Safety-Critical Control for Quadrotor UAVs via Decentralized Navigation Functions

Stellen Sie sich eine Welt vor, in der Schwärme winziger, summender Drohnen die neuen Lieferfahrer, Luftfotografen und Such- und Rettungshelden sind. Um dies zu ermöglichen, müssen sie zusammenarbeiten wie eine perfekt choreografierte Tanzgruppe, die niemals zusammenstößt, während sie auf ihre Ziele zusteuert. Dies ist das Reich der sicherheitskritischen Steuerung, eines Zweigs der Robotik, der sich damit beschäftigt, Maschinen zu garantieren, dass sie nicht abstürzen, selbst wenn Dinge schiefgehen.

Die Herausforderung besteht darin, dass Drohnen in ihrem Denken etwas tollpatschig sind. Sie besitzen ein „Gehirn“, das den perfekten Pfad berechnen kann, um einem Baum oder einem Freund auszuweichen, aber ihre „Muskeln“ (die Motoren) sind begrenzt. Sie können nur Luft senkrecht nach unten drücken, um sich zu bewegen, was bedeutet, dass sie nicht einfach wie ein Auto seitlich gleiten können; sie müssen ihren ganzen Körper neigen, um dorthin zu gelangen, wo sie hinwollen. Zudem ist die reale Welt chaotisch. Windböen, schwere Nutzlasten oder einfach ein leicht defekter Motor können dazu führen, dass die tatsächliche Bewegung der Drohne von dem abweicht, was ihr Gehirn vorhergesagt hat. Diese Arbeit befasst sich mit dem kniffligen Problem, einem Schwarm dieser untermotorisierten, unvorhersehbaren Drohnen beizubringen, einer perfekten, kollisionsfreien Tanzchoreografie zu folgen, ohne tatsächlich abzustürzen – selbst wenn der Wind weht und ihre internen Karten etwas unscharf sind.

Der Tanz der tollpatschigen Drohnen

In dieser Studie befassten sich die Forscher Omayra Yago Nieto, Alexandre Anahory Simoes und Leonardo Colombo mit einem spezifischen Problem: Wie weist man ein Team von Quadrotor-Drohnen (der Art mit vier rotierenden Propellern) an, sich sicher zu bewegen, wenn ihre „idealen“ Anweisungen nicht mit ihrer physischen Realität übereinstimmen?

Stellen Sie sich die Drohnen als eine Gruppe von Tänzern vor, die ein Skript erhalten haben. Das Skript, das durch sogenannte Dezentrale Navigationsfunktionen generiert wird, sagt jedem Tänzer genau, wohin er gehen muss, um Kollisionen mit anderen zu vermeiden und die Bühnenmitte zu erreichen. Es ist wie ein GPS, das genau weiß, wo sich alle anderen befinden, und sagt: „Du, bewege dich nach links; du, bewege dich nach rechts.“

Aber hier ist der Haken: Diese Drohnen sind unteraktuiert. Vereinfacht ausgedrückt sind sie wie ein Einrad, das nur vorwärts oder rückwärts treten kann; es kann nicht einfach seitlich gleiten. Das Skript sagt vielleicht: „Bewege dich diagonal“, aber die Drohne kann nur Schub (Druck) senkrecht nach unten durch ihren Körper erzeugen. Um diagonal zu fliegen, muss sie ihren ganzen Körper neigen. Diese Neige-und-Druck-Methode führt zu einer Lücke zwischen dem „perfekten Skript“ und der „chaotischen Realität“. Wenn die Drohne zu langsam neigt oder der Wind sie wegdrückt, könnte sie ihr Ziel verfehlen und mit ihrem Tanzpartner zusammenstoßen.

Das Sicherheitsnetz: Ein „intelligenter Filter“

Um dies zu beheben, haben die Autoren einen Sicherheitsfilter entwickelt, der wie ein wachsamer Schiedsrichter fungiert, der zwischen dem Tanzskript und den Motoren der Drohne steht. Dieser Schiedsrichter nutzt ein mathematisches Werkzeug namens High-Order Control Barrier Function (HOCBF).

Stellen Sie sich die HOCBF als ein superpräzises Regelwerk vor, das den Abstand zwischen jedem Paar von Drohnen überprüft. Sie schaut nicht nur darauf, wo sie jetzt sind; sie sagt voraus, wo sie im nächsten Sekundenbruchteil sein werden, basierend darauf, wie schnell sie sich bewegen und wie stark sie drücken. Wenn das Regelwerk eine Kollision kommen sieht, greift es ein.

Die reale Welt ist jedoch unvorhersehbar. Die Drohnen könnten mit einer plötzlichen Windböe konfrontiert werden oder einen Motor haben, der nicht ganz so stark ist, wie im Handbuch angegeben. Um dies zu handhaben, nutzte das Team Gauß-Prozesse (GPs), was im Wesentlichen eine Art für die Drohnen ist, aus ihren eigenen Fehlern in Echtzeit zu „lernen“. Während die Drohnen fliegen, sammeln sie Daten darüber, wie der Wind sie tatsächlich beeinflusst, und aktualisieren ihre internen Modelle.

Die Hauptinnovation der Arbeit liegt in der Kombination dieser beiden Ideen:

1. Der Übersetzungsfehler: Sie haben genau berechnet, wie sehr die „Neige-und-Druck“-Methode das perfekte Skript stört. Sie berechneten eine spezifische „Fehlergrenze“, die wie eine Sicherheitsmarge funktioniert und besagt: „Wir wissen, dass die Drohne aufgrund ihrer Neigung um diesen Betrag abweichen könnte.“
2. Das lernende Sicherheitsnetz: Sie speisten die „Lern“-Daten (GP-Vorhersagen) direkt in das Sicherheitsregelwerk ein. Anstatt nur zu sagen: „Halte mindestens 1 Meter Abstand“, sagt das Regelwerk nun: „Halte mindestens 1 Meter Abstand plus das, was der Wind dich wegdrücken könnte.“

Die „aggregierte“ Lösung

Das Team entwickelte ein System namens Aggregated Robust HOCBF-QP Safety Filter. Das ist ein Zungenbrecher, aber denken Sie an es als einen Gruppenentscheider. Anstatt dass jede Drohne das Rätsel alleine löst, senden alle ihre aktuelle Geschwindigkeit und Position an einen zentralen Rechner (den QP-Solver). Dieser Rechner betrachtet den gesamten Schwarm, prüft die „Lern“-Daten für Windfehler und nimmt dann die kleinstmögliche Anpassung am Schub (dem Druck) jeder Drohne vor, um alle sicher zu halten.

Es ist wie ein Dirigent, der die Lautstärke jedes Instruments in einem Orchester gerade so weit anpasst, dass die Musik harmonisch bleibt, ohne die Melodie zu verändern. Das Ziel ist es, den Pfad der Drohnen so wenig wie möglich zu verändern, während gleichzeitig garantiert wird, dass sie nicht zusammenstoßen.

Was die Simulationen zeigten

Die Autoren testeten ihre Idee in einer Computersimulation mit sechs Drohnen, die eine „Viewpoint Exchange“-Manöver durchführen. Dies ist vergleichbar mit einem Kamerateam, bei dem die Drohnen in Kreisen um ein bewegliches Objekt fliegen und ihre Positionen tauschen, um verschiedene Blickwinkel zu erhalten. Ihre Pfade wurden so gestaltet, dass sie sich kreuzen – ein Rezept für den Untergang, falls das Sicherheitssystem versagt.

Die Ergebnisse waren vielversprechend:

• Die Baseline: Als sie einen Standard-Controller verwendeten, der versuchte, den Wind zu kompensieren, aber keinen speziellen Sicherheitsfilter besaß, kamen sich die Drohnen zu nahe. Der minimale Abstand zwischen ihnen sank auf 1,1093 Meter, was weniger als die geforderten 1,16 Meter war. Sie wären fast zusammengestoßen.
• Das neue System: Als sie den neuen „Aggregated Robust HOCBF-QP“-Filter einschalteten, blieben die Drohnen sicher. Der minimale Abstand wurde bei 1,2540 Metern gehalten.
• Die Kosten: Der Filter musste den Schub (die Kraft ihrer Motoren) der Drohnen anpassen, um sie sicher zu halten. Die durchschnittliche Änderung des Schubs betrug etwa 2,39 Newton, mit einem maximalen Ausschlag von 31,03 Newton. Dies zeigt, dass das System effektiv ist, aber von den Drohnen verlangt, etwas härter zu arbeiten, um sicher zu bleiben.

Sie verglichen auch ihr „robustes“ System (das Lernfehler berücksichtigt) mit einer „nicht-robusten“ Version (die die Lernunsicherheit ignoriert). Die nicht-robuste Version hielt die Drohnen zwar physisch auf Distanz, verletzte jedoch das mathematische Sicherheitszertifikat, was bedeutete, dass sie eher „glücklich“ als „sicher“ war. Die robuste Version hingegen hielt das mathematische Sicherheitszertifikat intakt, was beweist, dass das System zuverlässig ist, selbst wenn der Wind unvorhersehbar ist.

Das Fazit

Dieses Paper behauptet nicht, alle Probleme der Drohnensicherheit gelöst zu haben. Die Autoren geben zu, dass ihr System darauf angewiesen ist, dass die Mathematik funktioniert (dass das „QP“ lösbar ist), und dass es knifflige Situationen gibt, wie etwa wenn zwei Drohnen exakt senkrecht zu ihrem jeweiligen Schub stehen, wodurch die Mathematik schwieriger wird. Sie merken auch an, dass dies in einer Simulation getestet wurde und noch nicht auf echten physischen Drohnen in einem echten Park durchgeführt wurde.

Dennoch schließt die Studie eine bedeutende Lücke. Sie zeigt, wie man einen wunderschönen, perfekten mathematischen Plan für einen Drohnenschwarm erstellt und ihn auf reale, tollpatschige, windgepeitschte Maschinen überträgt. Durch die Kombination eines „lernenden“ Systems, das Fehler vorhersagt, mit einem „Sicherheitsfilter“, der diese korrigiert, haben sie einen Rahmen geschaffen, der mit hoher Wahrscheinlichkeit garantiert, dass diese Lufttänzer niemals zusammenstoßen, selbst wenn die Musik chaotisch wird.