Sposób wyboru optymalnej trajektorii lotu manewru antykolizyjnego realizowanego w otoczeniu ruchomych przeszkód

pol Article in Polish DOI: 10.14313/PAR_230/5

send Jerzy Graffstein Instytut Lotnictwa, Centrum Technologii Kosmicznych

Download Article

Streszczenie

Do rozwiązania problemu unikania przeszkód przez poruszający się samolot w przestrzeni powietrznej niezbędne jest wykrycie zagrożenia kolizji oraz wykonanie bezpiecznego manewru w celu ominięcia zagrażających przeszkód. W pracy przedstawiono sposób wykrywania niebezpieczeństwa zderzenia z przeszkodą dla przypadku, gdy w otoczeniu samolotu znajduje się wiele ruchomych obiektów. Zaproponowano sposób wyboru optymalnej trajektorii manewru antykolizyjnego, i potwierdzono jej wykonalność. Wybór trajektorii przeprowadzono rozwiązując zagadnienie optymalizacji metodą roju cząstek (PSO). W tym celu zaproponowano postać funkcji celu i przedstawiono wyniki analizy jej przebiegu dla różnych współczynników wagowych. Wykonane symulacje lotu wzdłuż optymalnej trajektorii manewru antykolizyjnego potwierdziły wykonalność takiego manewru. 

Słowa kluczowe

komputerowa symulacja dynamiki lotu, optymalizacja roju cząstek, trajektoria manewru antykolizyjnego, unikanie kolizji

A method of optimal flight trajectory synthesis for an anti-collision maneouvre performed within a neighbouhood with moving obstacles

Abstract

For solving the airplane to obstacle collision avoidance problem two methods are necessary: one, for detecting a collision threat, and the other one, for synthesizing a safe manoeuvre avoiding threating obstacles. In the article a method for detecting a threat of collision to obstacle was presented for the case of many obstacles moving within the neighbourhood of the airplane. Methods for optimal anti collision trajectory synthesis and for proving the workability of such a result were proposed too. A solution of an optimisation problem, obtained by the Swarm of Particles Optimization was used for trajectory synthesis. A form of quality index was proposed for this task and the analyses of its behaviour for several values of weighting factors were presented. Results of simulations of flight along an optimal, anti collision manoeuvre trajectory proved that such a manoeuvre is workable. 

Keywords

collision avoidance, evasive manoeuvre, flight trajectory, numerical simulation, particle swarm optimization

Bibliography

  1. Balicki J., Kitowski Z., Evolutionary algorithms for navigation of underwater vehicle, Proceedings of the Second International Workshop on Robot Motion and Control IEEE, 103–108, October 2001, Bukowy Dworek, DOI:10.1109/ROMOCO.2001.973439.
  2. Falkiewicz D., Łukasik S., Fuzzy modeling with the particle swarm optimization algorithm, “Technical Transactions Automatic Control”, Vol. 25, 2012, 41–54, DOI: 10.4467/2353737XCT.14.004.1781.
  3. Graffstein J., Functioning of an air anti-collision system during the test flight, “Journal Aviation”, Vol. 18, 2014, 44–51, DOI: 10.3846/16487788.2014.865945.
  4. Graffstein J., Dobór parametrów manewru antykolizyjnego i jego przebieg, „Prace Instytutu Lotnictwa”, Nr 3 (224), 2012, 31–43.
  5. Graffstein J., Elementy procesu wykrycia zagrożenia kolizją i automatycznie sterowany manewr awaryjny. „Pomiary Automatyka Robotyka”, R. 16, Nr 2/2012, 383–387.
  6. Graffstein J., Selected aspects of automatic maneuver control to avoid moving obstacles resulting from the simulation analysis of the course of aircraft movement, Advances in Intelligent Systems and Computing, “Challenges in Automation, Robotics and Measurement Techniques”, Vol. 440, 2016, 127–139, DOI. 10.1007/978-3-319-29-357-8.
  7. Hassan R., Cohanim B., de Weck O., Venter G., A comparison of particle swarm optimization and the genetic algorithm, Structures, Structural Dynamics, and Materials and Co-located Conferences, Austin, 2015, 1–13, DOI: 10.2514/6.2005-1897.
  8. Jung T.., Piera M.A., Ruiz O.S., A causal model to explore the ACAS induced collisions, “Journal of Aerospace Engineering”, Vol. 228, No. 10, 2015, 1735–1748, DOI: 10.1177/0954410014537242.
  9. Kwok N.M., Ha1 Q.P., Fang G., Motion coordination for construction vehicles using swarm intelligence, “International Journal of Advanced Robotic Systems”, Vol. 4, No. 4, 2007, 469–476, DOI: 10.5772/5672.
  10. Lisowski J., The sensitivity of state differential game vessel traffic model, “Polish Maritime research”, Vol. 23, No. 2, 2016, 14–18, DOI: 10.1515/pomr-2016-0015.
  11. Masehian E., Sedighizadeh D., Multi-objective robot motion planning using a particle swarm optimization model, “Journal of Zhejiang University-SCIENCE C” (Computers & Electronics), No. 11, 2011, 607–619.
  12. Paielli R.A., Modeling maneuver dynamics in air traffic conflict resolution, “Journal of Guidance, Control, and Dynamics”, Vol. 26, No. 3, 2003, 407–415, DOI: 10.2514/2.5078.
  13. Reshamwala A., Vinchurkar D.P., Robot path planning using an ant colony Optimization Approach: A Survey, “International Journal of Advanced Research in Artificial Intelligence”, Vol. 2, No. 3, 2013, 65–71, DOI: 10.14569/IJARAI.2013.020310.
  14. Singh Pal N., Sharma S., Robot path planning using swarm intelligence: A Survey, “International Journal of Computer Applications”, Vol. 83, No. 12, 2013, 5–12.
  15. Stevens B.L., Levis F.L., Aircraft control and simulation. J. Wiley & Sons, Inc., 2016.
  16. Yarmohamadi M., Improvement of robot path planning using particle swarm optimization in dynamic environments with mobile obstacles and target, “Advanced Studies in Biology”, Vol. 3, No. 1, 2011, 43–53.