A distributed framework for autonomous graph-based mapping for a multi agent collaborative system

The use of drones, also known as Unmanned Aerial Vehicles (UAVs), has expanded significantly in recent years, particularly in applications where human intervention is either too risky or impractical. In these scenarios, autonomous navigation and mapping capabilities are required. Although a single UAV has already proven to be a reliable solution, a multi-UAV system can achieve greater efficiency, provided that it has a robust communication system and an effective coordination algorithm. This work addresses these challenges by extending the G-BEAM algorithm, a graph-based exploration framework, enhancing and adapting its capabilities to a multi agent system. Most existing approaches rely on a predefined division of the unknown environment to allocate and coordinate tasks. However, this can lead to an unbalanced workload distribution among agents. The proposed algorithm "Autonomous Mapping for Multi Agent Collaborative System" (AMMACS) introduces a novel dynamic clustering mechanism that allows agents to adapt their exploration strategies based on a multi-layer graph structure that is continuously updated and shared among them. The high-level graph describes the topological configuration of the environment, while the low-level graph represents its detailed structure, including obstacle-free paths for local navigation. The dynamic clustering mechanism enables agents to efficiently exploit navigational data gathered by others and to allocate exploration areas while considering the environment’s obstacle configuration. The system is evaluated in a simulated environment, and the results demonstrate the effectiveness of the proposed approach in facilitating multi-agent collaboration for autonomous exploration and mapping tasks.

L'uso dei droni, noti anche come Unmanned Aerial Vehicles (UAV), si è notevolmente ampliato negli ultimi anni, in particolare nelle applicazioni in cui l'intervento umano è troppo rischioso o poco pratico. In questi scenari sono necessarie capacità di navigazione e mappatura autonome. Sebbene un singolo UAV si sia già dimostrato una soluzione affidabile, un sistema multi-UAV può raggiungere una maggiore efficienza, a condizione che abbia un sistema di comunicazione robusto e un algoritmo di coordinamento efficace. In questa tesi queste sfide sono affrontate estendendo l'algoritmo G-BEAM, un framework di esplorazione basato su grafi, migliorando e adattando le sue capacità a un sistema multi agente. La maggior parte degli approcci esistenti si basano su una divisione predefinita del l'ambiente sconosciuto per assegnare e coordinare le attività. Tuttavia, ciò può portare a una distribuzione sbilanciata del carico di lavoro tra gli agenti. L'algoritmo proposto "Autonomous Mapping for Multi Agent Collaborative System" (AMMACS) introduce un nuovo meccanismo di clustering dinamico che consente agli agenti di adattare le loro strategie di esplorazione sulla base di una struttura di grafi a più strati che viene continuamente aggiornata e condivisa tra loro. Il grafo di alto livello descrive la configurazione topologica dell'ambiente, mentre il grafo di basso livello ne rappresenta la struttura dettagliata, compresi i percorsi senza ostacoli per la navigazione locale. Il meccanismo di raggruppamento dinamico consente agli agenti di utilizzare in modo efficiente i dati di navigazione raccolti da altri e di assegnare aree di esplorazione tenendo conto della configurazione degli ostacoli dell'ambiente. Il sistema viene valutato in un ambiente simulato e i risultati dimostrano l'efficacia dell'approccio proposto nel facilitare la collaborazione multi-agente per l'esplorazione autonoma e le attività di mappatura.