Safety-Critical Control for Quadrotor UAVs via Decentralized Navigation Functions

無数の小さな、羽音を立てるドローンの群れが、新しい配送員、空撮カメラマン、そして捜索救助のヒーローとなる世界を想像してみてください。これを実現するためには、彼らが完璧に振り付けられたダンスチームのように、目的地へと急行する際に互いに衝突することなく、共に動く必要があります。これは、たとえ何かがうまくいかなくなったとしても、機械が衝突しないようにすることに特化したロボット工学の一分野である「安全クリティカル制御」の世界です。

問題は、ドローンが少し不器用な思考を持っていることです。彼らには、木や仲間を避けるための完璧な経路を計算できる「脳」がありますが、その「筋肉」（モーター）には限界があります。彼らは空気を真下に押し出すことしかできず、車のように横にスライドすることはできません。つまり、行きたい方向へ行くためには、体全体を傾けなければならないのです。さらに、現実の世界は混沌としています。突風、重い荷物、あるいは単なる少し故障したモーターによって、ドローンの実際の動きは、その脳が予測した動きとは異なるものになります。本論文は、これらパワー不足で予測不可能なドローンの群れに対し、風が吹いていたり内部のマップが少し曖昧であったりする場合でも、実際に衝突することなく、完璧で衝突のないダンスのルーチンに従う方法を教えるという、非常に難しい問題に取り組んでいます。

不器用なドローンたちのダンス

本研究において、研究者のオマイラ・ヤゴ・ニエト、アレクサンドル・アナホリー・シメス、レオナルド・コロモは、特定の悩みに取り組んだ：クアッドローター（4つの回転するプロペラを持つタイプ）のチームに対し、彼らの「理想的な」指示が物理的な現実と一致しない場合に、どのように安全に動くよう指示するか、という問題です。

ドローンを、台本を与えられたダンサーのグループだと考えてみてください。**分散型ナビゲーション関数（Decentralized Navigation Functions）**と呼ばれるものによって生成された台本は、各ダンサーに対し、他の人とぶつかるのを避け、ステージの中央に到達するために正確にどこへ動くべきかを指示します。それは、全員がどこにいるかを正確に把握し、「あなたは左へ、あなたは右へ」と指示を出すGPSのようなものです。

しかし、ここに落とし穴があります。これらのドローンは**劣駆動（underactuated）**です。平たく言えば、彼らは前後にしかペダルを漕げない一輪車のようなもので、横にスライドすることはできません。台本が「斜めに移動せよ」と指示しても、ドローンは体の真下方向にのみ推力（押し出す力）を生み出すことができます。斜めに移動するためには、体全体を傾けなければなりません。この「傾けて押す」という手法は、「完璧な台本」と「混沌とした現実」の間にギャップを生じさせます。もしドローンの傾きが遅すぎたり、風に押されたりすると、目標から外れてダンスのパートナーに衝突してしまう可能性があります。

安全網：「スマートフィルター」

これを解決するために、著者らは、ダンスの台本とドローンのモーターの間に立つ、警戒心の強い審判のような役割を果たす安全フィルターを構築しました。この審判は、**高次制御バリア関数（High-Order Control Barrier Function: HOCBF）**という数学的ツールを使用しています。

HOCBFを、すべてのドローン間の距離をチェックする超精密なルールブックだと想像してください。それは単に「今」どこにいるかを見るだけではありません。現在の速度とどれほど強く押し出しているかに基づいて、次の瞬間に彼らがどこにいるかを予測します。もしルールブックが衝突の兆候を見つけた場合、介入します。

しかし、現実世界は予測不可能です。ドローンは突然の突風に直面したり、モーターの出力がマニュアル通りに強くなかったりすることがあります。これに対処するため、チームは**ガウス過程（Gaussian Processes: GPs）**を使用しました。これは、ドローンがリアルタイムで自分自身のミスを「学習」する方法です。ドローンは飛行しながら、風が実際にどのように影響を与えているかのデータを収集し、内部モデルを更新していきます。

本論文の主な革新は、これら2つのアイデアを組み合わせることです：

1. 変換誤差： 彼らは、「傾けて押す」という手法が完璧な台本をどれほど狂わせるかを正確に算出しました。彼らは特定の「誤差範囲」を計算しました。これは、「ドローンの傾き方によって、これだけズレる可能性がある」という安全マージンのようなものです。
2. 学習型の安全網： 彼らは「学習」データ（GPの予測）を安全ルールブックに直接組み込みました。単に「1メートル以内に近づくな」と言うのではなく、ルールブックは今や「1メートル ＋ 風があなたを押し出す可能性のある分」に近づくな、と指示します。

「集約された」ソリューション

チームは、**集約型ロバストHOCBF-QP安全フィルター（Aggregated Robust Hocbf-QP Safety Filter）**と呼ばれるシステムを作成しました。これは非常に長い名前ですが、グループの意思決定者だと考えてください。各ドローンが単独でパズルを解こうとするのではなく、全員が現在の速度と位置を中央の計算機（QPソルバー）に送ります。この計算機は、群れ全体を俯瞰し、風による誤差の「学習」データをチェックした上で、全員の安全を確保するために、各ドローンの推力（押し出す力）を最小限に調整します。

それは、オーケストラの指揮者が、メロディを変えることなく、音楽を調和させるために、各楽器のボリュームを最小限に調整するようなものです。目標は、安全を保証しつつ、ドローンの経路をできる限り変えないことです。

シミュレーションの結果

著者らは、6機のドローンが「ビューポイント交換（viewpoint exchange）」マニューバを行うコンピュータシミュレーションでこのアイデアをテストしました。これは、カメラクルーが動く対象物の周りを旋回し、異なる角度を得るために場所を入れ替わるような動きです。彼らの経路は交差するように設計されており、安全システムが失敗した場合、災難を招くレシピとなります。

結果は有望でした：

• ベースライン： 風を補償しようとはしているものの、特別な安全フィルターを持っていない標準的なコントローラーを使用した場合、ドローン同士が接近しすぎました。ドローン間の最小距離は1.1093メートルまで低下し、要求されていた1.16メートルを下回りました。衝突寸前でした。
• 新しいシステム： 新しい「集約型ロバストHOCBF-QP」フィルターをオンにすると、ドローンは安全を維持しました。最小距離は1.2540メートルに保たれました。
• コスト： フィルターは安全を確保するために、ドローンの推力（エンジンのパワー）を調整する必要がありました。推力の平均変化量は約2.39ニュートンで、最大スパイクは31.03ニュートンでした。これは、システムが効果的である一方で、安全を維持するためにドローンに少し高い負荷を強いることを示しています。

彼らはまた、彼らの「ロバスト（堅牢）」なシステム（学習誤差を考慮したもの）を、「非ロバスト」なバージョン（学習の不確実性を無視したもの）と比較しました。非ロバストなバージョンは、物理的にはドローン同士を離していましたが、数学的な安全証明を違反していました。つまり、それは「安全」なのではなく「運が良かった」だけでした。しかし、ロバストなバージョンは、数学的な安全証明を維持しており、風が予測不可能な場合でもシステムが信頼できることを証明しました。

結論

本論文は、ドローンの安全に関するあらゆる問題を解決したと主張しているわけではありません。著者らは、システムが数学的に成立していること（QPが実行可能であること）に依存していることや、2機のドローンが互いの推力に対して完全に垂直に位置する場合など、数学的に困難になる状況があることを認めています。また、これらはまだ実世界の公園で物理的なドローンを飛ばしてテストされたものではなく、シミュレーションによるものであることも述べています。

しかし、この研究は大きな溝を埋めることに成功しました。ドローンの群れのための美しく完璧な数学的計画を、いかにして現実の、不器用で風に吹かれる機械として機能させるかを示したのです。「学習」システムによって誤差を予測し、「安全フィルター」によってそれを修正することで、音楽が混沌とした状況であっても、これらの空のダンサーたちが決して衝突しないことを高い確率で保証するフレームワークを作り上げました。