Distributed UAV Formation Control Robust to Relative Pose Measurement Noise

Dieser Artikel stellt eine Methode vor, die die Robustheit von formationsbildenden UAV-Steuerungen gegenüber Rauschen in der Relativlagenmessung erhöht, indem der Gradientenabstiegsbefehl in interpretierbare Komponenten zerlegt und basierend auf der geschätzten Rauschverteilung angepasst wird, um in realen Experimenten Oszillationen und Abweichungen signifikant zu reduzieren.

Das Wesentliche

Hier ist eine einfache Erklärung der Forschung, als würde man sie einem Freund beim Kaffee erzählen, ohne technische Fachbegriffe zu verwenden.

Das Problem: Die "zitternden" Drohnen

Stell dir vor, du hast eine Gruppe von Drohnen, die wie ein gut geöltes Schwarm fliegen sollen. Sie müssen sich gegenseitig sehen und ihre Position zueinander kennen, um eine perfekte Formation zu bilden – wie eine Tanzgruppe, die synchron tanzt.

Das Problem ist: Die "Augen" der Drohnen (ihre Kameras und Sensoren) sind nicht perfekt. Sie sind wie Menschen, die einen leichten Schwindel haben oder durch eine wackelige Brille schauen. Wenn eine Drohne versucht, ihre Position zu einem Nachbarn zu bestimmen, sieht sie ihn manchmal ein paar Zentimeter zu weit links, manchmal zu weit rechts.

Was passiert normalerweise?
Wenn die Drohnen auf diese wackeligen Messungen reagieren, werden sie nervös. Sie denken: "Oh, mein Nachbar ist zu weit weg!" und fliegen schnell nach links. Dann messen sie wieder: "Oh, jetzt ist er zu weit weg!" und fliegen schnell nach rechts.
Das Ergebnis? Die Drohnen zittern und wackeln wie ein nervöses Hündchen. Sie kommen nie richtig zur Ruhe, verbrauchen viel Energie und die Kameras werden so stark erschüttert, dass sie die anderen Drohnen gar nicht mehr klar sehen können. Ein Teufelskreis aus Zittern und Unsicherheit.

Die Lösung: Die "Kühlschrank-Methode" (Restraining)

Die Forscher aus Prag haben eine clevere Idee entwickelt, die sie "Restrain" (auf Deutsch etwa: "Zurückhalten" oder "Bremsen") nennen.

Stell dir vor, du versuchst, ein Glas Wasser auf einem Tablett zu tragen, ohne dass es überläuft. Wenn du das Tablett hektisch hin und her bewegst, spritzt das Wasser über. Wenn du aber ruhig bleibst und kleine, sanfte Bewegungen machst, bleibt alles stabil.

Die neue Methode funktioniert so:

1. Die Drohne fragt sich: "Ist der Fehler in meiner Messung wirklich so groß, dass ich mich bewegen muss? Oder ist es nur das 'Rauschen' (das Wackeln) meiner Kamera?"
2. Die Entscheidung: Die Drohnen nutzen eine mathematische Wahrscheinlichkeitsrechnung. Sie wissen genau, wie stark ihre Sensoren normalerweise wackeln.
   • Wenn die Drohne weit weg vom Ziel ist, ist der Fehler groß. Da ist klar: "Ich muss fliegen!" -> Sie bewegen sich schnell.
   • Wenn die Drohne nahe am Ziel ist, ist der gemessene Fehler oft nur noch das kleine Wackeln der Kamera. Hier sagt die neue Methode: "Stopp! Bleib ruhig."
3. Der "Totbereich" (Dead Zone): Die Drohnen ignorieren kleine Messfehler, solange sie statistisch gesehen nur das normale Sensor-Rauschen sein könnten. Sie bewegen sich nicht, wenn sie denken: "Ich bin wahrscheinlich schon da, das Wackeln ist nur Einbildung."

Die Analogie: Der Betrunkenen-Tanz

Stell dir zwei Leute vor, die versuchen, Hand in Hand zu stehen, aber beide sind leicht betrunken (die Sensoren sind "betrunken" vom Rauschen).

• Ohne die neue Methode: Jeder versucht sofort, die Hand des anderen zu greifen. Wenn der andere wackelt, zerrt man sofort dagegen. Ergebnis: Beide tanzen wild herum, stolpern und kommen nie zur Ruhe.
• Mit der neuen Methode: Die beiden sagen sich: "Okay, wenn er nur ein bisschen wackelt, lasse ich ihn in Ruhe. Ich greife erst zu, wenn er wirklich weit weg ist." Sie bleiben also ruhig stehen, wenn sie nah beieinander sind, und vermeiden so das wilden Hin- und Her-Ziehen.

Warum ist das wichtig?

1. Ruhe im Sturm: Die Drohnen fliegen viel ruhiger. Kein wildes Zittern mehr.
2. Bessere Sicht: Weil sie nicht mehr hin und her wackeln, können ihre Kameras die anderen Drohnen viel besser sehen. Das ist wie der Unterschied zwischen einem verwackelten Handyvideo und einem stabilen Film.
3. Robuster: Selbst wenn die Sensoren sehr schlecht sind (z. B. bei weiter Entfernung oder schlechtem Licht), schaffen es die Drohnen, die Formation zu halten. Ohne diese Methode würden sie sich oft auflösen oder kollidieren.

Zusammenfassung

Die Forscher haben einen Algorithmus entwickelt, der den Drohnen beibringt, nicht auf jedes kleine Wackeln ihrer eigenen Sensoren zu reagieren. Sie lernen, zwischen "Ich bin wirklich falsch" und "Meine Kamera ist nur ein bisschen unscharf" zu unterscheiden.

Das Ergebnis sind Drohnen-Schwärme, die sich wie ein geschmeidiger, ruhiger Schwarm Vögel bewegen, anstatt wie eine Gruppe nervöser Hüpfer. Und das Beste: Die Software ist kostenlos verfügbar, damit andere Forscher und Entwickler das auch nutzen können.

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des Papers „Distributed UAV Formation Control Robust to Relative Pose Measurement Noise" auf Deutsch:

Titel: Verteilte UAV-Formationsteuerung, robust gegenüber Rauschen bei der Relativlage-Messung

Autoren: Viktor Walter, Matouš Vrba, Daniel Bonilla Licea, Matej Hilmer, Martin Saska
Institution: Fakultät für Elektrotechnik, Tschechische Technische Universität (CTU) in Prag; Mohammed VI Polytechnische Universität, Marokko.

---

1. Problemstellung

Die koordinierte Zusammenarbeit mehrerer autonomer unbemannter Luftfahrzeuge (UAVs) erfordert präzise Informationen über die gegenseitige Position und Orientierung (Relativlage). Während globale Lokalisierungssysteme wie RTK-GNSS oder Motion-Capture-Systeme präzise Daten liefern können, sind diese in vielen realen Szenarien (z. B. unstrukturierte Umgebungen, unterirdische Tunnel) nicht verfügbar oder unzuverlässig.

Daher werden oft onboard-basierte Sensoren für die gegenseitige Relativlokalisierung eingesetzt, wie z. B. das im Paper verwendete UVDAR-System (UltraViolet Direction And Ranging), das auf optischer Erkennung von UV-Markern basiert.
Das zentrale Problem besteht darin, dass diese Sensoren messbares Rauschen (Observationsrauschen) aufweisen. Herkömmliche Algorithmen zur Formation Enforcement Control (FEC), die auf der Graph-Rigiditätstheorie basieren, gehen oft von rauschfreien Messungen aus. Wenn diese Algorithmen jedoch mit verrauschten, diskreten Messungen arbeiten, führt dies zu:

• Unerwünschten Oszillationen und Drifts der UAVs um die gewünschte Formation.
• Schnellen Beschleunigungs- und Verzögerungswechseln, die die visuelle Lokalisierung weiter stören (durch Verwackeln, Unschärfe, Verlust der Zielverfolgung).
• Instabilität, insbesondere bei niedrigen Messraten oder hoher Sensorunsicherheit.

Bisherige Ansätze zur Rauschunterdrückung (z. B. reines Filtern oder lineare Gewichtung) lösen das Problem der Oszillationen nicht vollständig oder verlangsamen die Konvergenz zu stark.

2. Methodik: Die „Restraining"-Technik

Das Paper schlägt eine neuartige, verteilte Steuerungsmethode vor, die als „Restraining" (Zurückhaltung) bezeichnet wird. Diese Methode integriert das statistische Wissen über das Sensorrauschen direkt in den Kontrollalgorithmus.

Kernkonzept:
Anstatt den Fehler zwischen der gemessenen und der gewünschten Relativlage direkt proportional zu korrigieren (was bei Rauschen zu Übersteuerung führt), wird die Steueraktion basierend auf der Wahrscheinlichkeit eines Überfahrens (Overshooting) des Ziels modifiziert.

Technische Umsetzung:

1. Diskretisierung und Rauschmodell: Das System wird als diskretes System betrachtet, bei dem Messungen mit einer endlichen Rate $f$ erfolgen. Das Rauschen wird als Gaußsche Verteilung mit bekannter Kovarianz ($C_{ij}$ für Position, $\sigma^2_{\psi ij}$ für Orientierung) modelliert.
2. Probabilistischer Setpoint: Anstatt den Agenten direkt auf den gemessenen Mittelwert des Fehlers zusteuren, wird ein „restrained" (zurückgehaltener) Sollwert ($s_{res}$) berechnet. Dieser Sollwert ist so gewählt, dass die Wahrscheinlichkeit $\ell$, dass der Agent im nächsten Schritt das Ziel überschreitet, einen vom Benutzer definierten Schwellenwert (z. B. $\ell = 0.3$) nicht überschreitet.
3. Dead-Zone (Totzone): Wenn der gemessene Fehler klein ist im Vergleich zur Unsicherheit des Sensors (d.h. wenn der Fehler statistisch eher Rauschen als ein echter Positionsfehler ist), wird die Steueraktion auf Null gesetzt. Dies verhindert, dass der Agent auf Rauschen reagiert und in eine Oszillation gerät.
4. Anwendung auf FEC: Die Methode wird auf die Gradienten-basierte FEC angewendet, die aus der Graph-Rigiditätstheorie abgeleitet ist. Die vier Terme der Steuerkraft (zwei für Position, zwei für Orientierung) werden einzeln analysiert und durch Projektion der mehrdimensionalen Unsicherheiten in 1D-Standardabweichungen angepasst, um die „Restraining"-Logik anzuwenden.
5. Theoretische Analyse: Es wird bewiesen, dass das System stabil ist und dass die Varianz der stationären Oszillationen durch die Wahl des Parameters $\ell$ reduziert werden kann, ohne die Konvergenzgeschwindigkeit im Großen und Ganzen zu beeinträchtigen.

3. Hauptbeiträge

• Neue Regelungstechnik: Entwicklung der „Restraining"-Methode, die die statistischen Eigenschaften von Sensorrauschen nutzt, um Oszillationen in Formationen zu unterdrücken.
• Theoretische Fundierung: Bereitstellung einer theoretischen Analyse, die es ermöglicht, die Leistung des Systems (Konvergenzzeit, stationäre Varianz) basierend auf den Systemparametern und dem Rauschprofil vorherzusagen.
• Experimentelle Validierung: Umfassende Tests in Simulationen und realen Flügen mit drei UAVs im Freien.
• Open Source: Veröffentlichung des Quellcodes zur Reproduzierbarkeit und Weiterentwicklung.

4. Ergebnisse

Simulationen:

• Die Simulationen zeigten, dass die „Restraining"-Methode im Vergleich zur reinen proportionalen Regelung (ohne Rauschkompensation) signifikant geringere Oszillationen und eine kleinere stationäre Varianz der Position aufweist.
• Es wurde ein besserer Kompromiss zwischen Konvergenzgeschwindigkeit und Stabilität erreicht.
• Das System bleibt auch bei niedrigeren Messraten stabil, bei denen die konventionelle Methode versagt (chaotisches Verhalten).

Experimente (Realwelt):

• Setup: Drei UAVs (MRS F450 Plattformen) mit dem UVDAR-System, die verschiedene Formationen (kleine und große Distanzen) einnahmen.
• Vergleich: Flüge wurden mit und ohne die „Restraining"-Technik durchgeführt.
• Ergebnisse:
  • Reduktion von Oszillationen: Die durchschnittliche Winkelgeschwindigkeit ($v_\psi$) und die Beschleunigung ($a_p$) wurden drastisch reduziert (z. B. Reduktion der Winkelgeschwindigkeit um bis zu 50 % in kleinen Formationen). Dies ist kritisch für die Stabilität der visuellen Lokalisierung.
  • Verbesserte Konvergenz: Die Formation erreichte den gewünschten Zustand schneller und präziser.
  • Robustheit bei großen Distanzen: Bei großen Formationen, wo das Sensorrauschen aufgrund der Entfernung zunimmt, versagte die konventionelle Methode oft (Drift, Verlust der Formation). Die „Restraining"-Methode ermöglichte dennoch eine stabile Formation.
  • Vermeidung von Zusammenbrüchen: Ohne die Methode kam es in extremen Fällen zum Verlust der Verbindung im Beobachtungsgraphen (Fiedler-Eigenwert fiel auf Null), was die Formation auflöste. Mit der Methode blieb die Formation erhalten.

5. Bedeutung und Fazit

Dieses Paper adressiert eine der größten Hürden beim Einsatz von UAV-Schwärmen in der realen Welt: die Robustheit gegenüber unvermeidbarem Sensorrauschen bei der Relativlokalisierung.

Die vorgestellte Methode ist bedeutend, weil sie:

1. Praktische Anwendbarkeit erhöht: Sie ermöglicht den Einsatz von Formationen in Umgebungen, in denen keine globale Infrastruktur (wie GPS oder Motion Capture) verfügbar ist.
2. Sensitivität gegenüber Rauschen reduziert: Sie verhindert den Teufelskreis aus Rauschen $\rightarrow$ Oszillation $\rightarrow$ schlechtere Sensorqualität $\rightarrow$ mehr Rauschen.
3. Einfache Parametrierung: Der Benutzer muss nur einen statistischen Parameter ($\ell$, die maximale Überschreitungswahrscheinlichkeit) wählen, um das Verhalten zwischen Aggressivität und Stabilität anzupassen.

Die Arbeit demonstriert erfolgreich, dass theoretische Konzepte der Graph-Rigidität durch die Integration von Unsicherheitsmodellen in die Regelungslogik für reale, verrauschte Systeme nutzbar gemacht werden können. Dies ist ein wichtiger Schritt hin zu zuverlässigen, autonomen Multi-Roboter-Systemen in unstrukturierten Umgebungen.