Formation control for a swarm of quadrotors: a critical analysis

Formation control of a quadrotor swarm has become increasingly relevant due to its wide-ranging applications in both civilian and military domains. The motivation stems from the need to achieve precise coordination among quadrotors while navigating complex environments with obstacles, maintaining formation geometry, and avoiding collisions. This thesis focuses on the comparative evaluation of two control techniques to assess their effectiveness across key metrics for formation control. Two algorithms were examined: the Centralized Spring Model (CSM), based on Artificial Potential Fields, and the Distributed Formation Non Linear Model Predictive Control (DFNMPC). Leveraging the predictive capabilities of MPC, the DFNMPC achieves collision avoidance and maintains formation geometry during flight by enabling drones to share their predicted positions with one another, while obstacle avoidance is incorporated within each quadrotor's individual NMPC controller. Extensive simulations were conducted in environments with different obstacle densities to compare the performance of CSM and NMPC. Results demonstrate that DFNMPC outperforms CSM in maintaining formation geometry, achieving smoother navigation around obstacles, and reducing the total path lengh. This work highlights the potential of DFNMPC as a robust solution for formation control of a quadrotor swarm.

Il controllo in formazione di uno sciame di quadrirotori riveste un ruolo sempre più importante grazie alle sue applicazioni in ambito civile e militare. La motivazione alla base di questo lavoro deriva dalla necessità di ottenere un coordinamento preciso tra i quadrirotori, garantendo la capacità di navigare in ambienti complessi con ostacoli, mantenere la geometria della formazione e prevenire collisioni. Questa tesi si concentra sulla comparazione di due tecniche di controllo per analizzarne l’efficacia rispetto a metriche chiave per il controllo in formazione. Sono stati analizzati due algoritmi: il Centralized Spring Model (CSM), basato sugli Artificial Potential Fields, e il Distributed Formation Nonlinear Model Predictive Control (DFNMPC). Grazie alle capacità predittive del MPC, il DFNMPC consente di gestire l’evitamento delle collisioni e di mantenere la geometria della formazione durante il volo. Questo avviene condividendo tra i droni le future posizioni previste, mentre l’evitamento degli ostacoli è gestito direttamente dal controller NMPC di ciascun quadrirotore. Le simulazioni, condotte in ambienti con diverse densità di ostacoli, hanno permesso di confrontare le prestazioni del CSM e del DFNMPC. I risultati mostrano che il DFNMPC supera il CSM nel mantenere la geometria della formazione, garantendo una navigazione più fluida intorno agli ostacoli e riducendo la lunghezza complessiva del tragitto percorso. Questo studio evidenzia il potenziale del DFNMPC come soluzione robusta ed efficace per il controllo in formazione di uno sciame di quadrirotori.