Vision-Based UAV Interception Using Dynamic Image-Based Visual Servoing, Multi-Objective Predictive Guidance, and Robust Soft Control Barrier Functions

Am Himmel steht eine Drohne, die mit einer Kamera ausgestattet ist, vor einer schwierigen Herausforderung: Sie muss eine andere Drohne abfangen, die sich unvorhersehbar bewegt, während das Sichtfeld der Kamera durch die Zeit verzögert wird, die für die Bildverarbeitung benötigt wird, und die Drohne selbst Einschränkungen bei ihrer Kurvenfähigkeit hat. Dies ist das Gebiet des Visual Servoing, einer Methode, bei der eine Maschine direkt nach dem steuert, was sie sieht, anstatt sich auf eine perfekte, vorab berechnete Karte der Welt zu verlassen. Für eine Drohne, die versucht, ein Ziel abzufangen, wird die Aufgabe dadurch erschwert, dass die Kamera starr am Fluggerät befestigt ist; wenn die Drohne scharf abbiegt, um das Ziel einzuholen, kann die Kamera so schnell schwingen, dass das Ziel aus dem Sichtfeld verschwindet. Zudem sind die Bilder, die die Drohne empfängt, niemals perfekt aktuell; sie sind immer etwas alt, und das Ziel kann seine Geschwindigkeit oder Richtung auf eine Weise ändern, die die Drohne nicht vorhersagen kann. Die Lösung erfordert ein System, das die Zukunft sehen, mehrere Optionen gleichzeitig abwägen und blitzschnelle Entscheidungen treffen kann, die Geschwindigkeit, Sicherheit und Sanftheit in Einklang bringen.

Forscher des Instituts für Automatisierungstechnik in Produktion und Verbesserung der Technologie haben einen neuen Ansatz für dieses Problem entwickelt und ein System geschaffen, das es einer Drohne ermöglicht, ein manövrierendes Ziel abzufangen, selbst wenn die visuellen Daten verrauscht und verzögert sind. Anstatt zu versuchen, das Ziel sofort in die Mitte des Kamerafokus zu zwingen – was oft zu erratischen Bewegungen führt oder dazu, dass das Ziel aus dem Sichtfeld rutscht –, nutzt ihre Methode einen prädiktiven Beobachter, um zu schätzen, wo sich das Ziel in einem Moment befinden wird. Das System generiert daraufhin eine kleine Menge möglicher Flugpfade oder Kandidaten-Trajektorien, denen die Drohne folgen kann. Jeder dieser Pfade wird gegen mehrere Ziele gleichzeitig bewertet: wie nah die Drohne dem Ziel kommen wird, wie lange das Abfangen dauern wird, wie viel Energie die Drohne verbrauchen wird und das Risiko, das Ziel aus dem Rahmen der Kamera zu verlieren.

Um den besten Pfad zu wählen, haben die Forscher nicht einfach die Option ausgewählt, die auf dem Papier am besten aussah. Stattdessen verwendeten sie eine Technik namens Soft-min-Fusion, die die Optionen zu einer glatten, kontinuierlichen Entscheidung verschmilzt. Dies verhindert, dass die Drohne zwischen verschiedenen Strategien hin- und herspringt, ein häufiges Problem, wenn ein System abrupt zwischen Entscheidungen wechselt. Das Ergebnis ist ein dynamischer Referenzpunkt, der sich durch das Sichtfeld der Kamera bewegt und die Drohne zum vorhergesagten Abfangpunkt führt, anstatt zu einem festen Punkt im Bild. Dies ermöglicht es der Drohne, ihren Kurs sanft anzupassen, während sich das Ziel bewegt, wobei sie die Verzögerung in den Bilddaten durch die Antizipation des nächsten Zuges des Ziels kompensiert.

Ein entscheidender Teil dieses Systems ist ein Sicherheitsfilter, der auf einem Konzept namens Control Barrier Function basiert. Vereinfacht ausgedrückt fungiert dies als Wächter, der verhindert, dass die Drohne einen Befehl gibt, der dazu führen würde, dass das Ziel aus dem Sichtfeld der Kamera verschwindet. Da die realen Bedingungen jedoch chaotisch sind und die Motoren der Drohne physikalische Grenzen haben, kann eine strikte Regel, die besagt „verliere das Ziel niemals“, die Mathematik manchmal unlösbar machen. Um dies zu handhaben, führten die Forscher eine „weiche“ Version dieser Sicherheitsregel ein. Dies erlaubt es dem System, die Sicherheitsbeschränkung im absoluten Notfall vorübergehend zu dehnen, während es das System dennoch dafür bestraft. Dies stellt sicher, dass die Drohne weiterhin versucht, das Ziel abzufangen, selbst wenn die Situation extrem eng ist, anstatt einzufrieren, weil keine perfekte Lösung gefunden werden kann.

Die Forscher testeten ihre Methode in einer Reihe von Computersimulationen mit einhundert verschiedenen Szenarien unter variierenden Windverhältnissen, Rauschen und Zielbewegungen. Sie verglichen ihr neues System mit mehreren bestehenden Methoden, einschließlich Standard-Visual-Tracking und anderen prädiktiven Ansätzen. Die Ergebnisse zeigten, dass ihre Methode äußerst effektiv ist. In den Simulationen fing die Drohne das Ziel in neunzig Prozent der Durchläufe erfolgreich ab, eine Rate, die sehr nah an der des leistungsstärksten Baseline-Vergleichsmodells liegt. Wichtiger noch: Das neue System erreichte dies mit deutlich geringerem Aufwand. Die Drohne verbrauchte etwa fünfzehn Prozent weniger Steuerungsenergie, was bedeutet, dass sie nicht so hart arbeiten musste, um denselben Fang zu vollbringen. Es reduzierte zudem den Fehler beim Verfolgen des Zielbildes um fast sechsundvierzig Prozent, wodurch das Ziel wesentlich stabiler im Sichtfeld der Kamera blieb. Auch die Zeit bis zum Abschluss des Abfangvorgangs wurde im Vergleich zur Baseline um über zwanzig Prozent reduziert, sofern das Abfangen erfolgreich war.

Dennoch offenbarte die Studie einen subtilen Kompromiss. Während die neue Methode schneller und effizienter war, war ihre Erfolgsrate etwas niedriger als die der Baseline-Methode, was einem Rückgang um drei Prozentpunkte entspricht. Dies deutet darauf hin, dass das System durch die Priorisierung von Geschwindigkeit und Sanftheit gelegentlich Risiken einging, die ein konservativerer Ansatz vermieden hätte. Die Forscher fanden heraus, dass die mittlere Distanz zwischen der Drohne und dem Ziel im Moment des Abfangens nahezu identisch für beide Methoden war und jeweils knapp über zwei Meter betrug. Dies zeigt, dass das neue System zwar agiler und weniger belastend für die Motoren der Drohne ist, aber nicht zwangsläufig einen perfekten Fang in jedem einzelnen Szenario garantiert, in dem die ältere Methode erfolgreich gewesen wäre.

Die Studie kommt zu dem Schluss, dass dieser Ansatz eine leistungsstarke Möglichkeit bietet, das kompleße Gleichgewicht zwischen Sehen, Denken und Handeln für autonome Drohnen zu verwalten. Durch die Kombination eines prädiktiven Beobachters, eines Multi-Objective-Entscheidungsprozesses und eines flexiblen Sicherheitsfilters kann das System die Verzögerungen und Unsicherheiten der realen Welt bewältigen. Die Forscher merken an, dass die Simulationen zwar erfolgreich waren, das System jedoch auf Approximationen angewiesen ist, um die Berechnungen für den Echtzeitgebrauch schnell genug zu halten. Zukünftige Arbeiten werden darin bestehen, diese Ideen an tatsächlicher Hardware zu testen und zu untersuchen, wie das System mit komplexeren physischen Modellen der Drohne zurechtkommt. Vorerst zeigen die Ergebnisse, dass es möglich ist, eine Drohne mit hoher Präzision und Effizienz zu einem beweglichen Ziel zu führen, selbst wenn die Augen der Drohne langsam und das Ziel schwer fassbar ist.