Geometric Model Predictive Path Integral for Agile UAV Control with Online Collision Avoidance

1. Il Problema

Il controllo e la pianificazione locale di traiettorie per Veicoli Aerei Non Pilotati (UAV) in ambienti sconosciuti e affollati rappresentano una sfida aperta, specialmente quando è richiesta un'alta velocità (volo agile). Le soluzioni tradizionali modulari (mappatura, pianificazione globale, controllo) soffrono di latenze accumulate che impediscono manovre rapide. I metodi basati sull'apprendimento (Learning-based) unificano pianificazione e controllo ma richiedono grandi quantità di dati di addestramento e non sono facilmente riutilizzabili su diversi UAV.
Il metodo esistente MPPI (Model Predictive Path Integral) è un approccio basato sul campionamento che unisce pianificazione e controllo, ma presenta un compromesso critico: i roll-out (simulazioni di traiettorie) generati aggiungendo rumore casuale a una traiettoria nominale sono inefficienti per il tracciamento preciso di una traiettoria di riferimento, sebbene siano necessari per l'esplorazione e l'evitamento degli ostacoli.

2. Metodologia: GMPPI

Gli autori propongono GMPPI (Geometric Model Predictive Path Integral), un controller basato sul campionamento che risolve il compromesso tra precisione di tracciamento ed evitamento degli ostacoli integrando tre componenti principali:

• Ibridazione di Roll-out (SE(3) + Casuale):
  Invece di generare tutti i roll-out tramite rumore casuale, GMPPI ne genera una parte (32 su un totale di 768, gestiti in warp GPU) utilizzando un controllore geometrico SE(3). Questo controllo geometrico garantisce un tracciamento preciso della traiettoria di riferimento. I restanti roll-out rimangono basati sul campionamento casuale per esplorare lo spazio e trovare percorsi privi di ostacoli. Questa combinazione permette di mantenere l'agilità e la precisione del controllo SE(3) senza sacrificare la capacità di evitare collisioni.

• Integrazione Diretta dei Dati di Profondità:
  Per la prima volta in un loop di controllo MPPI per UAV, il sistema utilizza direttamente i dati di una camera di profondità (depth camera) senza costruire mappe 3D pesanti o modelli complessi.

  • I punti angolari e il centro del UAV vengono proiettati sull'immagine di profondità corrente.
  • Viene calcolata la distanza tra la posizione prevista del UAV e la distanza misurata dal sensore nel pixel corrispondente.
  • Questo approccio elimina quasi tutta la latenza legata alla mappatura, permettendo reazioni rapide.

• Funzione di Costo e Campionamento Dinamico:

  • Costo Adattivo: Viene introdotta una funzione di costo specifica per UAV che bilancia tracciamento, fluidità di volo ed evitamento ostacoli. I coefficienti di costo variano nel tempo all'interno del roll-out: si dà priorità alla precisione nei passi iniziali e all'esplorazione in quelli finali.
  • Tempo di Campionamento Variabile: Invece di usare un passo temporale fisso, GMPPI utilizza passi temporali più brevi all'inizio del roll-out (per precisione) e più lunghi verso la fine. Questo permette di sfruttare l'intero campo visivo del sensore (range) mantenendo la precisione nelle manovre immediate.
  • Controllo Deterministico dello Yaw: L'asse di imbardata (yaw) è controllato deterministicamente per aumentare la densità delle traiettorie simulate nello spazio delle fasi senza aumentare il numero di campioni.

3. Contributi Chiave

1. Prima integrazione SE(3)-MPPI: È il primo metodo che combina il controllo geometrico SE(3) (per la precisione) con l'MPPI (per l'evitamento ostacoli) in un unico loop di controllo.
2. Utilizzo diretto della Depth Camera: Implementazione pionieristica dell'uso diretto dei dati di profondità nel ciclo di controllo MPPI, evitando la latenza della costruzione di mappe.
3. Funzione di costo e strategia di campionamento ottimizzate: Introduzione di una funzione di costo adattiva e di una strategia di passi temporali variabili che massimizzano l'efficienza del sensore e la stabilità del volo.
4. Validazione su UAV reali: Dimostrazione operativa su un UAV fisico con capacità di volo ad alta velocità.

4. Risultati

I risultati sono stati validati sia in simulazione che in esperimenti reali:

• Tracciamento di Traiettoria:

  • In simulazione, GMPPI riduce l'errore quadratico medio (RMSE) di posizione del 31% rispetto all'MPPI classico per traiettorie agili.
  • Rispetto al controllo SE(3) puro, GMPPI mostra un errore leggermente superiore (circa il 20% in più), ma guadagna la capacità critica di evitare ostacoli, cosa che il SE(3) puro non fa.
  • L'errore di imbardata (heading) è ridotto di quasi l'88% rispetto all'MPPI standard.

• Evitamento Ostacoli:

  • In simulazione (foresta di Poisson), GMPPI raggiunge un tasso di successo del 100% fino a 11 m/s, superando i metodi basati sull'apprendimento (Reinforcement Learning e Imitation Learning) e il pianificatore "Bubble" (stato dell'arte).
  • A 13 m/s, GMPPI ha l'80% di tentativi falliti in meno rispetto al pianificatore Bubble.

• Esperimenti Reali:

  • Il controller è stato testato su un UAV reale (Jetson Orin NX, camera Intel RealSense D435i).
  • È stato possibile volare a velocità fino a 17 m/s su traiettorie agili senza collisioni.
  • In un percorso con ostacoli (simulati da pali), il UAV ha evitato ostacoli con successo a velocità fino a 10 m/s, mantenendo una distanza minima media dagli ostacoli di circa 0.34-0.38 metri.

5. Significato

Il lavoro di GMPPI rappresenta un passo significativo verso il volo autonomo agile in ambienti non strutturati. Risolve il dilemma fondamentale tra la necessità di un controllo preciso (tipico dei metodi geometrici) e la necessità di esplorazione sicura (tipica dei metodi stocastici come MPPI).
La capacità di utilizzare direttamente i dati dei sensori di profondità senza mappatura complessa riduce la latenza computazionale, rendendo possibile reazioni in tempo reale a ostacoli imprevisti anche a velocità elevate. Questo approccio offre un'alternativa robusta e riutilizzabile ai metodi basati sull'apprendimento, che spesso richiedono ri-addestramento per ogni variazione del veicolo o dell'ambiente, rendendo GMPPI una soluzione promettente per applicazioni reali come ricerca e soccorso, ispezione di infrastrutture e sorveglianza.