Technische Samenvatting: Nietlineaire Receding-Horizon Differentiaalspel voor Drone Racing

Probleemstelling

Drone racing brengt aanzienlijke uitdagingen voor de regeltechniek met zich mee vanwege de vereiste voor navigatie met hoge snelheid door complexe driedimensionale trajecten onder nietlineaire dynamica. Hoewel bestaande methoden, inclusief trajectoptimalisatie en leergestuurde benaderingen, nauwkeurige navigatie voor een enkele drone hebben bereikt, schieten ze grotendeks tekort bij het adresseren van competitieve interacties tussen meerdere agenten. Specifiek missen huidige frameworks een feedbackmechanisme dat gelijktijdig nietlineaire drone-dynamica en adversariële gedragingen, zoals inhalen en blokkeren, afhandelt. Bovs wordt er vaak gebruik gemaakt van computationeel dure iteratieve zoekprocessen voor orthogonale projecties door conventionele padvolgingsmethoden, of zijn ze beperkt tot tweedimensionale paden, terwijl bestaande differentiaalspel-benaderingen voor racing vaak uitgaan van vaste rollen (inhalen of blokkeren) en vertrouwen op vereenvoudigde kinematische modellen of expliciete padkenmerken die de computationele kosten verhogen.

Methodologie

De studie stelt een Nonlinear Receding-Horizon Differential Game (NRHDG) framework voor, ontworpen om deze beperkingen aan te pakken. De methodologie integreert drie kerncomponenten:

1. Verenigde Padvolgingsformulering

De auteurs leiden een nieuw dynamisch model af voor de orthogonale projectie van de positie van een drone op een driedimensionaal pad. In tegenstelling tot traditionele methoden die iteratieve minimalisatie van afstand tijdens online controle vereisen, behandelt deze aanpak de padparameter ($\theta_d$) en de bijbehorende booglengte ($\sigma$) als toestandsvariabelen.

• Projectiepunt-dynamica: Door de stationaire conditie voor het projectiepunt te differentiëren, leiden de auteurs gewone differentiaalvergelijkingen af (Theorem 1) die het projectiepunt en de booglengte dynamisch bijwerken.
• Geaugmenteerde Toestand: Deze dynamica worden direct in de toestandsvergelijking van de drone ingebed, wat resulteert in een 15-dimensionale geaugmenteerde toestandsvector. Dit elimineert de noodzaak voor aparte projectieoptimalisatie of complexe coördinatentransformaties (bijv. Frenet-Serret frames) tijdens de regellus.

2. Dynamische Rolwisseling via Potentiële Functies

Om flexibele competitieve strategieën mogelijk te maken, introduceert de studie een vloeiende potentiële functie ($G_O$) die drones in staat stelt om te wisselen tussen inhalen- en blokkeringsmodi op basis van hun relatieve posities.

• Mechanisme: De functie is afhankelijk van het verschil in padparameters ($\theta_\Delta$) en de norm van het verschil in afwijkingen van het pad ($R$).
• Gedrag: Wanneer de ego-drone achterligt ($\theta_\Delta$ is groot), moedigt de potentiële functie vermijding en inhalen aan (maximaliseren van $R$). Wanneer de ego-drone voorloopt ($\theta_\Delta$ is klein), moedigt de potentiële functie blokkeren aan (minimaliseren van $R$).
• Voordeel: De vloeiendheid van deze functie maakt het geschikt voor sensitiviteitsgebaseerde numerieke optimalisatie zonder harde botsingsvermijdingsrestricties te introduceren, die computationeel belastend zijn.

3. Controleframeworks: NMPC versus NRHDG

De studie vergelijkt twee controlestrategieën:

• Nonlinear Model Predictive Control (NMPC): De ego-drone optimaliseert haar traject uitgaande van de aanname dat de tegenstander een vereenvoudigd, vast voorspellingsmodel volgt (constante padparameter-snelheid en constante afstand tot het pad).
• NRHDG: Het probleem wordt geformuleerd als een tweespeler, nul-som differentiaalspel. De ego-drone minimaliseert een kostenfunctie, terwijl zij expliciet ervan uitgaat dat de tegenstander dezelfde kostenfunctie maximaliseert. Beide drones worden gemodelleerd met behulp van de volledige nietlineaire geaugmenteerde toestandsvergelijkingen. De oplossing zoekt naar een zadelpuntstrategie, waardoor de ego-drone de slechtst denkbare acties van de tegenstander in realtime kan counteren.

4. Prestatie-indicatoren

Nieuwe metrieken worden geïntroduceerd om het presteren bij inhalen en blokkeren onafhankelijk te evalueren:

• Inhaalprestatie: Gemeten door de progressie in booglengte van de drone die achteraan start op het moment dat deze de vooropstartende drone inhaalt.
• Blokkeringsprestatie: Gemeten door de progressie in booglengte van de achteraan startende drone op het moment dat deze wordt geblokkeerd door de vooropstartende drone.
• Vergelijkingsprotocol: De studie vergelijkt controllers door races uit te voeren waarbij dezelfde vooropstart-controller tegen verschillende achteropstart-controllers vecht (en vice versa) onder identieke begincondities, om de prestaties van de controller te isoleren van de identiteit van de tegenstander.

Belangrijkste Bijdragen

1. Verenigd Dynamisch Model: Een computationeel efficiënt padvolgingsmodel gebaseerd op projectiepunt-dynamica dat direct in de toestandsvergelijking is ingebed, waardoor iteratieve afstandsminimalisatie wordt vermeden en het bruikbaar is voor willekeurige gladde curven.
2. Vloeiende Potentiële Functie: Een aangepaste potentiële functie die real-time wisseling tussen inhaal- en blokkeringsstrategieën mogelijk maakt, afgestemd op de sensitiviteitsgebaseerde optimalisatie van volledig nietlineaire modellen.
3. Systematische Prestatie-indicatoren: Een nieuw evaluatieframework dat prestatieverschillen uitsluitend toeschrijft aan de controllers door begincondities en de identiteit van de tegenstander constant te houden in vergelijkende races.

Resultaten

Numerieke simulaties werden uitgevoerd op een 3D-pad met een Parrot MamboFly-model. De NRHDG- en NMPC-controllers werden getest onder verschillende begincondities en snelheidsvoordelen (gecontroleerd via inputgewichten).

• Inhaalprestatie: NRHDG presteerde consequent beter dan NMPC. In races waar NRHDG de achteropstartende drone was, bereikte het een aanzienlijk grotere progressie in booglengte voordat het de tegenstander inhaalde vergeleken met NMPC. Statistische analyse van 100 willekeurige begincondities toonde aan dat de 95% betrouwbaarheidsintervallen voor het gemiddelde prestatieverschil nul uitsluiten, wat wijst op een statistisch significant voordeel.
• Blokkeringsprestatie: NRHDG vertoonde superieure blokkeringscapaciteiten. Wanneer optredend als de vooropstartende drone, slaagde NRHDG er beter in de progressie van de achteropstartende tegenstander te beperken dan NMPC. De 9se 95% betrouwbaarheidsintervallen voor blokkeringsprestaties waren consistent negatief, wat bevestigt dat NRHDG tegenstanders effectiever blokkeert.
• Robuustheid: De superioriteit van NRHDG bleef standhouden bij verschillende niveaus van snelheidsvoordeel voor de achteropstartende drone, hoewel de omvang van het voordeel varieerde. NRHDG was bijzonder effectief wanneer de achteropstartende drone een kleiner snelheidsvoordeel had, waarbij het de worst-case modellering gebruikte om de progressie te maximaliseren.

Betekenis en Claims

Het artikel claimt dat het voorgestelde NRHDG-framework effectief competitieve interacties in drone racing kan vatten, en een statistisch significante prestatieverbetering biedt ten opzien van standaard NMPC in zowel offensieve (inhalen) als defensieve (blokkeren) scenario's.

De studie benadrukt dat het expliciet modelleren van adversarieel gedrag via een differentiaalspel-aanpak de controller in staat stelt om te optimaliseren tegen de worst-case acties van de tegenstander, een capaciteit die ontbreekt in standaard MPC die vertrouwt op vaste tegenstandermodellen. De resultaten suggereren dat voor competitieve multi-agent systemen het expliciet rekening houden met adversariële dynamica cruciaal is voor het bereiken van optimale prestaties. De auteurs merken op dat hoewel de huidige studie zich richt op twee drones op een enkel pad, de ontwikkelde principes potentieel kunnen worden toegepast in bredere domeinen met dynamische multi-agent interacties, zoals de coördinatie van autonome voertuigen en luchtverkeersmanagement, hoewel deze worden gepresenteerd als potentiële toekomstige richtingen in plaats van huidige experimentele validaties.