МОДЕЛЮВАННЯ КОЛЕКТИВНОЇ ПОВЕДІНКИ ГРУП БПЛА ЗА ДОПОМОГОЮ ТЕОРІЇ МАСОВИХ ІГОР
DOI:
https://doi.org/10.36994/2788-5518-2025-01-09-14Ключові слова:
БПЛА, масові ігри, колективна поведінка, управління повітряним простором, моделювання, теорія керуванняАнотація
У статті подано результати порівняльного дослідження моделей колективної поведінки груп (флотилій) безпілотних літальних апаратів (БПЛА) із застосуванням теорії масових ігор (Mean Field Game, MFG) і звичайної rule-based стратегії. Основна увага приділяється оптимізації розподілу трафіку БПЛА в умовах обмеженого повітряного простору з наявністю перешкод і високою щільністю агентів. Метою дослідження є розроблення моделі симуляції поведінки агентів, здатної забезпечити керування рухом БПЛА в міському (урбаністичному) середовищі. Для досягнення поставленої мети використовується метод чисельного розв’язання системи рівнянь Гамільтона-Якобі-Беллмана та Фоккера-Планка, що описують динаміку оптимального керування й еволюцію густини агентів. Виконано формалізацію середовища з обмеженнями й побудовано моделі, що враховують взаємодію між агентами та їхню адаптацію до змін середовища. Реалізовано порівняння rule-based і MFG підходів за метриками: середня відстань до цілі, локальна густина, утрати маси агентів, узгодженість напрямку руху з вектором до цілі. Моделювання продемонструвало, що застосування теорії масових ігор дає змогу збільшити адаптивність системи управління БПЛА, зменшити ймовірність конфліктів між агентами й уникнути втрат щільності. Розроблена модель виявилася ефективною в симуляціях, що свідчить про раціональність її подальшого вдосконалення та використання в практичних завданнях повітряного руху. Наприклад, актуальними напрямами інтеграції моделі з технологіями штучного інтелекту, цифровими двійниками та децентралізованими системами зберігання даних (blockchain технології).
Посилання
Wang G., Yao W., Zhang X., Li Z. A mean-field game control for large-scale swarm formation flight in dense environments. Sensors. 2022. Vol. 22, № 14. P. 5437. DOI: https://doi.org/10.3390/s22145437.
Chen D., Qi Q., Zhuang Z., Wang J. Mean field deep reinforcement learning for fair and efficient UAV control. IEEE Internet of Things Journal. 2020. Vol. 7, № 9. P. 8472–8485. DOI: https://doi.org/10.1109/JIOT.2020.3008299.
Chow J. Y. J. Dynamic UAV-based traffic monitoring under uncertainty as a stochastic arc-inventory routing policy. International Journal of Transportation Science and Technology. 2016. Vol. 5, № 3. P. 167–185. DOI: https://doi.org/10.1016/j.ijtst.2016.11.002.
Altaher M., Elmougy S. A new mean-field game approach for closed-loop strategic swarm maneuvering. Proceedings of the International Telecommunications Conference (ITC-Egypt). 2023. P. 1–6. DOI: https://doi.org/10.1109/ITC-Egypt58155.2023.10206155.
Schulmeyer N. P., Fala N. An agent-based modelling framework for assessing the impact of UAV on the air traffic system. AIAA SciTech 2024 Forum. 2024. DOI: https://doi.org/10.2514/6.2024-3889.
Izadi Moud H., Shojaei A., Flood I., Zhang X. Monte Carlo based risk analysis of unmanned aerial vehicle flights over construction job sites. Proceedings of the 15th International Conference on Informatics in Control, Automation and Robotics (ICINCO). 2018. P. 451–458. DOI: https://doi.org/10.5220/0006868804510458.
Wang C.-H. J., Deng C., Low K. H. Parametric study of structured UTM separation recommendations with physics-based Monte Carlo distribution for collision risk model. Drones. 2023. Vol. 7, № 6. P. 345–358. DOI: https://doi.org/10.3390/drones7060345.
Tantardini M., Ieva F., Tajoli L., Piccardi C. Comparing methods for comparing networks. Scientific Reports. 2019. Vol. 9. P. 17557. DOI: https://doi.org/10.1038/s41598-019-53708-y.
Lin A. T., Fung S. W., Li W., Osher S. J. Alternating the population and control neural networks to solve high-dimensional stochastic mean-field games. Proceedings of the National Academy of Sciences (PNAS). 2021. Vol. 118, № 31. e2024713118. DOI: https://doi.org/10.1073/pnas.2024713118.
De Paola A., Trovato V., Angeli D., Strbac G. A Mean Field Game Approach for Distributed Control of Thermostatic Loads Acting in Simultaneous Energy-Frequency Response Markets. IEEE Transactions on Smart Grid. 2019. Vol. 10, № 6. P. 5987–5999. DOI: https://doi.org/10.1109/TSG.2019.2895247.
Zhang J., Xu W., Gao H., Pan M., Han Z., Zhang P. Codebook-Based Beam Tracking for Conformal Array-Enabled UAV mmWave Networks. IEEE Internet of Things Journal. 2021. Vol. 8, № 1. P. 244–261. DOI: https://doi.org/10.1109/JIOT.2020.3005394.
Gao H., Lin A. T., Banez R. A., та ін. Belief and Opinion Evolution in Social Networks: A High-Dimensional Mean Field Game Approach. Proceedings of ICC 2021 – IEEE International Conference on Communications. 2021. DOI: https://doi.org/10.1109/ICC42927.2021.9500884.
Lasry J.-M., Lions P.-L. Mean field games. Japanese Journal of Mathematics. 2007. Vol. 2. P. 229–260. DOI: https://doi.org/10.1007/s11537-007-0657-8.
Lin A. T., Fung S. W., Li W., Osher S. APAC-Net: Alternating the Population and Agent Control via Two Neural Networks to Solve High-Dimensional Stochastic Mean Field Games. February 2020. DOI: https://doi.org/10.13140/RG.2.2.22346.52165.
Han Z., Niyato D., Saad W., Başar T., Hjørungnes A. Game Theory in Wireless and Communication Networks: Theory, Models, and Applications. Cambridge : Cambridge University Press, 2011. DOI: https://doi.org/10.1017/CBO9780511895043.
Achdou Y., Laurière M. Mean Field Games and Applications: Numerical Aspects. Mean Field Games. Lecture Notes in Mathematics. Springer, Cham, 2020. Vol. 2281. DOI: https://doi.org/10.1007/978-3-030-59837-2_4.
Caines P. E. Mean Field Games. Encyclopedia of Systems and Control. Springer, Cham, 2021. DOI: https://doi.org/10.1007/978-3-030-44184-5_30.
Park S., Kim H. T., Lee S., Joo H., Kim H. Survey on Anti-Drone Systems: Components, Designs, and Challenges. IEEE Access. 2021. Vol. 9. P. 42635–42659. DOI: https://doi.org/10.1109/ACCESS.2021.3065926.
Kim H., Park J., Bennis M., Kim S.-L. Massive UAV-to-Ground Communication and its Stable Movement Control: A Mean- Field Approach. 2018 IEEE 19th International Workshop on Signal Processing Advances in Wireless Communications (SPAWC). 2018. DOI: https://doi.org/10.1109/SPAWC.2018.8445906.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
