Distributed UAV Formation Control Robust to Relative Pose Measurement Noise

Dit artikel presenteert een nieuwe methode voor gedistribueerde UAV-vormingscontrole die grafische stijfheid combineert met een aanpassing aan meetruis, waardoor oscillaties en afwijkingen in realistische scenario's aanzienlijk worden verminderd ten opzichte van bestaande algoritmen.

De kern

Titel: Hoe een groep drones een perfecte dans uitvoert, zelfs als ze een beetje "dronken" kijken

Stel je voor dat je een groepje drones hebt die samen een complexe dans moeten dansen in de lucht. Ze moeten op exacte afstanden van elkaar blijven en in een specifieke vorm vliegen, zoals een V-vorm of een cirkel. Dit klinkt makkelijk, maar in de echte wereld is het een enorme uitdaging.

Het Probleem: De "Dronken" Camera's
De drones gebruiken camera's om elkaar te zien en hun positie te berekenen. Maar net als mensen die een beetje dronken zijn, zien deze camera's niet alles perfect. Er zit altijd een beetje ruis of "wazigheid" in de beelden.

In de oude methodes reageerden de drones extreem op elke kleine onnauwkeurigheid. Als de camera dacht: "Oh, ik ben 1 centimeter te ver naar links," dan draaide de drone direct scherp om. Maar omdat de meting eigenlijk maar een gok was, draaide hij te ver, en toen dacht hij weer: "Oh nee, nu ben ik te ver naar rechts!" en draaide hij weer terug.

Het resultaat? De drones trilden en schudden als een groepje mensen die proberen te dansen terwijl ze op een trampoline staan. Ze kwamen nooit rustig op hun plek, en door het veelvuldige schudden raakten ze elkaar soms zelfs kwijt uit het zicht.

De Oplossing: De "Rem" (Restraining)
De onderzoekers uit dit artikel hebben een slimme nieuwe techniek bedacht die ze "Remmen" (in het Engels: Restraining) noemen.

Stel je voor dat je een auto bestuurt die naar een parkeerplek rijdt, maar je hebt een slechte achteruitrijcamera die soms zegt dat je 5 meter verder weg bent dan je eigenlijk bent.

• De oude manier: Je zou elke keer hard op de rem trappen en gas geven als de camera iets verandert. Je zou heen en weer schokken.
• De nieuwe manier (Remmen): De drone kijkt naar de camera en zegt: "Oké, de camera zegt dat ik 10 centimeter te ver ben. Maar ik weet dat mijn camera soms 5 centimeter fout zit. Dus ik ga niet direct remmen. Ik ga eerst even wachten en kijken of het echt nodig is."

De drone gebruikt de kennis over hoe onnauwkeurig zijn camera is (de "statistieken van de ruis") om een veiligheidszone te creëren rondom zijn doel.

• Als de drone ver weg is, gaat hij snel en krachtig naar zijn doel toe.
• Maar zodra hij dicht bij zijn doel is, en de afwijking klein is, kijkt hij: "Is dit verschil echt omdat ik verkeerd zit, of is het gewoon ruis in de camera?"
• Als het waarschijnlijk ruis is, doet hij niets. Hij blijft rustig staan in plaats van te gaan trillen.

De Analogie: De Dansende Kippen
Stel je een kippenhok voor waar de kippen proberen in een perfecte rij te staan.

• Zonder de nieuwe techniek: Elke kip kijkt naar de kip voor zich. Als die kip een beetje wiebelt (door wind of een onzekere blik), schrikt de achterste kip en rent hij ook een stukje. De hele rij begint te trillen als een rietje in de wind.
• Met de nieuwe techniek: De kippen hebben een regel: "Als de kip voor mij maar een heel klein beetje verschuift, denk ik dat het gewoon de wind is. Ik ga niet bewegen." Ze negeren de kleine, onzekerheden. Hierdoor blijven ze rustig staan en vormen ze een strakke, mooie lijn, zelfs als de wind waait.

Waarom is dit belangrijk?

1. Minder trillen: De drones vliegen veel rustiger. Dit is cruciaal, want als een drone te veel trilt, wordt zijn eigen camera nog slechter (de beelden worden wazig).
2. Beter in de praktijk: In simulaties en echte vluchten met echte drones (zoals in de video's in het artikel) zagen ze dat de drones met deze techniek veel sneller en rustiger hun vorm aannamen. Zelfs als de drones ver uit elkaar vlogen en de camera's het moeilijk hadden, bleven ze bij elkaar.
3. Toekomst: Hiermee kunnen we in de toekomst grotere groepen drones gebruiken voor reddingsoperaties, het inspecteren van gebouwen of het leveren van pakketten, zonder dat ze elkaar in de weg zitten of uit elkaar vallen.

Kortom:
De onderzoekers hebben een slimme "rem" bedacht die drones leert om niet op elke kleine onnauwkeurigheid te reageren. In plaats van te trillen als een jaloerse kip, gedragen ze zich als een ervaren danser die weet wanneer hij moet bewegen en wanneer hij moet wachten. Hierdoor kunnen ze samen vliegen in perfecte vorm, zelfs als hun ogen (camera's) niet 100% scherp zijn.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "Distributed UAV Formation Control Robust to Relative Pose Measurement Noise" in het Nederlands.

Titel: Gedistribueerde UAV-vormingscontrole robuust tegen ruis in metingen van relatieve pose

Auteurs: Viktor Walter, Matouš Vrba, Daniel Bonilla Licea, Matej Hilmer, Martin Saska (CTU in Praag en Mohammed VI Polytechnische Universiteit).

---

1. Het Probleem

De samenwerking tussen meerdere onbemande luchtvaartuigen (UAV's) vereist vaak dat ze in strakke formaties vliegen. Traditionele methoden voor vormingscontrole (Formation-Enforcing Control - FEC) zijn gebaseerd op graftheorie (rigiditeit) en gaan er vaak van uit dat metingen van de relatieve positie en oriëntatie tussen drones perfect zijn.

In de praktijk gebruiken UAV's echter onboard sensoren (zoals visuele systemen) voor wederzijdse lokalisatie. Deze sensoren zijn belast met ruis (meetfouten) en werken met een discrete bemonsteringsfrequentie.

• Gevolg van ruis: Wanneer een FEC-algoritme dat is ontworpen voor ruisvrije data wordt toegepast op ruizige metingen, ontstaat er een ongewenst gedrag. De drones reageren te agressief op meetfouten, wat leidt tot chaotische oscillaties, drift rond de gewenste vorm, en snelle versnellingen/vertragingen.
• Impact: Deze oscillaties verstoren de visuele lokalisatie zelf (door beweging van de camera, wazigheid, en het verlies van het doel uit het gezichtsveld), wat een negatieve terugkoppeling veroorzaakt die de stabiliteit van het hele systeem in gevaar brengt. Bestaande oplossingen, zoals het simpelweg filteren van data of het vertragen van de reactie, leiden vaak tot trage convergentie of lossen het fundamentele probleem van de gevoeligheid van de controlewet niet op.

2. Methodologie: De "Restraining"-techniek

De auteurs stellen een nieuwe, gedistribueerde controlewet voor, genaamd "Restraining" (beperken/temmen). Deze techniek is gebaseerd op het exploiteren van de statistische eigenschappen van de sensorruis (die vaak als Gaussisch wordt gemodelleerd) om de controleactie aan te passen.

Kernprincipes:

1. Decompositie van de controle: De standaard FEC-commando's (afgeleid van gradient descent) worden opgedeeld in interpreteerbare componenten (bijv. verschillen in positie en richting).
2. Statistische drempelwaarde: In plaats van direct te reageren op elke gemeten afwijking, wordt de controleactie gemodificeerd op basis van de geschatte verdeling van de sensorruis (covariantie).
3. De "Dead Zone" (Dode Zone):
   • Als de gemeten afwijking klein is ten opzichte van de onzekerheid (ruis), is het waarschijnlijk dat de afwijking puur door ruis wordt veroorzaakt en niet door een echte positiefout.
   • In dit geval wordt de controleactie onderdrukt (de drone doet niets). Dit voorkomt dat de drone onnodig beweegt en de vorm verstoort.
   • Als de afwijking groot is (ver boven de ruisdrempel), wordt de controleactie wel uitgevoerd om snel naar de gewenste vorm te convergeren.
4. Kans op overschrijding: De methode introduceert een parameter $\ell$ (een maximale toegestane kans op het overschrijden van het doel). De controlewet berekent een "restrained setpoint" dat de drone niet direct naar het gemeten doel stuurt, maar naar een punt dat de kans op het overschrijden van de gewenste positie minimaliseert. Dit fungeert als een ruimtelijke probabilistische bewegingsfilter.

Wiskundige basis:
De methode past een "clamp"-functie toe op de controlefouten. Voor een 1D-systeem wordt de snelheid $v[k]$ bepaald door:
$$v[k] = k_{ef} \cdot \text{clamp}(\Delta s(\Delta m[k], \sigma_m[k]), \Delta m[k])$$
Waarbij $\Delta s$ een afgezwakte fout is die rekening houdt met de standaardafwijking $\sigma_m$ en de parameter $\ell$. Dit concept wordt vervolgens uitgebreid naar 3D-positie en oriëntatie ($\mathbb{R}^3 \times S^1$) voor UAV's.

3. Belangrijkste Bijdragen

• Nieuwe Techniek: Een robuuste, gedistribueerde FEC voor UAV-teams die specifiek is ontworpen voor onboard sensoren met bekende ruisstatistieken.
• Theoretische Analyse: Een grondige analyse die het gedrag van het systeem voorspelt onder specifieke ruis- en systeemparameters, inclusief bewijzen voor stabiliteit en convergentie.
• Verbeterde Prestaties: Experimentele validatie die aantoont dat de techniek oscillaties, afwijkingen en convergentietijden significant verbetert ten opzichte van pure proportionele controle.
• Open Source: De implementatiecode is publiek beschikbaar gesteld om reproduceerbaarheid te waarborgen.

4. Resultaten

De auteurs hebben hun methode getest in simulaties en echte vluchtexperimenten met drie UAV's uitgerust met het UVDAR-systeem (UltraViolet Direction And Ranging), een visueel relatief lokalisatiesysteem.

Simulatie-resultaten:

• Het verminderen van de parameter $\ell$ (stricter beperken) leidt tot een sterkere reductie van de oscillaties en de stabilisatie-variantie, ten koste van een iets langzamere convergentie.
• De methode presteert beter dan het simpelweg aanpassen van de proportionele versterkingsfactor ($k_{ef}$), vooral bij lage bemonsteringsfrequenties.

Experimentele resultaten (Real-world):

• Vergelijking: Vluchten met en zonder de "Restraining"-techniek werden vergeleken.
• Verbetering: Met de techniek werden de gemiddelde hoeksnelheid (rotatie) en versnelling met 40-50% verlaagd. Dit betekent veel minder trillen en schokkerig gedrag.
• Convergentie: De drones bereikten de gewenste vorm sneller en nauwkeuriger, zelfs bij grote formaties waar de meetruis hoog was.
• Stabiliteit: Zonder de techniek faalde de vorming vaak volledig bij grote afstanden (door verlies van visueel contact door chaotische beweging). Met de techniek bleef de vorming behouden.
• Tabel 1 (Samenvatting): Toont aan dat de hoeksnelheid ($v_\psi$) en versnelling ($a_p$) drastisch dalen, wat gunstig is voor de prestaties van de onboard camera's.

5. Betekenis en Conclusie

Deze paper lost een fundamenteel probleem op in de multi-robotica: hoe vormingscontrole robuust te maken voor de onvolkomenheden van real-world sensoren.

• Praktische Toepassing: De methode maakt het mogelijk om UAV's in strakke formaties te laten vliegen zonder afhankelijk te zijn van externe infrastructuur (zoals motion capture of RTK-GNSS), wat essentieel is voor operaties in ongestructureerde omgevingen (bijv. tunnels, bossen).
• Sensitiviteit: Door de ruisstatistieken actief te gebruiken in de controlewet, wordt de "blindheid" van traditionele controllers doorbroken.
• Algemene Gültigheid: Hoewel getest op visuele systemen, is het statistische principe van "Restraining" toepasbaar op andere vormen van relatieve lokalisatie (zoals afstand- of hoekgebaseerde systemen) en op andere taken dan alleen vormingscontrole.

Kortom, de voorgestelde techniek zorgt voor soepelere, veiligere en betrouwbaardere vluchten van drone-zwermen in realistische, ruizige omstandigheden.