Multi-agent distributed nonlinear model predictive formation control for quadrotor uavs using a physics-guided residual feedback neural network

İnsansız hava araçları (İHA), son yıllarda teknolojik gelişmelerin de etkisiyle hem sivil hem de askeri alanlarda oldukça yaygın bir şekilde kullanılmaya başlanmıştır. Özellikle dört rotorlu sistemler, yani quadrotorlar; yüksek manevra kabiliyetleri, basit ve kompakt mekanik yapıları, düşük üretim ve bakım maliyetleri gibi avantajları nedeniyle öne çıkmakta ve pek çok araştırmanın odak noktası olmaktadır. Tek bir aracın kontrolü, temel seyrüsefer ve denge kuralları çerçevesinde görece daha kolay sağlanabilse de birden fazla aracın aynı ortamda çarpışmadan, belirli bir formasyon düzeni içinde, dış bozuculara rağmen görev icra edebilmesi oldukça karmaşık bir kontrol problemini gündeme getirmektedir. Bu noktada, sistemin ölçeklenebilirliği, güvenilirliği ve hata toleransı kritik önem kazanmaktadır. Geleneksel yöntemlerin büyük çoğunluğu merkezi kontrol mimarilerine dayanmaktadır. Ancak bu yaklaşımlar; tek hata noktası riski, iletişim trafiğinin yoğunlaşması, artan ajan sayısıyla birlikte ölçeklenebilirliğin düşmesi gibi ciddi dezavantajlara sahiptir. Bu nedenle, son yıllarda dağıtılmış kontrol yöntemleri giderek daha fazla ilgi görmeye başlamış; çok ajanlı sistemlerin daha esnek, güvenilir ve dayanıklı bir şekilde yönetilmesi mümkün hale gelmiştir. Bu tez çalışmasında, çok ajanlı sistemlerin formasyon kontrolü için dağıtılmış model öngörülü kontrol (MPC) temelli bir yaklaşım geliştirilmiştir. MPC, sistemin gelecekteki davranışlarını öngörerek kontrol girdilerini optimize eden güçlü bir yöntemdir. Böylelikle çarpışmaların önlenmesi, formasyon geometrisinin korunması ve enerji verimliliği sağlanabilmektedir. Ancak klasik MPC yöntemleri, kullanılan matematiksel modellere yüksek derecede bağımlıdır. Modelleme hataları, parametre belirsizlikleri ve çevresel etkenler kontrol performansının düşmesine, hatta sistem kararlılığının bozulmasına yol açabilmektedir. Bu zafiyetin önüne geçebilmek için, çalışmada fizik rehberli artık geri beslemeli sinir ağı (PG-RRNN) yöntemi önerilmiş ve dağıtılmış MPC yapısına entegre edilmiştir. PG-RRNN, fiziksel yasaları öğrenme sürecine dahil ederek modelleme hatalarını telafi etmekte, daha doğru tahminler yapılmasını sağlamakta ve böylelikle kontrol performansını artırmaktadır. Önerilen yöntem, simülasyon ortamında farklı senaryolar üzerinden kapsamlı şekilde test edilmiştir. Senaryolar; normal çalışma koşullarının yanı sıra dış bozucular, iletişim gecikmeleri, sensör hataları ve modelleme belirsizlikleri gibi gerçekçi zorlukları da içerecek şekilde tasarlanmıştır. Elde edilen sonuçlar, yöntemin formasyon kararlılığını belirgin biçimde iyileştirdiğini, merkezi bir kontrol birimine gerek kalmadan ölçeklenebilir bir çözüm sunduğunu ve bozucu etkilere karşı dayanıklılığı artırdığını göstermektedir. Ayrıca, klasik MPC ve diğer dağıtılmış kontrol algoritmaları ile yapılan karşılaştırmalar, önerilen yaklaşımın hata toleransı, kararlılık ve genel performans bakımından üstünlüklerini ortaya koymuştur. Bu çalışmanın literatüre sağladığı en önemli katkı, dağıtılmış MPC yaklaşımını fizik rehberli yapay zekâ temelli bir yöntemle birleştirerek belirsizlikler altında daha güvenilir ve sağlam bir kontrol stratejisi geliştirmiş olmasıdır. Böylece, çok ajanlı insansız hava aracı sistemleri için daha pratik, ölçeklenebilir ve esnek bir çözüm önerilmektedir. Gelecek çalışmalarda ise bu yöntemin gerçek zamanlı donanım üzerinde test edilmesi, farklı tipte İHA'lardan oluşan heterojen sistemlere uygulanması ve daha karmaşık görev senaryolarında denenmesi planlanmaktadır.