Model Predictive Supervisory Control for Hierarchical and Distributed UAS Traffic Management

Il cielo sopra le nostre città sta diventando sempre più affollato, non di uccelli, ma di piccoli velivoli autonomi progettati per consegnare pacchi, ispezionare le infrastrutture e fornire servizi di emergenza. Mentre questi veicoli senza pilota passano dagli esperimenti militari e accademici alla logistica quotidiana, essi affrontano un problema fondamentale: lo spazio aereo a bassa quota è un collo di bottiglia fisico e condiviso. A differenza di un'autostrada dove le auto possono semplicemente cambiare corsia, l'aria richiede una coordinazione precisa per evitare collisioni, garantire che non due droni occupino lo stesso spazio nello stesso momento e gestire risorse limitate come le stazioni di ricarica. Questa sfida appartiene al campo della gestione del traffico per sistemi non presidiati, una disciplina che fonde la logica dell'informatica con i vincoli fisici del volo. Al suo interno, questo lavoro si basa su due idee distinte ma complementari. La prima è un metodo di "controllo supervisionato", che agisce come un rigoroso agente del traffico, definendo le regole assolute della strada per garantire la sicurezza e prevenire i deadlock, ovvero situazioni in cui i veicoli rimangono bloccati ad aspettarsi a vicenda all'infinito. La seconda è il "controllo predittivo", una strategia in cui ogni veicolo guarda avanti di alcuni passi per scegliere il percorso più efficiente, ponderando fattori come la durata della batteria e i tempi di consegna. La domanda che i ricercatori si pongono da tempo è come combinare questi due approcci per una grande flotta di droni senza creare un sistema informatico così complesso da non poter girare in tempo reale.

In uno studio recente, ricercatori della Federal University of Minas Gerais in Brasile hanno proposto una soluzione che colma questo divario, creando un framework che chiamano Model Predictive Supervisory Control. Hanno progettato un sistema che consente a un grande gruppo di droni di operare in sicurezza in un ambiente urbano trafficato, separando il compito di "mantenere tutti al sicuro" dal compito di "trovare il percorso migliore". Immaginate una città in cui un'autorità centrale traccia i confini di ogni strada e incrocio, dichiarando quali percorsi sono aperti e quali sono chiusi per prevenire incidenti. Questa autorità non dice a ogni conducente esattamente quale svolta prendere; invece, proibisce semplicemente le manovre pericolose. Ogni conducente, conoscendo le regole, guarda poi la mappa e sceglie il percorso più veloce e con il minor consumo di carburante per raggiungere la propria destinazione, rimanendo all'interno di quei confini sicuri. È esattamente così che funziona il nuovo sistema. Un controllore centrale, agendo come supervisore, monitora l'intera flotta e lo spazio aereo condiviso. Utilizza un modello matematico per identificare quali movimenti causerebbero una collisione o violerebbero una regola, come entrare in una zona ristretta o tentare di atterrare in una stazione di ricarica che è già piena. Successivamente, trasmette un elenco di "mosse proibite" a ogni drone della flotta.

Ogni drone riceve questo elenco e utilizza il proprio computer di bordo per risolvere un problema di ottimizzazione a breve termine. Osserva la propria posizione attuale, il livello della batteria e la missione assegnata, quindi calcola la sequenza di mosse che gli permetterà di raggiungere l'obiettivo con il minor tempo ed energia, evitando rigorosamente le mosse presenti nell'elenco delle proibite. Una volta che il drone esegue la primissima mossa di quella sequenza, il processo si ripete. Il drone invia la sua nuova posizione al supervisore centrale, il supervisore aggiorna l'elenco delle mosse proibite in base alla nuova realtà, e il drone pianifica il suo passo successivo. Questo ciclo avviene continuamente, permettendo alla flotta di adattarsi istantaneamente ai cambiamenti, come una nuova richiesta di consegna o un improvviso avviso sulla batteria. I ricercatori hanno testato questo sistema in un ambiente urbano simulato utilizzando una piattaforma software robotica standard. Hanno creato due scenari: un test più piccolo con due droni che navigano in una mappa semplice con nove nodi, e un test più grande e complesso con quattro droni che navigano in una mappa con diciannove nodi attraverso due diversi strati di altitudine.

I risultati di queste simulazioni hanno dimostrato che questo approccio gerarchico risolve il problema della complessità che ha tormentato i tentativi precedenti. Quando i ricercatori hanno cercato di costruire un singolo modello informatico onnisciente per gestire l'intera flotta contemporaneamente — un metodo noto come sintesi monolitica — il sistema è andato in sovraccarico. Per il piccolo scenario con due droni, il singolo modello richiedeva quasi 445.000 stati interni per descrivere ogni possibile combinazione di posizioni e azioni, un numero che crescerebbe esplosivamente se venissero aggiunti più droni. Al contrario, il nuovo sistema gerarchico ha ridotto la complessità del supervisore a soli 570 stati, una riduzione di circa 780 volte. Questa massiccia semplificazione ha permesso al sistema di funzionare efficientemente senza la necessità di supercomputer. Nello scenario più grande con quattro droni, il sistema ha completato con successo cinque missioni su sei, con un tempo medio di missione di 44,42 secondi e un throughput di 2,46 missioni al minuto. Il supervisore centrale ha dovuto proibire una media di 19,28 mosse per ogni passaggio temporale per mantenere la sicurezza, dimostrando che il sistema stava attivamente gestendo i conflitti piuttosto che lasciare che i droni volassero liberamente.

Lo studio conferma che separare le regole di sicurezza globale dal processo decisionale locale consente una soluzione scalabile. Il supervisore centrale non ha bisogno di conoscere i dettagli specifici della batteria o del carico di ogni drone; deve solo tracciare l'occupazione dello spazio aereo e la disponibilità delle risorse condivise. I droni, a loro volta, sono liberi di ottimizzare i propri percorsi purché rispettino i confini stabiliti dal supervisore. Questa architettura garantisce che il sistema rimanga sicuro e non bloccante, il che significa che nessun drone rimane bloccato in una situazione in cui non può procedere né indietreggiare. I ricercatori hanno scoperto che anche all'aumentare del numero di droni e della complessità dello spazio aereo, il sistema mantiene la sua capacità di coordinare la flotta senza collisioni o ritardi. Il lavoro suggerisce che questo metodo è una via percorribile per il futuro della mobilità aerea urbana, dove migliaia di veicoli potrebbero un giorno condividere gli stessi corridoi a bassa quota. Utilizzando un framework che combina una rigorosa applicazione della sicurezza con un'ottimizzazione locale flessibile, i ricercatori hanno dimostrato che è possibile gestire un sistema multi-agente complesso in modo da essere sia computazionalmente efficiente che operativamente robusto. Lo studio conclude che, sebbene il sistema sia attualmente validato tramite simulazione, i principi stabiliti offrono una base concreta per lo sviluppo di sistemi di gestione del traffico nel mondo reale che possano gestire le dinamiche richieste da un cielo cittadino trafficato.