⚡ electrical engineering

Towards safe and optimal flight: Viability Kernel MPC for Fully Actuated Multirotor

Cet article propose un cadre de commande prédictive par modèle à noyau de viabilité pour les multirotors entièrement actionnés qui assure une navigation sûre et en temps réel dans des environnements non structurés en exploitant des méthodes fondées sur les données et des boîtes englobantes calculées dynamiquement pour l'évitement d'obstacles sans analyse hors ligne exhaustive.

Auteurs originaux : Massimiliano Bertoni, Alberto Piccina, Gianni Lunardi, Elias Fontanari, Andrea Del Prete, Angelo Cenedese, Giulia Michieletto

Publié 2026-08-27

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Massimiliano Bertoni, Alberto Piccina, Gianni Lunardi, Elias Fontanari, Andrea Del Prete, Angelo Cenedese, Giulia Michieletto

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 drone capable de voler non seulement dans les cieux ouverts, mais aussi à travers un entrepôt encombré, se faufilant entre des piliers, des tuyaux et des machines en mouvement sans jamais s'écraser. Pendant des années, le rêve de robots aériens autonomes a été freiné par une réalité simple et terrifiante : si l'ordinateur qui pilote le drone fait une seule erreur d'appréciation sur l'emplacement d'un obstacle, la machine pourrait partir en vrille et percuter quelque chose. Les systèmes de sécurité actuels sont souvent trop réactifs, vérifiant les collisions seulement après que le drone s'est déjà engagé sur une trajectoire dangereuse. Pour passer d'une simple surveillance dans des champs vides à un travail complexe dans des espaces encombrés, les ingénieurs avaient besoin d'un moyen de garantir qu'à chaque instant, le drone dispose d'un moyen sûr de s'arrêter ou de faire demi-tour, peu importe ce qui arrive ensuite.

C'est le défi relevé par une équipe de chercheurs issus d'universités italiennes, qui ont développé une nouvelle manière de guider des drones multirotors entièrement actionnés à travers des environnements désordonnés. Contrairement aux drones standards qui ne peuvent que pousser l'air vers le bas pour monter et s'incliner pour se déplacer latéralement, ces machines avancées peuvent pousser l'air dans n'importe quelle direction, leur permettant de se déplacer latéralement, de pivoter et de faire du vol stationnaire avec une précision égale. La percée des chercheurs réside dans la combinaison de deux idées puissantes : un concept mathématique appelé « viabilité », qui demande « existe-t-il un moyen de rester en sécurité à partir d'ici ? », et un système de contrôle prédictif qui planifie les prochains mouvements du drone. Au lieu de simplement essayer d'éviter l'obstacle suivant, leur système vérifie constamment que le drone se trouve toujours dans une position où il peut s'arrêter complètement en toute sécurité ou exécuter un atterrissage d'urgence pré-planifié si le chemin devant lui devient soudainement obstrué.

Le cœur de leur méthode repose sur une astuce ingénieuse pour gérer la complexité de la physique du drone. Calculer chaque trajectoire future possible pour un drone dans une pièce encombrée est trop lent pour qu'un ordinateur puisse le faire en temps réel. Pour résoudre ce problème, l'équipe a utilisé une approche basée sur les données. Ils ont d'abord exécuté des milliers de simulations hors ligne pour cartographier la « zone de sécurité » du drone — un ensemble spécifique de positions et de vitesses à partir duquel la machine peut toujours atteindre un arrêt sûr. Ils ont ensuite appris à une intelligence artificielle, plus précisément un réseau de neurones, à reconnaître instantanément cette zone de sécurité. Imaginez ce réseau de neurones comme un pilote hautement entraîné qui peut jeter un coup d'œil à la vitesse et à l'emplacement actuels du drone et savoir immédiatement : « Oui, nous sommes toujours dans un endroit sûr », ou « Non, nous approchons trop près de la limite de sécurité », sans avoir besoin d'effectuer un calcul complexe.

Lors de leurs expériences, les chercheurs ont testé ce système sur un drone à six rotors unique, l'α-Ted6R, conçu avec des hélices inclinées pour lui donner un contrôle total sur ses mouvements. Ils ont placé le drone dans un environnement simulé rempli d'obstacles statiques, tels que de grandes boîtes et des piliers, et lui ont demandé de naviguer vers un point cible spécifique. Pendant que le drone volait, l'ordinateur mettait continuellement à jour une « boîte de sécurité » virtuelle autour de lui, rétrécissant cette boîte dynamiquement pour s'adapter à l'espace disponible entre les obstacles. À chaque étape, le système vérifiait si la position future prédite du drone restait à l'intérieur de la zone de sécurité identifiée par le réseau de neurones. Si le drone se trouvait un jour dans une situation où le chemin prévu était bloqué et où aucun arrêt sûr n'était possible, le système disposait d'un mécanisme de « abandon sécurisé » intégré. Cela déclencherait immédiatement une manœuvre d'urgence pré-calculée, guidant le drone vers un arrêt sûr plutôt que de le laisser s'écraser.

Les résultats de la simulation ont été frappants. Le drone a navigué avec succès à travers l'espace encombré, atteignant sa cible tout en évitant tous les obstacles. Même lorsque la trajectoire du drone était temporairement bloquée par une marge de sécurité touchant un mur virtuel, le système ajustait sa vitesse et sa direction pour trouver un passage sans perdre sa stabilité. La performance de calcul était suffisamment rapide pour une utilisation dans le monde réel, le système prenant des décisions en environ une milliseconde en moyenne, ce qui est bien en deçà des limites de temps requises pour un vol fluide. Les chercheurs ont démontré qu'en intégrant cette « garantie de sécurité » directement dans le processus de planification, ils pouvaient permettre au drone d'opérer dans des environnements complexes et non structurés avec un niveau de confiance que les méthodes précédentes ne pouvaient offrir.

Ce travail ne prétend pas avoir résolu tous les problèmes de la robotique aérienne, et ne prouve pas encore que le système fonctionne dans le monde réel avec des personnes en mouvement ou des débris mouvants. Cependant, les simulations constituent une solide preuve de concept. Elles montrent qu'il est possible de créer un contrôleur de vol qui n'est pas seulement réactif, mais fondamentalement sûr par conception. En garantissant que le drone est toujours dans un état où un futur sûr existe, le système élimine la peur de l'« état irrécupérable » qui a longtemps tourmenté le vol autonome. Le chemin à parcourir, comme le notent les auteurs, consiste à tester ces idées dans des environnements plus dynamiques et à affiner la manière dont le drone perçoit son environnement, mais les fondations posées ici suggèrent un avenir où les drones pourront travailler aux côtés des humains dans nos espaces les plus encombrés et les plus compliqués.

Résumé Technique : MPC par Noyau de Viabilité pour Multirotor Entièrement Actionné

Énoncé du Problème
L'article traite du défi de la navigation de multirotors entièrement actionnés dans des environnements encombrés et non structurés, tout en garantissant la sécurité et en optimisant les performances. Les robotiques aériennes industrielles actuelles sont largement limitées à la surveillance en zone dégagée en raison d'un manque de garanties de sécurité robustes pour les scénarios complexes impliquant des obstacles statiques et la proximité d'humains. Les approches de sécurité existantes souffrent souvent de deux limitations principales : soit elles n'assurent qu'un évitement de collision à court terme sans garantir la viabilité du système à long terme, soit elles reposent sur des analyses de reachabilité hors ligne coûteuses en calcul qui ne passent pas bien à l'échelle pour les systèmes non linéaires de haute dimension. De plus, la sécurité est fréquemment traitée comme une contrainte réactive plutôt que comme une propriété intrinsèque de l'architecture de contrôle.

Méthodologie
Les auteurs proposent un cadre de Contrôle Prédictif de Modèle (MPC) qui intègre la Théorie de la Viabilité avec des méthodes fondées sur les données pour générer des trajectoires de pose sûres. La méthodologie centrale se compose de trois composantes principales :

Approximation du Noyau de Viabilité via VBOC :
Le système utilise l'approche Viability-Boundary Optimal Control (VBOC) pour calculer une approximation numérique conservatrice du noyau de viabilité ( $\hat{V}$ ). Le noyau de viabilité est défini comme l'ensemble des états à partir desquels le système peut être conduit vers un équilibre sûr tout en respectant les contraintes d'état et d'entrée indéfiniment.
- Calcul Hors Ligne : Un Problème de Contrôle Optimal (OCP) est résolu sur un horizon fini pour identifier la frontière du noyau de viabilité. Cet OCP maximise la norme du twist initiale selon une direction spécifique, sous réserve de contraintes dynamiques, de saturation des entrées (limites des rotors) et de contraintes d'état.
- Encodage par Réseau de Neurones : Pour permettre une évaluation en temps réel, la frontière du noyau de viabilité calculée est encodée dans un Réseau de Neurones (NN). Le NN prend en entrée les angles d'Euler, la direction du twist et les paramètres de l'Axis-Aligned Bounding Box (AABB) et produit en sortie la norme maximale du twist viable. Cela permet des vérifications de viabilité efficaces sur le plan computationnel lors du fonctionnement en ligne.
Représentation d'Obstacles Dynamiques (AABB) :
Contrairement aux méthodes nécessitant une analyse hors ligne exhaustive, l'évitement d'obstacles est imposé par des boîtes englobantes alignées sur les axes (AABB) exemptes d'obstacles et calculées dynamiquement.
- Un algorithme de rétrécissement glouton est employé pour calculer une AABB ( $B^*$ ) exempte de collisions autour du multirotor. Cet algorithme réduit de manière itérative la plus grande boîte réalisable en déplaçant les faces qui intersectent les obstacles jusqu'à ce qu'aucune collision ne subsiste.
- Cette approche fournit des garanties de sécurité formelles sans pré-calculer les ensembles de reachabilité pour chaque configuration d'environnement possible.
MPC à Contrainte Terminale avec Abandon Sécurisé :
L'approximation du noyau de viabilité est intégrée dans la formulation du MPC en tant que contrainte terminale stricte.
- Contrainte : L'état prédit final ( $x_N$ ) à la fin de l'horizon MPC doit appartenir au noyau de viabilité ( $x_N \in \hat{V}$ ). Cela garantit que chaque solution réalisable contient un état à partir duquel un équilibre sûr peut être atteint.
- Mécanisme d'Abandon Sécurisé : Si le problème MPC devient infaisable (par exemple, en raison d'obstacles imprévus ou de contraintes), le système déclenche un « abandon sécurisé ». Il applique la dernière séquence de contrôle réalisable et suit les étapes temporelles jusqu'à ce que l'état terminal viable précédemment planifié soit atteint. Une fois atteint, une manœuvre d'abandon prédéfinie (résolvant un OCP spécifique pour atteindre l'équilibre) est exécutée, garantissant que le système n'entre pas dans un état dangereux.

Contributions Clés
L'article formalise deux contributions primaires :

L'approximation numérique du noyau de viabilité pour un multirotor entièrement actionné naviguant dans des environnements encombrés, tenant explicitement compte de la saturation des hélices et des contraintes induites par les obstacles via une AABB calculée dynamiquement.
L'intégration de cette approximation dans un cadre MPC à contrainte terminale, qui garantit un état de repli sûr certifié en cas d'infaisabilité du contrôle, permettant ainsi un mécanisme d'abandon sécurisé robuste.

Résultats
L'approche a été validée par des simulations numériques utilisant un $\alpha$ -Ted6R (un hexacoptère incliné avec six hélices) entièrement actionné naviguant dans un environnement encombré avec des obstacles statiques.

Suivi de Trajectoire : Le système a navigué avec succès d'un état initial vers une pose cible ( $\xi_r = [2, 0, 5, 0, 0, 0]^\top$ ) tout en évitant les obstacles, même lorsque la cible était initialement en dehors de la boîte exempte d'obstacles immédiate.
Précision du NN : La prédiction par le Réseau de Neurones du noyau de viabilité correspond étroitement aux solutions de l'OCP hors ligne, validant sa capacité à encoder précisément la frontière de viabilité.
Performance Computationnelle : La méthode a démontré une capacité en temps réel avec un temps d'itération moyen de 1,00 ms (maximum 11,72 ms), bien en dessous de la période d'échantillonnage de 20 ms. Cette efficacité est attribuée à l'encodage par NN du noyau de viabilité et à l'algorithme AABB glouton traitable.
Adaptation Dynamique : Le système a mis à jour dynamiquement l'AABB à mesure que le robot se déplaçait, découvrant de nouveaux espaces libres et ajustant la trajectoire en conséquence.

Signification et Revendications
Les auteurs positionnent ce travail comme une preuve de concept méthodologique. La signification réside dans la fourniture de garanties de sécurité pour les multirotors entièrement actionnés dans des environnements encombrés sans dépendre d'une analyse de reachabilité hors ligne exhaustive. En intégrant la théorie de la viabilité directement dans la boucle de contrôle via un réseau de neurones, le cadre garantit que le système conserve toujours un chemin vers un équilibre sûr, même en présence d'infaisabilités persistantes.

L'article présente modestement ce travail comme une étude fondamentale. Il reconnaît que l'approche actuelle basée sur les boîtes (AABB) est conservatrice et suggère que les travaux futurs pourraient explorer des représentations plus précises des régions exemptes d'obstacles, des extensions aux environnements avec des obstacles dynamiques, ainsi que l'intégration de composants de perception avancée ou basés sur l'apprentissage.

Articles similaires