AWARE: Adaptive Whole-body Active Rotating Control for Enhanced LiDAR-Inertial Odometry under Human-in-the-Loop Interaction

Probleemstelling

In complexe en veiligheidskritieke luchtmetingsomgevingen (zoals mijnbouw, rampbestrijding en bosinventarisatie) is "Human-in-the-Loop" (HITL) besturing essentieel. Menselijke operators sturen de drone naar gebieden van belang, maar de drone moet tegelijkertijd een nauwkeurige en robuuste positiebepaling (state estimation) handhaven.

De kernuitdaging ligt in de beperkingen van UAV-platforms:

1. Beperkte payload: UAV's kunnen vaak geen zware multi-sensoren dragen en vertrouwen daarom op lichtgewicht, solid-state LiDAR-sensoren met een smal gezichtsveld (Field of View - FoV).
2. Geometrische degeneratie: In omgevingen met weinig kenmerken (zoals tunnels, gangen of open ruimtes) of waar het gezichtsveld beperkt is, verzwakt de observabiliteit van de LiDAR-Inertial Odometry (LIO). Dit leidt tot accumulatie van drift, instabiele schattingen en verminderde geometrische nauwkeurigheid.
3. Huidige oplossingen: Bestaande methoden gebruiken vaak passieve rotatie (onvoldoende adaptief) of mechanische gimbal-systemen (zwaar, complex, vermindert vliegtijd). Reinforcement Learning (RL) alleen is vaak een "black box" zonder stabiliteitsgaranties, terwijl Model Predictive Control (MPC) vaak vaste gewichten heeft die niet goed aanpassen aan veranderende omgevingen.

Het doel is dus een systeem te creëren dat de observabiliteit van de LIO verbetert zonder extra mechanische actuatoren, terwijl het de intentie van de menselijke operator respecteert en de vluchtstabiliteit waarborgt.

Methodologie: Het AWARE Framework

AWARE (Adaptive Whole-body Active Rotating Control) is een bio-geïnspireerd framework dat de rotatievaardigheid (gierbeweging/yaw) van de UAV zelf gebruikt als een "gimbal" om het sensorbereik te vergroten. Het systeem combineert drie kerncomponenten:

1. Panoramische Representatie en Observabiliteitsanalyse

• Unificatie: Het systeem projecteert de 3D-puntenwolk van de LiDAR naar een 2D "Panoramische Dieptekaart" (sferische projectie). Dit creëert een uniforme weergave van de omgeving rondom de drone.
• Fisher Information Matrix (FIM): Op basis van deze kaart wordt een voorspellende analyse uitgevoerd voor verschillende yaw-hoeken. De FIM wordt gebruikt om de observabiliteit te kwantificeren (hoe goed kan de positie worden geschat?). De methode identificeert de kijkrichting die de onzekerheid minimaliseert en de informatiewinst maximaliseert.

2. Hybride RL-MPC Architectuur
Om de trade-off tussen "actieve waarneming" (rotatie voor betere data) en "vluchtstabiliteit" te beheren, wordt een hybride aanpak gebruikt:

• Model Predictive Control (MPC): Dit vormt de onderliggende regelaar die de vluchtdynamica en veiligheidsbeperkingen respecteert. De MPC optimaliseert de trajecten om de operator's intentie te volgen en botsingen te voorkomen.
• Reinforcement Learning (RL) Meta-controller: Een lichtgewicht RL-agent (gebaseerd op PPO) fungeert als een "bovenliggende controller". Deze agent observeert de omgeving en de interne staat van de drone en past online de kosten-gewichten (cost weights) van de MPC aan.
  • Als de omgeving geometrisch arm is (bijv. een tunnel), verhoogt de RL-agent het gewicht voor observabiliteit, waardoor de MPC agressiever roteert om kenmerken te vinden.
  • In rijke omgevingen (bijv. een bos) wordt het gewicht verlaagd om de vlucht rustig en stabiel te houden.
• Differentieerbaarheid: De observabiliteitsmetriek wordt benaderd via een kwadratische functie zodat deze differentiabel is en naadloos in de MPC kan worden geïntegreerd.

3. Safe Flight Corridor (SFC) en HITL Integratie

• Om de veiligheid te garanderen, worden de commando's van de operator gekoppeld aan een "Safe Flight Corridor" (een convexe, obstakelvrije ruimte).
• Decoupling: De menselijke operator bepaalt de transversale beweging (waarheen te vliegen), terwijl het AWARE-systeem autonoom de yaw-rotatie optimaliseert voor de beste LIO-prestaties binnen die veilige corridor. Dit zorgt voor een veilige samenwerking zonder dat de operator de controle over de navigatie verliest.

Belangrijkste Bijdragen

1. Actieve Rotatie zonder Mechanica: Een framework dat de UAV's eigen draaibaarheid gebruikt om het sensorbereik te vergroten, zonder zware mechanische gimbal-systemen.
2. Hybride RL-MPC: Een innovatieve architectuur die de interpretatie en stabiliteit van MPC combineert met de adaptiviteit van RL. De RL-agent leert dynamisch de MPC-gewichten aan te passen aan de context van de omgeving, wat handmatige tuning overbodig maakt.
3. HITL-veiligheid: Integratie van Safe Flight Corridors die de operator's intentie respecteren terwijl het systeem autonoom de lokale observabiliteit maximaliseert.
4. High-Fidelity Simulatie: Ontwikkeling van een realistische, op puntenwolken gebaseerde simulatieomgeving voor training en validatie (Sim-to-Real), inclusief diverse uitdagende scenario's (tunnels, bossen, ruïnes).

Resultaten

Het framework is uitgebreid getest in zowel gesimuleerde als echte wereldomgevingen.

• Simulatie:

  • AWARE presteerde consistent beter dan passieve scans (vast rotatiesnelheid) en statische MPC-methoden (met vaste gewichten).
  • In geometrisch degeneriete omgevingen (zoals de "Istanbul Tunnel") verminderde AWARE de Absolute Pose Error (APE) met 27,8% ten opzichte van de beste statische MPC-baseline en met 84,9% ten opzichte van passieve scans.
  • De methode toonde aan dat het in staat is om de optimale trade-off te vinden tussen trajectvolging en actieve waarneming zonder handmatige aanpassingen.

• Real-world Validatie:

  • Getest op een aangepaste quadcopter met een solid-state LiDAR in vier verschillende omgevingen: een ondergrondse tunnel, een verlaten bunker, een sportinfrastructuur en een dicht bos.
  • De strategie getraind in simulatie werkte direct over op de echte wereld (Sim-to-Real) zonder extra fine-tuning.
  • Drift: In de meest uitdagende omgeving (de tunnel) bleef de drift beperkt (0,66%), terwijl in rijke omgevingen (bos, bunker) de fouten extreem laag waren (<0,1%).
  • Interpretatie: De RL-agent paste het rotatiegedrag correct aan: sneller draaien in tunnels (weinig kenmerken) en langzamer in bossen (veel kenmerken).

• Performance:

  • Het systeem draait in real-time op een rand-apparaat (Intel N305 processor) met een gemiddelde verwerkingstijd van 46,90 ms, wat voldoet aan de eisen voor 10 Hz LiDAR-sampling.

Betekenis en Conclusie

AWARE vertegenwoordigt een belangrijke stap voorwaarts in de autonome luchtmeting. Het lost het fundamentele probleem op van beperkte sensoren op lichte drones door de drone zelf te laten "denken" over hoe hij moet kijken. Door de combinatie van bio-geïnspireerde rotatie, hybride controle en menselijke samenwerking, maakt het robuuste en nauwkeurige 3D-mapping mogelijk in omgevingen waar traditionele methoden falen. Dit is cruciaal voor toepassingen zoals inspectie van infrastructuur, reddingsoperaties en milieubewaking, waar zowel veiligheid als datakwaliteit van het grootste belang zijn.