Riepilogo Tecnico: Pianificazione Informativa Condizionata da UGV su una Credenza di Esposizione Condivisa

Definizione del Problema

In ambienti su larga scala e aumentati da minacce, la navigazione sicura al suolo per i Veicoli Terrestri Non Presidiati (UGV) richiede un supporto aereo attivo per mitigare i rischi. I sistemi esistenti di ricognizione aerea si concentrano tipicamente sulla mappatura generica, sulla copertura del terreno o sulla stima della percorribilità. Tuttavia, questi approcci spesso non riescono a dirigere il sensing verso le regioni più critiche per la sicurezza dei veicoli terrestri. Nello specifico, gli attuali sistemi mancano di un meccanismo a ciclo chiuso in cui la pianificazione informativa cooperativa di più UAV sia strettamente accoppiata alla pianificazione dei percorsi UGV consapevole dell'esposizione. Non esiste una credenza ambientale condivisa che guidi simultaneamente le priorità di sensing degli UAV e adatti la selezione del percorso dell'UGV man mano che nuove informazioni arrivano online, portando a un sensing ridondante e a risultati di sicurezza subottimali.

Metodologia

Gli autori propongono un framework in cui un team di $N$ UAV coordina il supporto a un singolo UGV che naviga attraverso zone di minaccia sconosciute. Il nucleo dell'approccio è una credenza di esposizione condivisa che viene aggiornata online dalle osservazioni aeree e utilizzata sia dal pianificatore UGV che dal team di UAV.

1. Credenza di Esposizione Condivisa

Il sistema mantiene una mappa probabilistica del campo di esposizione dell'ambiente, discretizzata in una griglia.

• Modellazione: Il tasso di esposizione latente $\lambda(x)$ in ogni cella è modellato come una variabile aleatoria log-normale. Le stime iniziali derivano da prior di classe del terreno (es. strade, foreste), mentre l'incertezza epistemica è catturata dalla varianza.
• Meccanismo di Aggiornamento: Man mano che gli UAV osservano le celle, la credenza viene aggiornata utilizzando una metrica di entropia di Bernoulli-Shannon. La copertura cumulativa dei sensori riduce la deviazione standard logaritmica effettiva (incertezza) e aggiorna la media. Le zone di minaccia rilevate amplificano localmente la credenza tramite un fattore moltiplicativo.
• Surrogato Avverso al Rischio: Entrambi i pianificatori interrogano un surrogato scalare avverso al rischio $\lambda_{risk}$, che combina il valore di esposizione atteso con una penalità per l'alta incertezza. Ciò assicura che le celle non osservate siano trattate come potenzialmente pericolose, incentivando la ricognizione.

2. Ripercorsi UGV Consapevoli dell'Esposizione

Il pianificatore UGV cerca un percorso $\pi$ da un punto di partenza a uno di arrivo che minimizzi una funzione di costo composta da tempo di percorrenza ed esposizione cumulativa:
$$\pi^* = \arg\min_{\pi} [T(\pi) + \beta E(\pi, t)]$$
dove $E(\pi, t)$ è l'esposizione cumulativa calcolata utilizzando il surrogato avverso al rischio. L'UGV ripianifica in modo asincrono ogni volta che un UAV rileva una nuova zona di minaccia, impegnandosi in un prefisso di traiettoria a lunghezza fissa per garantire un'esecuzione sicura mentre il percorso globale viene ricalcolato.

3. Pianificazione Informativa Condizionata da UGV (Obiettivo UAV)

A differenza della pianificazione informativa (IPP) standard che massimizza il guadagno di informazione generico, gli UAV ottimizzano una ricompensa condizionata dalla missione. La funzione di ricompensa $R(x, t)$ per una cella $x$ è costruita per dare priorità alle osservazioni che impattano l'attuale percorso dell'UGV:

• Prossimità al Corridoio: Un meccanismo di gating sopprime le ricompense per le celle lontane dall'attuale percorso dell'UGV, assicurando che lo sforzo di sensing sia concentrato sulle regioni rilevanti per la missione.
• Modulazione dell'Esposizione: All'interno del corridoio, la ricompensa è scalata da un guadagno dipendente dall'esposizione. Le regioni ad alta esposizione o alta incertezza vicino al percorso ricevono una priorità maggiore.
• Entropia: L'incertezza (entropia) modula l'urgenza dell'osservazione all'interno della regione filtrata.
  Questo approccio dirige gli UAV a osservare regioni "rilevanti per il percorso, incerte e ad alta esposizione" piuttosto che eseguire un'esplorazione generica.

4. Coordinamento Multi-UAV Condizionato per Regione

Per evitare che più UAV convergano sulla stessa regione ad alta ricompensa del corridoio (sensing ridondante), il framework impiega la proprietà spaziale:

• Assegnazione Voronoi: L'ambiente è partizionato in regioni disgiunte assegnate a ciascun UAV in base al costo di viaggio verso il centroide della regione.
• Mascheramento della Ricompensa: La ricompensa effettiva di ogni UAV è mascherata dalla sua regione assegnata.
  • Coordinamento Hard: Gli UAV percepiscono ricompensa nulla al di fuori della loro regione assegnata.
  • Coordinamento Soft: Gli UAV mantengono una frazione della ricompensa dalle regioni straniere, permettendo la reattività a minacce ad alto valore che emergono vicino ai confini delle regioni.
    Questo livello di coordinamento riduce la ridondanza pur mantenendo la scalabilità e la reattività ai cambiamenti dinamici nel percorso dell'UGV.

Contributi Principali

Il documento presenta tre rivendicazioni e contributi primari:

1. Credenza di Esposizione Condivisa: L'accoppiamento delle azioni di sensing degli UAV a una credenza condivisa, consapevole dell'esposizione, migliora significativamente la sicurezza a valle dell'UGV rispetto alla pianificazione basata esclusivamente sulle informazioni pregresse del terreno.
2. Sensing Condizionato dal Percorso: Condizionare l'obiettivo degli UAV al percorso attuale dell'UGV focalizza lo sforimento di sensing sulle regioni rilevanti per la missione, piuttosto che su un'esplorazione generica o su una riduzione uniforme dell'incertezza.
3. Coordinamento Condizionato per Regione: In contesti multi-UAV, l'assegnazione della proprietà spaziale riduce il sensing ridondante preservando al contempo la reattività verso aree di nuova rilevanza, affrontando le sfide di scalabilità della pianificazione informativa cooperativa.

Risultati Sperimentali

L'approccio è stato validato attraverso 100 prove di simulazione Monte Carlo in un ambiente di 5 km $\times$ 5 km derivato da dati OpenStreetMap, caratterizzato da zone di minaccia sconosciute.

• Miglioramento della Sicurezza: Rispetto a un sistema che utilizza la ripianificazione semantica del terreno senza modellazione dell'esposizione, l'approccio proposto consapevole dell'esposizione ha ridotto l'esposizione cumulativa dell'UGV del 38%. Ha inoltre ridotto il costo dell'obiettivo della missione del 31% rispetto al baseline semantico del terreno.
• Architettura della Ricompensa: Gli studi di ablazione hanno mostrato che l'architettura della ricompensa con gating proposta ha superato i baseline additivi, moltiplicativi e di entropia pesata. Ha ottenuto il costo di missione più basso mantenendo un'alta copertura del corridoio e tassi di rilevamento delle minacce prioritarie.
• Efficienza del Coordinamento: Il coordinamento multi-UAV ha ridotto significativamente la copertura ridondante.
  • Senza coordinamento, la ridondanza era del 38,8%.
    • Con il coordinamento regionale soft, questa è scesa al 5,0%.
  • Con il coordinamento regionale hard, è scesa al 3,7%.
  • L'efficienza dell'informazione utile è aumentata dal 66,2% (senza coordinamento) a oltre il 92% (coordinamento regionale soft/hard).
• Scalabilità: All'aumentare del numero di UAV (fino a 6), il mascheramento condizionato per regione ha impedito la rapida crescita del sensing ridondante osservata nei team non coordinati, sebbene il mascheramento hard rigoroso abbia mostrato rendimenti decrescenti nel tempo di rilevamento delle minacce per team più grandi a causa della frammentazione delle regioni.

Significato e Rivendicazioni

Il documento afferma che la sua importanza primaria risiede nel chiudere il ciclo tra la pianificazione informativa cooperativa multi-UAV e la pianificazione del percorso UGV consapevole dell'esposizione. Mantenendo una credenza condivisa che guida sia la selezione del percorso del veicolo terrestre che le priorità di sensing del team aereo, il sistema consente una navigazione sicura in ambienti su larga scala e parzialmente osservati.

Gli autori sottolineano che il loro approccio va oltre l'esplorazione o la mappatura generica; il valore del sensing aereo è esplicitamente definito dal suo impatto atteso sulla sicurezza a valle dell'UGV. Sebbene la valutazione attuale assuma un sensing idealizzato e una comunicazione istantanea, i risultati dimostrano che i meccanismi di pianificazione e coordinamento sono efficaci nel ridurre l'esposizione ed eliminare la ridondanza. Il lavoro stabilisce le fondamenta per la futura validazione hardware e modelli di sensing più realistici.