[국내논문]플로킹 이론 기반 자율정찰비행 무인항공기의 탐색성능 향상에 관한 연구 A Study on the Improvement of Searching Performance of Autonomous Flight UAVs Based on Flocking Theory원문보기
다수의 무인항공기를 이용하여 표적을 탐색 및 추적하는 임무를 수행하는데 있어서 무인항공기의 운용 대수, 비행고도 등 운용 조건뿐만 아니라, 각 비행체들이 어떤 알고리즘을 이용해 비행경로를 결정하느냐에 따라 그 임무에 대한 성과는 크게 달라질 수 있다. 다만 이러한 표적 탐색 임무에서 자율 비행 무인항공기의 운용 방법이 어떠할 때 가장 효과적이며 효율적인지에 대한 연구는 미흡한상태이다. 본 연구에서는 플로킹 이론을 기반을 둔 다양한 자율비행 알고리즘을 활용하여, 다수의 무인 항공기가 서로 충돌을 회피하면서 표적을 탐지하는 임무를 기반으로 비행 시뮬레이션을 수행하고 그 결과를 분석하여, 표적 탐지 임무에서의 다수의 무인항공기를 제어할 수 있는 보다 효율적/효과적인 방안을 제시하였다.
다수의 무인항공기를 이용하여 표적을 탐색 및 추적하는 임무를 수행하는데 있어서 무인항공기의 운용 대수, 비행고도 등 운용 조건뿐만 아니라, 각 비행체들이 어떤 알고리즘을 이용해 비행경로를 결정하느냐에 따라 그 임무에 대한 성과는 크게 달라질 수 있다. 다만 이러한 표적 탐색 임무에서 자율 비행 무인항공기의 운용 방법이 어떠할 때 가장 효과적이며 효율적인지에 대한 연구는 미흡한상태이다. 본 연구에서는 플로킹 이론을 기반을 둔 다양한 자율비행 알고리즘을 활용하여, 다수의 무인 항공기가 서로 충돌을 회피하면서 표적을 탐지하는 임무를 기반으로 비행 시뮬레이션을 수행하고 그 결과를 분석하여, 표적 탐지 임무에서의 다수의 무인항공기를 제어할 수 있는 보다 효율적/효과적인 방안을 제시하였다.
In conducting a mission to explore and track targets using a number of unmanned aerial vehicles(UAVs), performance for that mission may vary significantly depending on the operating conditions of the UAVs such as the number of operations, the altitude, and what future flight paths each aircraft deci...
In conducting a mission to explore and track targets using a number of unmanned aerial vehicles(UAVs), performance for that mission may vary significantly depending on the operating conditions of the UAVs such as the number of operations, the altitude, and what future flight paths each aircraft decides based on its current position. However, studies on the number of operations, operating conditions, and flight patterns of unmanned aircraft in these surveillance missions are insufficient. In this study, several types of flight simulations were conducted to detect and determine targets while multiple UAVs were involved in the avoidance of collisions according to various autonomous flight algorithms based by flocking theory, and the results were presented to suggest a more efficient/effective way to control a number of UAVs in target detection missions.
In conducting a mission to explore and track targets using a number of unmanned aerial vehicles(UAVs), performance for that mission may vary significantly depending on the operating conditions of the UAVs such as the number of operations, the altitude, and what future flight paths each aircraft decides based on its current position. However, studies on the number of operations, operating conditions, and flight patterns of unmanned aircraft in these surveillance missions are insufficient. In this study, several types of flight simulations were conducted to detect and determine targets while multiple UAVs were involved in the avoidance of collisions according to various autonomous flight algorithms based by flocking theory, and the results were presented to suggest a more efficient/effective way to control a number of UAVs in target detection missions.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 다수의 고정익 무인항공기를 활용하여 정해진 관심지역에서 다수의 표적을 탐지하는 임무를 설정하여, 플로킹 이론을 기반으로 한 여러가지 비행 패턴을 제안하고 시뮬레이션을 통해 각 성능을 도출하고 그 결과를 정리하였다.
본 논문에서는 자율정찰비행 무인항공기의 비행운용 조건에 따른 표적의 탐지 확률, 평균 탐지 시간, 충돌 및 충돌할 뻔한(이하, Near miss) 수를 정량적으로 시뮬레이션하고 그 결과를 확인하고자 한다.
이에 따라 본 논문에서는 separation size, d1 및 상수 c1b을 아래와 같이 4개의 경우로 변경하여 기존 플로킹 이론과 비교하여 성능 개선이 있는지 확인해 보았다.
제안 방법
우선 플로킹 이론 및 시뮬레이션 수행 대상이 되는 비행체 등에 대한 설명한 후, 이전 연구[10,11]에서 제시된 비행 패턴을 적용한 시뮬레이션 수행 결과를 정리하였다. 마지막으로 여러 가지 다양한 탐색패턴의 시뮬레이션 및 플로킹 기반 군집 무인항공기의 수정된 탐색패턴을 소개 및 그 결과를 정리하고 본 논문에서 개선/제안하는 방식의 성능을 제시하였다.
우선 플로킹 이론 및 시뮬레이션 수행 대상이 되는 비행체 등에 대한 설명한 후, 이전 연구[10,11]에서 제시된 비행 패턴을 적용한 시뮬레이션 수행 결과를 정리하였다. 마지막으로 여러 가지 다양한 탐색패턴의 시뮬레이션 및 플로킹 기반 군집 무인항공기의 수정된 탐색패턴을 소개 및 그 결과를 정리하고 본 논문에서 개선/제안하는 방식의 성능을 제시하였다.
소스 프로그램은 크게 4개의 부분 - ➀ 초기값 설정-비행체 및 표적의 수, 비행고도 및 시간, 전체탐지영역의 크기 등 시뮬레이션 파라미터를 설정, ➁ 전체 시뮬레이션 제어하는 메인(main), ➂ 플로킹 룰 계산-플로킹 이론을 응용하여 각 비행체의 다음 위치를 결정하는 자율비행 법칙을 적용, ➃ 표적 확인-비행체의 카메라 FOV 내에 표적이 들어오면 표적임을 확인하는 로직으로 구성되며, 하위 40개의 프로그램 코딩 파일로 시뮬레이션을 구성하였다.
각 비행체는 정보를 바탕으로 각 비행체는 가중치가 적용된 플로킹 비행법칙에 따라 다음 타임 스텝의 속도벡터를 계산하는데, 이때 자율비행법칙을 플로킹의 4가지 집단행동을 포함한 총 10개의 법칙에 따라 속도벡터가 생성된다. 이후 이 벡터들의 총합이 다음 차례의 각 비행체의 속도벡터이다.
앞서 설명한 10개의 rule을 통해 각 비행체의 다음번 속도벡터를 생성하는 방식으로 플로킹 이론을 활용하여 다수의 비행체를 제어한다. 이때 j 번째 비행체의 새로운 위치 qj(t+1) 는 식(1)로 나타낼 수 있다.
비행 시뮬레이션은 다음과 같다. 각 비행체는 30초 간격으로 이륙하여 1개 또는 2개소의 초기위치로 이동(이전 논문[11]과 같이 본 논문에서도 초기 경로로의 이동은 미설정하여 상태 1은 미실행)하며, 주어진 탐지 영역 내에서 비행하며 표적을 탐지를 시작한다. 비행고도는 500ft로 고정이며, 시뮬레이션 시간은 비행시간은 60분, 마지막 6분 동안은 지정된 위치로 귀환한다.
비행체가 탐지할 표적은 이동하지 않는 고정형 표적 3개이며, 전체 임무 영역은 가로, 세로 각 약 4.8 Km(3mile)인 정사각형으로 설정하였다.
5 m)의 1배 이내로 근접하는 경우 방향에 상관없이 충돌 발생으로 판정하고 상태 5로 변경하고 비행을 중지한다. 날개 크기의 3배 이내로 근접할 경우 Near miss로 판정하고 그 비행체는 계속 임무를 수행하도록 설정하였다.
Table 4는 이전 연구와 동일한 비행 알고리즘을 적용하여 시뮬레이션 수행한 결과를 정리한 것이다. 비행체는 각각 8, 10, 12개를 운용하여 60분 동안 다수의 표적을 탐지하는 상황을 반복적으로 100회 시뮬레이션 수행한 결과를 누적하고 그 평균을 구하였다.
표의 각 항목은 다음과 같다. 본 논문의 모든 시뮬레이션에서는 공통으로 총 3개의 표적을 설정하므로 탐지 수는 100회 시뮬레이션에서 얻어진 평균 탐지 개수이며, 탐지 확률을 백분율을 병기하였다. 탐지 평균 시간은 각 표적이 첫 번째 비행체에 의해 탐지되고 및 주위의 비행체에 의해 재확인(confirm)되어 표적으로 확정된 시각의 평균을 계산하였다(탐지하지 못한 표적이 발생하는 경우, 해당 표적의 탐지 시각은 총 비행시간(1800 sec)로 대체하였다).
본 논문의 모든 시뮬레이션에서는 공통으로 총 3개의 표적을 설정하므로 탐지 수는 100회 시뮬레이션에서 얻어진 평균 탐지 개수이며, 탐지 확률을 백분율을 병기하였다. 탐지 평균 시간은 각 표적이 첫 번째 비행체에 의해 탐지되고 및 주위의 비행체에 의해 재확인(confirm)되어 표적으로 확정된 시각의 평균을 계산하였다(탐지하지 못한 표적이 발생하는 경우, 해당 표적의 탐지 시각은 총 비행시간(1800 sec)로 대체하였다). 충돌 및 Near miss 발생확률 역시 100회 반복 시뮬레이션 동안 발생한 총 충돌 횟수 및 Near miss 발생 횟수를 누적하여 총 시뮬레이션 횟수(100회)로 나눈 값으로 1회 임무당 충돌 및 Near miss 발생 확률이다.
이에 따라 플로킹 이론을 자율 비행법칙으로 그대로 사용하되 각 비행체의 탐지구역을 임의로 구분하여 배정하면, 탐지 성능은 유지하면서 충돌확률을 줄어들 수 있는지 확인을 위해 아래와 같이 비행 영역을 임의로 구분하여 할당하는 2개의 새로운 시뮬레이션을 수행하였다.
각 비행체의 임무 영역을 할당을 제외하고 이전 시뮬레이션과 모든 조건은 동일하게 두되, 첫 번째는 탐지 구역을 아래, 위로 2개로 구분(가로 4.8 * 세로 2.4 Km의 2개의 탐지구역으로 설정)하고 각 탐지 구역에 절반에 해당하는 비행체를 각각 할당하였으며, 두 번째로는 각 4분면으로 구분(2.4 * 2.4 Km의 4개의 탐지구역으로 구분)하여 총 비행체를 4등분하여 탐지 구역을 설정하고 시뮬레이션을 수행하였다. Table 5 및 Table 6은 각 시뮬레이션 결과이다.
위 절에서는 비행법칙을 변경하지 않은 상태에서 단순히 임무영역을 세분화한다고 성능이 향상되지 않음을 알 수 있었다. 이어서 Rule1 분리하는 벡터를 최적화함으로써 성능 향상이 가능한지 확인하였다. j 번째 비행체의 rule 1에 의해서 만들어지는 속도벡터 u1.
이전 절과 마찬가지로 비행체를 8~12로 운용하는 경우를 상정하였으며 좌·우측 반평면으로 구분하여 각각 절반씩(4~6개)의 비행체 각각을 시간에 따라 움직이는 탐색구역으로 1:1로 할당하였다.
이후 장에서 이러한 단점을 해소하여 탐지 성능은 높이면서 동시에 충돌 가능성을 줄이기 위해 수정된 알고리즘을 제안한다.
이번 절에서 새롭게 제안하는 방식은 탐색 구역을 더 세부적으로 구분하여 각 비행체에 1:1 할당하되 할당되는 세부 탐색 구역 자체가 시간에 따라서 이동하는 방식이다. 또한, 각 비행체는 플로킹 비행 법칙 10개의 rule 중 rule 1(separation) 및 rule 6(stay within boundary)만 사용하여 그 탐색 구역 내에서 탐색 구역의 테두리를 따라 이동하며 탐지하는 방식으로 다른 비행체들과의 충돌확률을 낮추고자 하였다. Table 10은 이 장에서 제시하는 state 2의 rule 할당을 표시한 것이다.
본 연구에서 첫 번째로 제시하는 시뮬레이션 수행한 패턴은 선회 반경이 큰 비행체의 탐색임무에 적합하다는 일명 잠보니 패턴(zamboni pattern)으로서 [19], 가로 2.4 Km(1.5 mile), 세로의 크기를 약 800~ 1,600 m(0.5~1 mile)의 임무 영역을 비행체 수만큼 생성하여 각 비행체에 해당하는 임무 영역으로 할당하고, 이 임무 영역은 시간에 따라 연속적으로 이동시킨다. 이 경우 비행체는 임무 영역의 외곽을 따라 비행하며 탐색하며 결과적으로 스프링 형태의 비행경로를 가진다.
상기와 같은 상황에서 임의의 영역에 사전 할당된 비행체가 임무를 수행하지 못하는 경우, 그 영역에 속한 표적의 경우 탐지 확률이 극적으로 떨어질 수 있는 단점이 있으며 실제 Table 11의 결과처럼 탐지 성능이 다소 작아지는 것으로 확인된다. 이러한 단점을 보완하기 위해서 임무 중 각 비행체의 위치 및 상태 정보를 기반으로 각 비행체의 탐지 구역을 변경하고 현 위치를 기반으로 다시 할당하였다.
탐지된 표적을 선회하는 비행체(state 2-2)나 충돌로 인해 탐색 임무가 불가능한 비행체(state 5)가 발생하는 경우 및 이로 인해 좌측 및 우측의 탐색하는 비행체의 숫자가 2개 이상 차이나는 경우에는 전체 비행체의 탐색영역 및 탐색 임무 가능한 비행체를 재식별하고 탐색지역을 재할당함으로써 확률적으로 탐색성능을 높이는 방식을 제안하였으며, 그 결과는 Table 12와 같다.
본 연구에서는 플로킹 이론을 기반으로 다수의 무인항공기를 자율비행 알고리즘을 구성하였으며 이를 통해 표적을 탐지하는 시뮬레이션을 수행하였다. 표적의 탐지 확률 및 평균 탐지시간을 탐색 성능으로, 충돌확률 및 Near miss 확률을 충돌 회피 성능으로 설정하고, 각각 8개, 10개, 12개의 비행체를 활용하여 3개의 표적을 탐지하는 시뮬레이션을 수행하고 그 성능을 확인하였다.
본 연구에서는 플로킹 이론을 기반으로 다수의 무인항공기를 자율비행 알고리즘을 구성하였으며 이를 통해 표적을 탐지하는 시뮬레이션을 수행하였다. 표적의 탐지 확률 및 평균 탐지시간을 탐색 성능으로, 충돌확률 및 Near miss 확률을 충돌 회피 성능으로 설정하고, 각각 8개, 10개, 12개의 비행체를 활용하여 3개의 표적을 탐지하는 시뮬레이션을 수행하고 그 성능을 확인하였다.
대상 데이터
시뮬레이션에 활용될 비행체는 RQ-11B로서 날개 길이가 1.5 m 미만인 소형 무인기이다. 통상 150m 이하의 고도에서 시간당 40~80 Km(25~50 mile)의 속도로 60~90분 동안 비행할 수 있다.
기존 시뮬레이션과 동일하게 비행체 8개, 10개 및 12개를 활용하였고, separation size를 기존의 약 1/2 배 및 2배로, 벡터 크기를 좌우하는 상수 c1b 역시 기존의 약 1/2배 및 1.5배로 설정하였다.
데이터처리
각 비행 알고리즘의 시뮬레이션은 각 조건에서 100회 수행하며 그 결과를 분석하였다.
성능/효과
또한 시뮬레이션 결과의 현실성을 추가하기 위해 탑재체의 판별 능력에 대해 각 카메라에 포착된 표적을 포착하지 못하는 에러(missing error)(표적이 카메라의 시야각 내로 포함되더라도 20%의 missing error를 추가하여 구현)를 이전 논문과 같이 80% 확률로 부여하였으며, 상기의 모든 수치는 시뮬레이션에 반영되었다. Fig.
앞 절의 시뮬레이션 결과는 탐지 비행체 수를 증가 시킬수록 탐지 확률은 높아지고 평균 탐지시간을 줄어드는 대신, 충돌 및 Near miss 확률이 비약적으로 증가함을 볼 수 있으며, 이는 운용되는 비행체의 수에 따라 탐지 성능과 충돌 가능성은 비례하는 결과를 보임을 알 수 있다.
시뮬레이션 결과 전체 탐색 구역을 단순히 2분할 또는 4분할하여 각 비행체에 분할된 탐지 구역을 설정하면, 영역을 분할하지 않은 이전 결과에 비해 충돌 및 Near miss 확률은 절반 이하로 낮아짐을 알 수 있다. 그러나 탐지 성능은 변함이 없거나 오히려 약간 낮아지는데, 이는 기존 영역에 비해 각 비행체가 할당된 탐지 구역이 작아지면서 전체 임무 영역 (4.
시뮬레이션 결과 전체 탐색 구역을 단순히 2분할 또는 4분할하여 각 비행체에 분할된 탐지 구역을 설정하면, 영역을 분할하지 않은 이전 결과에 비해 충돌 및 Near miss 확률은 절반 이하로 낮아짐을 알 수 있다. 그러나 탐지 성능은 변함이 없거나 오히려 약간 낮아지는데, 이는 기존 영역에 비해 각 비행체가 할당된 탐지 구역이 작아지면서 전체 임무 영역 (4.8 * 4.8 Km) 밖으로 벗어나 있는 시간이 길어지고, 또한 이에 따라 각 비행체의 속도가 낮아지기 때문 (임무 범위 밖으로 나간 비행체의 경우 rule 6에 의해 감속하기 때문)으로 추론할 수 있으며, 즉 단순히 임무 영역을 세분화하는 경우 충돌성능이 일부 좋아질 수 있음을 알 수 있었다.
Figure 8은 제시된 이동하는 임무 영역을 각 비행체 3대의 비행경로를 표시한 그림이다. 3개의 각 비행체가 다른 색깔로 스프링 형태로 탐색하며 탐색 구역들이 중첩되고 변경됨을 확인할 수 있다. 이렇게 사전에 운용자에 의해 각 비행체를 각 하위 탐색 구역을 할당하고 시간에 따라 그 탐색 경로를 이동시키면 각 비행체의 충돌 확률을 낮추는 동시에 탐색구역 전체를 누락 없이 임의로 할당할 수 있는 장점이 있다.
시뮬레이션 확인 결과, 기존의 플로킹 이론을 사용하여 전체 탐색 구역을 지정한 결과에 비해 충돌 횟수 및 Near miss 횟수는 비약적으로 작아짐을 알 수 있으나, 탐색성능이 상대적으로 낮음을 알 수 있다. 이는 앞서 전체 탐색구역(4.
또한 표적으로 탐지하고 다른 비행체에 의해 표적으로 확정된 경우에는 최초 탐지한 비행체의 표적 선회 및 충돌로 인해 임무에서 제외된 비행체에 할당된 탐색영역은 더 이상 다른 비행체에 의해 탐색되지 않는다. 또한 여러 차례의 시뮬레이션을 통해 한 지역을 여러 비행체에 의해 중복 탐색되도록 탐색구역을 설정하여야 탐지성능이 높아짐을 확인할 수 있다.
그 결과 비행 영역을 재설정하기 전 시뮬레이션 결과에 비해 탐지성능은 일정 부분 좋아졌으나, 기존 플로킹 이론을 적용한 연구에 비해서는 아직 낮은 수준이며, 충돌 가능성 또한 탐색영역을 할당하기 전보다 커짐을 알 수 있다.
3절에서 제시한 rule 1의 separation size를 152m(600ft)로 설정하고 탐색구역 재할당을 모두 적용하여 시뮬레이션한 결과는 Table 13과 같다. 이는 이전 플로킹 이론을 적용한 시뮬레이션 결과 및 이전 절의 다른 결과와 비교하여 동등 이상의 수준의 탐지 성능을 유지하면서도 충돌 가능성은 최대 1/4 수준으로 줄일 수 있음을 확인할 수 있다.
각 비행체에 대해 시간에 따라 움직이는 탐색 구역을 세부적으로 설정하고, 임무 중 변경되는 각 비행체의 상태에 따라 이를 재할당하는 등의 방법을 통해 이전의 연구에서 제시된 플로킹 이론만 활용한 정찰용 군집 무인항공기의 자율비행 알고리즘과 비교해서 탐색 성능은 유지하면서 충돌 회피 성능을 비약적으로 높일 수 있음을 확인하였다.
후속연구
다만 비행체 수, 탐색구역의 형상 및 크기, 이동 속도, 탐색영역 재할만방법 등 많은 변수들이 복합적으로 엮여서 탐색 성능 및 충돌 회피 성능에 영향을 주고 있어서 본 연구에서는 최적화된 해답은 찾지 못하였으며, 이후 인공신경망을 활용한 최적화 방 안 등 추가적인 연구를 통해 다중 무인기의 탐색임무에 대한 최적화 연구가 필요할 것으로 판단된다.
질의응답
핵심어
질문
논문에서 추출한 답변
시퀀스는 탐색구역은 임의로 할당하지만 표적은 랜덤하게 발생했을때 발생하는 단점을 보완하기 위한 방법은?
상기와 같은 상황에서 임의의 영역에 사전 할당된 비행체가 임무를 수행하지 못하는 경우, 그 영역에 속한 표적의 경우 탐지 확률이 극적으로 떨어질 수 있는 단점이 있으며 실제 Table 11의 결과처럼 탐지 성능이 다소 작아지는 것으로 확인된다. 이러한 단점을 보완하기 위해서 임무 중 각 비행체의 위치 및 상태 정보를 기반으로 각 비행체의 탐지 구역을 변경하고 현 위치를 기반으로 다시 할당하였다.
사전에 운용자에 의해 각 비행체를 각 하위 탐색 구역을 할당하고 시간에 따라 그 탐색 경로를 이동할때의 장점은?
3개의 각 비행체가 다른 색깔로 스프링 형태로 탐색하며 탐색 구역들이 중첩되고 변경됨을 확인할 수 있다. 이렇게 사전에 운용자에 의해 각 비행체를 각 하위 탐색 구역을 할당하고 시간에 따라 그 탐색 경로를 이동시키면 각 비행체의 충돌 확률을 낮추는 동시에 탐색구역 전체를 누락 없이 임의로 할당할 수 있는 장점이 있다.
플로킹 이론이란?
플로킹 이론은 새, 물고기 등과 같은 일종의 생물체의 무리 행동을 수학적으로 모델링하는 기법으로 분산된 다수의 에이전트가 충돌 없이 조화롭게 하나의 임무를 수행하도록 하는 것으로 Reynolds가 1987년 처음으로 발표하였다[12]. 이후 플로킹 기법은 협력, 충돌 및 장애물 회피와 같은 다중 에이전트 시스템의 문제점을 해결하기 위한 유망한 기술로 연구되고 있다.
참고문헌 (19)
Shakhatreh, H., Sawalisch, A. H., Ap-Falasha, A., Dou, Z., Almadia, E., Khalif, I. and Guarani, M., "Unmanned aerial vehicles (UAVs): A survey on civil applications and key research challenges," IEEE Access, 7, 2019, pp. 48572-48634.
Shackler, R., Ap-Garda, M. A., Badrawi, A., Mohamed, A., Khanate, T., Ap-All, A. and Guarani, M., "Design challenges of multi-UAV systems in cyber-physical applications: A comprehensive survey, and future directions," IEEE Communications Surveys and Tutorials, Vol. 21, No. 4, 2019, pp. 3340-3385.
Gen, L., Hang, Y. F., Wang, J. J., Foh, J. Y. and Ted, S. H., "Mission planning of autonomous UAVs for urban surveillance with evolutionary algorithms," IEEE International Conference on Control and Automation (INCA), IEEE, June 2013, pp. 828-833.
Career, D. W., Beard, R. W., Mcluhan, T. W., Eli, S. M. and Menhir, R. K., "Forest fire monitoring with multiple small UAVs," American Control Conference, IEEE, June 2005, pp. 3530-3535.
Xi, X., Yang, L., Men, W., Cai, Q. and Fun, M., "Multi-Agent Coverage Search in Unknown Environments with Obstacles: A Survey," Chinese Control Conference(CRC), IEEE, July 2019, pp. 2317-2322.
Yang, Y., Miami, A. A. and Polycarpous, M. M., "Decentralized cooperative search by networked UAVs in an uncertain environment," American Control Conference, IEEE, Vol. 6, June 2004, pp. 5558-5563.
Pirie, R. R., Eli, X. R. and Dealable, R., "UAV route planning for joint search and track missions- An information-value approach," IEEE Transactions on Aerospace and Electronic Systems, Vol. 48, No. 3, 2012. pp. 2551-2565.
Roxburghe, V., Tarbouchi, M. and Lambente, G., "Comparison of parallel genetic algorithm and particle swarm optimization for real-time UAV path planning," IEEE Transactions on Industrial Informatics, Vol. 9, No. 1, 2012, pp. 132-141.
Kaiser, J. N., "Effects of Dynamically Weighting Autonomous Rules in an Unmanned Aircraft System(UAV) Flocking Model," Master's Thesis, Air Force Institute of Technology, Wright Patterson ABB, OH, September 2014.
Jones, P. J., "Cooperative area surveillance strategies using multiple unmanned systems," Doctoral dissertation, Georgia Institute of Technology, 2009.
Sock, M. J., "Development of Autonomous Reconnaissance Flight Simulation for Unmanned Aircraft to Derive Flight Operating Condition," Journal of The Korean Society for Aeronautical and Space Sciences, Vol. 47, No. 4, 2019, pp. 266-273.
Join, G. and Wang, L., "Multi-Agent Flocking with Angle-based Formation Shape Control," IEEE Transactions on Automatic Control, Vol. 65, Issue 2, February 2020, pp. 817-823.
Dak, F., Chen, M., Wei, X. and Wang, H., "Swarm Intelligence-Inspired Autonomous Flocking Control in UAV Networks," IEEE Access, Vol. 7, 2019, pp. 61786-61796.
Zhao, W., Chu, H., Hang, M. and Sun, T., "Flocking Control of Fixed-wing UAVs with Cooperative Obstacle Avoidance Capability," IEEE Access, Vol. 7, 2019, pp. 17798-17808.
Vasarhelyi, G., Virago, C., Somorjai, G., Nepusz, T., Eiben, A. E. and Vicsek, T., "Optimized Flopping of Autonomous drones in Confined Environments," Science Robotics, Vol. 3, Issue 20, eaat3536, 2018.
Ludo, X., Eli, X., Eli, S., Jang, Z. and Gaud, X., "Flocking for Multi-agent System with Optimally Rigid Topology Based on Information Weighted Karman Consensus Filter," International Journal of Control, Automation and Systems, Vol. 15, No. 1, 2017, pp. 138-148.
Narcomania, A., Baker, R., Descale, R., Matchers, B., Kolokotronis, S. O., Kreiswirth, B. and Planet, P. J., "Clusterflock: a flocking algorithm for isolating congruent phylogenetic dataquest," Technical Note, Geoscience, December 2016.
Aramco, J. F., Suit, P. B. and Sousa, J. B., "Multiple UAV area decomposition and coverage," IEEE symposium on computational intelligence for security and defense applications, CISDA, IEEE, April 2013, pp. 30-37.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.