⚡ electrical engineering

Grey-Wolf-Optimized Obstacle-Aware Affine Formation Control for Quadrotor Swarms in Cluttered Three-Dimensional Space

Este artículo propone un método de control de formación afín consciente de los obstáculos y optimizado mediante el algoritmo de lobo gris para enjambres de cuadricópteros en entornos 3D congestionados, el cual ajusta dinámicamente las ganancias del controlador y los radios de influencia para equilibrar la precisión de seguimiento de la formación, el despeje de obstáculos y el esfuerzo de control, garantizando al mismo tiempo la estabilidad y la evitación de colisiones.

Autores originales: Mu Lan, Xiaoyue Deng

Publicado 2026-08-28

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Mu Lan, Xiaoyue Deng

Artículo original bajo licencia CC BY 4.0 (https://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

En el cielo sobre nuestras ciudades y a través de paisajes accidentados, un nuevo tipo de aviación está tomando forma: enjambres de pequeños drones no tripulados trabajando juntos como una sola unidad. A diferencia de una aeronave solitaria que vuela por una trayectoria fija, estos grupos deben moverse como un equipo cohesivo, cambiando su forma para pasar por huecos estrechos, expandirse para cubrir un área amplia o rotar para enfrentar una nueva dirección. El desafío radica en mantener esta formación intacta mientras se esquivan obstáculos como árboles, edificios u otros drones. Si el grupo se mueve con demasiada rigidez, no puede navegar en entornos complejos; si reacciona con demasiada franqueza para evitar un choque, la formación se rompe. Los investigadores han buscado durante mucho tiempo una forma de equilibrar estas necesidades, creando sistemas de control que permitan a un enjambre fluir alrededor de los peligros sin perder su identidad colectiva. Este delicado equilibrio requiere no solo un plan de hacia dónde ir, sino una forma inteligente de ajustar la forma y la velocidad del grupo en tiempo real, asegurando que cada dron se mantenga seguro tanto del entorno como de sus vecinos.

Un equipo de investigadores de la Universidad de Ciencia y Tecnología de Nanjing ha desarrollado un nuevo método para resolver este problema para enjambres de drones cuadricópteros que vuelan en espacios tridimensionales congestionados. Su enfoque combina una estrategia geométrica para mover el grupo con un algoritmo biológico que perfecciona el comportamiento del sistema. En el corazón de su método se encuentra el concepto de "formación afín", donde unos pocos drones líderes dictan el movimiento general —como estirar, encoger o girar todo el grupo— mientras que el resto de los drones calculan automáticamente sus posiciones para mantener la forma. Esto permite que el enjambre se deforme suavemente, como una hoja flexible, en lugar de romperse cuando encuentra un obstáculo. Sin embargo, simplemente deformar la forma no es suficiente para garantizar la seguridad en un entorno denso lleno de obstáculos esféricos. Los investigadores añadieron una capa de conciencia local que aleja a los drones individuales de los peligros cercanos, pero se enfrentaron a una pregunta difícil: ¿qué tan fuertes deberían ser estas fuerzas de empuje y qué tan lejos hacia adelante deben mirar los drones en busca de problemas?

Para responder a esto, el equipo recurrió a un programa informático inspirado en la jerarquía social y el comportamiento de caza de los lobos grises. Este algoritmo, conocido como Optimizador de Lobo Gris (Grey Wolf Optimizer), actúa como un entrenador virtual que prueba miles de configuraciones diferentes para el sistema de control del enjambre de drones. Busca la combinación perfecta de parámetros, tales como qué tan agresivamente debe un dron alejarse de un obstáculo o qué tan rápido debe regresar a su lugar en la formación. El objetivo era encontrar un equilibrio donde el enjambre siga su trayectoria prevista con precisión, evite colisiones con obstáculos y otros drones, y no desperdicie energía realizando giros bruscos innecesarios. Los investigadores realizaron extensas simulaciones por computadora con un enjambre de ocho drones navegando por un pasillo lleno de ocho obstáculos esféricos. Compararon su sistema optimizado contra otros métodos, incluyendo uno donde los ajustes fueron elegidos manualmente y otro que utilizaba una estrategia fija e invariable para evitar obstáculos.

Los resultados de estas simulaciones revelaron un compromiso claro en lugar de una solución perfecta en todas las categorías. El sistema optimizado por el lobo gris permitió que el enjambre siguiera su trayectoria prevista con una precisión significativamente mayor que los otros métodos, reduciendo el error promedio de posición a aproximadamente 0.22 metros. También mantuvo la desviación máxima durante el vuelo por debajo de 0.6 metros, una mejora notable respecto al sistema ajustado manualmente, el cual se desvió mucho más del curso. Crucialmente, el enjambre mantuvo una distancia segura de los obstáculos y de sí mismo durante todo el vuelo, sin acercarse nunca a menos de 0.18 metros de un obstáculo o 0.81 metros de otro dron. Sin embargo, esta mayor precisión tuvo un costo: el enjambre optimizado utilizó algo más de energía para maniobrar que la versión ajustada manualmente, y no mantuvo un margen de seguridad tan grande de los obstáculos como el sistema más conservador y ajustado a mano. El estudio sugiere que, si bien el algoritmo no hace a los drones invencibles o infinitamente eficientes, logra encontrar un punto medio donde el grupo se mueve con mayor precisión y flexibilidad de lo que permitían los métodos anteriores.

Los investigadores enfatizan que sus hallazgos se basan en simulaciones por computadora y que la estabilidad del sistema depende de pruebas matemáticas que garantizan que los drones no chocarán incluso cuando las fuerzas de evasión estén activas. Señalan que el algoritmo no reemplaza las reglas fundamentales de vuelo, sino que selecciona los mejores ajustes dentro de un rango seguro. Al tratar la compleja interacción entre el movimiento y la evasión como un único problema de optimización, el equipo demostró que un enjambre puede ser tanto ágil como seguro. El trabajo destaca que, en el futuro del vuelo autónomo, la capacidad de adaptar la forma del grupo y ajustar su reacción al entorno en tiempo real será tan importante como la velocidad de los drones individuales. Este enfoque ofrece un camino prometedor para desplegar enjambres de drones en escenarios del mundo real donde el entorno es impredecible y el margen de error es pequeño.

Resumen Técnico: Control de Formación Afín Consciente de Obstáculos Optimizado por el Algoritmo de Lobo Gris para Enjambres de Cuadricópteros

Planteamiento del Problema
El control de formación afín ofrece un mecanismo eficiente para que los enjambres de vehículos aéreos no tripulados (UAV) ejecuten maniobras complejas —incluyendo traslación, rotación, escalado y cizallamiento— mientras preservan los invariantes afines. Sin embargo, aplicar esta estrategia de control en entornos tridimensionales congestionados presenta un desafío significativo. Los enfoques tradicionales suelen depender de parámetros de evasión de obstáculos seleccionados manualmente (como las ganancias y los radios de influencia de los campos de potencial artificial o las funciones de barrera). Estas selecciones manuales frecuentemente resultan en un dilema de compromiso: los parámetros conservadores garantizan la seguridad pero provocan una deformación excesiva de la formación, desvíos con alto consumo energético y una pobre precisión de seguimiento; mientras que los parámetros agresivos mejoran el seguimiento pero conllevan riesgos de transitorios inseguros y colisiones. El artículo aborda la necesidad de un método sistemático para sintonizar estos parámetros acoplados para equilibrar la precisión del seguimiento de la formación, la separación de obstáculos, la seguridad entre vehículos y el esfuerzo de control en espacios 3D complejos.

Metodología
El marco propuesto integra cuatro componentes principales:

Generación de Formación Afín: Se emplea una arquitectura de líder-seguidor donde cuatro líderes afínmente independientes definen el movimiento afín global (traslación, rotación, escalado y cizallamiento). Los agentes seguidores restantes reconstruyen sus trayectorias deseadas utilizando coordenadas afines, lo que permite que la formación adapte su forma de manera global.
Deformación Consciente de Obstáculos: Para gestionar entornos congestionados, la referencia afín nominal se aumenta con una deformación suave y consciente de los obstáculos. Esto incluye:
- Deformación Global: Se aplican términos de escalado anisotrópico y deformación lateral/vertical al centroide de la formación basados en la proximidad de los obstáculos, creando una tendencia global a comprimir o expandir la formación antes de que la evasión local tome el control.
- Repulsión Local: Se añaden términos repulsivos basados en barreras a la ley de control, tanto para la evasión de obstáculos como para la evasión de colisiones entre UAVs. Estos términos utilizan funciones de seguridad que generan fuerzas repulsivas cuando los agentes se aproximan a obstáculos o entre sí dentro de radios de influencia específicos.
Sintonización de Parámetros mediante el Optimizador de Lobo Gris (GWO): Se utiliza un optimizador metaheurístico de Lobo Gris para sintonizar automáticamente los parámetros críticos del controlador: ganancias de seguimiento ( $k_p, k_v$ $k_{p}, k_{v}$ ), ganancias de repulsión de obstáculos e inter-UAV ( $k_o, k_c$ $k_{o}, k_{c}$ ), y sus respectivos radios de influencia ( $\rho_o, \rho_c$ $ρ_{o}, ρ_{c}$ ). El GWO minimiza un índice de rendimiento compuesto ( $J$ $J$ ) que pondera:
- Errores de seguimiento de formación RMS finales y máximos.
- Energía de control promedio.
- Penalizaciones por violar las restricciones de separación de obstáculos y de distancia inter-UAV.
- Recompensas por maximizar la separación mínima (aunque la optimización prioriza el equilibrio compuesto).
Análisis de Estabilidad: El artículo establece garantías teóricas separadas del proceso de optimización.
- Estabilidad Nominal: Se demuestra que el sistema de seguimiento afín nominal (sin términos de evasión) es asintóticamente estable para ganancias de rigidez y amortiguamiento positivas.
- Acotamiento bajo Perturbación: Los términos de evasión se tratan como entradas acotadas. Utilizando argumentos de estabilidad de entrada a estado (ISS), los autores demuestran que el error de seguimiento de bucle cerrado permanece acotado durante las interacciones con obstáculos, recuperando la convergencia nominal una vez que los agentes abandonan las regiones de influencia.

Contribuciones Clave

Desarrollo del Marco de Trabajo: Los autores desarrollaron un marco de control de formación afín consciente de obstáculos específicamente para enjambres de cuadricópteros en entornos 3D congestionados, combinando la adaptación de forma global con la retroalimentación de seguridad local.
Integración de la Optimización: La introducción de GWO para optimizar conjuntamente las ganancias del controlador y los radios de influencia, pasando de una sintonización manual a un enfoque basado en datos que equilibra objetivos contrapuestos (precisión vs. seguridad vs. energía).
Rigor Teórico: El artículo proporciona un análisis de estabilidad que desacopla la optimización metaheurística de las demostraciones de estabilidad de bucle cerrado, asegurando que el sistema permanezca estable dentro de intervalos de parámetros admisibles, independientemente de la solución específica encontrada por el GWO.
Evaluación Exhaustiva: A través de simulaciones en Python con ocho cuadricópteros y ocho obstáculos esféricos, el estudio compara el método propuesto contra líneas base sintonizadas manualmente (OAAF-BA), métodos de campo de potencial artificial fijos (Fixed-APF) y varios estudios de ablación (eliminando el escalado, la repulsión local o las barreras inter-UAV).

Resultados
Las simulaciones con ocho cuadricópteros navegando por un pasillo con ocho obstáculos esféricos arrojaron los siguientes hallazgos:

Precisión de Seguimiento: El método optimizado por GWO (GWO-OAAF) logró el error RMS de formación final (0.2173 m) y el error RMS máximo (0.5845 m) más bajos entre todos los métodos libres de colisiones, superando significativamente a las líneas base OAAF-BA y Fixed-APF sintonizadas manualmente.
Seguridad y Separación: El método mantuvo una separación positiva de obstáculos (mínimo 0.1803 m) y una separación inter-UAV (mínimo 0.8102 m), confirmando una operación libre de colisiones.
Compromisos (Trade-offs): Los resultados resaltaron un compromiso distintivo. Mientras que GWO-OAAF mejoró la precisión de seguimiento en comparación con ambas líneas base, resultó en un mayor consumo de energía de control que el OAAF-BA sintonizado manualmente (0.0780 vs. 0.0571), pero con un menor consumo de energía que el Fixed-APF. Además, GWO-OAAF logró menores separaciones mínimas de obstáculos en comparación con los métodos más conservadores OAAF-BA y Fixed-APF. Esto indica que el optimizador priorizó la precisión de seguimiento sobre la maximización de los márgenes de seguridad más allá del umbral requerido o la minimización de la energía respecto a la línea base manual.
Perspectivas de Ablación: Eliminar la repulsión local de obstáculos provocó colisiones; eliminar el escalado anisotrópico redujo la flexibilidad en pasajes estrechos; y eliminar las barreras inter-UAV disminuyó las distancias de seguridad internas. Esto confirma la necesidad de todos los componentes propuestos.

Significancia y Reivindicaciones
El artículo sostiene que su principal significancia radica en demostrar que la optimización metaheurística puede mejorar eficazmente la adaptabilidad del control de formación afín en sistemas aeroespaciales no tripulados sin comprometer la estabilidad teórica. Los autores enfatizan que la mejora no se debe a un cambio fundamental en el mecanismo de estabilidad, sino más bien a la selección superior de parámetros acoplados que serían difíciles de lograr mediante la sintonización manual.

El estudio concluye que el método propuesto ofrece un compromiso práctico de "precisión-separación-esfuerzo", logrando un seguimiento de formación sustancialmente mejor y un menor consumo de energía que los métodos de campo de potencial de forma fija, manteniendo al mismo tiempo la seguridad. Los autores señalan modestamente que el trabajo actual se limita a un modelo de doble integrador y obstáculos esféricos, sugiriendo que trabajos futuros deberían abordar la dinámica de alta fidelidad, retrasos de actuadores, ruido de sensores y obstáculos dinámicos.

Más como este