⚡ electrical engineering

Control Barrier Function only Formation Tracking in Multi-Agent Systems

Dieses Paper schlägt ein Echtzeit-Steuerungsframework für heterogene Multi-Agenten-Systeme vor, das eine einzige, einer Control Barrier Function ähnliche Nebenbedingung innerhalb eines quadratischen Optimierungssettings nutzt, um Formation Tracking unter Verwendung ausschließlich relativer Nachbarsinformationen zu erreichen, wodurch die Notwendigkeit einer manuellen Parameterabstimmung oder eines separaten nominalen Controllers entfällt.

Ursprüngliche Autoren: S. Saharsh, Pushpak Jagtap

Veröffentlicht 2026-06-25

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: S. Saharsh, Pushpak Jagtap

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 einen Vogelschwarm, einen Fischschwarm oder eine Gruppe von Tänzern vor, die sich in perfekter Harmonie bewegen. In der Welt der Robotik nennt man das Formationsverfolgung (Formation Tracking). Das Ziel ist es, eine Gruppe verschiedener Roboter (einige könnten schnell sein, andere langsam, einige fahren wie Autos, andere wie Drohnen) dazu zu bringen, sich gemeinsam in einer bestimmten Form zu bewegen, während sie einem Anführer folgen, ohne dabei zusammenzustoßen oder sich zu verirren.

Dieses Paper schlägt ein neues „Gehirn“ für diese Robotergruppen vor, das dies in Echtzeit ermöglicht, selbst wenn die Roboter komplex sind und die Umgebung schwierig ist. Hier ist die Funktionsweise, unterteilt in einfache Konzepte:

1. Das Problem: Das „Tauziehen“

Normalerweise müssen Sie, wenn Sie Roboter programmieren, um in einer Formation zu manövrieren, zwei konkurrierende Ziele ausbalancieren:

Ziel A: In der richtigen Form bleiben (Formation).
Ziel B: Nicht zusammenstoßen oder vom Plan abkommen (Sicherheit).

Bei traditionellen Methoden bekämpfen sich diese beiden Ziele oft. Der Computer wird verwirrt, da er versucht, beide gleichzeitig zu erfüllen, und manchmal bricht die Mathematik zusammen (das System wird „unzulässig“ bzw. „infeasible“), was dazu führt, dass die Roboter stoppen oder sich erratisch verhalten. Es ist wie der Versuch, ein Auto zu fahren, während man gleichzeitig versucht, perfekt einzuparken und eine Wand zu vermeiden, aber das Lenkrad klemmt.

2. Die Lösung: Der „Magische Kompass“ (CBF)

Die Autoren führen einen cleveren Trick ein, der eine sogenannte Control Barrier Function (CBF) verwendet. Betrachten Sie dies als einen „Magischen Kompass“, der dem Roboter nicht nur sagt, wohin er gehen soll, sondern auch garantiert, dass er sicher bleibt, während er dorthin gelangt.

Die Innovation: Anstatt „in Formation bleiben“ und „sicher sein“ als zwei separate, kämpfende Aufgaben zu behandeln, kombiniert dieses Paper sie zu einer einzigen Regel.
Die Analogie: Stellen Sie sich vor, Sie gehen durch einen überfüllten Raum. Normalerweise müssen Sie sich separat darum kümmern, „den Ausgang zu erreichen“ (Formation) und „nicht gegen Menschen zu stoßen“ (Sicherheit). Diese neue Methode gibt Ihnen eine einzige Anweisung: „Gehe zum Ausgang, aber halte deine Hand ausgestreckt, um dich sanft von den Menschen wegzuleiten.“ Es verwandelt den gesamten Prozess in eine einzige, flüssige, sichere Bewegung.

3. Wie die Roboter einander „sehen“

Die Roboter benötigen keinen GPS-Satelliten oder einen zentralen Computer, der ihnen genau sagt, wo sich alle befinden. Sie müssen nur ihre unmittelbaren Nachbarn im Blick haben.

Das „Bearing“-Konzept: Anstatt die exakte Distanz oder die Koordinaten eines Nachbarn zu kennen, muss jeder Roboter lediglich die Richtung (den Winkel) kennen, in die er zu seinen Nachbarn schauen muss.
Die Metapher: Stellen Sie sich eine Gruppe von Menschen vor, die im Dunkeln einen Kreis bilden und sich an den Händen halten. Sie müssen nicht wissen, wie weit sie voneinander entfernt sind; sie müssen nur wissen, in welche Richtung ihr Nachbar steht. Wenn jeder nur in dem richtigen Winkel zu seinem Nachbarn schaut, bildet sich der gesamte Kreis von selbst. Das Paper nutzt dieses „Anschauen des Winkels“ (Bearing), um zu bestimmen, wo sich jeder befinden sollte.

4. Der „Leader-Follower“-Tanz

Das System nutzt ein Leader-Follower-Setup:

Die Anführer (Leaders): Einige Roboter (wie die Dirigenten eines Orchesters) folgen einem vorgeplanten Pfad. Sie geben das Tempo und die allgemeine Richtung vor.
Die Nachfolger (Followers): Der Rest der Roboter beobachtet die Anführer und ihre unmittelbaren Nachbarn. Sie passen ihre Geschwindigkeit und Richtung an, um die durch die Winkel definierte „Form“ einzuhalten.
Die Magie: Das Paper beweist, dass, wenn jeder Nachfolger sich einfach korrekt auf seine zwei nächsten Nachbarn ausrichtet, die gesamte Gruppe automatisch die perfekte Form bildet, selbst wenn die Anführer schnell fahren oder die Richtung ändern.

5. Die „Ein-Schritt“-Optimierung

Das Gehirn des Roboters nutzt ein mathematisches Werkzeug namens Quadratic Programming (QP). Betrachten Sie dies als einen superschnellen Taschenrechner, der jedes Bruchteil einer Sekunde ein Rätsel löst.

Der alte Weg: Der Taschenrechner versuchte, zwei verschiedene Rätsel gleichzeitig zu lösen (Form + Sicherheit), was oft zu einem „Keine Lösung gefunden“-Fehler führte.
Der neue Weg: Der Taschenrechner löst ein einziges Rätsel. Er fragt: „Was ist der einfachste, effizienteste Schritt, der mich in der richtigen Form hält UND garantiert, dass ich meinen Zielwinkel innerhalb einer bestimmten Zeit erreiche?“
Das Ergebnis: Die Roboter bewegen sich flüssig und passen ihre Geschwindigkeit sowie Richtung sofort an, um in der Formation zu bleiben, ohne jemals anhalten zu müssen, um komplexe Sicherheitsregeln neu zu berechnen.

6. Der Beweis (Die Simulation)

Die Autoren testeten dies in einer Computersimulation mit:

2 Anführern: Die einem Pfad folgen.
6 Nachfolgern: Einige waren einfache „Double-Integrator“-Roboter (wie ein Punkt, der sich in einer geraden Linie bewegt), andere waren „Differential Drive“-Roboter (wie echte Autos oder Saugroboter, die durch Drehen der Räder lenken).
Das Ergebnis: Trotz der Tatsache, dass die Roboter unterschiedliche Typen waren und in zufälligen, chaotischen Positionen starteten, bildeten sie alle erfolgreich die gewünschte Formation und folgten den Anführern perfekt. Der Fehler in ihren Winkeln war winzig (fast null).

Zusammenfassung

Dieses Paper präsentiert eine neue Methode zur Steuerung von Roboter-Schwärmen. Anstatt zwischen den Regeln für „in Form bleiben“ und „nicht zusammenstoßen“ zu jonglieren, erschafft es eine einzelne, einheitliche Regel, die beides handhabt. Indem es sich nur auf die Richtung der Nachbarn verlässt (statt auf deren exakte Position), ist das System robust, funktioniert ohne GPS und ermöglicht es verschiedenen Arten von Robotern, nahtlos zusammenzuarbeiten – wie eine gut einstudierte Tanzgruppe, die einer Leitperson folgt.

Technische Zusammenfassung: Nur Control Barrier Function-basierte Formationsverfolgung in Multi-Agenten-Systemen

Problemstellung
Die vorliegende Arbeit befasst sich mit dem Problem der Formationsverfolgung für heterogene Multi-Agenten-Systeme (MAS), die durch nichtlineare Dynamiken charakterisiert sind. Eine primäre Herausforderung in diesem Bereich ist die Abhängigkeit von relativen Zustandsinformationen aufgrund von Echtzeit-Kommunikationsbeschränkungen, die den Zugriff auf globale Zustandsdaten verhindern. Bestehende Ansätze haben oft Schwierigkeiten mit der Skalierbarkeit, der Anpassungsfähigkeit in dynamischen Umgebungen oder der Unzulänglichkeit, die durch Konflikte zwischen nominalen Formationsreglern und Echtzeit-Sicherheitsbeschränkungen verursacht wird. Konkret zielen die Autoren auf ein Leader-Follower-Framework ab, bei dem Follower-Agenten eine eindeutige, starre Formation aufrechterhalten müssen, die durch gewünschte Lagerungsvektoren (Bearing Vectors) relativ zu ihren Nachbarn definiert ist, während die Leader vorgegebene Trajektorien verfolgen. Das System operiert unter der Annahme infinitesimaler Lagerungssteifigkeit (Infinitesimal Bearing Rigidity), wodurch sichergestellt wird, dass die gewünschte Lagerungskonfiguration eine eindeutige Formation darstellt.

Methodik
Die vorgeschlagene Lösung nutzt einen Quadratic Programming (QP) Optimierungsrahmen, der durch eine neuartige Control Barrier Function (CBF) Formulierung gesteuert wird. Die Methodik ist wie folgt strukturiert:

Problemzerlegung: Die globale Formationsverfolgungsaufgabe wird in lokale Teilaufgaben für jeden Follower-Agenten zerlegt. Jeder Follower identifiziert mindestens zwei Referenzknoten (Leader oder andere Follower) mit nicht-parallelen gewünschten Lagerungsrichtungen. Das lokale Ziel besteht darin, den Lagerungsvektor des Agenten mit den gewünschten Vektoren in Einklang zu bringen, was kollektiv sicherstellt, dass die globale Formation erreicht wird.
Lagerungsgesteuertes Ziel (Bearing-Guided Target): Für jeden Follower wird ein „lagerungsgesteuertes Ziel“ ( $p_{iT}$ ) berechnet. Dieses Ziel repräsentiert den eindeutigen Schnittpunkt von Linien, die durch die gewünschten Lagerungssteigungen der Referenzknoten definiert sind. Das Steuerungsziel besteht darin, die Position des Agenten zu diesem beweglichen Ziel zu führen und gleichzeitig seinen Geschwindigkeitsvektor mit der Zielrichtung in Einklang zu bringen.
Erreichbarkeits-Control Barrier Function (Reach-CBF): Die Autoren führen eine modifizierte CBF ein, die sich von Standardformulierungen unterscheidet. Während konventionelle CBFs die Vorwärtsinvarianz einer sicheren Menge garantieren, gewährleistet diese „Reach-CBF“ sowohl die Vorwärtsinvarianz einer sicheren Menge als auch die endliche Erreichbarkeit (Finite-Time Reachability) einer Zielmenge innerhalb dieser sicheren Menge.
- Die sichere Menge wird durch die Übereinstimmung zwischen dem Geschwindigkeitsvektor des Agenten und dem lagerungsgesteuerten Zielvektor definiert.
- Die Zielmenge entspricht einem Zustand, in dem dieser Übereinstimmungsfehler innerhalb einer kleinen, vordefinierten Toleranz liegt.
Regelgesetz-Design: Der Steuerungsinput wird durch das Lösen eines QP-Problems abgeleitet, welches die Abweichung von einem nominalen Geschwindigkeitsverfolgungsregler unter der Reach-CBF-Beschränkung minimiert.
- Der nominale Regler übernimmt die Geschwindigkeitsregelung, um die Geschwindigkeit des Leaders zu halten.
- Die Reach-CBF-Beschränkung erzwingt die für die Aufrechterhaltung der Formation erforderliche Richtungsanpassung.
- Dieses Design entkoppelt die Steuerung des Geschwindigkeitsbetrags (gehandhabt durch den nominalen Regler) und der Richtung (erzwungen durch die CBF), wodurch die Notwendigkeit eines separaten nominalen Formationsreglers entfällt und die Unzulänglichkeiten vermieden werden, die bei konkurrierenden Zielformulierungen häufig auftreten.

Wesentliche Beiträge
Das Paper skizziert drei primäre Beiträge:

Neuartige Reach-CBF-Formulierung: Die Autoren schlagen eine CBF-ähnliche Funktion vor, die Standard-CBFs erweitert, indem sie die endliche Erreichbarkeit einer Zielmenge innerhalb einer vorwärtsinvarianten sicheren Menge garantiert, anstatt nur Sicherheit zu gewährleisten.
Single-Constraint-Optimierungsrahmen: Ein neuer CBF-QP-ähnlicher Rahmen wird eingeführt, der eine einzige CBF-Beschränkung nutzt, um die Formationsverfolgung für heterogene nichtlineare Multi-Agenten-Systeme zu handhaben. Dieser Ansatz eliminiert die Notwendigkeit einer manuellen Parameterabstimmung oder eines separaten nominalen Formationsreglers.
Leader-Follower-Formationsverfolgung: Die Methode erreicht erfolgreich die Formationsverfolgung für Systeme mit nichtlinearen Agentendynamiken (einschließlich Doppel-Integratoren, Differentialantrieb und Ackermann-Antrieb Robotern) innerhalb einer Leader-Follower-Architektur unter Verwendung ausschließlich relativer Lagerungsinformationen.

Ergebnisse
Der vorgeschlagene Rahmen wurde durch Simulationen validiert, die ein heterogenes System aus acht Agenten in einem 2D-Raum umfassten: zwei Leader und sechs Follower.

Systemkonfiguration: Die Follower umfassten Agenten, die als Doppel-Integratoren und Differentialantrieb-Roboter mit nichtlinearen Dynamiken modelliert wurden.
Szenario: Die Leader folgten vorgegebenen Trajektorien, während die Follower die Aufgabe hatten, eine spezifische starre Formation beizubehalten, die durch Lagerungsvektoren definiert ist.
Leistung: Die Simulation zeigte, dass die Follower-Agenten die bewegliche Formation erfolgreich verfolgten. Nach 30 Sekunden waren die Lagerungsfehler für alle Follower vernachlässigbar (im Bereich von etwa $-4,6 \times 10^{-5}$ bis $1,87 \times 10^{-4}$ ). Die Trajektorien bestätigten, dass die Agenten die gewünschte Form der Formation erreichten, während sie den Leadern folgten.

Bedeutung und Ansprüche
Das Paper behauptet, dass sein Ansatz einen einheitlichen, beschränkungsbasierten sicheren Steuerungsentwurf bietet, der die Einschränkungen bestehender Methoden adressiert, insbesondere den Konflikt zwischen Formationszielen und Sicherheitsbeschränkungen. Durch die Kodierung der Formationsaufgabe selbst als CBF-Beschränkung stellt die Methode sicher, dass das System innerhalb einer sicheren Menge bleibt, während es die gewünschte Formation in endlicher Zeit erreicht. Die Autoren betonen, dass der Rahmen ohne globale Zustandsinformationen arbeitet und ausschließlich auf lokalen relativen Messungen (Lagerung/Bearings) basiert, was ihn für GPS-gestörte Umgebungen geeignet macht. Die Arbeit schließt mit dem Hinweis, dass zukünftige Bemühungen darauf abzielen, diesen Ansatz auf 3D-Flugfahrzeuge in komplexen Umgebungen mit beschleunigenden Hindernissen auszuweiten.