This thesis presents an approach to solve an optimal path planning problem for a swarm of drones. We optimize and improve information retrieval in area exploration within applications such a ‘Search and Rescue’-missions or reconnaissance missions. For this, dynamic programming has been used as a solving approach for a optimization problem. Different scenarios have been examined for two types of system, a single-agent system and a multi-agent system. First, there have been restrictions on the agents movement in a grid map and for that, optimal paths have been computed for both systems. Thereafter, two different solving approaches within dynamic programming have been tested and compared. The greedy approach which is a standard use where each agent computes the most optimal path from its own perspective and a simultaneous solving approach where the agents compute the most optimal paths according to all agents perspective. The simultaneous solving approach performed better than the greedy approach, which was expected since it is a more swarm optimal approach. However, it has a higher computational complexity which grows exponentially unlike to the greedy approach. Lastly, we discuss the case when the agents are allowed to move in all directions to optimize the information retrieval for the swarm. Here, dynamic programming turns out to have limitations for our use and purpose. For future work, a suggestion is to model the problem with multiple objective functions instead of one as has been done in this thesis. Also, it would be interesting trying another solving method for the problem. To this, I give example of two methods that would be interesting to compare, using model predictive control or a machine learning-based solution such as reinforcement learning. / Denna avhandling presenterar ett tillvägagångssätt för att lösa ett optimalt ruttplanerings problem för en drönarsvärm. Vi optimerar och förbättrar informationsinhämtningen i områdesutforskning inom applikationer som ’Search and Rescue’-uppdrag eller spaningsuppdrag. För detta har dynamisk programmering använts som en lösningsmetod till optimeringsproblem. Olika scenarier har undersökts för två typer av system, ett en-agent system och ett fler-agent system. Först har agenterna varit begränsade hur de har fått röra sig i en rutnätskarta och för det fallet har optimala vägar beräknats för båda systemen. Därefter har två olika lösningssätt inom dynamisk programmering testats och jämförts. Det giriga tillvägagångssättet som är en standardanvändning där varje agent beräknar den mest optimala vägen ur sitt eget perspektiv och en simultan lösningsmetod där agenterna beräknar de mest optimala vägarna enligt alla agenters perspektiv. Den simultana lösningsstrategin presterade bättre än den giriga, vilket var väntat eftersom det är ett mer svärmoptimalt tillvägagångssätt. Den har dock en högre beräkningskomplexitet som växer exponentiellt jämfört med den giriga metoden. Till sist diskuterar vi fallet då agenterna får röra sig i alla riktningar för att optimera informationssökningen för svärmen. Här visar sig dynamisk programmering ha begränsningar för våran användning och syfte. För framtida arbete är ett förslag att modellera problemet med flera mål funktioner istället för en som har gjorts i denna avhandling. Det skulle också vara intressant att prova ett annat lösningssätt för problemet. Till detta ger jag exempel på två metoder som skulle vara intressanta att jämföra, genom att använda modell prediktiv styrning eller en maskininlärningsbaserad lösning såsom förstärkande inlärning.

In this thesis, the main focus is to formulate and test a suitable model forexogenous fault detection in swarms containing unmanned aerial vehicles(UAVs), which are aerial autonomous systems. FOI Swedish DefenseResearch Agency provided the thesis project and research question. Inspiredby previous work, the implementation use behavioral feature vectors (BFVs)to simulate the movements of the UAVs and to identify anomalies in theirbehaviors. The chosen algorithm for fault detection is the density-based cluster analysismethod known as the Local Outlier Factor (LOF). This method is built on thek-Nearest Neighbor(kNN) algorithm and employs densities to detect outliers.In this thesis, it is implemented to detect faulty agents within the swarm basedon their behavior. A confusion matrix and some associated equations are usedto evaluate the accuracy of the method. Six features are selected for examination in the LOF algorithm. The firsttwo features assess the number of neighbors in a circle around the agent,while the others consider traversed distance, height, velocity, and rotation.Three different fault types are implemented and induced in one of the agentswithin the swarm. The first two faults are motor failures, and the last oneis a sensor failure. The algorithm is successfully implemented, and theevaluation of the faults is conducted using three different metrics. Several setsof experiments are performed to assess the optimal value for the LOF thresholdand to understand the model’s performance. The thesis work results in a strongLOF value which yields an acceptable F1 score, signifying the accuracy of theimplementation is at a satisfactory level. / I denna uppsats är huvudfokuset att formulera och testa en lämplig modellför detektion av exogena fel i svärmar som innehåller obemannade flygfordon(UAV:er), vilka utgör autonoma luftburna system. Examensarbetet ochforskningsfrågan tillhandahölls av FOI, Totalförsvarets forskningsinstitut.Inspirerad av tidigare arbete används beteendemässiga egenskapsvektorer(BFV:er) för att simulera rörelserna hos UAV:erna och för att identifieraavvikelser i deras beteenden. Den valda algoritmen för felavkänning är en densitetsbaserad klusterana-lysmetod som kallas Local Outlier Factor (LOF). Denna metod byggerpå k-Nearest Neighbor-algoritmen och använder densiteter för att upptäckaavvikande datapunkter. I denna uppsats implementeras den för att detekterafelaktiga agenter inom svärmen baserat på deras beteende. En förväxlings-matris(Confusion Matrix) och dess tillhörande ekvationer används för attutvärdera metodens noggrannhet. Sex egenskaper valdes för undersökning i LOF-algoritmen. De första tvåegenskaperna bedömer antalet grannar i en cirkel runt agenter, medande andra beaktar avstånd, höjd, hastighet och rotation. Tre olika feltyperimplementeras och framkallas hos en av agenterna inom svärmen. De förstatvå felen är motorfel, och det sista är ett sensorfel. Algoritmen implementerasframgångsrikt och utvärderingen av felen genomförs med hjälp av treolika mått. Ett antal uppsättningar av experiment utförs för att hitta detoptimala värdet för LOF-gränsen och för att förstå modellens prestanda.Examensarbetet resultat är ett optimalt LOF-värde som genererar ettacceptabelt F1-score, vilket innebär att noggrannheten för implementationennår en tillfredsställande nivå.