ETD

• bio-inspired algorithms
• differential evolution
• drone swarms
• flocking
• parameter optimization
• PX4
• robotic simulation
• ROS2
• stigmergy
• swarm coordination

The coordination of drone swarms for target search relies on bio-inspired algorithms whose behaviour depends on numerous configuration parameters, whose manual tuning is costly and poorly reproducible. This work starts from an existing version of the coordination algorithm and of its simulation system, based on the PX4 autopilot and the ROS2 environment, and develops a structured evolution of it. The algorithm was improved incrementally, introducing or modifying one behavioural aspect at a time, including the differentiation of the update frequencies of the components, inter-drone collision avoidance, and the behaviour of the global attractive field. Each modification was validated by simulating the algorithm across all operational scenarios and varying the parameters associated with the new behaviour, so as to isolate and characterise its effect; where such an effect proved poorly observable in the full scenarios, dedicated unit tests in controlled environments were employed. The resulting final version was then subjected to parameter optimization by means of Differential Evolution (DE). The optimization was carried out over a restricted subset of the most behaviourally influential parameters, with search ranges defined in a reasoned manner, to obtain the best sustainable result given the high computational cost of the simulations. The data produced by the DE were finally analysed to identify the optimal configurations for each scenario, with a further stage of statistical validation where necessary and a critical discussion of the values obtained.

Il coordinamento di sciami di droni per la ricerca di obiettivi si fonda su algoritmi bioispirati il cui comportamento dipende da numerosi parametri di configurazione, la cui taratura manuale è onerosa e scarsamente riproducibile. Questo lavoro parte da una versione esistente dell'algoritmo di coordinamento e del relativo sistema di simulazione, basato su autopilota PX4 e ambiente ROS2, e ne sviluppa un'evoluzione strutturata. L'algoritmo è stato migliorato in modo incrementale, introducendo o modificando un aspetto comportamentale alla volta, tra cui la differenziazione delle frequenze di aggiornamento delle componenti, l'evitamento delle collisioni fra droni e il comportamento del campo attrattivo globale. Ogni modifica è stata validata simulando l'algoritmo in tutti gli scenari operativi e variando i parametri associati al nuovo comportamento, così da isolarne e caratterizzarne l'effetto; ove tale effetto risultasse poco osservabile negli scenari completi, sono stati impiegati appositi test di unità in ambienti controllati. Alla versione finale così ottenuta è stata applicata un'ottimizzazione dei parametri mediante Evoluzione Differenziale (DE). L'ottimizzazione è stata condotta su un sottoinsieme ristretto di parametri più influenti sul comportamento, con intervalli di ricerca definiti in modo ragionato, allo scopo di ottenere il miglior risultato sostenibile dato l'elevato costo computazionale delle simulazioni. I dati prodotti dalla DE sono stati infine analizzati per individuare le configurazioni ottimali per ciascuno scenario, con un'ulteriore fase di validazione statistica dove necessaria e una discussione critica dei valori ottenuti.