دانلود مقاله ISI انگلیسی شماره 156803
ترجمه فارسی عنوان مقاله

یک رویکرد بازی پتانسیل برای جستجو و نظارت بر تعاونی های مختلف پهپاد

عنوان انگلیسی
A potential game approach to multiple UAV cooperative search and surveillance
کد مقاله سال انتشار تعداد صفحات مقاله انگلیسی
156803 2017 13 صفحه PDF
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Aerospace Science and Technology, Volume 68, September 2017, Pages 403-415

ترجمه کلمات کلیدی
جستجوی تعاونی، بازی پتانسیل یادگیری خطی باینری، وسایل نقلیه چند منظوره بدون سرنشین، پوشش مطلوب،
کلمات کلیدی انگلیسی
Cooperative search; Potential game; Binary log-linear learning; Multiple unmanned aerial vehicles; Optimal coverage;
ترجمه چکیده
در این مقاله، ما یک فرمول نظری بازی برای تحقیق و نظارت تعاونی چند منظوره بدون سرنشین (هواپیماهای بدون سرنشین) را توسعه دادیم. مشکل جستجوی همکاری به سه وظیفه متوالی تقسیم می شود: حرکت هماهنگ، مشاهده سنسور و همکاری اطلاعات همکاری. در مرحله اول، حرکت هماهنگ به عنوان یک بازی پتانسیل چند نفره با مجموعه های عمل محدود طراحی شده است. سپس یادگیری خطی باینری برای کنترل حرکت حرکت می کند که پوشش مطلوب را تضمین می کند. سپس یک الگوریتم تلفیقی مبتنی بر اجماع برای ساخت نقشه احتمال برای هدایت حرکت هماهنگ زیر معرفی شده است. در نهایت، شبیه سازی برای تأیید اثربخشی رویکرد پیشنهادی ما انجام می شود. چارچوب مدولار، طراحی مجزا توابع سودمند و الگوریتم های یادگیری را قادر می سازد که راه انعطاف پذیری را برای تطابق با اهداف مختلف جهانی و محدودیت های فیزیکی ارائه می دهد.
پیش نمایش مقاله
پیش نمایش مقاله  یک رویکرد بازی پتانسیل برای جستجو و نظارت بر تعاونی های مختلف پهپاد

چکیده انگلیسی

In this paper, we developed a game theoretic formulation for multiple unmanned aerial vehicle (UAV) cooperative search and surveillance. The cooperative search problem is decomposed into three sequential tasks: coordinated motion, sensor observation, and cooperative information fusion. Firstly, the coordinated motion is designed as a multi-player potential game with constrained action sets. Then the binary log-linear learning is adopted to perform motion control, which guarantees optimal coverage. Then a consensus based fusion algorithm is introduced to construct the probability map to guide the following coordinated motion. Finally, simulations are performed to validate the effectiveness of our proposed approach. The modular framework enables the separate design of utility functions and learning algorithms, which offers a flexible way to accommodate different global objectives and underlying physical constraints.