Coordination of swarm robotic system is a promising alternative to a single robot system because it provides a higher level of robustness as a result of its redundancy and the potential for simpler functionality in each robot. Moreover, the possibility of conducting work in parallel allows various applications, e.g., cooperative transport, reconnaissance, coverage, and exploration tasks. In order to perform these tasks, robots must be capable of controlling their formation stably while performing self-localization. This thesis therefore focuses on three research issues in swarm robotic systems: distributed formation stabilization, collision avoidance, and localization.
In the first part, this thesis proposes cooperative coevolutionary algorithm (CCEA)-based model predictive control (MPC) that guarantees asymptotic stability of swarm robot formation. While conventional evolutionary algorithm (EA)-based MPC approaches cannot guarantee stability, the proposed CCEA-based MPC approach guarantees asymptotic stability regardless of the optimality of the solution that the CCEA-based algorithm generates with a small number of individuals. To guarantee stability, a terminal state constraint is found, and then a novel repair algorithm is applied to all candidate solutions to meet the constraint. Furthermore, as the proposed CCEA-based algorithm finds Nash-equilibrium state in a distributed way, robots can quickly move into a desired formation from their locations. Numerical simulations and actual experiments demonstrate that the CCEA-based MPC greatly improves the performance compared to conventional particle swarm optimization (PSO)-based MPC.
In the second part, this thesis proposes a novel receding horizon particle swarm optimization (RHPSO)-based MPC for swarm robot formation incorporating collision avoidance and control input minimization. Formation control problem incorporating collision avoidance and control input minimization can be formulated as a constrained nonlinear optimization problem. In general, traditional optimization techniques suitable for addressing constrained nonlinear optimization problems take a longer computation time with an increase in the number of constraints. The traditional approaches therefore suffer from the computational complexity problem corresponding to an increase in the prediction horizon. To address this problem with the least increase in computational complexity, a novel strategy for collision avoidance is proposed. In addition, the stability conditions are derived in simplified forms considering the control input minimization in the optimization problem. The effectiveness of the proposed algorithm is verified by numerical simulations.
In the last part, this thesis proposes a novel dual-sensor-based vector field simultaneous localization and mapping (DV-SLAM) algorithm for potential applications to localization of swarm robotic systems. For practical applications of the SLAM algorithm to swarm robotic systems, the algorithm should be implemented with low-priced sensors and limited computing resource. This thesis therefore focuses on
the development of an efficient SLAM algorithm with economical sensors and low computational cost. The condition for the DV-SLAM to be fully observable was derived by examining the Fisher Information Matrix (FIM). Simulation and experimental results demonstrate that the proposed approach greatly improves the performance of the SLAM compared to the conventional approach.
군집 로봇 협력 시스템은 탐색, 구조 등과 같은 임무 수행에 있어서 단일 로봇 시스템에 비해 높은 수준의 강인성을 확보할 수 있기 때문에 최근 많은 연구가 이루어지고 있다. 군집 로봇 시스템이 임무를 수행하기 위해서는 그룹 내 로봇들이 상대적인 위치를 유지하면서 주어진 경로를 추종하는 편대 제어 기술이 기본적으로 요구된다. 또한 군집 로봇 스스로 위치를 파악할 수 있도록 하는 위치 추정 기술이 필요하다. 따라서 본 논문에서는 군집 로봇 시스템 운용에 있어 필수적으로 요구되는 편대 안정화, 로봇 간 충돌 회피, 위치 인식 기술에 대한 새로운 방법을 다음과 같이 제안한다.
첫 번째로 군집 로봇 시스템의 협력 공진화 알고리즘 (cooperative coevolutionary algorithm: CCEA) 기반 편대 제어 기법을 제시한다. 기존 진화 연산 기반의 모델 예측 제어 (model predictive control: MPC) 기법들은 안정성을 보장하지 못할 뿐 아니라, 계산 시간이 오래 걸려 실시간 제어에 적용하기 어렵다. 본 논문에서는 최적 해를 제한시간 내에 구하지 못하더라도 군집 로봇 편대의 점근적 안정성 (asymptotic stability) 을 보장할 수 있는 협력 공진화 알고리즘 기반 모델 예측 제어 기법을 제안한다. 시스템의 안정성을 보장하기 위해 종단 상태 구속 조건을 유도하였으며, 모든 후보 해들이 종단 상태 구속 조건을 만족하도록 복구 알고리즘 (repair algorithm)을 제안하였다. 또한 제안된 협력 공진화 기반 모델 예측 제어 기법은 내쉬 균형으로 수렴하기 때문에 각 로봇은 주변 로봇들의 궤적에 대한 최적의 궤적을 계산하여 빠르게 명령 편대로 움직일 수 있다. 제안된 알고리즘은 시뮬레이션 및 실제 로봇 적용 실험을 통해 기존의 방법과 비교하여 제안된 방법의 향상된 성능을 확인하였다.
두 번째로 로봇 간 충돌 회피와 제어 입력 최소화를 고려한 이동 구간 입자 군집 최적화 (receding horizon particle swarm optimization: RHPSO) 알고리즘 기반 편대 제어 기법을 제시한다. 로봇 간 충돌 회피와 제어 입력 최소화를 고려한 편대 제어 문제는 비선형 제한 조건을 갖는 최적화 문제로 정의된다. 일반적으로 비선형 제한 조건을 갖는 최적화 문제를 풀기 위한 전통적인 최적화 기법은 예측 구간이 길어질수록 구속 조건의 수가 증가하기 때문에 계산 시간이 증가한다는 문제점이 있다. 본 논문에서는 계산복잡도의 증가 없이 본 문제를 해결하기 위해 새로운 충돌 회피 전략을 제시하였다. 또한 제어 입력 최소화를 고려한 시스템의 안정성 조건을 유도하였다. 제안된 알고리즘은 시뮬레이션을 통해 기존 알고리즘에 비해 충돌회피에 효과적임을 확인하였다.
마지막으로 군집 로봇의 위치 추정을 위한 이원 벡터장 센서 기반 위치 추정 및 지도 작성 (dual-sensor-based vector field simultaneous localization and mapping: DV-SLAM) 알고리즘을 제시한다. 위치 추정 알고리즘이 군집 로봇 시스템에 적용되기 위해서는 저가의 센서를 이용하여 제한된 컴퓨팅 자원으로 구현 될 수 있어야 한다. 따라서 본 논문에서는 저가의 센서와 제한된 컴퓨팅 자원으로 실내 환경에서 활용이 가능한 위치 추정 및 지도 작성 알고리즘을 개발하는데 초점을 두었다. 제시된 알고리즘의 가관측성 (observability)을 피셔 정보 행렬 (Fisher information matrix: FIM)를 통해 분석하고, 그 분석 결과를 토대로 가관측성을 항상 만족시킬 수 있는 조건을 유도하였다. 시뮬레이션 및 실제 실험을 통해 기존의 방법과 위치 추정 정확도를 비교하여 제안된 방법의 성능 향상을 확인하였다.
