論文要約：運動制約に基づく行動予測を用いた UAV スワームの牧羊制御

1. 研究の背景と問題定義

近年、小型無人航空機（UAV/ドローン）の低価格化・小型化に伴い、ドローン群（スワーム）の制御が注目されています。その中でも「牧羊（Shepherding）」は、少数のナビゲーターエージェント（牧羊犬）が、多数の自律エージェント（羊）を間接的に誘導して目標地点へ移動させる制御手法として研究されています。

既存の研究には以下の課題がありました：

• 現実的な運動制約の欠如: 多くの既存手法は、エージェントを点質量としてモデル化し、速度や加速度に上限がない理想的な挙動を仮定している。しかし、実機（ドローン）では速度・加速度に物理的制約があるため、この仮定は現実的ではない。
• 瞬時相互作用への依存: 従来の誘導則は、エージェント間の瞬時の相対位置に基づく単純な相互作用ベクトルに依存しており、将来の挙動を予測して最適化していない。
• 汎用性の限界: 特定の単純なモデルに対しては機能しても、より多様な自律エージェントのモデルや複雑な環境への一般化が難しい。

本研究では、実ドローンへの実装を前提とし、各エージェントの速度・加速度の上限を明示的に考慮した運動制約モデルを構築し、ナビゲーターエージェントが自律エージェントの将来の挙動を予測して最適な行動を選択する新しい制御手法を提案します。

2. 提案手法の概要

提案手法は、自律エージェントの運動モデルと、制約条件下での行動予測に基づくナビゲーター制御の 2 つの主要な構成要素からなります。

2.1 自律エージェントの運動モデル（Boids モデルの改良）

自律エージェント（羊）は、以下の 4 つの相互作用則に基づいて動作する参照速度モデルを採用しています。

1. 凝集 (Cohesion): 近傍のエージェントと位置を合わせる。
2. 分離 (Separation): 衝突回避のため近傍エージェントと距離を保つ。
   • 工夫: 実機の制約を考慮し、衝突回避をより確実に行うため、各エージェントに安全半径（$r_{safe}$）を付与し、距離を平滑化して発散を防いでいます。
3. 整列 (Alignment): 近傍エージェントの速度に合わせる。
   • 工夫: 従来の整列則では、牧羊犬の介入が弱まった後も群れが慣性で漂流する問題がありました。本研究では、仮想の「速度 0 のエージェント」を平均計算に含めることで、介入が弱まると速度が自然に減衰し、群れが停止するよう設計しています。
4. 回避 (Evasion): 牧羊犬（ナビゲーター）からの斥力として機能し、群れを目標方向へ駆動する主要な要因です。

2.2 ナビゲーターエージェントの制御戦略（DWA inspired 予測制御）

ナビゲーターエージェント（牧羊犬）は、動的窓アプローチ（Dynamic Window Approach: DWA）の概念を応用した「候補生成・短期予測・評価・選択」のフレームワークを採用しています。

1. ターゲットの選定とモード切り替え:
   • DBSCAN クラスタリングを用いて、観測された自律エージェントをグループ化します。
   • 収集モード: 複数の大きな群れが存在する場合、最も遠い群れをターゲットとして主要群れへ集結させます。
   • 誘導モード: 単一の群れ、または目標方向への経路上にのみ群れが存在する場合、群れ全体を目標地点へ誘導します。
2. 運動候補の生成:
   • ナビゲーター自身の速度・加速度制約（水平・垂直成分の上限）を満たす運動候補（加速度ベクトルと加速区間）を離散化して生成します。
3. 短期予測と評価:
   • 生成された各運動候補に対して、内部モデルを用いて予測時間範囲（$T_{pred}$）内の自律エージェント群の挙動をシミュレーションします。
   • 以下の評価基準に基づき、重み付き和でコストを計算し、最小化する運動を選択します。
     • 速度評価: 目標方向への速度成分の大きさと方向性。
     • 位置評価: 群れに対するナビゲーターの相対位置（近距離では背後、遠距離では接近能力を重視）。
     • 観測維持評価: 観測半径を失うリスクの最小化。
     • 分裂回避評価: 群れの内部を横断して群れが分断されるリスクの回避。
     • 安全性評価: 衝突リスクと高度制約の違反ペナルティ。

3. 主要な貢献

1. 運動制約を明示的に組み込んだ牧羊制御モデル:
   実機ドローンに適用可能なよう、速度・加速度の上限および垂直方向の昇降特性をモデルに明示的に統合しました。
2. 行動予測に基づく効率的な誘導則:
   瞬時の位置関係だけでなく、ナビゲーター自身の行動が群れに与える短期的な影響を内部モデルで予測し、DWA 的な枠組みで最適行動を選択することで、より効率的かつ安全な誘導を実現しました。
3. 漂流防止と安定した停止:
   自律エージェントの整列則に工夫を加えることで、牧羊犬の介入が弱まった際の群れの不要な漂流を抑制し、目標地点での安定した停止を可能にしました。
4. クラスタリングに基づく適応的戦略:
   群れが分断されている場合でも、DBSCAN を用いて自動的に収集・統合モードと誘導モードを切り替えることで、分散した群れを効率的に管理する手法を提案しました。

4. 数値シミュレーション結果

• 環境: MATLAB 2025b 使用、オイラー法による数値解。
• 設定: 1 機のナビゲーター、14 機の自律エージェント、目標地点 $[0, -100, 40]^T$ [m]。初期状態では自律エージェントは分散していました。
• 結果:
  • 図 11 に示されるように、ナビゲーターは分散した複数のクラスタを収集し、統合した群れを目標地点へ誘導することに成功しました。
  • 図 12 に示されるように、複数のクラスタに分散していたにもかかわらず、約 150 秒でナビゲーションが完了しました。
  • 群れの分裂や衝突が発生することなく、安全かつ効率的に目標到達が達成されました。

5. 意義と今後の展望

本研究は、理論的な牧羊制御から、実機ドローンへの実装を視野に入れた**「制約条件下での予測制御」**へとパラダイムをシフトさせた点に大きな意義があります。特に、自律エージェントの運動制約をナビゲーターの予測モデルに組み込むことで、現実的なドローン群の制御において、安全性と効率性を両立させる手法を示しました。

今後の課題としては、提案した評価関数の重み付けの最適化、および実機ドローン群を用いた実証実験が挙げられています。この手法は、建設現場や災害対応など、複雑な環境でのロボット群の自律制御への応用が期待されます。