A federated learning framework for swarm uavs coordination
Sürü iha koordinasyonu için federe öğrenme çerçevesi
- Tez No: 998906
- Danışmanlar: DR. ÖĞR. ÜYESİ CAN UYSAL
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Eskişehir Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Telekomünikasyon Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tezde, sürü insansız hava araçlarının (İHA) koordinasyonu Federated Öğrenme yaklaşımıyla sağlanmakta ve simülasyon ortamında engelden kaçınma stratejileri uygulanmaktadır. Temel amaç, merkezi bir denetleyiciye dayanmadan, her bir İHA'nın kendi verisi üzerinde yerel bir model eğittiği merkeziyetsiz bir öğrenme yapısıyla otonom koordinasyon sağlamaktır. Simülasyon ortamında insansız hava araçlarının gerçekçi dinamik parametreleri PyFlyt ve CrazyFlyt kütüphaneleri kullanılarak sağlanmaktadır. Sürü İHA'lar belirlenen hedef noktasına doğru ilerlerken, aynı zamanda İHA'nın çevresinde bulunan engellerden kaçınacak ve sürüdeki diğer İHA'lar ile çarpışmayacak şekilde eğitilmiştir. Her İHA lokal bir modele sahiptir. Her İHA lokalde kendi modelini eğittikten sonra eğitilmiş parametreleri merkezi FL sunucusuna aktarmaktadır. Her İHA'dan gelen parametreler bir araya getirilerek global bir model oluşturulmaktadır. FL modeli için ise Flower çerçevesi kullanılmaktadır. Çarpışma ve engelden kaçınma, Hız-İvme Engeli (RVO2) algoritması ve itici kuvvet (repulsive force) yöntemi ile uygulanmaktadır. RVO2, İHA'ların birbirleriyle çarpışmadan hareket etmesini sağlarken; itici kuvvet yöntemi ortamda bulunan statik engellerden kaçınmayı mümkün kılmaktadır. Çalışmada, FL ile elde edilen kontrol modeli kullanılarak sürünün hedefe ulaşma performansı değerlendirilmektedir. Her biri 50 tekrar içeren üç senaryonun simülasyon sonuçlarına göre, önerilen yaklaşım hedef bölgeye başarıyla ulaşma ve çarpışmasız görev tamamlama açısından %88–%92 başarı oranı sağlamaktadır. Elde edilen sonuçlar, FL tabanlı eğitimin sürü İHA sistemlerinde otonom kontrol ve engelden kaçınma görevlerine etkili biçimde uygulanabildiğini göstermektedir.
Özet (Çeviri)
In this thesis, swarm unmanned aerial vehicles (UAVs) coordination is achieved using a Federated Learning (FL) approach, and obstacle-avoidance strategies are implemented in a simulation environment. The main objective is to enable autonomous coordination through a decentralized learning structure, where each UAV trains a local model on its own data rather than relying on a centralized controller. The PyFlyt and CrazyFlyt libraries are used to provide realistic dynamic parameters of UAVs in simulation environment. The swarm UAVs are trained to move towards the designated target point while avoiding obstacles in its surroundings and collisions with other UAVs in swarm. Each UAV has its own local model. After training its model locally, each UAV transmits trained parameters the central FL server. The parameters from each UAV are combined to form a global model. Flower framework is used the FL model. Collision and obstacle avoidance are implemented using Reciprocal Velocity Obstacles (RVO2) algorithm and a repulsive force method. While RVO2 enables collision-free motion among UAVs, the repulsive force method facilitates avoidance of static obstacles in the environment. The study evaluates swarm's target-reaching performance using the FL-derived control model. Based on simulation results of three scenarios, each comprising 50 repeated runs, the proposed approach achieves a success rate of 88–92% in terms of reaching the target region and completing the mission without collisions. The results demonstrate that FL-based training can be effectively applied to autonomous control and obstacle-avoidance tasks in swarm UAV systems.
Benzer Tezler
- FLAGS framework and decentralized federated learning under device volatility
FLAGS platformu ve cihaz dalgalanması durumunda merkeziyetsiz federe öğrenme
AHNAF HANNAN LODHI
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKoç ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
PROF. DR. ÖZNUR ÖZKASAP
YRD. DOÇ. DR. BARIŞ AKGÜN
- EDGE-ıntelligent decentralized UAV swarms for tactical operations ın adversarial urban environments
Düşmanca kentsel ortamlarda taktik görevler için uçbirim zekâlı merkeziyetsiz iha sürüleri
QUSAY AWWAD
Yüksek Lisans
İngilizce
2025
Mekatronik MühendisliğiTokat Gaziosmanpaşa ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. LEVENT GÖKREM
- A network-resilient and privacy preserving federated imitation learning framework for truck platooning
Kamyon konvoyları için ağ dayanıklılığı ve gizlilik koruyucu federatif taklit öğrenme çerçevesi
HALUK ÇAĞATAY KIR
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
PROF. DR. ENVER ÖZDEMİR
- A unified framework for secure and intelligent ECG signal processing via chaotic encryption, fully homomorphic computation and federated learning
Kaotik şifreleme, tam homomorfik hesaplama ve federatif öğrenme ile güvenli ve akıllı EKG sinyal işleme için birleşik bir çerçeve
BEYAZIT BESTAMİ YÜKSEL
Doktora
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. AYŞE YILMAZER METİN
- A federated learning approach for inter-cell handover optimisation in open 6G ran
Açık 6G radyo erişim ağında federasyon tabanlı öğrenme yaklaşımı ile hücre arası handover optimizasyonu
BATUHAN AKDOĞAN
Yüksek Lisans
İngilizce
2026
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN ALİ ÇIRPAN