Vision-Based UAV Interception Using Dynamic Image-Based Visual Servoing, Multi-Objective Predictive Guidance, and Robust Soft Control Barrier Functions

Nel cielo, un drone dotato di una telecamera affronta una sfida difficile: deve intercettare un altro drone che si muove in modo imprevedibile, il tutto mentre la visuale della telecamera è ritardata dal tempo necessario per elaborare le immagini e il drone stesso ha dei limiti nella capacità di virata. Questo è il campo del controllo visivo (visual servoing), un metodo in cui una macchina usa ciò che vede direttamente per guidare se stessa, invece di fare affidamento su una mappa perfetta e precalcolata del mondo. Per un drone che cerca di intercettare un bersaglio, il compito è complicato dal fatto che la telecamera è montata rigidamente sull'aeromobile; se il drone vira bruscamente per inseguire il bersaglio, la telecamera potrebbe oscillare così velocemente da far scomparire il bersaglio dalla vista. Inoltre, le immagini che il drone riceve non sono mai perfettamente fresche; sono sempre leggermente vecchie, e il bersaglio potrebbe cambiare velocità o direzione in modi che il drone non può prevedere. Risolvere questo problema richiede un sistema in grado di vedere il futuro, pesare molteplici opzioni simultaneamente e prendere decisioni in frazioni di secondo che bilancino velocità, sicurezza e fluidità.

I ricercatori dell'Istituto di Automazione del Controllo nella Produzione e nel Miglioramento della Tecnologia hanno sviluppato un nuovo approccio a questo problema, creando un sistema che consente a un drone di intercettare un bersaglio in manovra anche quando i dati visivi sono rumorosi e ritardati. Invece di cercare di forzare il bersaglio al centro del campo visivo della telecamera immediatamente, il che spesso porta a movimenti erratici o alla scomparsa del bersaglio dalla vista, il loro metodo utilizza un osservatore predittivo per ipotizzare dove si troverà il bersaglio un istante più avanti. Il sistema genera quindi un piccolo insieme di possibili percorsi di volo, o traiettorie candidate, da seguire per il drone. Ognuno di questi percorsi viene valutato rispetto a diversi obiettivi contemporaneamente: quanto il drone si avvicinerà al bersaglio, quanto tempo richiederà l'intercettazione, quanta energia utilizzerà il drone e il rischio di perdere il bersaglio all'interno dell'inquadratura della telecamera.

Per scegliere il percorso migliore, i ricercatori non si sono limitati a scegliere l'unica opzione che appariva migliore sulla carta. Al contrario, hanno utilizzato una tecnica chiamata fusione Soft-min, che fonde le opzioni insieme in una decisione fluida e continua. Ciò evita che il drone scatti avanti e indietro tra diverse strategie, un problema comune quando un sistema passa bruscamente da una scelta all'altra. Il risultato è un punto di riferimento dinamico che si muove attraverso il campo visivo della telecamera, guidando il drone verso il punto di intercettazione previsto piuttosto che verso un punto fisso nell'immagine. Ciò consente al drone di regolare la propria rotta con grazia mentre il bersaglio si muove, compensando il ritardo nei dati d'immagine anticipando la mossa successiva del bersaglio.

Una parte critica di questo sistema è un filtro di sicurezza basato su un concetto noto come funzione di barriera di controllo (control barrier function). In termini semplici, questo agisce come una guardia che impedisce al drone di impartire un comando che causerebbe la scomparsa del bersaglio dal campo visivo della telecamera. Tuttavia, poiché le condizioni del mondo reale sono disordinate e i motori del drone hanno limiti fisici, una regola rigorosa che dice "non perdere mai il bersaglio" può talvolta rendere impossibile la risoluzione matematica. Per gestire questo, i ricercamenti hanno introdotto una versione "morbida" di questa regola di sicurezza. Ciò consente al sistema di piegare temporaneamente il vincolo di sicurezza se assolutamente necessario per mantenere il movimento del drone, pur penalizzando il sistema per averlo fatto. Questo assicura che il drone continui a tentare l'intercettazione del bersaglio anche quando la situazione è estremamente critica, invece di bloccarsi perché non riesce a trovare una soluzione perfetta.

I ricercatori hanno testato il loro metodo in una serie di simulazioni al computer che comprendevano cento scenari differenti con vari venti, rumori e movimenti del bersaglio. Hanno confrontato il loro nuovo sistema con diversi metodi esistenti, inclusi il tracciamento visivo standard e altri approcci predittivi. I risultati hanno mostrato che il loro metodo è altamente efficace. Nelle simulazioni, il drone ha intercettato con successo il bersaglio nel novanta per cento delle prove, un tasso molto vicino al metodo di base con le migliori prestazioni. Ancora più importante, il nuovo sistema ha ottenuto questo con un impegno significativamente minore. Il drone ha utilizzato circa il quindici per cento di energia di controllo in meno, il che significa che non ha dovuto lavorare così duramente per compiere la stessa cattura. Ha inoltre ridotto l'errore nel tracciamento dell'immagine del bersaglio di quasi il quarantasei per cento, mantenendo il bersaglio molto più stabile nel campo visivo della telecamera. Anche il tempo necessario per completare l'intercettazione è stato ridotto di oltre il venti per cento rispetto al metodo di base, a condizione che l'intercettazione fosse andata a buon fine.

Tuttavia, lo studio ha anche rivelato un sottile compromesso. Sebbene il nuovo metodo sia più veloce ed efficiente, il suo tasso di successo è leggermente inferiore rispetto al metodo di base, scendendo di tre punti percentuali. Ciò suggerisce che, privilegiando velocità e fluidità, il sistema occasionalmente ha assunto rischi che un approccio più conservativo avrebbe evitato. I ricercatori hanno scoperto che la distanza media tra il drone e il bersaglio al momento dell'intercettazione era quasi identica per entrambi i metodi, misurando poco più di due metri in entrambi i casi. Ciò indica che, sebbene il nuovo sistema sia più agile e meno gravoso per i motori del drone, non garantisce necessariamente una cattura perfetta in ogni singolo scenario in cui il metodo precedente avrebbe potuto avere successo.

Lo studio conclude che questo approccio offre un modo potente per gestire il complesso equilibrio tra vedere, pensare e agire per i droni autonomi. Combinando un osservatore predittivo, un processo decisionale multi-obiettivo e un filtro di sicurezza flessibile, il sistema può gestire i ritardi e le incertezze della visione del mondo reale. I ricercatori osservano che, sebbene le simulazioni siano state di successo, il sistema si basa su approssimazioni per mantenere i calcoli abbastanza veloci da essere utilizzati in tempo reale. Il lavoro futuro riguarderà il test di queste idee su hardware reale ed esplorerà come il sistema si comporta con modelli fisici più complessi del drone. Per ora, i risultati dimostrano che è possibile guidare un drone verso un bersaglio in movimento con alta precisiono ed efficienza, anche quando gli occhi del drone sono lenti e il bersaglio è elusivo.