Model Predictive Supervisory Control for Hierarchical and Distributed UAS Traffic Management

Der Himmel über unseren Städten wird zunehmend belebter, nicht durch Vögel, sondern durch kleine, autonome Luftfahrzeuge, die für die Auslieferung von Paketen, die Inspektion der Infrastruktur und den Einsatz in Notfalldiensten konzipiert sind. Während sich diese unbemannten Fahrzeuge von militärischen und akademischen Experimenten hin zur alltäglichen Logistik entwickeln, stehen sie vor einem grundlegenden Problem: Der tiefliegende Luftraum ist ein geteilter, physischer Engpass. Im Gegensatz zu einer Autobahn, auf der Autos einfach die Spur wechseln können, erfordert die Luft eine präzise Koordination, um Kollisionen zu vermeiden, sicherzustellen, dass sich nicht zwei Drohnen zur gleichen Zeit am selben Ort befinden, und um begrenzte Ressourcen wie Ladestationen zu verwalten. Diese Herausforderung gehört zum Bereich des Verkehrsmanagements für unbemannte Systeme, einer Disziplin, die die Logik der Informatik mit den physikalischen Einschränkungen des Fliegens verbindet. Im Kern beruht diese Arbeit auf zwei unterschiedlichen, aber komplementären Ideen. Die erste ist eine Methode der „überwachenden Steuerung“ (Supervisory Control), die wie ein strenger Verkehrswächter fungiert, indem sie die absoluten Regeln der Straße definiert, um Sicherheit zu garantieren und Deadlocks zu verhindern, bei denen sich Fahrzeuge ewig gegenseitig im Weg stehen. Die zweite ist die „prädiktive Steuerung“ (Predictive Control), eine Strategie, bei der jedes Fahrzeug einige Schritte vorausblickt, um den effizientesten Pfad zu wählen, wobei Faktoren wie Batterielaufzeit und Lieferzeit abgewogen werden. Die Frage, mit der Forscher schon lange ringen, ist, wie man diese beiden Ansätze für eine große Drohnenflotte kombiniert, ohne ein Computersystem zu schaffen, das so komplex ist, dass es nicht mehr in Echtzeit laufen kann.

In einer kürzlich erschienenen Studie haben Forscher der Federal University of Minas Gerais in Brasilien eine Lösung vorgeschlagen, die diese Lücke schließt, indem sie ein Framework namens Model Predictive Supervisory Control entwickeln. Sie entwarfen ein System, das es einer großen Gruppe von Drohnen ermöglicht, sicher in einer belebten städtischen Umgebung zu operieren, indem die Aufgaben „die Sicherheit aller zu gewährleisten“ von der Aufgabe „den besten Weg zu finden“ getrennt werden. Stellen Sie sich eine Stadt vor, in der eine zentrale Behörde die Grenzen jeder Straße und Kreuzung zieht und festlegt, welche Wege offen und welche geschlossen sind, um Unfälle zu vermeiden. Diese Behörde sagt jedem Fahrer nicht exakt, welche Abbiegung er nehmen soll; stattdelt sie stattdessen lediglich gefährliche Manöver, die untersagt sind. Jeder Fahrer, der die Regeln kennt, schaut dann auf die Karte und wählt die schnellste, treibstoffeffizienteste Route zu seinem Ziel, die innerhalb dieser sicheren Grenzen bleibt. Genau so funktioniert das neue System. Ein zentraler Controller, der als Aufseher fungiert, überwacht die gesamte Flotte und den gemeinsamen Luftraum. Er nutzt ein mathematisches Modell, um zu identifizieren, welche Bewegungen zu einer Kollision führen oder eine Regel verletzen würden, wie etwa das Betreten einer Sperrzone oder der Versuch, an einer Ladestation zu landen, die bereits belegt ist. Er überträgt daraufhin eine Liste von „verbotenen Zügen“ an jede Drohne in der Flotte.

Jede Drohne erhält diese Liste und nutzt ihren eigenen Onboard-Computer, um ein kurzfristiges Optimierungsproblem zu lösen. Sie betrachtet ihren aktuellen Standort, den Batteriestand und den zugewiesenen Auftrag und berechnet dann die Sequenz von Bewegungen, die sie mit dem geringsten Zeit- und Energieaufwand an ihr Ziel bringt, während die auf der Verbotsliste stehenden Züge strikt vermieden werden. Soblich die Drohne den ersten Schritt dieser Sequenz ausführt, wiederholt sich der Prozess. Die Drohne sendet ihre neue Position an den zentralen Aufseher zurück, der Aufseher aktualisiert die Liste der verbotenen Züge bassierend auf der neuen Realität, und die Drohne plant ihren nächsten Schritt. Dieser Zyklus läuft kontinuierlich ab, was es der Flotte ermöglicht, sofort auf Änderungen zu reagieren, wie etwa eine neue Lieferanfrage oder eine plötzliche Batteriewarnung. Die Forscher testeten dieses System in einer simulierten städtischen Umgebung unter Verwendung einer Standard-Robotik-Softwareplattform. Sie erstellten zwei Szenarien: einen kleineren Test mit zwei Drohnen, die eine einfache Karte mit neun Knoten navigieren, und einen größeren, komplexeren Test mit vier Drohnen, die eine Karte mit neunzehn Knoten über zwei verschiedene Höhenschichten navigieren.

Die Ergebnisse dieser Simulationen zeigten, dass dieser hierarchische Ansatz das Problem der Komplexität löst, das bisherige Versuche geplagt hat. Als die Forscher versuchten, ein einzelnes, allwissendes Computermodell zu bauen, um die gesamte Flotte gleichzeitig zu verwalten – eine Methode, die als monolithische Synthese bekannt ist –, wurde das System überfordert. Für das kleinere Zwei-Drohnen-Szenario erforderte das einzelne Modell fast 445.000 interne Zustände, um jede mögliche Kombination von Positionen und Aktionen zu beschreiben, eine Zahl, die explosiv ansteigen würde, wenn mehr Drohnen hinzugefügt würden. Im Gegensatz dazu reduzierte das neue hierarchische System die Komplexität des Aufsehers auf nur 570 Zustände, was einer Reduktion um etwa das 780-fache entspricht. Diese massive Vereinfachung bedeutete, dass das System effizient laufen konnte, ohne Supercomputer zu benötigen. In dem größeren Vier-Drohnen-Szenario schloss das System fünf von sechs zugewiesenen Missionen erfolgreich ab, mit einer durchschnittlichen Missionszeit von 44,42 Sekunden und einem Durchsatz von 2,46 Missionen pro Minute. Der zentrale Aufseher musste pro Zeitschritt durchschnittlich 19,28 Züge verbieten, um die Sicherheit zu gewährleisten, was beweist, dass das System aktiv Konflikte verwaltete, anstatt die Drohnen einfach frei fliegen zu lassen.

Die Studie bestätigt, dass die Trennung der globalen Sicherheitsregeln von der lokalen Entscheidungsfindung eine skalierbare Lösung ermöglicht. Der zentrale Aufseher muss nicht die spezifischen Details der Batterie oder der Ladung jeder Drohne kennen; er muss lediglich die Belegung des Luftraums und die Verfügbarkeit gemeinsamer Ressourcen verfolgen. Die Drohnen wiederum sind frei, ihre eigenen Pfade zu optimieren, solange sie die vom Aufseher gesetzten Grenzen respektieren. Diese Architektur stellt sicher, dass das System sicher und nicht-blockierend bleibt, was bedeutet, dass keine Drohne in eine Situation gerät, in der sie weder vor noch zurück fliegen kann. Die Forscher fanden heraus, dass das System selbst bei einer Erhöhung der Anzahl der Drohnen und der Komplexität des Luftraums seine Fähigkeit beibehielt, die Flotte ohne Kollisionen oder Verzögerungen zu koordinieren. Die Arbeit legt nahe, dass diese Methode ein gangbarer Weg für die Zukunft der urbanen Luftmobilität ist, in der eines Tages tausende Fahrzeuge dieselben tiefliegenden Korridore teilen könnten. Durch die Verwendung eines Frameworks, das strikte Sicherheitskontrolle mit flexibler, lokaler Optimierung kombiniert, haben die Forscher gezeigt, dass es möglich ist, ein komplexes Multi-Agenten-System auf eine Weise zu verwalten, die sowohl rechnerisch effizient als auch operativ robust ist. Die Studie kommt zu dem Schluss, dass, obwohl das System derzeit durch Simulation validiert wird, die etablierten Prinzipien eine konkrete Grundlage für die Entwicklung realer Verkehrsmanagementsysteme bieten, die den dynamischen Anforderungen eines geschäftigen Stadthimmels gerecht werden können.