⚡ electrical engineering

Safe Payload Transfer with Ship-Mounted Cranes: A Robust Model Predictive Control Approach

Die Autoren stellen einen robusten modellprädiktiven Regelungsansatz vor, der mithilfe von Robust Zero-Order Control Barrier Functions und einer Online-Anpassung des Robustheitsparameters sichere und präzise Lastübertragungen mit schiffsgestützten Kränen unter starken Seegangsbedingungen gewährleistet.

Ursprüngliche Autoren: Ersin Das, William A. Welch, Patrick Spieler, Keenan Albee, Aurelio Noca, Jeffrey Edlund, Jonathan Becktor, Thomas Touma, Jessica Todd, Sriramya Bhamidipati, Stella Kombo, Maira Saboia, Anna Sabel, Gr

Veröffentlicht 2026-03-04

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Ersin Das, William A. Welch, Patrick Spieler, Keenan Albee, Aurelio Noca, Jeffrey Edlund, Jonathan Becktor, Thomas Touma, Jessica Todd, Sriramya Bhamidipati, Stella Kombo, Maira Saboia, Anna Sabel, Grace Lim, Rohan Thakker, Amir Rahmani, Joel W. Burdick

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen, einen riesigen, schwingenden Eimer mit Wasser auf ein schwankendes Schiff zu stellen, während das Schiff selbst von Wellen hin und her geworfen wird. Und das Schlimmste: Sie müssen den Eimer genau in ein kleines, festes Loch senken, ohne dass er auch nur einmal gegen den Rand knallt oder das Wasser verschüttet wird.

Das ist im Grunde das Problem, das diese Forscher gelöst haben. Hier ist die Erklärung ihrer Arbeit in einfachen Worten:

1. Das Problem: Der tanzende Kran

Normalerweise sind Kräne auf dem Land stabil. Aber Kräne auf Schiffen? Die sind wie ein Jongleur, der auf einem Trampolin steht.

Der Tanz: Das Schiff bewegt sich durch Wellen (Roll, Pitch, Gieren).
Der Jongleur: Der Kran ist "unteraktuiert". Das bedeutet, er hat nicht genug Motoren, um jede Bewegung direkt zu steuern. Wenn das Schiff wackelt, schwingt die Last (der Eimer) wie ein Pendel mit.
Die Gefahr: Wenn der Kran versucht, die Last präzise abzusetzen, kann eine plötzliche Welle dazu führen, dass die Last gegen ein Hindernis knallt oder in das falsche Loch fällt. Herkömmliche Computersteuerungen sind oft zu starr oder zu vorsichtig, um das gut zu machen.

2. Die Lösung: Ein "Gedanken-Experte" mit einem Sicherheitsgurt

Die Forscher haben eine neue Art von Computersteuerung entwickelt, die sie Robuste Modellprädiktive Regelung (MPC) nennen.

Stellen Sie sich diese Steuerung wie einen super-intelligenten Schachspieler vor, der nicht nur den nächsten Zug plant, sondern 10 Züge vorausdenkt.

Der Plan: Der Computer berechnet jede Sekunde hunderte möglicher Wege, wie die Last bewegt werden könnte.
Der Sicherheitsgurt (R-ZOCBF): Hier kommt der Clou. Normalerweise würde der Computer sagen: "Ich hoffe, die Welle kommt nicht zu stark." Aber dieser neue Computer hat einen Sicherheitsgurt. Er sagt: "Selbst wenn eine Welle stärker kommt als erwartet, oder wenn mein Sensor einen kleinen Fehler macht, werde ich trotzdem einen Weg finden, der sicher ist."

3. Die Magie: Der "Sicherheits-Schleim" und der "Wackel-Test"

Wie machen sie das so sicher?

Der unsichtbare Schutzschild: Um das Ziel (das Loch) herum bauen sie eine Art unsichtbaren, weichen "Schutzschild" (eine sogenannte Barrier Function). Solange die Last innerhalb dieses Schildes ist, ist alles okay. Wenn sie sich dem Rand nähert, wird der Computer automatisch sanfter und vorsichtiger, um einen Zusammenstoß zu verhindern.
Der Wackel-Test (Online-Anpassung): Das ist das Geniale an ihrer Methode. Der Computer weiß nicht genau, wie stark die nächste Welle sein wird. Also macht er einen Wackel-Test:
- Er simuliert in Millisekunden: "Was passiert, wenn ich jetzt 1 cm nach links wackele? Was, wenn ich 2 cm nach rechts wackele?"
- Basierend auf diesen simulierten Wackel-Tests passt er seinen Sicherheitsgurt sofort an.
- Die Analogie: Stellen Sie sich vor, Sie laufen auf einem schmalen Seil. Wenn Sie spüren, dass der Wind stärker weht, halten Sie Ihren Stock nicht starr, sondern bewegen ihn dynamisch, um das Gleichgewicht zu halten. Der Computer macht genau das: Er passt seine Vorsicht an die aktuelle Unsicherheit an. Ist es ruhig, ist er mutiger und schneller. Ist es stürmisch, wird er extrem vorsichtig.

4. Der Beweis: Der Roboter auf dem Trampolin

Um zu beweisen, dass das funktioniert, haben die Forscher einen echten 5-Achsen-Kran gebaut.

Das Set: Der Kran stand auf einer Stewart-Plattform (eine Art riesiger Roboter-Tisch, der sich bewegen kann), der die Wellenbewegung des Ozeans simuliert.
Die Aufgabe: Die Last (ein Rohr) musste in ein kleines Loch auf dem Tisch gesenkt werden, während der Tisch wild hin und her wackelte.
Das Ergebnis:
- Ohne den neuen "Sicherheitsgurt" (die normale Steuerung): Die Last schlug gegen das Loch oder fiel daneben.
- Mit dem neuen System: Die Last landete perfekt im Loch, auch wenn der Tisch wild wackelte. Der Computer hat die Unsicherheit vorhergesagt und den Kurs ständig korrigiert, ohne dass die Last ins Wackeln geriet.

Zusammenfassung

Diese Forscher haben einen Computer-Algorithmus entwickelt, der Kränen auf Schiffen beibringt, wie man sicher und präzise arbeitet, selbst wenn das Schiff wie ein wildes Tier tanzt.

Statt starr zu sein und bei Unsicherheit einfach zu stoppen (was ineffizient ist), lernt der Computer in Echtzeit, wie stark der "Sturm" ist, und passt seine Vorsicht genau daran an. Es ist wie ein erfahrener Seemann, der instinktiv weiß, wie er den Mast halten muss, damit die Last sicher ankommt, egal wie das Meer tobt.

Dies ist nicht nur für Kräne wichtig, sondern könnte auch helfen, wenn Roboter in der Zukunft delicate Teile zusammenfügen müssen, während sie auf sich bewegenden Plattformen (wie Raumschiffen oder Fahrzeugen) arbeiten.

1. Problemstellung

Der sichere und präzise Transfer von Lasten mittels kranschiffmontierten Kränen in unstrukturierten maritimen Umgebungen stellt eine erhebliche Herausforderung dar. Im Gegensatz zu stationären Kränen unterliegen Schiffskrane signifikanten externen Störungen durch die dynamische Bewegung des Schiffes (Wellengang, Wind), was zu einer komplexen, unteraktuierten Dynamik der Last (Schwingungen) führt.

Die Hauptprobleme sind:

Robustheit vs. Sicherheit: Herkömmliche Regelungsansätze müssen die Sicherheit (Kollisionsvermeidung, Einhaltung von Betriebsgrenzen) garantieren, ohne die Leistungsfähigkeit (Präzision beim Platzieren der Last) durch übermäßige Konservativität zu beeinträchtigen.
Unsicherheiten: Modellierungsfehler, unmodellierte Dynamiken und Messrauschen erschweren die Vorhersage des Systemverhaltens.
Diskrete Abtastung: Bei der digitalen Implementierung von Reglern (Sample-and-Hold) können Sicherheitsverletzungen zwischen den Abtastzeitpunkten auftreten, wenn nur diskrete Barrieren verwendet werden.
Ziel: Die Last muss präzise in ein enges Ziel (z. B. ein zylindrisches Aufnahmegefäß) eingefügt werden, ohne mit Hindernissen auf dem Deck oder den Rändern des Ziels zu kollidieren, während das Schiff sich bewegt.

2. Methodik

Die Autoren schlagen einen Rahmen für robustes, sicherheitskritisches Modellprädiktives Steuern (MPC) vor, der auf Robusten Zero-Order Control Barrier Functions (R-ZOCBFs) basiert.

A. Systemmodellierung

Dynamik: Ein nichtlineares 5-DOF-Modell (Degrees of Freedom) eines elektromechanischen Krans wird mittels Euler-Lagrange-Gleichungen hergeleitet. Das Modell berücksichtigt die Schiffsbewegung (Gier-, Nick- und Rollwinkel) als zeitvariante Störgrößen.
Unsicherheitsmodellierung: Diskrepanzen zwischen dem realen System und dem Modell werden durch einen beschränkten Unsicherheitsvektor $\delta_e$ dargestellt.
Diskretisierung: Da der Regler digital arbeitet, wird das kontinuierliche System in ein diskretes Modell überführt, wobei der Sample-and-Hold-Effekt explizit berücksichtigt wird.

B. Sicherheitsdefinitionen

Die Sicherheit wird durch die Vorwärtsinvarianz einer sicheren Menge $C(t)$ definiert. Zwei Arten von Sicherheitsfunktionen werden kombiniert:

Zeitvariante Bounding Boxes: Für die Kollisionsvermeidung mit statischen Hindernissen auf dem Schiff werden dynamische, rechteckige Sicherheitsbereiche berechnet, die sich an die Position der Last anpassen.
Glatte Zielsicherheitsfunktion ( $h_t$ ): Eine differenzierbare Funktion, die sicherstellt, dass die Last über dem Zielbereich bleibt und korrekt ausgerichtet ist, bevor sie in das Aufnahmegefäß eingeführt wird.

C. Robuste Zero-Order Control Barrier Functions (R-ZOCBF)

Um die Lücke zwischen diskreten Abtastzeitpunkten zu schließen und Unsicherheiten zu berücksichtigen, wird das Konzept der R-ZOCBF eingeführt:

Definition: Eine Funktion $h$ ist eine R-ZOCBF, wenn sie garantiert, dass die sichere Menge auch unter Berücksichtigung von Unsicherheiten und zwischen den Abtastzeitpunkten invariant bleibt.
Online-Anpassung: Ein zentraler Beitrag ist ein optimierungsbasierter Online-Algorithmus zur Anpassung des Robustheitsparameters ( $\delta_t$ ) in der R-ZOCBF-Bedingung. Anstatt einen festen, konservativen Wert zu wählen, wird $\delta_t$ basierend auf Stichproben (Sampling) aus dem aktuellen Zustand und den erwarteten Unsicherheiten minimiert. Dies reduziert die Konservativität des Reglers, solange die Sicherheit gewahrt bleibt.

D. Nichtlineares MPC

Der Regler löst in Echtzeit ein nichtlineares Optimierungsproblem (unter Verwendung von acados und SQP-RTI):

Zielfunktion: Minimierung des Regelungsinputs, Verfolgung der Referenzbahn der Last und Minimierung der Schwingungsraten (Last und Seil).
Nebenbedingungen:
- Systemdynamik.
- R-ZOCBF-Bedingung (garantiert Sicherheit trotz Unsicherheiten).
- Physikalische Eingangsbeschränkungen.

3. Schlüsselbeiträge

Erster experimenteller Nachweis: Dies ist die erste experimentelle Demonstration eines robusten MPC-Frameworks für Schiffskrane, das R-ZOCBFs zur Sicherheitsgarantie nutzt.
R-ZOCBF für zeitvariante Umgebungen: Erweiterung der ZOCBF-Theorie auf zeitvariante, robuste Barrieren, die speziell für diskrete, gestörte Systeme geeignet sind.
Adaptive Robustheitsparameter: Entwicklung einer neuen Methode zur Online-Optimierung des Robustheitsparameters, die den Trade-off zwischen Sicherheit und Leistung (Konservativität) dynamisch anpasst.
Integrierte Wahrnehmung: Ein System, das visuelle Daten (Segmentierung und Pose-Schätzung von Last und Ziel) direkt in die Sicherheitsfunktionen und die Kollisionsvermeidung einbindet.

4. Ergebnisse

Die Methode wurde sowohl in Simulationen als auch in Hardware-Experimenten validiert:

Setup: Ein 5-DOF-Kran-Prototyp wurde auf einer Stewart-Plattform montiert, um die Schiffsbewegung (sinusförmige laterale Translation mit $\pm 0,05$ m Amplitude) hochpräzise zu simulieren.
Vergleich: Es wurden zwei Szenarien verglichen:
1. MPC mit einer nominalen Sicherheitsbedingung (ohne Robustheitsrand).
2. MPC mit der vorgeschlagenen R-ZOCBF-Bedingung.
Ergebnisse:
- Der nominale Regler führte in beiden Fällen (Simulation und Hardware) zu Sicherheitsverletzungen ( $h(t) < 0$ ), was zu Kollisionen mit dem Ziel oder Hindernissen führte.
- Der robuste MPC mit R-ZOCBF und adaptivem Parameter hielt die Last sicher innerhalb der definierten Grenzen, trotz signifikanter Störungen und Modellunsicherheiten. Die Last wurde erfolgreich und präzise in das Ziel eingefügt, ohne Kollisionen.
- Die Online-Anpassung ermöglichte es dem System, den Sicherheitsrand dynamisch zu vergrößern, wenn Unsicherheiten hoch waren, und zu verkleinern, wenn die Situation stabil war, wodurch die Leistung optimiert wurde.

5. Bedeutung und Ausblick

Diese Arbeit demonstriert, dass es möglich ist, komplexe, unteraktuierte Systeme in unsicheren, dynamischen Umgebungen sicher zu steuern, ohne die Leistungsfähigkeit durch starre Sicherheitsmargen zu opfern.

Allgemeine Anwendbarkeit: Die Methode ist nicht auf Krane beschränkt, sondern kann auf robotergestützte Montageaufgaben, Teilefügen (Parts Mating) und Einfügeaufgaben (Insertion) unter Unsicherheit übertragen werden.
Zukünftige Arbeiten: Die Autoren planen, die Methode auf Kontaktprobleme (z. B. „Peg-in-Hole"-Montage, Andocken von Raumfahrzeugen) zu erweitern, Stabilitätsbeweise zu formalisieren und lernbasierte Vorhersagen für Umgebungsstörungen zu integrieren.

Zusammenfassend bietet das Paper einen robusten, mathematisch fundierten und experimentell validierten Ansatz für die sichere Automatisierung von Kränen auf See, der die Lücke zwischen theoretischer Sicherheitsgarantie und praktischer Leistungsfähigkeit schließt.