AWARE: Adaptive Whole-body Active Rotating Control for Enhanced LiDAR-Inertial Odometry under Human-in-the-Loop Interaction

1. Il Problema

L'operatività di droni UAV (Unmanned Aerial Vehicles) in modalità Human-in-the-Loop (HITL) è fondamentale per missioni di rilevamento complesse e critiche per la sicurezza (es. ispezione di miniere sotterranee, risposta ai disastri, rilevamento forestale). In questi scenari, gli operatori umani forniscono l'intento di navigazione, mentre il sistema autonomo deve mantenere una stima dello stato precisa e robusta.

Tuttavia, le piattaforme UAV sono spesso vincolate da limiti di peso e potenza (SWaP), costringendole a utilizzare sensori LiDAR a stato solido leggeri ma con un campo visivo (FoV) ristretto. In ambienti geometricamente degeneri o privi di caratteristiche (es. tunnel lunghi, corridoi ripetitivi), la limitata copertura sensoriale indebolisce l'osservabilità dell'Odometria LiDAR-Inerziale (LIO). Questo porta a:

• Accumulo di deriva (drift).
• Degradazione dell'accuratezza geometrica.
• Stima dello stato instabile, che compromette la sicurezza dell'operatore e l'affidabilità dei prodotti di rilevamento.

Le soluzioni esistenti si dividono in due categorie problematiche:

1. Aumento hardware: Uso di gimbal motorizzati o scanner rotanti, che aggiungono peso e complessità meccanica, riducendo l'autonomia.
2. Controllo software: Approcci basati su MPC (Model Predictive Control) o RL (Reinforcement Learning) puri. Il MPC spesso richiede pesi fissi non adattabili, mentre il RL puro manca di interpretabilità e garanzie di stabilità. Inoltre, nessuno di questi approcci integra nativamente comandi umani con una pianificazione del yaw (imbardata) consapevole dell'osservabilità.

2. Metodologia: Il Framework AWARE

Il paper propone AWARE, un framework bio-ispirato che utilizza la rotazione attiva dell'intero corpo dell'UAV (yaw) per estendere l'orizzonte sensoriale senza hardware aggiuntivo. L'ispirazione deriva dal movimento a spirale delle microalghe che cercano la luce.

L'architettura si basa su tre pilastri principali:

A. Rappresentazione Panoramica e Analisi dell'Osservabilità

• Mappa Panoramica Unificata: I punti LiDAR sparsi vengono aggregati e proiettati su una mappa di profondità sferica 2D ($\mathcal{D}_t$). Questo permette di analizzare l'ambiente in tutte le direzioni di yaw.
• Metrica di Osservabilità: Viene calcolato il Fisher Information Matrix (FIM) basato sui residui punto-piano. Utilizzando il criterio A-ottimalità, il sistema calcola un indice di incertezza ($\mathcal{J}_{obs}$) per ogni possibile angolo di yaw virtuale. Questo identifica le direzioni che massimizzano l'informazione geometrica.

B. Architettura Ibrida RL-MPC

Per bilanciare l'osservabilità con la stabilità del volo, AWARE utilizza un approccio ibrido:

• MPC (Model Predictive Control): Gestisce la dinamica del drone e i vincoli di sicurezza. L'obiettivo include un termine di costo per l'osservabilità ($\lambda_{obs} \cdot \mathcal{J}_{obs}$) che guida il drone verso angoli di yaw informativi.
• RL (Reinforcement Learning) come Meta-Controller: Un agente RL leggero (rete Actor-Critic) osserva il contesto ambientale (mappa panoramica e stato cinetico) e adatta dinamicamente i pesi del costo del MPC in tempo reale. Questo risolve il problema della sintonizzazione manuale dei pesi, permettendo al sistema di bilanciare automaticamente la ricerca di punti di riferimento e la stabilità del volo in ambienti diversi.

C. Controllo Human-in-the-Loop con Safe Flight Corridor (SFC)

• Decoupling dei comandi: L'operatore umano controlla il movimento traslazionale (dove andare), mentre il sistema gestisce autonomamente l'asse di yaw (come guardare) per ottimizzare la localizzazione.
• Safe Flight Corridor (SFC): I comandi dell'operatore sono vincolati all'interno di un corridoio di volo sicuro (convesso e privo di ostacoli). Il layer RL-MPC ottimizza il yaw all'interno di questo corridoio, garantendo che l'ottimizzazione dell'osservabilità non comprometta la sicurezza o l'intento di navigazione dell'operatore.

3. Contributi Chiave

1. Controllo Attivo del Corpo Intero: Un framework che tratta lo yaw dell'UAV come un'azione di sensing attiva (simile a un gimbal) per migliorare l'osservabilità LIO senza aggiungere attuatori meccanici pesanti.
2. Architettura Ibrida RL-MPC: Un sistema in cui un agente RL modula dinamicamente i pesi del MPC basandosi sul contesto geometrico, eliminando la necessità di sintonizzazione manuale e garantendo prestazioni robuste in ambienti variabili.
3. Integrazione HITL e Sicurezza: Un meccanismo che preserva l'intento dell'operatore e garantisce la sicurezza tramite vincoli SFC, permettendo l'adattamento dell'osservabilità durante missioni di rilevamento di precisione.
4. Piattaforma di Simulazione ad Alta Fedeltà: Sviluppo di un simulatore basato su nuvole di punti reali per il training e la validazione (approccio Real-to-Sim-to-Real), supportando il trasferimento della politica appresa su hardware reale.

4. Risultati Sperimentali

Il framework è stato validato in ambienti simulati diversificati (8 scenari, inclusi tunnel, foreste, edifici) e in voli reali su un UAV customizzato in 4 siti (tunnel sotterraneo, bunker abbandonato, infrastruttura sportiva, foresta).

• Performance in Simulazione:
  • AWARE ha ottenuto un errore di posizione assoluto medio (APE) di 3.41 m, riducendo l'errore del 27.8% rispetto al miglior baseline MPC statico e dell'84.9% rispetto alle strategie di scansione passiva (fissa).
  • Ha dimostrato una capacità superiore di mantenere la localizzazione in ambienti degeneri (es. Tunnel di Istanbul), dove i metodi passivi fallivano con derive superiori a 100 m.
• Validazione Reale:
  • La politica addestrata in simulazione è stata trasferita con successo su hardware reale senza ulteriore adattamento (Sim-to-Real).
  • In ambienti reali, AWARE ha mantenuto errori di deriva contenuti. Ad esempio, nel "Bunker Abbandonato" (ambiente polveroso e ostacolato) l'errore medio è stato di soli 0.0081 m. Nel "Tunnel Sotterraneo" (geometria degenerata), l'errore è stato di 1.20 m su un percorso di 400m, dimostrando robustezza dove altri metodi fallirebbero.
• Efficienza Computazionale:
  • Il ciclo di controllo gira in tempo reale su un processore edge (Intel-N305) con un tempo medio di esecuzione di 46.90 ms, ben entro la finestra di 100 ms richiesta dal LiDAR a 10 Hz.

5. Significato e Impatto

Il lavoro di AWARE rappresenta un passo significativo verso l'autonomia UAV in ambienti complessi e pericolosi. Dimostra che è possibile superare i limiti hardware dei sensori economici sfruttando l'intelligenza algoritmica e l'agilità del drone stesso.

• Sicurezza Operativa: Permette agli operatori umani di concentrarsi sulla missione senza preoccuparsi della perdita di localizzazione del drone.
• Efficienza dei Costi: Elimina la necessità di hardware costoso e pesante (gimbal motorizzati), rendendo le soluzioni di rilevamento di alta qualità accessibili a piattaforme UAV più piccole ed economiche.
• Generalizzazione: La capacità di adattarsi dinamicamente a scenari geometrici sconosciuti (da foreste a tunnel) rende il sistema adatto per applicazioni reali di ispezione, soccorso e mappatura.

In sintesi, AWARE trasforma il vincolo del campo visivo limitato in un'opportunità di controllo attivo, unendo percezione, controllo adattivo e collaborazione uomo-macchina per garantire rilevamenti precisi e sicuri.