⚡ electrical engineering

Safety-Critical Control for Quadrotor UAVs via Decentralized Navigation Functions

Cet article propose un cadre de contrôle critique pour la sécurité destiné à des équipes de drones quadrotors qui utilise des fonctions de navigation décentralisées pour générer des références de translation et emploie un filtre HOCBF-QP robuste agrégé afin d'assurer l'évitement de collision à haute probabilité malgré l'incertitude du modèle et les contraintes d'actionnement.

Auteurs originaux : Omayra Yago Nieto, Alexandre Anahory Simoes, Leonardo Colombo

Publié 2026-08-14

📖 8 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Omayra Yago Nieto, Alexandre Anahory Simoes, Leonardo Colombo

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 un monde où des essaims de minuscules drones bourdonnants sont les nouveaux livreurs, photographes aériens et héros de la recherche et du sauvetage. Pour que cela se produise, ils doivent travailler ensemble comme une troupe de danse parfaitement chorégraphiée, sans jamais se cogner tout en fonçant vers leurs objectifs. C'est le domaine du contrôle critique pour la sécurité, une branche de la robotique dédiée à garantir que les machines n'explosent pas, même quand les choses tournent mal.

Le défi est que les drones sont un peu maladroits dans leur réflexion. Ils ont un « cerveau » capable de calculer le chemin parfait pour éviter un arbre ou un ami, mais leurs « muscles » (les moteurs) sont limités. Ils ne peuvent pousser l'air que verticalement vers le bas pour se déplacer, ce qui signifie qu'ils ne peuvent pas simplement glisser latéralement comme une voiture ; ils doivent incliner tout leur corps pour aller là où ils veulent. De plus, le monde réel est désordonné. Des rafales de vent, des charges utiles lourdes ou simplement un moteur légèrement défaillant peuvent faire en sorte que le mouvement réel du drone diffère de ce que son cerveau avait prédit. Cet article s'attaque au problème délicat d'apprendre à un essaim de ces drones sous-actionnés et imprévisibles comment suivre une routine de danse parfaite et sans collision, sans réellement s'écraser, même quand le vent souffle et que leurs cartes internes sont légèrement floues.

La Danse des Drones Maladroits

Dans cette étude, les chercheurs Omayra Yago Nieto, Alexandre Anahory Simoes et Leonardo Colombo ont abordé un casse-tête spécifique : comment dire à une équipe de drones quadricoptères (ceux avec quatre hélices rotatives) de se déplacer en toute sécurité lorsque leurs instructions « idéales » ne correspondent pas à leur réalité physique ?

Imaginez les drones comme un groupe de danseurs qui ont reçu un script. Le script, généré par ce qu'on appelle des Fonctions de Navigation Décentralisées, indique à chaque danseur exactement où aller pour éviter de se cogner aux autres et pour atteindre le centre de la scène. C'est comme un GPS qui sait exactement où se trouve tout le monde et qui dit : « Toi, va à gauche ; toi, va à droite ».

Mais voici le hic : ces drones sont sous-actionnés. En langage clair, ils sont comme un monocycle qui ne peut pédaler qu'en avant ou en arrière ; il ne peut pas simplement glisser sur le côté. Le script peut dire : « Déplace-toi en diagonale », mais le drone ne peut générer une poussée (thrust) que verticalement à travers son corps. Pour se déplacer en diagonale, il doit incliner tout son corps. Cette méthode de « l'inclinaison et de la poussée » introduit un écart entre le « script parfait » et la « réalité désordonnée ». Si le drone s'incline trop lentement ou si le vent le pousse, il peut manquer sa cible et percuter son partenaire de danse.

Le Filet de Sécurité : Un « Filtre Intelligent »

Pour corriger cela, les auteurs ont construit un filtre de sécurité qui agit comme un arbitre vigilant se tenant entre le script de la danse et les moteurs du drone. Cet arbitre utilise un outil mathématique appelé Fonction de Barrière de Contrôle d'Ordre Supérieur (HOCBF).

Imaginez la HOCBF comme un livre de règles super précis qui vérifie la distance entre chaque paire de drones. Elle ne regarde pas seulement où ils se trouvent maintenant ; elle prédit où ils seront dans la fraction de seconde suivante en fonction de leur vitesse et de la force de leur poussée. Si le livre de règles voit une collision imminente, il intervênt.

Cependant, le monde réel est imprévisible. Les drones peuvent faire face à une rafale de vent soudaine ou avoir un moteur qui n'est pas aussi puissant que ce que le manuel indique. Pour gérer cela, l'équipe a utilisé des Processus Gaussiens (GP), qui sont essentiellement un moyen pour les drones d'« apprendre » leurs propres erreurs en temps réel. Pendant que les drones volent, ils collectent des données sur la façon dont le vent les affecte réellement et mettent à jour leurs modèles internes.

L'innovation principale de l'article est de combiner ces deux idées :

L'erreur de translation : Ils ont calculé précisément à quel point la méthode de « l'inclinaison et de la poussée » perturbe le script parfait. Ils ont calculé une « borne d'erreur » spécifique, qui est comme une marge de sécurité qui dit : « Nous savons que le drone pourrait être décalé de tant à cause de la façon dont il s'incline ».
Le filet de sécurité apprenant : Ils ont injecté les données de l'apprentissage (les prédictions des GP) directement dans le livre de règles de sécurité. Au lieu de dire simplement « Ne vous approchez pas à moins d'un mètre », le livre de règles dit désormais : « Ne vous approchez pas à moins d'un mètre plus ce que le vent pourrait vous pousser à ajouter ».

La Solution « Agrégée »

L'équipe a créé un système appelé Filtre de Sécurité Aggregated Robust HOCBF-QP. C'est un nom barbare, mais voyez cela comme un décideur de groupe. Au lieu que chaque drone essaie de résoudre l'énigme seul, ils envoient tous leur vitesse et leur position actuelle à un calculateur central (le solveur QP). Ce calculateur examine l'ensemble de l'essaim, vérifie les données d'apprentissage pour les erreurs de vent, puis effectue le plus petit ajustement possible de la poussée (le thrust) de chaque drone pour maintenir la sécurité de tous.

C'est comme un chef d'orchestre ajustant le volume de chaque instrument juste assez pour que la musique reste harmonieuse, sans changer la mélodie. Le but est de modifier le chemin des drones le moins possible tout en garantissant qu'ils ne s'écrasent pas.

Ce que les Simulations ont Montré

Les auteurs ont testé leur idée dans une simulation informatique avec six drones effectuant une manœuvre d'« échange de point de vue ». C'est comme une équipe de tournage où les drones volent en cercles autour d'un objet en mouvement, échangeant leurs places pour obtenir différents angles. Leurs trajectoires sont conçues pour se croiser, ce qui est une recette pour le désastre si le système de sécurité échoue.

Les résultats sont prometteurs :

La Référence (Baseline) : Lorsqu'ils ont utilisé un contrôleur standard qui tentait de compenser le vent mais ne possédait pas le filtre de sécurité spécial, les drones se sont trop rapprochés. La distance minimale entre eux est tombée à 1,1093 mètre, ce qui est inférieur aux 1,16 mètres requis. Ils ont failli s'écraser.
Le Nouveau Système : Lorsqu'ils ont activé le nouveau filtre « Aggregated Robust HOCBF-QP », les drones sont restés en sécurité. La distance minimale a été maintenue à 1,2540 mètres.
Le Coût : Le filtre a dû ajuster la poussée des drones (la puissance de leurs moteurs) pour assurer la sécurité. Le changement moyen de poussée était d'environ 2,39 Newtons, avec un pic maximal de 31,03 Newtons. Cela montre que le système est efficace mais qu'il demande aux drones de travailler un peu plus dur pour rester en sécurité.

Ils ont également comparé leur système « robuste » (qui prend en compte les erreurs d'apprentissage) à une version « non robuste » (qui ignore l'incertitude de l'apprentissage). La version non robuste maintenait physiquement les drones à distance, mais violait le certificat de sécurité mathématique, ce qui signifie qu'elle comptait sur la « chance » plutôt que sur la « sécurité ». La version robuste, quant à elle, a maintenu intact le certificat de sécurité mathématique, prouvant que le système est fiable même lorsque le vent est imprévisible.

L'Essentiel

Cet article ne prétend pas avoir résolu tous les problèmes de sécurité des drones. Les auteurs admettent que leur système repose sur le fait que les mathématiques fonctionnent (que le « QP » soit réalisable) et qu'il existe des situations délicates, comme lorsque deux drones sont parfaitement perpendiculaires à la poussée de l'autre, où les mathématiques deviennent plus complexes. Ils notent également que cela a été testé en simulation, et non sur de vrais drones physiques volant dans un vrai parc pour le moment.

Cependant, l'étude réussit à combler un fossé majeur. Elle montre comment prendre un plan mathématique magnifique et parfait pour un essaim de drones et le faire fonctionner sur des machines réelles, maladroites et ballottées par le vent. En combinant un système d'« apprentissage » qui prédit les erreurs avec un « filtre de sécurité » qui les corrige, ils ont créé un cadre qui garantit, avec une haute probabilité, que ces danseurs aériens ne se heurteront jamais, même quand la musique devient chaotique.

Résumé Technique : Contrôle de Sécurité Critique pour Quadrotors UAV via des Fonctions de Navigation Décentralisées

Énoncé du Problème
L'article traite du défi de la coordination d'équipes de véhicules aériens non habités (UAV) de type quadrotor dans des environnements critiques pour la sécurité. Bien que les fonctions de navigation décentralisées (DNF) fournissent une méthode systématique pour générer des champs de mouvement orientés vers un objectif et conscients des collisions pour les systèmes multi-agents, un décalage fondamental existe entre ces constructions théoriques et la dynamique des quadrotors. Les DNF génèrent généralement des forces de référence de translation entièrement actionnées, alors que les quadrotors sont sous-actionnés, capables de produire une poussée uniquement le long de leurs axes verticaux fixés au corps. De plus, le déploiement en conditions réelles nécessite de prendre en compte les incertitudes du modèle, telles que les effets aérodynamiques non modélisés et les perturbations externes. Le problème central est de savoir comment implémenter les forces de référence idéales des DNF en commandes de poussée et d'attitude réelles pour des quadrotors sous-actionnés, tout en garantissant l'évitement des collisions en présence d'une incertitude de modèle apprise.

Méthodologie
Le cadre proposé intègre trois composantes principales :

Implémentation Poussée-Attitude des Forces de Navigation :
Les auteurs construisent une stratégie de contrôle pour convertir les forces de référence entièrement actionnées générées par les DNF en magnitudes de poussée et en commandes d'attitude réalisables. Ils définissent une accélération totale désirée basée sur le gradient négatif de la fonction de navigation et des prédictions du modèle appris. La poussée nominale est calculée comme la projection orthogonale de la force requise sur la direction de poussée actuelle ( $R_i e_3$ ). L'article dérive une borne d'erreur explicite quantifiant l'écart entre la dynamique entièrement actionnée idéale et l'implémentation sous-actionnée réelle, séparant les erreurs causées par la sous-action (suivi d'attitude) de celles causées par l'estimation du modèle.
Modélisation de l'Incertitude par Apprentissage :
Les dynamiques de force et de couple inconnues sont estimées en ligne à l'aide de processus gaussiens (GP). Le cadre d'apprentissage fournit des prédictions de la moyenne des perturbations et, de manière cruciale, des bornes de confiance à haute probabilité sur les erreurs de prédiction. Ces bornes sont utilisées pour caractériser l'incertitude dans la dynamique du système.
Filtre de Sécurité Agrégé HOCBF-QP Robuste :
Pour assurer la sécurité, les auteurs emploient des fonctions de barrière de contrôle d'ordre élevé (HOCBF). Étant donné que les contraintes d'évitement de collision pour les quadrotors ont un degré relatif de deux par rapport aux entrées de poussée, les fonctions de barrière de contrôle (CBF) standards sont insuffisantes. Les auteurs formulent une contrainte HOCBF par paire qui incorpore l'incertitude de l'apprentissage par GP.

Une marge de robustesse est dérivée pour tenir compte de la différence entre la dynamique réelle du système et le modèle appris.
Un programme quadratique (QP) agrégé est résolu à chaque étape de temps pour modifier de manière minimale les magnitudes de poussée nominales. Cette optimisation garantit que les conditions HOCBF robustes sont satisfaites pour toutes les paires d'agents, garantissant l'invariance vers l'avant de l'ensemble sûr avec une haute probabilité. Le QP couple les agents uniquement par des contraintes par paire, préservant la nature décentralisée de la planification de la navigation tout en centralisant l'application de la sécurité.

Contributions Clés
L'article présente trois contributions principales :

Implémentation et Quantification de l'Erreur : Il construit une implémentation poussée-attitude pour les forces de navigation décentralisées sur des équipes de quadrotors et dérive une borne d'erreur explicite par rapport à la dynamique de référence entièrement actionnée.
Intégration de l'Incertitude d'Apprentissage : Il incorpore l'incertitude de force des processus gaussiens directement dans les contraintes HOCBF par paire de degré relatif deux par le biais d'une borne de robustesse explicite, plutôt que de traiter l'incertitude comme une perturbation additive sans garanties probabilistes.
Filtre de Sécurité Robuste : Il formule un filtre de sécurité HOCBF-QP robuste et agrégé qui modifie minimalement les poussées nominales. Ce filtre garantit l'évitement de collision par paire avec une haute probabilité, à condition que le QP reste réalisable.

Résultats
La méthodologie a été validée par des simulations impliquant une équipe de six UAV effectuant une tâche de reconfiguration inspirée de la cinématographie avec des trajectoires croisées et des perturbations de vent spatialement variables et inconnues.

Précision de l'Implémentation : L'implémentation poussée-attitude a suivi avec succès les forces de référence, l'erreur d'implémentation totale restant en dessous de la borne théorique tout au long de la manœuvre.
Performance de Sécurité : Le contrôleur nominal (utilisant la compensation GP mais sans filtre de sécurité) a violé la distance de séparation minimale prescrite ( $d_{min}$ ). En revanche, le HOCBF-QP robuste a maintenu une distance minimale strictement supérieure à $d_{min}$ .
Vérification de la Robustesse : Une comparaison entre un QP robuste et une version non robuste (où la marge d'incertitude était fixée à zéro) a démontré que le contrôleur non robuste a violé le certificat de sécurité resserré (la condition HOCBF consciente de la GP), même s'il semblait maintenir une séparation physique. Le QP robuste a maintenu le déficit de certificat proche de zéro, confirmant la nécessité de la marge d'incertitude pour les garanties de sécurité probabilistes.
Faisabilité : Le QP est resté réalisable tout au long de la simulation avec un taux de succès de 100 %, et les erreurs de GP réalisées sont restées dans les bornes de confiance adoptées.

Signification et Revendications
L'article prétend combler une lacune critique dans le contrôle de sécurité critique pour les systèmes multi-quadrotors. Alors que des travaux antérieurs ont traité séparément la navigation décentralisée, la sous-action ou le contrôle basé sur l'apprentissage, ce travail les unifie. Les auteurs soulignent que leur approche permet l'application directe de forces de navigation entièrement actionnées à des plateformes sous-actionnées tout en tenant rigoureusement compte de l'erreur d'implémentation et de l'incertitude du modèle.

La signification réside dans la capacité à garantir l'évitement de collision probabiliste sans nécessiter de bornes de pire cas conservatrices sur l'incertitude, qui mènent souvent à un comportement excessivement restrictif. En utilisant des bornes d'incertitude apprises au sein d'un cadre de fonction de barrière d'ordre élevé, le système atteint un équilibre entre un mouvement agressif orienté vers un objectif et une sécurité rigoureuse. Les auteurs notent que la garantie de sécurité est conditionnée par la faisabilité du QP, reconnaissant que les configurations singulières (où le vecteur de position relative est orthogonal aux directions de poussée) peuvent limiter l'autorité de contrôle instantanée, un sujet réservé aux travaux futurs.

La Danse des Drones Maladroits

Le Filet de Sécurité : Un « Filtre Intelligent »

La Solution « Agrégée »

Ce que les Simulations ont Montré

L'Essentiel

Articles similaires