⚡ electrical engineering

Safety-Critical Control for Quadrotor UAVs via Decentralized Navigation Functions

Este artículo propone un marco de control de seguridad crítica para equipos de UAV de cuadricópteros que utiliza funciones de navegación descentralizadas para generar referencias traslacionales y emplea un filtro QP de HOCBF agregado y robusto para garantizar la evitación de colisiones de alta probabilidad a pesar de la incertidumbre del modelo y las restricciones de actuación.

Autores originales: Omayra Yago Nieto, Alexandre Anahory Simoes, Leonardo Colombo

Publicado 2026-08-14

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Omayra Yago Nieto, Alexandre Anahory Simoes, Leonardo Colombo

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina un mundo donde enjambres de diminutos drones zumbantes son los nuevos repartidores, fotógrafos aéreos y héroes de búsqueda y rescate. Para que esto suceda, necesitamos que trabajen juntos como una compañía de danza perfectamente coreografiada, sin chocar entre sí mientras se dirigen velozmente hacia sus objetivos. Este es el reino del control de seguridad crítica, una rama de la robótica dedicada a asegurar que las máquinas no se estrellen, incluso cuando las cosas salen mal.

El desafío es que los drones son un poco torpes en su pensamiento. Tienen un "cerebro" que puede calcular la ruta perfecta para evitar un árbol o a un amigo, pero sus "músculos" (los motores) son limitados. Solo pueden empujar aire directamente hacia abajo para moverse, lo que significa que no pueden simplemente deslizarse lateralmente como un coche; tienen que inclinar todo su cuerpo para ir a donde quieren. Además, el mundo real es desordenado. Ráfagas de viento, cargas pesadas o simplemente un motor ligeramente averiado pueden hacer que el movimiento real del dron difiera de lo que su cerebro predijo. Este artículo aborda el complicado problema de enseñar a un enjambre de estos drones con poca potencia e impredecibles cómo seguir una rutina de danza perfecta y libre de colisiones sin estrellarse realmente, incluso cuando el viento sopla y sus mapas internos son ligeramente difusos.

La danza de los drones torpes

En este estudio, los investigadores Omayra Yago Nieto, Alexandre Anahory Simoes y Leonardo Colombo abordaron un dolor de cabeza específico: ¿Cómo se le dice a un equipo de drones cuadricópteros (del tipo con cuatro hélices giratorias) que se muevan de forma segura cuando sus instrucciones "ideales" no coincen con su realidad física?

Piensa en los drones como un grupo de bailarines que han recibido un guion. El guion, generado por algo llamado Funciones de Navegación Descentralizadas, le dice a cada bailarín exactamente a dónde ir para evitar chocar con otros y para llegar al centro del escenario. Es como un GPS que sabe exactamente dónde está cada uno y dice: "Tú, muévete a la izquierda; tú, muévete a la derecha".

Pero aquí está el truco: estos drones son subactuados. En lenguaje sencillo, son como un monociclo que solo puede pedalear hacia adelante o hacia atrás; no puede simplemente deslizarse lateralmente. El guion puede decir: "Muévete diagonalmente", pero el dron solo puede generar empuje (fuerza) directamente hacia abajo a través de su cuerpo. Para moverse diagonalmente, tiene que inclinar todo su cuerpo. Este método de inclinar y empujar introduce una brecha entre el "guion perfecto" y la "realidad desordenada". Si el dron se inclina demasiado lento o el viento lo empuja, podría errar el objetivo y chocar con su compañero de baile.

La red de seguridad: Un "filtro inteligente"

Para solucionar esto, los autores construyeron un filtro de seguridad que actúa como un árbitro vigilante situado entre el guion de la danza y los motores del dron. Este árbitro utiliza una herramienta matemática llamada Función de Barrera de Control de Orden Superior (HOCBF, por sus siglas en inglés).

Imagina la HOCBF como un libro de reglas superpreciso que comprueba la distancia entre cada par de drones. No solo mira dónde están ahora; predice dónde estarán en la siguiente fracción de segundo basándose en qué tan rápido se mueven y con qué fuerza están empujando. Si el libro de reglas ve una colisión acercándose, interviene.

Sin embargo, el mundo real es impredecible. Los drones pueden enfrentarse a una ráfaga repentina de viento o tener un motor que no es tan fuerte como dice el manual. Para manejar esto, el equipo utilizó Procesos Gaussianos (GP), que son esencialmente una forma para que los drones "aprendan" sus propios errores en tiempo real. A medida que los drones vuelan, recopilan datos sobre cómo el viento los está afectando realmente y actualizan sus modelos internos.

La principal innovación del artículo es combinar estas dos ideas:

El error de traslación: Calcularon exactamente cuánto desordena el método de "inclinar y empujar" el guion perfecto. Calcularon un "límite de error" específico, que es como un margen de seguridad que dice: "Sabemos que el dron podría estar desviado por esto debido a cómo se inclina".
La red de seguridad de aprendizaje: Integraron los datos de "aprendizaje" (las predicciones de los GP) directamente en el libro de reglas de seguridad. En lugar de solo decir "No te acerques a menos de 1 metro", el libro de reglas ahora dice: "No te acerques a menos de 1 metro más de lo que el viento podría empujarte".

La solución "Agregada"

El equipo creó un sistema llamado Filtro de Seguridad Agregado Robusto HOCBF-QP. Es un nombre complicado, pero piénsalo como un tomador de decisiones grupal. En lugar de que cada dron intente resolver el rompecabezas por su cuenta, todos envían su velocidad y posición actuales a una calculadora central (el resolvedor QP). Esta calculadora observa a todo el enjambre, comprueba los datos de "aprendizaje" para los errores del viento y luego realiza el ajuste más pequeño posible al empuje (la fuerza) de cada dron para mantener a todos seguros.

Es como un director de orquesta ajustando el volumen de cada instrumento justo lo necesario para mantener la música armoniosa, sin cambiar la melodía. El objetivo es cambiar la trayectoria de los drones lo menos posible mientras se garantiza que no choquen.

Lo que mostraron las simulaciones

Los autores probaron su idea en una simulación por computadora con seis drones realizando una maniobra de "intercambio de punto de vista". Esto es como un equipo de cámara donde los drones vuelan en círculos alrededor de un objeto en movimiento, intercambiando lugares para obtener diferentes ángulos. Sus trayectorias fueron diseñadas para cruzarse, lo cual es una receta para el desastre si el sistema de seguridad falla.

Los resultados fueron prometedores:

La línea de base: Cuando utilizaron un controlador estándar que intentaba compensar el viento pero no tenía el filtro de seguridad especial, los drones se acercaron demasiado. La distancia mínima entre ellos cayó a 1.1093 metros, que es menos de los 1.16 metros requeridos. Casi chocan.
El nuevo sistema: Cuando activaron el filtro "Agregado Robusto HOCBF-QP", los drones se mantuvieron seguros. Se mantuvo la distancia mínima de 1.2540 metros.
El costo: El filtro tuvo que ajustar el empuje de los drones (la potencia de sus motores) para mantenerlos seguros. El cambio promedio en el empuje fue de unos 2.39 Newtons, con un pico máximo de 31.03 Newtons. Esto demuestra que el sistema es efectivo pero requiere que los drones trabajen un poco más para mantenerse seguros.

También compararon su sistema "robusto" (que tiene en cuenta la incertidumbre del aprendizaje) contra una versión "no robusta" (que ignora la incertidumbre del aprendizaje). La versión no robusta mantuvo a los drones separados físicamente, pero violó el certificado de seguridad matemática, lo que significa que fue "afortunada" en lugar de "segura". La versión robusta, sin embargo, mantuvo intacto el certificado de seguridad matemática, demostrando que el sistema es confiable incluso cuando el viento es impredecible.

La conclusión

Este artículo no pretende haber resuelto todos los problemas de la seguridad de los drones. Los autores admiten que su sistema depende de que las matemáticas funcionen (que el "QP" sea factible) y que existen situaciones complicadas, como cuando dos drones están perfectamente perpendiculares al empuje del otro, donde las matemáticas se vuelven más difíciles. También señalan que esto se probó en simulación, no en drones físicos reales volando en un parque real todavía.

Sin embargo, el estudio logra cerrar una brecha importante. Demuestra cómo tomar un plan matemático hermoso y perfecto para un enjambre de drones y hacerlo funcionar en máquinas reales, torpes y azotadas por el viento. Al combinar un sistema de "aprendizaje" que predice errores con un "filtro de seguridad" que los corrige, crearon un marco que garantiza, con alta probabilidad, que estos bailarines aéreos nunca se chocarán entre sí, incluso cuando la música se vuelve caótica.

Resumen Técnico: Control de Seguridad Crítica para Cuadricópteros UAV mediante Funciones de Navegación Descentralizadas

Planteamiento del Problema
El artículo aborda el desafío de coordinar equipos de Vehículos Aéreos No Tripulados (UAV) de tipo cuadricóptero en entornos de seguridad crítica. Si bien las funciones de navegación descentralizadas (DNF, por sus siglas en inglés) proporcionan un método sistemático para generar campos de movimiento dirigidos a objetivos y conscientes de las colisiones para sistemas multiagente, existe un desajuste fundamental entre estos constructos teóricos y la dinámica de los cuadricópteros. Las DNF suelen generar fuerzas de referencia de traslación totalmente actuadas, mientras que los cuadricópteros son subactuados, capaces de producir empuje solo a lo largo de sus ejes verticales fijos en el cuerpo. Además, el despliegue en el mundo real requiere tener en cuenta las incertidumbres del modelo, como los efectos aerodinámicos no modelados y las perturbaciones externas. El problema central es cómo implementar las fuerzas de referencia ideales de las DNF en comandos reales de empuje y actitud para cuadricópteros subactuados, garantizando al mismo tiempo la evitación de colisiones en presencia de la incertidumbre del modelo aprendida.

Metodología
El marco propuesto integra tres componentes principales:

Implementación de Empuje-Actitud de las Fuerzas de Navegación:
Los autores construyen una estrategia de control para convertir las fuerzas de referencia totalmente actuadas generadas por las DNF en magnitudes de empuje y comandos de actitud factibles. Definen una aceleración total deseada basada en el gradiente negativo de la función de navegación y las predicciones del modelo aprendido. El empuje nominal se calcula como la proyección ortogonal de la fuerza requerida sobre la dirección de empuje actual ( $R_i e_3$ ). El artículo deriva un límite de error explícito que cuantifica la discrepancia entre la dinámica ideal totalmente actuada y la implementación subactuada real, separando los errores causados por la subactuación (seguimiento de actitud) de aquellos causados por la estimación del modelo.
Modelado de Incertidumbre Basado en Aprendizaje:
Las dinámicas de fuerza y par desconocidas se estiman en línea utilizando Procesos Gaussianos (GP). El marco de aprendizaje proporciona predicciones de la media de las perturbaciones y, crucialmente, límites de confianza de alta probabilidad sobre los errores de predicción. Estos límites se utilizan para caracterizar la incertidumbre en la dinámica del sistema.
Filtro de Seguridad Agregado HOCBF-QP:
Para imponer la seguridad, los autores emplean Funciones de Barrera de Control de Alto Orden (HOCBF). Dado que las restricciones de evitación de colisiones para cuadricópteros tienen un grado relativo de dos con respecto a las entradas de empuje, las Funciones de Barrera de Control (CBF) estándar son insuficientes. Los autores formulan una restricción HOCBF de par que incorpora la incertidumbre aprendida del GP.

Se deriva un margen de robustez para dar cuenta de la diferencia entre la dinámica real del sistema y el modelo aprendido.
Se resuelve un Programa Cuadrático (QP) agregado en cada paso de tiempo para modificar mínimamente las magnitudes de empuje nominales. Esta optimización asegura que las condiciones de HOCBF robustas se cumplan para todos los pares de agentes, garantizando la invariancia hacia adelante del conjunto seguro con alta probabilidad. El QP acopla a los agentes únicamente a través de restricciones de par, preservando la naturaleza descentralizada de la planificación de la navegación mientras centraliza la ejecución de la seguridad.

Contribuciones Clave
El artículo realiza tres contribuciones primarias:

Implementación y Cuantificación del Error: Construye una implementación de empuje-actitud para fuerzas de navegación descentralizadas en equipos de cuadricópteros y deriva un límite de error explícito respecto a la dinámica de referencia totalmente actuada.
Integración de la Incertidumbre del Aprendizaje: Incorpora la incertididad de fuerza de los Procesos Gaussianos directamente en las restricciones de par de grado relativo dos de las HOCBF mediante un límite de robustez explícito, en lugar de tratar la incertidancia como una perturbación aditiva sin garantías probabilísticas.
Filtro de Seguridad Robusto: Formula un filtro de seguridad HOCBF-QP robusto y agregado que modifica mínimamente los empujes nominales. Este filtro garantiza la evitación de colisiones de par con alta probabilidad, siempre que el QP permanezca factible.

Resultos
La metodología fue validada mediante simulaciones que involucraron un equipo de seis UAV realizando una tarea de reconfiguración inspirada en la cinematografía con trayectorias cruzadas y perturbaciones de viento espacialmente variables desconocidas.

Precisión de Implementación: La implementación de empuje-actitud rastreó con éxito las fuerzas de referencia, manteniéndose el error de implementación total por debajo del límite teórico durante toda la maniobra.
Desempeño de Seguridad: El controlador nominal (usando compensación GP pero sin filtro de seguridad) violó la distancia de separación mínima prescrita ( $d_{min}$ ). En contraste, el HOCBF-QP robusto mantuvo una distancia mínima estrictamente mayor que $d_{min}$ .
Verificación de Robustez: Una comparación entre un QP robusto y una versión no robusta (donde el margen de incertidumbre se estableció en cero) demostró que el controlador no robusto violó el certificado de seguridad ajustado (la condición HOCBF consciente de GP), incluso si parecía mantener la separación física. El QP robusto mantuvo el déficit del certificado cerca de cero, confirmando la necesidad del margen de incertidumbre para las garantías de seguridad probabilística.
Factibilidad: El QP permaneció factible durante toda la simulación con una tasa de éxito del 100%, y los errores de GP realizados se mantuvieron dentro de los límites de confianza adoptados.

Significancia y Reivindicaciones
El artículo afirma cerrar una brecha crítica en el control de seguridad para sistemas multi-cuadricópteros. Mientras que trabajos previos han abordado la navegación descentralizada, la subactuación o el control basado en aprendizaje por separado, este trabajo los unifica. Los autores enfatizan que su enfoque permite la aplicación directa de fuerzas de navegación totalmente actuadas a plataformas subactuadas mientras se contabiliza rigurosamente el error de implementación y la incertidumbre del modelo.

La significancia reside en la capacidad de garantizar la evitación de colisiones probabilística sin requerir límites conservadores de caso de peor escenario, que a menudo conducen a un comportamiento excesivamente restrictivo. Al utilizar límites de incertidumbre aprendidos dentro de un marco de función de barrera de alto orden, el sistema logra un equilibrio entre el movimiento agresivo dirigido a objetivos y la seguridad rigurosa. Los autores señalan que la garantía de seguridad está condicionada a la factibilidad del QP, reconociendo que las configuraciones singulares (donde el vector de posición relativa es ortogonal a las direcciones de empuje) pueden limitar la autoridad de control instantánea, un tema reservado para trabajos futuros.

La danza de los drones torpes

La red de seguridad: Un "filtro inteligente"

La solución "Agregada"

Lo que mostraron las simulaciones

La conclusión

Más como este