SQP-Based Cable-Tension Allocation for Multi-Drone Load Transport

Resumen Técnico: Asignación de Tensión de Cables Basada en SQP para el Transporte de Carga con Multi-Drones

Planteamiento del Problema
Los Sistemas de Transporte de Carga Multi-Agente (MAATS, por sus siglas en inglés), que utilizan múltiples drones para transportar una única carga, ofrecen una capacidad de carga y una tolerancia a fallos superiores en comparación con las soluciones de un solo dron. Sin embargo, estos sistemas enfrentan un desafío de control fundamental: las ecuaciones de equilibrio de fuerzas están subdeterminadas. Con $n$ agentes y 3 grados de libertad para la carga, existen infinitas formas de distribuir la tensión total requerida. Las estrategias de asignación ingenuas a menudo conducen a una distribución desigual de la energía (causando el agotamiento prematuro de la batería en agentes específicos), falta de tensión en los cables o configuraciones inseguras donde los cables convergen, aumentando el riesgo de colisiones entre drones o cables. Las soluciones existentes suelen centrarse únicamente en minimizar los sustitutos de energía o en imponer formaciones geométricas rígidas, fallando al no equilibrar simultáneamente la distribución de la fuerza y mantener una alineación segura de los cables sin restringir el envolvente operativo.

Metodología
El artículo propone una capa de optimización en tiempo real integrada en una arquitectura de control jerárquica. El sistema emplea un controlador en cascada de cuatro capas:

1. Controlador de Carga: Genera una fuerza virtual total ($u_L$) requerida para el seguimiento de la trayectoria.
2. Asignación de Tensión (La Contribución Central): Distribuye $u_L$ entre los $n$ UAVs.
3. Controlador de Posición: Computa los comandos de empuje individuales para cada UAV.
4. Controlador de Actitud: Genera los comandos finales de par motor y empuje.

La innovación central es la formulación de Programación Cuadrática Secuencial (SQP) utilizada en la capa de asignación de tensión. Dada la entrada de control virtual, el solver SQP determina las magnitudes de tensión deseadas ($T_{id}$) y los vectores de dirección unitarios ($\alpha_{id}$) resolviendo el siguiente problema de optimización:

$$\min_{T_{id}, \alpha_{id}} J = \frac{1}{2} \sum_{i=1}^{n} T_{id}^2 + \mu \sum_{i=1}^{n-1} \sum_{j=i+1}^{n} (\alpha_{id}^\top \alpha_{jd})^2$$

Sujeto a:

• Equilibrio de fuerzas: $\sum T_{id} \alpha_{id} = -u_L$
• Restricciones físicas: $T_{id} \geq 0$ y $\|\alpha_{id}\| = 1$

Contribuciones Clave

• Optimización de Doble Objetivo: A diferencia de trabajos previos que minimizan solo la energía, esta formulación minimiza la suma de los cuadrados de las tensiones (promoviendo un esfuerzo equilibrado) mientras incorpora una penalización de alineación de cables. El término de penalización, ponderado por $\mu$, desincentiva los ángulos pequeños entre cables (donde el producto escalar se acerca a 1), evitando así la convergencia y el riesgo de colisión de los cables.
• Viabilidad en Tiempo Real: El problema está estructurado para utilizar subproblemas cuadráticos con soluciones de forma cerrada para el gradiente. Los autores implementan una estrategia de inicialización de pre-inicio (warm-start), utilizando la solución del paso de tiempo anterior para inicializar la iteración actual. Esto asegura la continuidad en la configuración de los cables y reduce drásticamente el número de iteraciones necesarias para la convergencia.
• Escalabilidad y Flexibilidad: El enfoque no impone una formación geométrica fija. En su lugar, permite que el optimizador encuentre una disposición segura y eficiente energéticamente desde cualquier estado inicial factible, adaptándose a obstáculos o restricciones operativas que puedan impedir el mantenimiento de una forma predefinida.

Resultos
El método fue validado mediante simulaciones numéricas en MATLAB/Simulink utilizando un sistema de cuatro cuadricópteros transportando una carga de 0.225 kg.

• Rendimiento de Seguimiento: El sistema mantuvo una precisión de seguimiento de trayectoria a nivel de centímetros durante una misión de espiral ascendente, con un error de posición RMS de 2.97 cm y una excursión máxima inferior a 8 cm. Esto confirma que la capa de optimización no degrada el rendimiento del control.
• Equilibrio de Tensión: En comparación con un enfoque geométrico base, el asignador SQP logró una distribución de fuerza significativamente más equilibrada, evitando la saturación de los motores individuales y asegurando una descarga uniforme de la batería.
• Seguridad: Con un peso de alineación $\mu = 0.15$, el sistema mantuvo todos los ángulos de par de cables por encima de 44.4°, superando cómodamente el umbral de seguridad de 30°. El enfoque base cayó frecuentemente por debajo de este límite.
• Eficiencia Computacional: En hardware estándar (Intel Core Ultra 7), un ciclo completo de SQP promedió 1.13 ms, con un tiempo de caso de peor escenario de 12.29 ms. Esto demuestra una clara viabilidad para la implementación embebida en tiempo real.
• Análisis de Sensibilidad: El estudio mostró que el peso de alineación $\mu$ actúa como un parámetro ajustable, permitiendo a los operadores intercambiar la seguridad (ángulos mayores) y el consumo de energía (coste de tensión integrado) sin una degradación medible en el rendimiento de seguimiento.

Significancia y Reivindicaciones
El artículo afirma proporcionar un camino escalable hacia el transporte de carga cooperativo seguro y equilibrado energéticamente. Al abordar explícitamente tanto el equilibrio de la tensión como la alineación de cable a cable dentro de un marco SQP ligero, el método llena un vacío en la literatura actual donde los controladores suelen priorizar un aspecto de seguridad sobre otro o dependen de funciones de coste prohibitivas. Los autores sostienen que su enfoque permite compromisos controlables entre la seguridad y la eficiencia energética manteniendo la flexibilidad para operar sin restricciones de formación rígida.

Limitaciones
Los autores reconocen modestamente que el estudio actual asume cables rígidos y sin masa, y depende de una capa de optimización centralizada, lo que introduce un punto único de fallo. Además, los resultados se basan únicamente en simulaciones; se requiere validación de hardware para evaluar el rendimiento bajo condiciones del mundo real como perturbaciones del viento, retrasos en la comunicación y errores de modelado. Se propone como trabajo futuro incluir experimentos de hardware y estrategias de optimización distribuidas.