⚡ electrical engineering

Nonlinear receding-horizon differential game for drone racing along a three-dimensional path

Cet article propose un cadre de jeu différentiel à horizon fuyant non linéaire (NRHDG) qui intègre la prédiction adverse, une nouvelle formulation de suivi de trajectoire et le changement de manœuvre dynamique pour surpasser de manière significative la commande prédictive non linéaire traditionnelle dans des scénarios compétitifs de course de drones en trois dimensions.

Auteurs originaux : Kijin Sung, Kenta Hoshino, Akihiko Honda, Takeya Shima, Toshiyuki Ohtsuka

Publié 2026-07-07

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Kijin Sung, Kenta Hoshino, Akihiko Honda, Takeya Shima, Toshiyuki Ohtsuka

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez une course de drones à grande vitesse à travers un parcours d'obstacles en 3D complexe. L'objectif n'est pas seulement de voler vite ; il s'agit de déjouer un drone rival qui tente de vous bloquer, alors que vous essayez de le dépasser. Ce document présente un nouveau « cerveau » pour les drones de course, qui est plus performant que les méthodes précédentes dans ce jeu d'échecs mental.

Voici la décomposition de leur solution en utilisant des analogies simples :

1. Le Problème : Le « Rigide » contre le « Intelligent »

Les anciens contrôleurs de drones étaient comme des coureurs rigides et monocord. Ils étaient excellents pour suivre parfaitement une piste spécifique, mais si un autre coureur tentait de leur couper la route, ils ne savaient pas comment réagir. Ils supposaient que l'autre coureur continuerait simplement à courir en ligne droite, ce qui est rarement vrai dans une véritable course.

Les auteurs voulaient un contrôleur qui agit comme un sprinteur compétitif. Ce sprinteur doit :

Rester sur la piste (mais pas de manière si rigide qu'il ne peut plus esquiver).
Prédire ce que le rival fera ensuite.
Décider en temps réel : « Dois-je essayer de le dépasser maintenant, ou dois-je l'empêcher de me dépasser ? »

2. La Solution : Le Cerveau de la « Théorie des Jeux »

Les auteurs ont créé un système appelé NRHDG (Nonlinear Receding-Horizon Differential Game). Considérez cela comme un simulateur à l'intérieur de la tête du drone qui exécute un jeu de « et si » chaque milliseconde.

Le Scénario du Pire Cas : Au lieu de deviner ce que l'adversaire fera, le drone suppose que l'adversaire est un stratège de génie cherchant à gâcher sa course. Il se demande : « Si mon adversaire fait tout son possible pour m'arrêter, quelle est la meilleure décision que je puisse prendre pour gagner malgré tout ? »
Le Point de Selle : En théorie des jeux, il existe un « point de selle » où les deux joueurs ont trouvé leur meilleur mouvement possible. Le drone calcule cela instantanément. Si l'adversaire change de stratégie, le drone est déjà préparé.

3. Trois Innovations Clés

A. Le « Marqueur Fantôme » (Suivi de trajectoire)

Habituellement, pour suivre une piste en 3D, un drone doit constamment calculer la distance la plus courte par rapport à la ligne, ce qui revient à essayer de mesurer la distance entre une voiture en mouvement et une route sinueuse tout en roulant à 100 km/h. C'est lent et très gourmand en calculs.

Les auteurs ont inventé un système de « Marqueur Fantôme ». Au lieu de mesurer la distance, ils attachent un marqueur virtuel à la piste qui se déplace avec le drone. Le drone se contente de suivre ce marqueur.

Analogie : Imaginez que vous marchez sur un tapis roulant dans un aéroport. Au lieu de vérifier constamment la distance par rapport à la ligne centrale, vous gardez simplement les yeux fixés sur un point précis au sol qui se déplace avec vous. Cela rend les calculs beaucoup plus rapides et fluides, permettant au drone de réagir instantanément.

B. La Stratégie « Caméléon » (La Fonction de Potentiel)

Le drone doit alterner entre deux modes : Le Dépassement (offensive) et L'Obstruction (défensive).

L'Ancienne Méthode : Les drones étaient programmés de façon rigide. Si vous étiez derrière, vous tentiez de dépasser. Si vous étiez devant, vous continuiez simplement à voler.
La Nouvelle Méthode : Les auteurs ont créé un « champ magnétique » (une fonction de potentiel) autour du drone rival.
- Quand vous êtes derrière : Le champ vous repousse du rival (comme un aimant qui repousse) pour que vous puissiez trouver une brèche pour dépasser.
- Quand vous êtes devant : Le champ vous attire vers la trajectoire du rival (comme un aimant qui attire) pour que vous puissiez bloquer sa voie.
- La Magie : Ce basculement se fait de manière fluide et automatique en fonction de votre position relative par rapport à l'adversaire, sans que le drone ait besoin de « réfléchir » pour savoir quand changer de mode.

C. Le Scorecard de la « Course Équitable »

Pour prouver que leur nouveau cerveau était meilleur, ils avaient besoin d'un moyen équitable de comparer le nouveau cerveau (intelligent) avec l'ancien cerveau (rigide, NMPC).

Le Défaut des Anciens Tests : Les études précédentes consistaient souvent à échanger les contrôleurs entre deux drones (le Drone A utilise le Cerveau X, le Drone B utilise le Cerveau Y) et à voir qui gagnait. C'était injuste car un drone pouvait partir avec un meilleur avantage de position.
Le Nouveau Test : Ils ont exécuté quatre scénarios spécifiques :
1. Nouveau Cerveau vs Nouveau Cerveau
2. Nouveau Cerveau vs Ancien Cerveau
3. Ancien Cerveau vs Nouveau Cerveau
4. Ancien Cerveau vs Ancien Cerveau
  En gardant les positions de départ identiques et en ne changeant que le « cerveau », ils ont pu prouver que c'était le Nouveau Cerveau qui était la raison de la meilleure performance, et non la chance.

4. Les Résultats : La Preuve

Ils ont simulé 400 courses avec des positions de départ aléatoires et différents avantages de vitesse.

Le Résultat : Le « Nouveau Cerveau » (NRHDG) a systématiquement gagné.
Offensive : Lors des tentatives de dépassement, le Nouveau Cerveau est allé plus loin devant avant de compléter le dépassement par rapport à l'Ancien Cerveau.
Défensive : Lors des tentatives de blocage, le Nouveau Cerveau a réussi à ralentir l'adversaire plus efficacement que l'Ancien Cerveau.
Signification Statistique : Les résultats n'étaient pas seulement « parfois meilleurs ». Les données ont montré un avantage clair et statistiquement significatif. Même lorsque le drone doté du « Nouveau Cerveau » était légèrement plus lent, il réussissait à déjouer l'adversaire plus souvent que l'« Ancien Cerveau ».

Résumé

Ce document présente un contrôleur de drone de course qui traite la course comme un jeu d'échecs dynamique plutôt que comme une simple tâche de conduite. En utilisant un « Marqueur Fantôme » pour suivre la piste efficacement et une stratégie « Caméléon » pour passer de l'attaque à la défense, le drone peut déjouer des adversaires qui utilisent des logiciels plus anciens et moins adaptables. Les simulations prouvent que cette approche basée sur la « théorie des jeux » est statistiquement supérieure, tant dans les rôyles d'attaque que de défense.

Résumé technique : Jeu différentiel à horizon fuyant non linéaire pour la course de drones

Énoncé du problème

La course de drones présente des défis importants en ingénierie du contrôle en raison de la nécessité d'une navigation à haute vitesse à travers des trajectoires tridimensionnelles complexes sous des dynamiques non linéaires. Bien que les méthodes existantes, incluant l'optimisation de trajectoire et les approches basées sur l'apprentissage, aient permis d'atteindre une navigation précise pour un drone unique, elles échouent largement à traiter les interactions compétitives multi-agents. Plus précisément, les cadres actuels manquent de mécanisme de commande par rétroaction capable de gérer simultanément les dynamiques non linéaires des drones et les comportements adverses tels que le dépassement et l'obstruction. De plus, les méthodes classiques de suivi de trajectoire reposent souvent sur des recherches itératives coûteuses en calcul pour les projections orthogonales ou sont limitées à des trajectoires bidimensionnelles, tandis que les approches de jeux différentiels existantes pour la course supposent souvent des rôles fixes (dépasser ou obstruer) et s'appuient sur des modèles cinématiques simplifiés ou des caractéristiques de trajectoire explicites qui augmentent les coûts de calcul.

Méthodologie

L'étude propose un cadre de Jeu différentiel à horizon fuyant non linéaire (NRHDG) conçu pour remédier à ces limitations. La méthodologie intègre trois composantes fondamentales :

1. Formulation unifiée de suivi de trajectoire

Les auteurs dérivent un nouveau modèle dynamique pour la projection orthogonale de la position d'un drone sur une trajectoire tridimensionnelle. Contrairement aux méthodes traditionnelles qui nécessitent une minimisation itérative de la distance lors du contrôle en ligne, cette approche traite le paramètre de trajectoire ( $\theta_d$ ) et la longueur d'arc associée ( $\sigma$ ) comme des variables d'état.

Dynamique du point de projection : En dérivant la condition stationnaire du point de projection, les auteurs dérivent des équations différentielles ordinaires (Théorème 1) qui mettent à jour dynamiquement le point de projection et la longueur d'arc.
État augmenté : Ces dynamiques sont directement intégrées dans l'équation d'état du drone, créant un vecteur d'état augmenté à 15 dimensions. Cela élimine la nécessité d'une optimisation de projection distincte ou de transformations de coordonnées complexes (par exemple, les repères de Frenet-Serret) pendant la boucle de contrôle.

2. Changement de rôle dynamique via des fonctions de potentiel

Pour permettre des stratégies compétitives flexibles, l'étude introduit une fonction de potentiel lisse ( $G_O$ ) qui permet aux drones de basculer entre les modes de dépassement et d'obstruction en fonction de leurs positions relatives.

Mécanisme : La fonction dépend de la différence de paramètres de trajectoire ( $\theta_\Delta$ ) et de la norme de la différence des écarts par rapport à la trajectoire ( $R$ ).
Comportement : Lorsque le drone ego est derrière ( $\theta_\Delta$ est grand), le potentiel encourage l'évitement et le dépassement (maximisation de $R$ ). Lorsque le drone ego est devant ( $\theta_\Delta$ est petit), le potentiel encourage l'obstruction (minimisation de $R$ ).
Avantage : La fluidité de cette fonction la rend adaptée à l'optimisation numérique basée sur la sensibilité sans introduire de contraintes d'évitement de collision strictes, qui sont coûteuses en calcul.

3. Cadres de contrôle : NMPC vs. NRHDG

L'étude compare deux stratégies de contrôle :

Commande prédictive non linéaire (NMPC) : Le drone ego optimise sa trajectoire en supposant que l'adversaire suit un modèle de prédiction simplifié et fixe (taux de paramètre de trajectoire constant et distance constante par rapport à la trajectoire).
NRHDG : Le problème est formulé comme un jeu différentiel à deux joueurs à somme nulle. Le drone ego minimise une fonction de coût tout en supposant explicitement que l'adversaire maximise cette même fonction de coût. Les deux drones sont modélisés à l'aide des pleines équations d'état augmentées non linéaires. La solution recherche une stratégie de point de selle, permettant au drone ego de contrer les actions les plus défavorables de l'adversaire en temps réel.

4. Métriques de performance

De nouvelles métriques sont introduites pour évaluer indépendamment les performances de dépassement et d'obstruction :

Performance de dépassement : Mesurée par la progression de la longueur d'arc du drone partant de l'arrière au moment où il dépasse le drone partant de l'avant.
Performance d'obstruction : Mesurée par la progression de la longueur d'arc du drone partant de l'arrière lorsqu'il est obstrué par le drone partant de l'avant.
Protocole de comparaison : L'étude compare les contrôleurs en lançant des courses où le même contrôleur de départ avant fait face à différents contrôleurs de départ arrière (et vice versa) sous des conditions initiales identiques, isolant ainsi la performance du contrôleur de l'identité de l'adversaire.

Contributions clés

Modèle dynamique unifié : Un modèle de suivi de trajectoire efficace en calcul basé sur la dynamique du point de projection qui s'intègre directement dans l'équation d'état, évitant la minimisation itérative de la distance et s'étendant à des courbes lisses arbitraires.
Fonction de potentiel lisse : Une fonction de potentiel personnalisée permettant le basculement en temps réel entre les stratégies de dépassement et d'obstruction, adaptée à l'optimisation par sensibilité de modèles entièrement non linéaires.
Métriques de performance systématiques : Un nouveau cadre d'évaluation qui attribue les différences de performance uniquement aux contrôleurs en maintenant constantes les conditions initiales et l'identité de l'adversaire lors des courses comparatives.

Résultats

Des simulations numériques ont été menées sur une trajectoire 3D utilisant un modèle Parrot MamboFly. Les contrôleurs NRHDG et NMPC ont été testés sous diverses conditions initiales et différents avantages de vitesse (contrôlés via les poids d'entrée).

Performance de dépassement : Le NRHDG a systématiquement surpassé le NMPC. Dans les courses où le NRHDG était le drone partant de l'arrière, il a atteint une progression de longueur d'arc nettement plus grande avant de dépasser l'adversaire par rapport au NMPC. L'analyse statistique de 100 conditions initiales aléatoires a montré que les intervalles de confiance à 95 % de la différence de performance moyenne excluaient zéro, indiquant un avantage statistiquement significatif.
Performance d'obstruction : Le NRHDG a démontré des capacités d'obstruction supérieures. Lorsqu'il agissait en tant que drone partant de l'avant, le NRHDG a réussi à limiter plus efficacement la progression du drone adverse partant de l'arrière que le NMPC. Les intervalles de confiance à 95 % pour les différences de performance d'obstruction étaient systématiquement négatifs, confirmant que le NRHDG obstrue les adversaires plus efficacement.
Robustesse : La supériorité du NRHDG s'est maintenue à différents niveaux d'avantage de vitesse pour le drone partant de l'arrière, bien que l'ampleur de l'avantage ait varié. Le NRHDG était particulièrement efficace lorsque le drone partant de l'arrière avait un avantage de vitesse plus faible, exploitant la modélisation du pire cas pour maximiser la progression.

Signification et affirmations

L'article affirme que le cadre NRHDG proposé capture efficacement les interactions compétitives dans la course de drones, offrant une amélioration de performance statistiquement significative par rapport au NMPC standard, tant dans les scénarios offensifs (dépassement) que défensifs (obstruction).

L'étude souligne que la modélisation explicite du comportement adverse via une approche de jeu différentiel permet au contrôleur d'optimiser contre les actions les plus défavorables de l'adversaire, une capacité qui manque au NMPC standard qui repose sur des modèles d'adversaires fixes. Les résultats suggèrent que pour les systèmes multi-agents compétitifs, la prise en compte explicite de la dynamique adversaire est cruciale pour atteindre une performance optimale. Les auteurs notent que bien que l'étude actuelle se concentre sur deux drones sur une seule trajectoire, les principes développés ont des applications potentielles dans des domaines plus larges impliquant des interactions multi-agents dynamiques, telles que la coordination des véhicules autonomes et la gestion du trafic aérien, bien que celles-ci soient présentées comme des directions futures plutôt que des validations expérimentales actuelles.