes motion along the vertical z-axis, but not yet along the horizontal x and y axes, which requires further investigation. A simple robustness test on the z-axis shows good results. Finally, we create a Model Predictive Control (MPC) based local path planner that works with the position SMC. The Kalman filter is used to estimate the drone’s dynamics and provide a model to the MPC. In simulations with multiple drones and a stationary obstacle, the planner achieves collision-free flight, suggesting promise for real-world use.

[This abstract was generated with the help of AI]

MPC ; SMC ; Collision Avoidance ; Path Planning ; Robustness ; Drone ; Quadcopter ; Crazyflie ; Kalman filter

Download
View record in AAU Student Projects