ARCHITECTURE FOR HYBRID MULTI-ROBOT FOR COVERAGE PATH PLANNING IN PARTIALLY KNOWN DYNAMIC ENVIRONMENTS

Abstract

This doctoral research presents a cooperation strategy for heterogeneous teams of robots composed of multiple Unmanned Aerial Vehicles (UAVs) and Unmanned Ground Vehicles (UGVs) operating in environments with dynamic obstacles. Two scenarios were evaluated: an electrical substation and a precision agriculture environment. To address challenges such as partially known terrains and moving obstacles, the architecture assigns specific roles to UAVs and UGVs. UAVs are responsible for aerial inspection and mapping, while UGVs handle ground-level inspection and can also transport UAVs. An offline Coverage Path Planning (CPP) algorithm, developed by integrating Wavefront and Bidirectional A* methods, is employed to generate initial obstacle-free paths for both UAVs and UGVs, using a precomputed occupancy grid map as a reference. While this step provides a baseline coverage strategy, the system's main innovation lies in its online decision-making layer, which is designed to adapt in real-time to dynamic environmental changes. This layer integrates advanced techniques such as Neural Networks and Deep Reinforcement Learning (DRL) for reactive path planning. At its core, the system implements an adaptive 3D trajectory planning strategy that combines Rapidly-Exploring Random Trees (RRT) with DRL, enabling the robots to respond to unforeseen obstacles and changes in the environment dynamically. The architecture also includes contingency subroutines for UAVs and UGVs to handle critical issues such as battery depletion, communication loss, and localization failures. Extensive simulations using the Robot Operating System (ROS) and the Gazebo simulator were conducted to validate the proposed hybrid approach, demonstrating its effectiveness in addressing the challenges of autonomous multi-robot cooperation in partially known and dynamic scenarios.

Esta pesquisa de doutorado introduz uma arquitetura de cooperação para equipes heterogêneas de robôs, formadas por Veículos Aéreos Não Tripulados (UAVs) e Veículos Terrestres Não Tripulados (UGVs), atuando em ambientes parcialmente conhecidos e sujeitos a mudanças dinâmicas. Dois cenários foram utilizados para validação: uma subestação elétrica e uma área de agricultura de precisão. Na solução proposta, os UAVs são responsáveis pelas tarefas de inspeção e mapeamento aéreo, enquanto os UGVs executam inspeções em solo e podem ainda realizar o transporte dos UAVs. Para o planejamento inicial das rotas nas áreas de interesse, emprega-se um algoritmo híbrido de Coverage Path Planning (CPP) offline, baseado na combinação dos métodos Wavefront e Bidirectional A⋆ , utilizando mapas de ocupação previamente gerados. Embora esse planejamento inicial seja importante, o diferencial do sistema está no planejamento de rota online local, capaz de adaptar-se continuamente às mudanças do ambiente durante a missão. Essa camada integra técnicas de Redes Neurais e Aprendizado por Reforço Profundo (Deep Reinforcement Learning – DRL) para viabilizar o ajuste dinâmico das rotas em tempo real. No cerne da arquitetura, foi implementada uma abordagem de planejamento tridimensional que combina árvores de exploração rápida (Rapidly-Exploring Random Trees – RRT) com DRL, permitindo que os robôs reajam de forma autônoma a obstáculos inesperados e alterações nas condições do ambiente. A solução também contempla rotinas de contingência voltadas à detecção e resposta a falhas críticas, como esgotamento de bateria, perda de comunicação ou problemas de localização. Os testes realizados em simulações com o Robot Operating System (ROS) e o simulador Gazebo demonstraram a eficácia da abordagem híbrida frente aos desafios da cooperação entre múltiplos robôs em ambientes dinâmicos e com informações limitadas