Towards Reliable Aerial Ground Vehicle Collaboration: An Integrated Planning and Autonomy Framework for Field Deployment

Sintesi Tecnica: Verso una Collaborazione Affidabile tra Veicoli Aerei e Terrestri

Definizione del Problema
Il documento affronta i limiti operativi dei Veicoli Aerei a Pilotaggio Remoto (UAV) in missioni di lunga durata, come la sorveglianza e l'ispezione, dove la limitata autonomia di volo restringe l'ambito e la durata delle operazioni. Sebbene l'accoppiamento di UAV con Veicoli Terrestri a Pilotaggio Remoto (UGV) per la ricarica mobile offra una soluzione, ciò introduce un problema di routing cooperativo complesso e strettamente accoppiato. Tale problema richiede l'ottimizzazione congiunta della sequenza di visita dell'UAV tra le Aree di Interesse (AOI) distribuite spazialmente, il movimento dell'UGV vincolato alla rete stradale, la gestione dell'energia e la pianificazione degli incontri (rendezvous). Una sfida critica è colmare il divario tra la pianificazione teorica e l'esecuzione affidabile sul campo, in particolare di fronte a incertezze ambientali come il vento, il rumore dei sensori e la latenza di comunicazione, che possono causare deviazioni temporali e potenziali esaurimenti della batteria.

Metodologia
Gli autori propongono un framework integrato di pianificazione e autonomia composto da quattro componenti principali:

1. Pianificatore di Missione Basato su DRL: Il problema di pianificazione centrale è formulato come un compito di routing cooperativo con vincoli energetici. Gli autori impiegano un pianificatore DRL basato su un'architettura Transformer encoder-decoder. L'encoder cattura le relazioni spaziali tra le AOI e i Punti della Rete Stradale (RNP) tramite multi-head self-attention, mentre il decoder genera autoregressivamente la rotta dell'UAV e le decisioni di rendezvous. La policy è addestrata utilizzando l'algoritmo REINFORCE con un baseline greedy per minimizzare il tempo totale della missione.
2. API di Missione Standardizzata: Per tradurre gli output del pianificatore in comandi eseguibili, viene introdotta un'API a due livelli basata su YAML. Il primo livello definisce lo stato (ambiente, posizione degli agenti, AOI, RNP), mentre il secondo genera sequenze di azioni leggere e sincronizzate per entrambi gli agenti. Questa API utilizza primitive specifiche (ad es., takeoff_from_UGV, move_to_location, allow_land_on_UGV) collegate da identificatori di sincronizzazione (ins_id) per garantire la coordinazione temporale.
3. Stack di Autonomia Distribuiti: Il framework implementa una pipeline hardware-software completa. L'UAV utilizza uno stack PX4/MAVSDK per il controllo offboard e la guida ai waypoint, mentre l'UGV impiega uno stack ROS 2/Nav2 per la navigazione, utilizzando la fusione multi-sensore (GNNSS, IMU, LiDAR) e una costmap a strati per l'evitamento degli ostacoli. Un gestore centralizzato coordina la telemetria e le richieste di ripianificazione tramite una rete di comunicazione UDP/TCP.
4. Replanner Consapevole del Rendezvous (RARP): Per gestire le incertezze di esecuzione, viene implementato un replanner online leggero. Il RARP monitora continuamente la timeline di esecuzione rispetto al budget energetico residuo dell'UAV. Se si verificano deviazioni (ad es., un'azione supera il tempo stimato), il replanner esegue una ricerca di rollback per troncare la sequenza di azioni future dell'UAV e identificare un nuovo punto di rendezvous fattibile lungo la rete stradale. Se non esiste una soluzione fattibile, rilassa i margini di sicurezza o attiva un atterraggio di emergenza.

Contributi Chiave
Il documento rivendica i seguenti contributi specifici:

• Routing Cooperativo DRL: Un pianificatore basato su DRL che ottimizza congiuntamente le sequenze di visita dell'UAV e le posizioni di rendezvous dell'UGV, superando significativamente le euristiche gerarchiche consolidate nel minimizzare il tempo di missione.
• API Standardizzata: Un'API di missione basata su YAML che consente la traduzione fluida degli output di pianificazione in azioni eseguibili su piattaforme eterogenee (UAV e UGV).
• Stack di Autonomia Integrati: Stack di autonomia completi e specifici per la piattaforma (PX4/MAVSDK per l'UAV, ROS 2/Nav2 per l'UGV) che supportano un dispiegamento sul campo affidabile.
• Ripianificazione Online: Un Rendezvous-Aware Replanner (RARP) leggero che garantisce sicurezza e fattibilità sotto disturbi ambientali, riducendo le violazioni del margine energetico.
• Validazione sul Campo: Estesa validazione all'aperto in un ambiente di 50 m × 50 m, che dimostra una navigazione cooperativa robusta e l'adattabilità in compiti dinamici, incluso uno scenario di ricerca e soccorso che utilizza Modelli Vision-Language (VLM) per il rilevamento di pericoli.

Risultati
I risultati sperimentali, sia in simulazione che nelle prove sul campo all'aperto, dimostrano l'efficacia del framework:

• Performance di Pianificazione: La policy DRL supera costantemente le baseline euristiche. Sulle dimensioni del problema di addestramento (fino a 45 AOI), le varianti DRL basate sul campionamento hanno raggiunto gap di ottimalità inferiori al 2,3%, rispetto al 13–16% delle euristiche. La policy si è inoltre generalizzata bene a scenari più ampi e inediti (fino a 75 AOI).
• Efficacia della Ripianificazione: Negli esperimenti di simulazione che coinvolgono vento, rumore GPS e riduzioni di velocità, il modulo RARP ha ridotto il tasso di violazione del margine energetico dall'83,33% (senza ripianificazione) al 20,00%. Il tasso medio di deviazione tra la durata pianificata ed eseguita è sceso dal 14,3% all'1,43%.
• Dispiegamento sul Campo: Gli esperimenti all'aperto hanno confermato la capacità del sistema di eseguire sortite coordinate, mantenere la sincronizzazione tra l'UAV e l'UGV e rispettare i margini di sicurezza energetica. Il sistema ha gestito con successo aggiornamenti dinamici della missione, come l'inserimento a metà missione di una nuova AOI, ed ha eseguito uno scenario di ricerca e soccorso in cui un VLM ha identificato pericoli simulati (fumo, manichini) dalle immagini aeree.

Significatività e Rivendicazioni
Il lavoro si pone come un ponte tra l'ottimizzazione teorica e il dispiegamento pratico e affidabile sul campo. Gli autori affermano che, mentre lavori precedenti hanno affrontato la coordinazione algoritmica o sottosistemi isolati, pochi framework integrano una pianificazione del compito robusta e consapevole del rischio con l'esecuzione hardware in tempo reale. Combinando una pianificazione globale di alta qualità, un'interfaccia standardizzata e uno strato di sicurezza reattivo online (RARP), il framework proposto abilita una collaborazione aerea-terrestre affidabile in ambienti reali e dinamici. La riuscita dimostrazione di una missione di ricerca e soccorso integrata con VLM evidenzia ulteriormente il potenziale del sistema per operazioni autonome complesse e semanticamente consapevoli. Gli autori concludono che questa pipeline end-to-end fornisce una base pratica per la futura collaborazione autonoma aerea-terrestre, pur riconoscendo come aree di lavoro futuro la scalabilità multi-robot e l'operatività in ambienti privi di GPS.