Safety-Critical Control for Quadrotor UAVs via Decentralized Navigation Functions

Immaginate un mondo in cui sciami di piccoli droni ronzanti sono i nuovi corrieri, fotografi aerei ed eroi del ricerca e soccorso. Per far sì che ciò accada, devono lavorare insieme come una compagnia di danza perfettamente coreografata, senza mai scontrarsi mentre sfrecciano verso i propri obiettivi. Questo è il regno del controllo critico per la sicurezza, un ramo della robotica dedicato a garantire che le macchine non si schiantino, anche quando le cose vanno male.

La sfida è che i droni sono un po' goffi nel loro modo di pensare. Hanno un "cervello" capace di calcolare il percorso perfetto per evitare un albero o un compagno, ma i loro "muscoli" (i motori) sono limitati. Possono solo spingere l'aria direttamente verso il basso per muoversi, il che significa che non possono semplicemente scivolare lateralmente come un'auto; devono inclinare tutto il corpo per andare dove vogliono. Inoltre, il mondo reale è disordinato. Raffiche di vento, carichi pesanti o semplicemente un motore leggermente guasto possono far sì che il movimento effettivo del drone differisca da ciò che il suo cervello aveva previsto. Questo articolo affronta il complicato problema di insegnare a uno sciame di questi droni, poco potenti e imprevedibili, come seguire una perfetta coreografia di danza senza scontri, anche quando il vento soffia e le loro mappe interne sono leggermente sfocate.

La danza dei droni goffi

In questo studio, i ricercatori Omayra Yago Nieto, Alexandre Anahory Simoes e Leonardo Colombo hanno affrontato un mal di testa specifico: come si dice a un team di droni quadrotore (quelli con quattro eliche rotanti) di muoversi in sicurezza quando le loro istruzioni "ideali" non corrispondono alla loro realtà fisica?

Pensate ai droni come a un gruppo di ballerini che hanno ricevuto un copione. Il copione, generato da qualcosa chiamato Funzioni di Navigazione Decentralizzate, dice a ogni ballerino esattamente dove andare per evitare di urtare gli altri e per raggiungere il centro del palco. È come un GPS che sa esattamente dove si trova tutti gli altri e dice: "Tu, muoviti a sinistra; tu, muoviti a destra".

Ma ecco il problema: questi droni sono sotto-attuati. In parole povere, sono come un monociclo che può solo pedalare in avanti o all'indietro; non può semplicemente scivolare lateralmente. Il copione potrebbe dire: "Muoviti in diagonale", ma il drone può solo generare una spinta (thrust) direttamente verso il basso attraverso il proprio corpo. Per muoversi in diagonale, deve inclinare tutto il corpo. Questo metodo di "inclinazione e spinta" introduce un divario tra il "copione perfetto" e la "realtà disordinata". Se il drone si inclina troppo lentamente o se il vento lo spinge, potrebbe mancare l'obiettivo e scontrarsi con il suo partner di danza.

La rete di sicurezza: un "Filtro Intelligente"

Per risolvere questo problema, gli autori hanno costruito un filtro di sicurezza che agisce come un arbitro vigile posizionato tra il copione della danza e i motori del drone. Questo arbitro utilizza uno strumento matematico chiamato Funzione di Barriera di Controllo di Ordine Superiore (HOCBF).

Immaginate l'HOCBF come un libro di regole super preciso che controlla la distanza tra ogni coppia di droni. Non guarda solo dove si trovano ora; prevede dove saranno nel prossimo istante basandosi su quanto velocemente si muovono e con quanta forza stanno spingendo. Se il libro di regole vede un imminente scontro, interviene.

Tuttavia, il mondo reale è imprevedibile. I droni potrebbero affrontare una folata di vento improvvisa o avere un motore che non è forte quanto dichiarato nel manuale. Per gestire questo, il team ha utilizzato i Processi Gaussiani (GP), che sono essenzialmente un modo per i droni di "imparare" i propri errori in tempo reale. Mentre volano, i droni raccolgono dati su come il vento li sta effettivamente influenzando e aggiornano i loro modelli interni.

L'innovazione principale dell'articolo è la combinazione di queste due idee:

1. L'errore di traduzione: Hanno calcolato esattamente quanto il metodo "inclinazione e spinta" rovini il copione perfetto. Hanno calcolato un "limite di errore" specifico, che è come un margine di sicurezza che dice: "Sappiamo che il drone potrebbe essere fuori strada di tanto a causa di come si inclina".
2. La rete di sicurezza che impara: Hanno inserito i dati dell'apprendimento (le previsioni dei GP) direttamente nel libro di regole della sicurezza. Invece di dire solo "Non avvicinarti a meno di 1 metro", il libro di regole ora dice: "Non avvicinarti a meno di 1 metro più tutto ciò che il vento potrebbe spingerti".

La soluzione "Aggregata"

Il team ha creato un sistema chiamato Filtro di Sicurezza Aggregato Robusto HOCBF-QP. È un nome complicato, ma pensatelo come un decisore di gruppo. Inve invece di far cercare a ogni drone di risolvere il puzzle da solo, tutti inviano la loro velocità e posizione attuale a un calcolatore centrale (il risolutore QP). Questo calcolatore osserva l'intero sciame, controlla i dati di apprendimento relativi agli errori del vento e poi apporta la minima modifica possibile alla spinta di ciascun drone per mantenere tutti al sicuro.

È come un direttore d'orchestra che regola il volume di ogni strumento solo quanto basta per mantenere l'orchestra armoniosa, senza cambiare la melodia. L'obiettivo è cambiare il percorso dei droni il meno possibile, garantendo al contempo che non si schiantino.

Cosa hanno mostrato le simulazioni

Gli autori hanno testato la loro idea in una simulazione al computer con sei droni che eseguivano una manovra di "scambio di punto di vista". Questa è simile a una troupe cinematografica dove i droni volano in cerchio attorno a un oggetto in movimento, scambiandosi di posto per ottenere diverse angolazioni. I loro percorsi sono stati progettati per incrociarsi, una ricetta per il disastro se il sistema di sicurezza fallisce.

I risultati sono stati promettenti:

• Il Baseline: Quando hanno utilizzato un controller standard che cercava di compensare il vento ma non aveva il filtro di sicurezza speciale, i droni si sono avvicinati troppo. La distanza minima tra loro è scesa a 1,1093 metri, che è meno dei 1,16 metri richiesti. Stavano quasi per schiantarsi.
• Il Nuovo Sistema: Quando hanno attivato il nuovo filtro "Aggregato Robusto HOCBF-QP", i droni sono rimasti al sicuro. La distanza minima è stata mantenuta a 1,2540 metri.
• Il Costo: Il filtro ha dovuto modificare la spinta (la potenza dei motori) dei droni per mantenerli al sicuro. La variazione media della spinta è stata di circa 2,39 Newton, con un picco massimo di 31,03 Newton. Ciò dimostra che il sistema è efficace ma richiede ai droni di lavorare un po' di più per rimanere al sicuro.

Hanno anche confrontato il loro sistema "robusto" (che tiene conto degli errori di apprendimento) con una versione "non robusta" (che ignora l'incertezza dell'apprendimento). La versione non robusta manteneva i droni distanti fisicamente, ma violava il certificato di sicurezza matematica, il che significa che era stata "fortunata" piuttosto che "sicura". La versione robusta, invece, ha mantenuto intatto il certificato di sicurezza matematica, dimostrando che il sistema è affidabile anche quando il vento è imprevedibile.

In sintamente

Questo articolo non sostiene di aver risolto ogni problema relativo alla sicurezza dei droni. Gli autori ammettono che il loro sistema dipende dal fatto che la matematica funzioni (che il "QP" sia fattibile) e che ci siano situazioni complicate, come quando due droni sono perfettamente perpendicolari alla spinta l'uno dell'altro, dove la matematica diventa più difficile. Notano anche che questo è stato testato in simulazione, non su veri droni fisici che volano in un vero parco.

Tuttavia, lo studio ha colmato con successo un importante divario. Dimostra come prendere un bellissimo e perfetto piano matematico per uno sciame di droni e farlo funzionare su macchine reali, goffe e colpite dal vento. Combinando un sistema di "apprendimento" che prevede gli errori con un "filtro di sicurezza" che li corregge, hanno creato un framework che garantisce, con alta probabilità, che questi ballerini aerei non si scontreranno mai, anche quando la musica diventa caotica.