SQP-Based Cable-Tension Allocation for Multi-Drone Load Transport

Technische Samenvatting: SQP-gebaseerde kabelspanning-allocatie voor transport van lading door meerdere drones

Probleemstelling
Multi-Agent Aerial Load Transport Systems (MAATS), die gebruikmaken van meerdere drones om een enkele lading te transporteren, bieden een superieure laadcapaciteit en fouttolerantie vergeleken met oplossingen met één drone. Deze systemen worden echter geconfronteerd met een fundamentele controle-uitdaging: de krachtbalansvergelijkingen zijn onderbepaald. Met $n$ agenten en 3 vrijheidsgraden voor de lading zijn er oneindig veel manieren om de vereiste totale spanning te verdelen. Naïeve allocatiestrategieën leiden vaak tot een ongelijkmatige energieverdeling (wat voortijdige batterijuitputting bij specifieke agenten veroorzaakt), kabelslack, of onveilige configuraties waarbij kabels samenkomen, wat het risico op botsingen tussen drones of kabels vergroot. Bestaande oplossingen richten zich vaak uitsluitend op het minimaliseren van energie-surrogaten of het afdwingen van rigide geometrische formaties, waarbij ze er niet in slagen om gelijktijdig de krachtverdeling te balanceren en een veilige inter-kabel uitlijning te handhaven zonder de operationele marge te beperken.

Methodologie
Het artikel stelt een real-time optimalisatielaag voor die geïntegreerd is in een hiërarchische controlearchitectuur. Het systeem maakt gebruik van een vierlaagse cascadecontroller:

1. Load Controller: Genereert een totale virtuele kracht ($u_L$) die vereist is voor trajecttracking.
2. Tension Allocation (De kernbijdrage): Verdeelt $u_L$ over de $n$ UAV's.
3. Position Controller: Berekent individuele stuwkrachtcommando's voor elke UAV.
4. Attitude Controller: Genereert definitieve koppel- en stuwkrachtcommando's.

De centrale innovatie is de Sequential Quadratic Programming (SQP) formulering die wordt gebruikt in de spanning-allocatielaag. Gegeven de virtuele controle-input, bepaalt de SQP-solver de gewenste spanningsgrootten ($T_{id}$) en eenheidsrichtingsvectoren ($\alpha_{id}$) door het volgende optimalisatieprobleem op te lossen:

$$\min_{T_{id}, \alpha_{id}} J = \frac{1}{2} \sum_{i=1}^{n} T_{id}^2 + \mu \sum_{i=1}^{n-1} \sum_{j=i+1}^{n} (\alpha_{id}^\top \alpha_{jd})^2$$

Onderhevig aan:

• Krachtbalans: $\sum T_{id} \alpha_{id} = -u_L$
• Fysieke restricties: $T_{id} \geq 0$ en $\|\alpha_{id}\| = 1$

Belangrijkste Bijdragen

• Dual-Objective Optimization: In tegen tegenstelling tot eerdere werken die alleen energie minimaliseren, minimaliseert deze formulering de som van de gekwadrateerde spanningen (wat een gebalanceerde inspanning bevordert) terwijl een kabel-uitlijningsstraf wordt toegevoegd. De strafterm, gewogen door $\mu$, ontmoedigt kleine hoeken tussen kabels (waar het dotproduct de 1 nadert), waardoor het samenkomen van kabels en botsingsrisico's worden voorkomen.
• Real-Time Haalbaarheid: Het probleem is gestructureerd om gebruik te maken van kwadratische subproblemen met gesloten vorm oplossingen voor de gradiënt. De auteurs implementeren een warm-start initialisatiestrategie, waarbij de oplossing van de vorige tijdstap wordt gebruikt om de huidige iteratie te initialiseren. Dit zorgt voor continuïteit in de kabelconfiguratie en vermindert het aantal iteraties dat nodig is voor convergentie drastisch.
• Schaalbaarheid en Flexibiliteit: De aanpak legt geen vaste geometrische formatie op. In plaats daarvan staat het de optimizer toe om een veilige, energie-efficiënte schikking te vinden vanuit elke haalbare begintoestand, waarbij wordt geadapteerd aan obstakels of operationele beperkingen die het behoud van een vooraf gedefinieerde vorm kunnen verhinderen.

Resultaten
De methode is gevalideerd via numerieke simulaties in MATLAB/Simulink met een vier-quadrotor systeem dat een lading van 0,225 kg transporteert.

• Tracking Prestaties: Het systeem behield een traject-tracking nauwkeurigheid op centimeterniveau tijdens een opwaartse spiraalmissie, met een Root Mean Square (RMS) positiefout van 2,97 cm en een maximale afwijking onder de 8 cm. Dit bevestigt dat de optimalisatielaag de controleprestaties niet verslechtert.
• Tension Balancing: Vergeleken met een baseline geometrische aanpak bereikte de SQP-allocator een aanzienlijk meer gebalanceerde krachtverdeling, waardoor de individuele motoren niet verzadigden en een uniforme batterijontlading werd gegarandeerd.
• Veiligheid: Met een uitlijning-gewicht $\mu = 0,15$ behield het systeem alle paarwijze kabelhoeken boven de 44,4°, wat de veiligheidsdrempel van 30° ruim overschrijdt. De baseline-aanpak zakte regelmatig onder deze limiet.
• Computationele Efficiëntie: Op standaard hardware (Intel Core Ultra 7) nam een volledige SQP-cyclus gemiddeld 1,13 ms in beslag, met een worst-case tijd van 12,29 ms. Dit demonstreert duidelijke haalbaarheid voor real-time embedded implementatie.
• Gevoeligheidsanalyse: De studie toonde aan dat het uitlijning-gewicht $\mu$ fungeert als een instelbare parameter, waardoor operators kunnen afwegen tussen veiligheidsmarge (grotere hoeken) en energieverbruik (geïntegreerde spanningskosten) zonder meetbare degradatie in de tracking-prestaties.

Betekenis en Claims
Het artikel claimt een schaalbaar pad te bieden voor veilige en energie-gebalanceerde gezamenlijke ladingtransporten. Door expliciet zowel de spanning-balancering als de kabel-tot-kabel uitlijning aan te pakken binnen een lichtgewicht SQP-framework, vult de methode een gat in de huidige literatuur waar controllers vaak één veiligheidsaspect prioriteren boven het andere of vertrouwen op prohibitieve kostenfuncties. De auteurs stellen dat hun aanpak controleerbare afwegingen tussen veiligheid en energie-efficiëntie mogelijk maakt, terwijl de flexibiliteit behouden blijft om zonder rigide formatiebeperkingen te opereren.

Beperkingen
De auteurs erkennen bescheiden dat de huidige studie uitgaat van starre, massaloze kabels en vertrouwt op een gecentraliseerde optimalisatielaag, wat een single point of failure introduceert. Bovendien zijn de resultaten uitsluitend gebaseerd op simulaties; hardware-validatie is vereist om prestaties onder real-world condities zoals windstoten, communicatievertragingen en modelleringsfouten te beoordelen. Toekomstig werk zal hardware-experimenten en gedistribueerde optimalisatiestrategieën omvatten.