Artificial Bee Colony Algorithm är en algoritm som tidigare tillämpats på många numeriska optimeringsproblem. Algoritmen är dock inte vanligt förekommande vad gäller vägplanering i dataspel. Detta arbete undersöker ifall algoritmen presterar bättre än A* på fyra olika testmiljöer eftersom A* är en av de mest använda algoritmerna för vägplanering i dataspel och således en bra referens. De aspekter som jämförs vid mätningarna är algoritmernas tidsåtgång samt längden på de resulterande vägarna. En riktad slumpgenerering av vägar har implementerats till algoritmen som gör att den inte fungerar på djupa återvändsgränder. Algoritmen har också en roulettehjulsselektion samt egenskapen att kunna generera slumpade grannvägar till de som skapats hittills. Resultaten visar att Artificial Bee Colony Algorithm presterar betydligt sämre än A* och att algoritmen därför inte är en bättre algoritm för vägplanering i dataspel. Algoritmen har dock potential till att prestera bättre och fungera på återvändsgränder om man förbättrar dess slumpgenerering av vägar.

I detta arbete undersöks två styrbeteenden som kan användas för att navigera grupper av agenter genom olika spelmiljöer. Teknikerna som arbetet har som syfte att utvärdera är vägföljnings- och flödesfältsbeteende. Arbetets undersökning har som avsikt att jämföra dessa tekniker med avseende på tids- och minneseffektivitet och utvärdera hur dessa tekniker presterar på dessa aspekter i olika gruppstorlekar och miljötyper. Resultaten från arbetets utförda tester visade att vägföljningsbeteendet klart är den mest minneseffektiva tekniken medan flödesfältsbeteendet var något mer tidseffektiv. I en slutgiltig diskussion presenteras arbetet ur en samhällelig och etisk synpunkt och även en diskussion över hur framtida forskning inom området kan se ut.

I nästan alla moderna datorspel så återfinns datorstyrda karaktärer, vilka behöver kunna navigera i spelvärlden. Dessa karaktärer kan vara olika typer av fiender i ett förstapersonskjutarspel, eller motståndare och medhjälpare i ett sportspel (exempelvis fotboll- eller rallyspel) med mera. Det finns många tekniker för att realisera vägplanering och det kan vara stora skillnader, både prestandamässiga och funktionella, mellan dem. Detta arbete jämför två olika sökrymdsrepresentationer för vägplanering, nämligen vägpunktsgrafer och navigationsnät, där sökrymderna automatgenererats. Jämförelsen görs med ett experiment och avser såväl prestanda (tids- och minneskostnad) som funktionalitet (optimal väg och antal svängar). Experimentmiljön stödjer godtyckliga vägar och ger detaljerad statistik för en noggrann jämförelse av vägplaneringsteknikerna. Arbetet visar på att navigationsnätet presterar bäst vad gäller funktionalitet. Vad gäller prestanda så presterar navigationsnätet generellt sett bäst, men vägpunktsgrafen kan ge bättre prestanda om nodavståndet hålls relativt högt. Det finns också många möjligheter att vidareutveckla arbetet, exempelvis förfina vägarna och kombinera vägplaneringsteknikerna med robotik.

Incremental Phi* och Field D* är vägplaneringsalgoritmer som uppfyller två egenskaper. Den första är att deras vägar kan korsa en miljö i vilken vinkel som helst. Den andra är att de i en okänd miljö kan planera om sina vägar snabbt ifall de stöter på ett hinder. Detta kan vara användbart i realtidsstrategispel. Detta arbete testar därför deras förmåga att skapa korta vägar och att planera om vägar snabbt för att ta reda på deras styrkor och svagheter. Utöver detta testas också deras tider i den första sökningen de gör när miljön är outforskad samt i de fall där algoritmerna har visat sig ha svagheter, vilket är i tomma miljöer och i återvändsgränder. Resultatet är att Incremental Phi* hittar kortare vägar och planerar om vägar snabbare. Den får också kortare tider i en tom miljö, medan Field D* får bättre tider i den första sökningen och i återvändsgränder. / <p>Det finns övrigt digitalt material (t.ex. film-, bild- eller ljudfiler) eller modeller/artefakter tillhörande examensarbetet som ska skickas till arkivet.</p><p>There are other digital material (eg film, image or audio files) or models/artifacts that belongs to the thesis and need to be archived.</p>

Den här studien beskriver en undersökning som tittar på prestationsskillnaden på engenetisk algoritm (GA) med kön, mot en GA utan kön. Den tittar även påprestationsskillnaden mellan en GA utan kön och en GA med slumpmässig könsfördelning.Problemet som algoritmerna är applicerade på innefattar vägplanering över en kontinuerlig,procedurell 2d-miljö som är uppbyggd av polygoner med olika färdkostnad. Den lämpligasteindividen blir den med lägst färdkostnad, som alltså hittar den billigaste vägen mellan tvåfasta punkter. Observera att problemet är fullständigt statiskt genom alla körningar.Utfallet tyder på att GA’n med kön producerar märkbart bättre resultat, oavsett omkönsdistribueringen var konstant eller slumpmässig. De genetiska algoritmerna med könuppvisade också en mindre tendens att konvergera, vilket tyder på att införandet av kön ialgoritmen hade den hypotiserade effekten. Införandet av slumpmässig könsfördelning tycksha resulterat i en mer konstant diversitet.Vidare arbete skulle kunna innefatta en jämförelse mellan genetiska algoritmer med ochutan kön för fler typer av problem. Detta skulle kunna leda till en allmän teori somsammanfattar könets påverkan på de genetiska algoritmerna allmänt. Vidare studier skulleäven kunna titta på hur kön påverkar diversiteten i algoritmen, genom att göra sammajämförelser, men istället titta på hur den genetiska diversiteten utvecklas över tid. / <p>Det finns övrigt digitalt material (t.ex. film-, bild- eller ljudfiler) eller modeller/artefakter tillhörande examensarbetet som ska skickas till arkivet.</p><p>There are other digital material (eg film, image or audio files) or models/artifacts that belongs to the thesis and need to be archived.</p>

Detta examensarbete undersöker navigering för grupper av autonoma agenter i dataspelsmiljöer. Genom att kombinera olika styrbeteenden och beräkningsmodeller utvärderar arbetet vilken av dessa tekniker som är mest effektiv med avseende på tid och vägval i trånga spelmiljöer. En experimentmiljö har utvecklats som implementerar fyra stycken tekniker och utvärderar dessa i tre olika miljöer med 10 respektive 50 agenter som navigerar genom miljön. Som grund använder samtliga tekniker ett vägföljningsbeteende och ett flockbeteende. Det som skiljer teknikerna åt är vilken beräkningsmodell som används samt att två av teknikerna använder ett väggundvikelsebeteende. Resultatet visar att alla tekniker är användbara men att den mer avancerade beräkningsmodellen ger ett bättre resultat överlag. Väggundvikelsebeteendet bidrar också till ett bättre resultat och gör alltså nytta i de miljöer som använts. Ett problem med styrbeteenden är dock balanseringen av vikterna som används i teknikerna och det kan krävas mycket finjustering innan man får ett bra beteende.

When tracking a moving target, an Unmanned Aerial Vehicle (UAV) mustkeep the target within its sensory range while simultaneously remaining awareof its surroundings. However, small flight computers must have sufficientenvironmental knowledge and computational capabilities to provide real-timecontrol to function without a ground station connection. Using a Raspberry Pi4 model B, this thesis presents a practical implementation for evaluating pathplanning generators in the context of following a moving target. The practicalmodel integrates two waypoint generators for the path planning scenario: A*and 3D Vector Field Histogram* (3DVFH*). The performances of the pathplanning algorithms are evaluated in terms of the required processing time,distance from the target, and memory consumption. The simulations are runin two types of environments. One is modelled by hand with a target walkinga scripted path. The other is procedurally generated with a random walker.The study shows that 3DVFH* produces paths that follow the moving targetmore closely when the actor follows the scripted path. With a random walker,A* consistently achieves the shortest distance. Furthermore, the practicalimplementation shows that the A* algorithm’s persistent approach to detectand track objects has a prohibitive memory requirement that the Raspberry Pi4 with a 2GBRAMcannot handle. Looking at the impact of object density, the3DVFH* implementation shows no impact on distance to the moving target,but exhibits lower execution speeds at an altitude with fewer obstacles to detect.The A* implementation has a marked impact on execution speeds in the formof longer distances to the target at altitudes with dense obstacle detection.This research project also realized a communication link between thepath planning implementations and a Geographical Information System (GIS)application supported by the Carmenta Engine SDK to explore how locallystored geospatial information impact path planning scenarios. Using VMapgeospatial data, two levels of increasing geographical resolution werecompared to show no performance impact on the planner processes, but asignificant addition in memory consumption. Using geospatial informationabout a region of interest, the waypoint generation implementations are ableto query the map application about the legality of its current position. / När en obemannade luftfarkost, även kallad drönare, spårar ett rörligt mål, måste drönaren behålla målet inom sensorisk räckvidd medan den håller sig uppdaterad om sin omgivning. Små flygdatorer måste dock ha tillräckligt med information om sin omgivning och nog med beräkningsresurser för att erbjuda realtidskontroll utan kommunikation med en markstation. Genom att använda en Raspberry Pi 4 modell B presenterar denna studie en praktisk applicering utav vägplanerare som utvärderas utifrån deras lämplighet att följa ett rörligt mål. Den praktiska implementationen jämför två vägplaneringsalgoritmer: A* och 3D Vector Field Histogram* (3DVFH*). Vägplaneringsalgoritmernas prestanda utvärderas genom att studera deras hastighet, avstånd från målet och minnesresurser. Vägplaneringsalgoritmerna utvärderas i två situationer. Den första är en simulationsvärld som är gjord för hand där målet rör sig efter en fördefinierad väg. Den andra är en procedurellt genererad värld där målet rör sig slumpmässigt. Studien visar att 3DVFH* producerar vägar som håller drönaren närmare målet när målet rör sig efter en fördefinierad väg. Med en slumpvandring i en procedurell värld är A* närmast målet. Resultaten från Raspberry Pi visar också att A* algoritmen sätter prohibitivt höga minneskrav på Raspberry Pi 4 som bara har 2GBRAM. Studerar man påverkan av synbara objekt på avståndet till målet så ser man ingen för 3DVFH* algoritmens egenskap att hålla sig nära, men man ser snabbare bearbetningshastighet när det är färre objekt att upptäcka. A* algoritmen ser en påverkan på dess distans från målet när fler objekt finns att upptäcka. Denna studie visar också hur en kommunikationslänk mellan vägplaneringsalgoritmer och kartapplikationer som stöds utav Carmenta Engine SDK skall implementeras. Detta används för att studera hur lokal geografisk information kan användas i ett spårningssammanhang. Genom att använda två nivåer av geografisk upplösning från VMap data, jämförs påverkan på vägplaneringarnas prestanda. Studien visar att ingen påverkan på prestandan kan ses men att kartapplikationen kräver mer minnesresurser. Genom att använda geografisk information om en region av intresse visar denna applikation hur vägplaneringsalgoritmerna kan fråga kartapplikationen om legaliteten om sin nuvarande position.

Unmanned flying vehicles (UAVs) are tools that can be used in a variety of scenarios. The most common areas of application are outdoors, where there are not many obstacles to take into consideration when planning a route. In indoor scenarios, the requirements on the path planning system of the UAV becomes stricter, as these scenarios tend to contain more obstacles compared to flying at higher altitude outdoors. Considering a drone with multiple objectives (waypoints to visit), two problems initially come to mind, namely path planning and combinatorial optimization. To finish the objectives in the most effective way, the optimal path between the waypoints needs to be calculated, as well as the order in which the waypoints need to be visited. Another challenge is the fact that the UAV runs on limited battery capacity, and thus might not be able to finish the objectives before running out of battery. Therefore, the combinatorial optimization needs to include visits to a recharging station. The objective of this thesis is to combine and modify methods for path planning and combinatorial optimization in a way that a route can be calculated within a limited time budget, to allow the computation to be executed “on the fly”. The method used for path planning is ANYA, and the two methods used for the combinatorial optimization are ant colony optimization (ACO) as well as the Lin-Kernighan-Helsgaun (LKH) method. The nearest neighbor method (NN) will be used as a baseline for comparison. We propose an algorithm to include the battery constraint in the optimization. To evaluate the algorithms, we measure the computational time, to know if the method works in real-time, and also the estimated time for the UAV to finish the route, which will determine the energy efficiency of the route. We find that the ACO’s solutions improve over time, but require a long computational time, which makes it not suitable for small time budgets. LKH produces better routes than the NN method, and does so within the chosen time budget, as long as the number of waypoints is limited. The algorithm to optimize the trips to the recharging station works better than the previous use of LKH for this specific problem. / Obemannade flygande fordon är verktyg som är användbara inom en mängd områden. Vanligaste miljön för användning av dessa verktyg är i utomhusmiljöer där inte många fysiska hinder existerar. I inomhusscenarion blir kraven på vägplanering större, då dessa miljöer ofta innehåller fler hinder än vid flygning på högre altituder utomhus. Givet ett scenario med en drönare med flera målpunkter att besöka, finns två stora utmaningar, nämligen vägplanering och ruttplanering. För att besöka alla målpunkter behöver vi en metod för att identifiera närmsta, kollisionsfria vägen mellan målpunkterna, men också en metod för att hitta den optimala ordningen att besöka punkterna i. En annan utmaning som uppstår på grund av drönarens begränsade batteritid är att det inte finns någon garanti på att den hinner besöka alla målpunkter innan batteriet tar slut. Därför måste ruttplaneringen innefatta besök till en laddningsstation. Målet med detta examensarbete är att kombinera och modifiera metoder för väg och ruttplanering på ett sätt så en effektiv rutt mellan alla målpunkter kan identifieras, utan att drönaren får slut på batteri, samt med kravet att metoden ska kunna hitta en lösning inom begränsad tid. Metoden som används för vägplanering är ANYA, och de två metoderna som används för ruttplanering är myrkolonioptimering och Lin-Kernighan-Helsgaun-metoden. Närmsta-granne-metoden kommer användas som en baseline för jämförelsen mellan metoderna. Vi föreslår en algoritm som inkluderar batteribegränsningen i ruttplaneringen. För att utvärdera algoritmerna mäter vi beräkningstiden, för att ta reda på om metoden fungerar i realtid. Vi mäter även den uppskattade tiden det tar för drönaren att slutföra rutten, vilket kommer beskriva hur energieffektiv rutten är. Vi finner att myrkolonioptimering ger en bättre och bättre lösning över tid, men kräver en lång beräkningstid, vilket gör den opassande för korta tidsbegränsningar. LKH producerar bättre rutter än närmsta-granne-metoden, och gör det inom den givna tidsramen, så länge antal målpunkter är begränsade. Algoritmen för att optimera besöken till laddstationen fungerar bättre än tidigare appliceringar av LKH på samma problem.

Det här projektet optimerar ett system som använder den statiska sökalgoritmen A* för att fåen autonom drönare att kunna undvika rörliga och målsökande hinder på sin färd emot enangiven måldestination. Optimeringen bygger på tidigare arbeten där bland annat ModelPredictive Control (MPC) har en stor påverkan på det implementerade systemet.Resultatet av projektet visar att det är möjligt att optimera ett system som använder sig av enstatisk planeringsalgoritm genom lokal planering inom det område drönaren har kunskap om.Ett högt planeringstempo där drönaren enbart följer första delen i den genererade planen,möjliggör att drönaren hela tiden kan anpassa sig till förändringar i omgivningen och undvikakollision. / This project optimizes a system that uses the static search algorithm A* to enable anautonomous drone to avoid moving and target-seeking obstacles on its way to a specifieddestination. The optimization is based on previous work where Model Predictive Control(MPC) has a major impact on the implemented system.The result of the project shows that it is possible to optimize a system using a static planningalgorithm through local planning in the area of which the drone has knowledge. A highplanning pace enables the drone to follow the first part of the generated plan, which meansthat the drone can constantly adapt to changes in the surroundings and avoid collisions.

In recent years, Unmanned aerial vehicles (UAVs) have developed rapidly due to advances in aerospace technology, and wireless communication systems. As a result of their versatility, cost-effectiveness, and flexibility of deployment, UAVs have been developed to accomplish a variety of large and complex tasks without terrain restrictions, such as battlefield operations, search and rescue under disaster conditions, monitoring, etc. Data collection and offloading missions in The internet of thingss (IoTs) networks can be accomplished with the use of UAVs as network edge nodes. The fundamental challenge in such scenarios is to develop a UAV movement policy that enhances the quality of mission completion and avoids collisions. Real-time learning based on neural networks has been proven to be an effective method for solving decision-making problems in a dynamic, unknown environment. In this thesis, we assume a real-life scenario in which a UAV collects data from Ground base stations (GBSs) without knowing the information of the environment. A UAV is responsible for the MOO including collecting data, avoiding obstacles, path planning, and conserving energy. Two Deep reinforcement learnings (DRLs) approaches were implemented in this thesis and compared. / Under de senaste åren har UAV utvecklats snabbt på grund av framsteg inom flygteknik och trådlösa kommunikationssystem. Som ett resultat av deras mångsidighet, kostnadseffektivitet och flexibilitet i utbyggnaden har UAV:er utvecklats för att utföra en mängd stora och komplexa uppgifter utan terrängrestriktioner, såsom slagfältsoperationer, sök och räddning under katastrofförhållanden, övervakning, etc. Data insamlings- och avlastningsuppdrag i IoT-nätverk kan utföras med användning av UAV:er som nätverkskantnoder. Den grundläggande utmaningen i sådana scenarier är att utveckla en UAV-rörelsepolicy som förbättrar kvaliteten på uppdragets slutförande och undviker kollisioner. Realtidsinlärning baserad på neurala nätverk har visat sig vara en effektiv metod för att lösa beslutsfattande problem i en dynamisk, okänd miljö. I den här avhandlingen utgår vi från ett verkligt scenario där en UAV samlar in data från GBS utan att känna till informationen om miljön. En UAV är ansvarig för MOO inklusive insamling av data, undvikande av hinder, vägplanering och energibesparing. Två DRL-metoder implementerades i denna avhandling och jämfördes.