logo SBA

ETD

Archivio digitale delle tesi discusse presso l’Università di Pisa

Tesi etd-02062025-140221


Tipo di tesi
Tesi di laurea magistrale
Autore
CAVEDONI, FEDERICO
URN
etd-02062025-140221
Titolo
Sviluppo di logiche di governo di sciami di droni basate su potenziale in piattaforma PX4/ROS2 con simulatore Gazebo
Dipartimento
INGEGNERIA DELL'INFORMAZIONE
Corso di studi
COMPUTER ENGINEERING
Relatori
relatore Prof. Cimino, Mario Giovanni Cosimo Antonio
relatore Prof. Foglia, Pierfrancesco
relatore Dott. Arancio Febbo, Salvatore
Parole chiave
  • 3D simulation
  • autonomous robotics
  • autopilot
  • controllo basato su potenziale
  • coordinamento multi-agente
  • drone swarms
  • flocking
  • flocking
  • Gazebo
  • Gazebo
  • multi-agent coordination
  • navigazione autonoma
  • potential-based control
  • PX4
  • PX4
  • ricerca e soccorso
  • robotica autonoma
  • ROS 2
  • ROS 2
  • sciami di droni
  • search and rescue
  • simulatore SITL
  • simulazione 3D
  • SITL simulator
  • stigmergia
  • stigmergy
  • swarm intelligence
  • swarm intelligence
  • UAV
  • UAV
Data inizio appello
21/02/2025
Consultabilità
Non consultabile
Data di rilascio
21/02/2095
Riassunto
Questa tesi si concentra sullo sviluppo di un sistema di simulazione tridimensionale per lo studio del coordinamento di sciami di droni autonomi, con l’obiettivo di migliorare il realismo delle simulazioni e fornire uno strumento avanzato per l’analisi delle dinamiche operative. L’implementazione è basata sull’integrazione dei framework Gazebo, ROS 2 e PX4, scelti per la loro flessibilità, compatibilità con diversi tipi di veicoli e ampia applicabilità in scenari operativi complessi. Il sistema di simulazione sviluppato è stato progettato per testare strategie di navigazione collettiva, concentrandosi sull’implementazione di modelli di swarm intelligence basati su flocking e stigmergia. Questi approcci, ispirati ai comportamenti collettivi osservati in natura, consentono ai droni di coordinarsi e distribuire informazioni in modo autonomo senza la necessità di una comunicazione diretta tra i membri dello sciame. Il flocking permette agli UAV di mantenere una formazione stabile e adattiva, mentre la stigmergia introduce una forma di comunicazione indiretta basata sulla persistenza di segnali ambientali. L’integrazione di questi metodi nella simulazione 3D ha richiesto un’analisi approfondita dei parametri che influenzano il comportamento dello sciame, permettendo di valutare la loro efficacia in diversi scenari operativi. La fase sperimentale della ricerca ha verificato il corretto funzionamento del sistema, con particolare attenzione ai moduli di navigazione, avoidance degli ostacoli e coordinamento dello sciame. I test condotti hanno dimostrato che il sistema sviluppato è in grado di riprodurre realisticamente le dinamiche di volo collettivo, garantendo una distribuzione efficace dello sciame, riducendo il rischio di collisioni e ottimizzando la copertura dell’area. I risultati delle simulazioni evidenziano che l’adozione di strategie basate su swarm intelligence in un ambiente tridimensionale consente un miglioramento significativo dell’efficienza operativa, con potenziali applicazioni in missioni di ricerca e soccorso, sorveglianza e monitoraggio ambientale. Il sistema sviluppato rappresenta un passo avanti rispetto alle simulazioni tradizionali, offrendo un ambiente di test più realistico e versatile per lo studio del coordinamento multi-agente. In conclusione, questa ricerca dimostra che l’uso di strategie di swarm intelligence all’interno di un sistema di simulazione avanzato costituisce un approccio promettente per l’ottimizzazione delle missioni autonome basate su sciami di UAV. Il lavoro fornisce una base solida per futuri sviluppi, tra cui l’implementazione di algoritmi di ottimizzazione automatizzata per la calibrazione dei parametri di missione e l’adattamento dinamico degli agenti a condizioni operative variabili.


This thesis focuses on the development of a three-dimensional simulation system for studying the coordination of autonomous drone swarms, aiming to improve simulation realism and provide an advanced tool for analyzing operational dynamics. The implementation is based on the integration of Gazebo, ROS 2, and PX4 frameworks, selected for their flexibility, compatibility with various types of vehicles, and broad applicability in complex operational scenarios. The developed simulation system was designed to test collective navigation strategies, with a particular focus on implementing swarm intelligence models based on flocking and stigmergy. These approaches, inspired by naturally observed collective behaviors, enable drones to coordinate and share information autonomously without requiring direct communication between swarm members. Flocking allows UAVs to maintain a stable and adaptive formation, while stigmergy introduces an indirect communication mechanism based on persistent environmental signals. Integrating these methods into the 3D simulation required an in-depth analysis of parameters influencing swarm behavior, allowing for an assessment of their effectiveness across different operational scenarios. The experimental phase of this research validated the proper functioning of the system, with a focus on navigation modules, obstacle avoidance, and swarm coordination. Test results demonstrated that the developed system realistically replicates collective flight dynamics, ensuring effective swarm distribution, reducing collision risks, and optimizing area coverage. Simulation outcomes highlight that adopting swarm intelligence strategies in a three-dimensional environment significantly enhances operational efficiency, with potential applications in search and rescue missions, surveillance, and environmental monitoring. The developed system represents an advancement over traditional simulations, offering a more realistic and versatile testing environment for multi-agent coordination studies. In conclusion, this research demonstrates that using swarm intelligence strategies within an advanced simulation system constitutes a promising approach for optimizing autonomous missions based on UAV swarms. This work provides a solid foundation for future developments, including the implementation of automated optimization algorithms for mission parameter tuning and the dynamic adaptation of agents to varying operational conditions.
File