مسیریابی خودکار ربات هوایی مبتنی بر اجتناب از موانع با استفاده از الگوریتم هیستوگرام میدان برداری سه بعدی بهبودیافته

نوابی, محمد; امتیازی پور, امیرحسین

doi:10.22034/jtae.2025.9.4.7

مسیریابی خودکار ربات هوایی مبتنی بر اجتناب از موانع با استفاده از الگوریتم هیستوگرام میدان برداری سه بعدی بهبودیافته

نوع مقاله : علمی پژوهشی

نویسندگان

محمد نوابی ¹

امیرحسین امتیازی پور ²

¹ دانشکده مهندسی فناوری‌های نوین، دانشگاه شهید بهشتی، تهران، ایران

² دانشجوی دکتری، دانشکده مهندسی فناوری های نوین، دانشگاه شهید بهشتی، تهران، ایران

10.22034/jtae.2025.9.4.7

چکیده

در این مقاله، مسیریابی خودکار ربات هوایی مبتنی بر اجتناب از موانع برای کاربردهای فضای باز توسعه داده شده است. بدین منظور، ابتدا مدل دینامیکی کوادروتور به عنوان یک ربات هوایی با استفاده از معادلات تعیین کننده شتاب‌های خطی و زاویه‌ای با بهره گیری از معادلات حرکت نیوتن و اویلر ارائه و سپس عملکرد آن با استفاده از پارامترهای حالت گذرا مانند زمان نشست، زمان برخاست و درصد فراجهش ارزیابی شده است. در ادامه، کنترل‌کننده خطی از نوع"تناسبی، مشتقی، انتگرالی" برای کنترل ارتفاع و کنترل وضعیت کوادروتور طراحی شده است. برای تعیین ضرایب کنترلی بهینه از معیارهای انتگرال مربع خطا و انتگرال زمانی مطلق خطا استفاده شده است.همچنین برای مسیریابی خودکار کوادروتور، یک الگوریتم اجتناب از موانع با استفاده از روش هیستوگرام میدان برداری سه بعدی بهبود یافته در پنج مرحله توسعه داده شده است. با استفاده از شبیه سازی، ابتدا صحت مدل دینامیکی توسعه داده شده برای کوادروتور اعتبار سنجی شده، بعد از آن کنترل ارتفاع و وضعیت ارائه شده پیاده سازی می شود.نتایح نشان می دهد کوادروتور به ارتفاع و وضعیت مطلوب با ویژگی‌های گذرای مناسب دست یافته است. در آخرالگوریتم اجتناب از موانع با در نظر گرفتن آستانه فاصله نیم متر و یک متر با موانع شبیه سازی شده است. نتایج شبیه سازی نشان می دهد این الگوریتم با در نظر گرفتن آستانه فاصله یک متر با موانع، مسیریابی خودکار کوادروتور را بدون برخورد با موانع تضمین می کند. بنابراین، روش توسعه‌ داده شده می تواند برای کاربرد در محیط های باز با موانع کوچک مناسب باشد.

کلیدواژه‌ها

مسیریابی خودکار

ربات هوایی

الگوریتم اجتناب از برخورد با موانع

الگوریتم هیستوگرام میدان برداری سه بعدی

کنترل تناسبی

مشتقی

انتگرالی

موضوعات

مکانیک پرواز/ناوبری/کنترل/...

عنوان مقاله English

Automatic navigation of aerial robot based on obstacle avoidance using improved 3D vector field histogram algorithm

نویسندگان English

M. Navabi ¹

Amirhossein Emtiyazipour ²

¹ Faculty of New Technologies Engineering,, Shahid Beheshti University, Tehran, Iran

² Department of New Technologies Engineering, Shahid Beheshti University, Tehran, Iran

چکیده English

In this paper, autonomous navigation of an aerial robot based on obstacle avoidance for outdoor applications has been developed. First, the dynamic model of a quadrotor as an aerial robot is presented using equations that determine linear and angular accelerations derived from Newton’s and Euler’s equations of motion. The performance of the quadrotor is then evaluated using transient response parameters such as settling time, rise time, and overshoot percentage. Subsequently, a linear Proportional–Integral–Derivative (PID) controller is designed for altitude and attitude control of the quadrotor. To determine the optimal control gains, the criteria of Integral of Squared Error (ISE) and Integral of Absolute Error (IAE) are employed. Furthermore, for autonomous navigation of the quadrotor, an improved three-dimensional vector field histogram method is used to develop an obstacle avoidance algorithm. Through simulation, the validity of the developed dynamic model is first verified, followed by the implementation of the altitude and attitude controllers. The results show that the quadrotor achieves the desired altitude and attitude with favorable transient characteristics. Finally, the obstacle avoidance algorithm is simulated with distance thresholds of 0.5 meters and 1 meter from obstacles. The simulation results demonstrate that, with a one-meter threshold, the algorithm ensures autonomous navigation of the quadrotor without collisions. Therefore, the developed method can be suitable for outdoor environments with small obstacles,, and future work should extend obstacle range, address dynamic obstacles, and optimize efficiency for broader industrial and mission-oriented applications.

کلیدواژه‌ها English

Automatic navigation

Aerial robot

Obstacle avoidance algorithm 3D vector field histogram

PID Contorol

[1] J. Slingsby, B. E. Scott, L. Kregting, J. McIlvenny, J. Wilson, and B. J. Williamson, “A review of unmanned aerial vehicles usage as an environmental survey tool within tidal stream environments,” J. Mar. Sci. Eng., vol. 11, no. 12, pp. 2907–2924, 2023, https://doi.org/10.3390/jmse11122298.

[2] P. Pounds, R. E. Mahony, and P. I. Corke, "Modelling and Control of a Quad-Rotor Robot," Control Engineering Practice, vol. 18, no. 7, 2010, https://doi.org/10.1016/j.conengprac.2010.02.008.

[3] H. Fernando, ATA De Silva, M.D.C De Zoysa, K. Dilshan, S.R. Munasinghe, "Modelling, Simulation and Implementation of a Quadrotor UAV," in IEEE 8th Int. Conf. Industrial and Information Systems, Sri Lanka, 2013, https://doi.org/10.1109/ICIInfS.2013.6731982

[4] Idrissi, Moad, Mohammad Salami, and Fawaz Annaz. “A review of quadrotor unmanned aerial vehicles: applications, architectural design and control algorithms." Journal of Intelligent & Robotic Systems, vol. 104, no. 2, Ar. no. 22, 2022, https://doi.org/10.1007/s10846-021-01527-7.

[5] Sha’aban, Y.A. Automatic Tuning of MPC Using Genetic Algorithm with Historic Process Data. In Proceedings of the 2022 IEEE, https:doi.org/10.1109/CSPA55076.2022.9782011.

[6] Ghanifar, Mana, Milad Kamzan, and Morteza Tayefi. "Intelligent tuning PID controller, simulation and comparison for a quadrotor." Journal of Technology in Aerospace Engineering, vol. 7. Issue 4, 2023, pp. 23-33, https://doi.org/10.30699/jtae.2023.7.4.3.

[7] I. Shafieenejad, E. Dehghan Rouzi, J. Sardari, M. Siami Araghi, A. H. Esmaeili, and Sh. Zahedi "Fuzzy logic, neural-fuzzy network and honey bees algorithm to develop the swarm motion of aerial robots." Evolving Systems, vol. 13, no. 2, 2022, pp. 319-330, https://doi.org/10.1007/s12530-021-09391-4

[8] I. Shafieenejad, "Design of swarm guidance for aerial spherical robots with social intelligence inspired by grasshopper'optimal motion and fuzzy logic." Aerospace Knowledge and Technology Journal, vol. 14, Issue 1, 2025, pp. 193-216, 20.1001.1.23221070.1404.14.1.11.4.

[9] S. Huang, R. S. Huat Teo, and K. Kiong Tan, "Collision avoidance of multi unmanned aerial vehicles: A review." Annual Reviews in Control, vol. 48, 2019, pp. 147-164.

[10] T. Shima and S. Rasmussen, UAV Cooperative Decision and Control: Challenges and Practical Approaches, [Bookshelf], ‘Society for Industrial and Applied Mathematics,’ IEEE Control Systems Magazine, vol. 30, Issue 2, 2010, https://doi.org/10.1109/MCS.2010.935899

[11] J. Park and N. Cho, “Collision avoidance of hexacopter UAV based on LiDAR data in dynamic environment,” Remote Sens., vol. 12, no. 6, 2020, https://doi.org/10.3390/rs12060975.

[12] A. Moffatt, E. Platt, B. Mondragon, A. Kwok, D. Uryeu, S. Bhandari, “Obstacle detection and avoidance system for small UAVs using a LiDAR,” in Proc. Int. Conf. Unmanned Aircr. . (ICUAS), Greece, 2020, https://doi.org/10.1109/ICUAS48674.2020.9213897.

[13] A. H. Ahmed and H. Tomán. "A Hybrid Framework for UAV Obstacle Avoidance Integrating Reactive Sensing, LiDAR Planning, and Deep Reinforcement Learning in Real Time." Results in Engineering, 2026, https://doi.org/10.1016/j.rineng.2026.110150.

[14] Q. Liang, Z. Wang, Y. Yin, W. Xiong, J. Zhang, Z. Yang, “Autonomous aerial obstacle avoidance using LIDAR sensor fusion,” PLoS ONE, vol. 18, no. 6, 2023, https://doi.org/10.1371/journal.pone.0287177.

[15] J. Borenstein and Y. Koren, "The Vector Field Histogram - Fast Obstacle Avoidance for Mobile Robots," IEEE Journal of Robotics and Automation, vol. 7, no. 3, pp. 278-288, 1991, https://doi.org/10.1109/70.88137.

[16] I. Ulrich and J. Borenstein, "VFH+: Reliable Obstacle Avoidance for Fast Mobile Robots," in Proc. 1998 IEEE Int. Conf. Robotics and Automation, Belgium, pp. 1572-1577, 1998, https:doi.org/10.1109/ROBOT.1998.677362

[17] S. Vanneste, B. Bellekens, and M. Weyn, "3DVFH+: Real-Time Three-Dimensional Obstacle Avoidance Using an Octomap," in MORSE@STAF 2014 Computer Science, Engineering, vol. 1319, 2014.