⚡ electrical engineering

Flying by Inference: Active Inference World Models for Adaptive UAV Swarms

Dit artikel stelt een door experts geleid raamwerk voor actieve inferentie voor dat multi-UAV-trajectplanning transformeert van een combinatorisch optimalisatieprobleem naar een hiërarchische probabilistische inferentietak, waardoor adaptieve zwermen gladde, botsingsbewuste gedragingen kunnen genereren door te leren van expertdemonstraties en afwijkingen van referentieverdelingen te minimaliseren zonder offline-optimalisatoren opnieuw uit te voeren.

Oorspronkelijke auteurs: Kaleem Arshid, Ali Krayani, Lucio Marcenaro, David Martin Gomez, Carlo Regazzoni

Gepubliceerd 2026-05-01

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Kaleem Arshid, Ali Krayani, Lucio Marcenaro, David Martin Gomez, Carlo Regazzoni

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je de directeur bent van een massale, hoogwaardige bezorgdienst met honderden drones. Jouw taak is hen te vertellen waar ze naartoe moeten, in welke volgorde, en hoe ze moeten vliegen zonder elkaar of gebouwen te raken. Meestal is het doen van deze wiskunde voor honderden drones tegelijk, alsof je elke keer als er een nieuw pakketje arriveert, een gigantisch, onmogelijk raadsel probeert op te lossen. Als je wacht tot je het hele raadsel hebt opgelost, zitten de drones inactief. Als je probeert het direct op te lossen, maak je misschien een fout.

Dit artikel stelt een slimmere manier voor om het show te leiden. In plaats van elke keer het wiskundige raadsel vanaf nul op te lossen, leert het systeem van een "Meesterplanner" (een deskundig computerprogramma) en gebruikt die kennis vervolgens om in real-time snelle, slimme gissingen te doen.

Hier is hoe het werkt, opgesplitst in eenvoudige onderdelen:

1. De "Meesterplanner" en de Drie Woordenboeken

Eerst gebruikten de onderzoekers een krachtig, traag computerprogramma (een Genetisch Algorithm) om honderden verschillende drone-missies perfect op te lossen. Ze slaarden niet alleen de vluchtroutes op; ze breekten die perfecte vluchten op in drie "woordenboeken" of regelboeken:

Het Missiewoordenboek: Dit is als een hoofdlijst van hoe het werk moet worden verdeeld. Als er 50 huizen te bezoeken zijn, zegt dit woordenboek: "Oké, Drone A neemt de noordkant, Drone B neemt de zuidkant." Het leert de beste manier om de taak te verdelen.
Het Routewoordenboek: Zodra het werk is verdeeld, bepaalt dit woordenboek de volgorde. "Drone A, bezoek Huis 1, dan Huis 3, dan Huis 2." Het leert de meest efficiënte lussen.
Het Bewegingswoordenboek: Dit is de kleine lettertjes. Het beschrijft hoe je tussen huizen moet vliegen. Is het een rechte lijn? Moet je vertragen vanwege een boom? Moet je uitwijken om een andere drone te vermijden? Het zet complexe fysica om in simpele "bewegingswoorden".

2. De "Actieve Inferentie"-hersenen

Zodra deze drie woordenboeken zijn geleerd, hebben de drones de trage Meesterplanner niet meer nodig. Ze gebruiken een brein genaamd Actieve Inferentie.

Denk hierbij aan een detective die een mysterie probeert op te lossen. De detective heeft een "theorie" over hoe de wereld werkt (gebaseerd op de woordenboeken van de Meesterplanner). Wanneer de drones iets nieuws zien – zoals een plotseling nieuw doelwit of een bewegend obstakel – vragen ze zich af: "Past deze nieuwe situatie bij onze theorie?"

De "Abnormaliteit"-meter: Het systeem berekent hoe "raar" of "abnormaal" een mogelijke actie is in vergelijking met wat de Meesterplanner zou hebben gedaan.
De Beslissing: Als een drone een pad overweegt dat er heel anders uitziet dan de regels van de expert, gaat de "abnormaliteit"-meter hoog, en verwerpt de drone dat pad. Als een pad er heel veel op lijkt dat de regels van de expert, blijft de meter laag, en neemt de drone het.

Dit stelt de zwerm in staat om direct beslissingen te nemen. Ze berekenen geen complexe wiskunde; ze controleren gewoon: "Ziet dit eruit als wat een professional zou doen?"

3. Aanpassen aan Veranderingen (De "Herplanning"-truc)

Wat gebeurt er als er een nieuw doelwit verschijnt terwijl de drones vliegen?

Oude manier: Stop alles, bereken het hele raadsel opnieuw voor alle drones, en begin opnieuw. (Te traag).
De manier van dit artikel: Het systeem kijkt naar het nieuwe doelwit en vraagt: "Welke drone moet dit oppakken om de 'abnormaliteit' laag te houden?" Vervolgens vraagt het: "Waar in de huidige lijst van die drone moet deze nieuwe stop komen?" Tot slot past het de vluchtroute lichtjes aan. Het is alsof een dirigent de bladmuziek van het orkest onderweg aanpast zonder de muziek te stoppen.

4. Het "Veiligheidsnet" (Filters)

Zelfs met de slimme woordenboeken is het echte leven rommelig. Sensoren worden ruisig en de wind waait. Om dit op te vangen, gebruikt het systeem Bayesiaanse Filters (zoals EKF en PF).

De Analogie: Stel je voor dat je in de mist een auto bestuurt. Je kent de indeling van de weg (het woordenboek), maar je kunt niet perfect zien. Het filter is als een copiloot die zegt: "Je denkt dat je bij de hoek bent, maar op basis van je snelheid en de mist, ben je eigenlijk een paar meter naar links."
Het systeem gebruikt deze "copiloot" om de werkelijke positie van de drone te corrigeren voordat het een beslissing neemt, zodat ze niet crashen, zelfs als hun sensoren een beetje wazig zijn.

5. De Resultaten

De onderzoekers testten dit op twee manieren:

Simulaties: Ze voerden duizenden computermissies uit. Het nieuwe systeem vloog even efficiënt als de trage "Meesterplanner", maar reageerde veel sneller op veranderingen. Het vloog ook veel soepeler en stabieler dan andere leermethoden (zoals Q-learning), die de neiging hadden om onrustig en onregelmatig te zijn.
Echte Vluchten: Ze testten het met echte drones die door mensen binnen werden gevlogen. Hoewel menselijke piloten fouten maken en op schokkerige manieren vliegen, kon het systeem de data "opkuisen". Het kon naar een rommelige menselijke vlucht kijken, het beoogde pad achterhalen en zijn eigen voorspellingen corrigeren om op koers te blijven.

Samenvatting

Kortom, dit artikel leert een zwerm drones om te leren van een expert in plaats van elke seconde te proberen een genie-wiskundige te zijn. Door het probleem op te splitsen in drie niveaus (Wie doet wat? In welke volgorde? Hoe vliegen ze?) en een "raarheidsdetector" te gebruiken om op koers te blijven, kunnen de drones direct aanpassen aan nieuwe situaties, soepel vliegen en crashes vermijden, allemaal zonder dat er een supercomputer nodig is om het hele raadsel op te lossen elke keer dat er een nieuw doelwit verschijnt.

1. Probleemstelling

Het artikel behandelt de uitdaging van adaptieve trajectplanning voor zwermen van onbemande luchtvaartuigen (UAV's) in dynamische en onzekere omgevingen. Het kernprobleem betreft het oplossen van een Multi-Traveling Salesman Problem (MTSP) waarbij een zwerm moet:

Taken toewijzen: Een reeks doellocaties verdelen over meerdere UAV's.
Routes sequentiëren: De optimale volgorde van bezoeken voor elke UAV bepalen.
Trajecten genereren: Kollisie-vrije, dynamisch haalbare paden creëren.
Online aanpassen: Reageren op omgevingsveranderingen (bijv. nieuwe doelen, obstakels) in real-time zonder computationally dure globale optimalisatie opnieuw uit te voeren.

Beperkingen van Bestaande Benaderingen:

Deterministische/Metaheuristische Optimalisatie (bijv. Genetische Algoritmen): Bieden hoogwaardige offline oplossingen maar missen real-time aanpasbaarheid; elke omgevingsverandering vereist een volledige heroptimalisatie.
Deep Reinforcement Learning (DRL): Biedt aanpasbaarheid maar lijdt aan hoge sample-complexiteit, slechte generalisatie naar scenario's buiten de verdeling en gebrek aan interpreteerbaarheid.

2. Methodologie

De auteurs stellen een expert-geleide, actief-inferentie-geïnspireerd kader voor dat het combinatorische optimalisatieprobleem transformeert in een hiërarchisch probabilistisch inferentieprobleem. De methodologie bestaat uit twee fasen:

A. Offline Fase: Expert Demonstratie & Wereldmodel Leren

Expert Generatie: Een Genetisch Algoritme met afstotende-kracht kollisie-ontwijking (GA-RF) genereert hoogwaardige expert-demonstraties voor verschillende missie-instanties.
Hiërarchische Symbolische Abstractie: De continue expert-trajecten worden ontleed in drie symbolische dictionaries:
- Missie Dictionary: Codeert hoe de globale set doelen wordt gepartitioneerd over UAV's (Taken Toewijzing).
- Route Dictionary: Codeert de gesekventeerde volgorde van bezoeken voor elke UAV (Route Sequentiëring).
- Beweging Dictionary: Codeert lokale bewegingsprimitieven (bijv. doel-aantrekking, obstakel-ontwijking) afgeleid van fysieke potentievelden (aantrekkende/afstotende krachten).
Probabilistisch Wereldmodel: Het systeem leert een hiërarchisch probabilistisch model uit deze symbolen. Het schat:
- Referentieverdelingen voor missiepatronen.
- Overgangskansen van Missie $\to$ Route $\to$ Beweging.
- Dit model vangt de conditionele afhankelijkheden van expert-gedrag (bijv. hoe een specifieke missietoewijzing een specifieke routevolgorde induceert).

B. Online Fase: Actieve Inferentie & Adaptieve Controle

In plaats van het MTSP van nul af op te lossen, voert de UAV-zwerm online inferentie uit om acties te selecteren die "abnormaliteit" minimaliseren.

Minimalisatie van Abnormaliteit: Voor een gegeven observatie evalueert de zwerm kandidaat-acties op elk hiërarchisch niveau. Het berekent de Kullback-Leibler (KL) divergentie tussen de geïnferreerde posterior-credo van de actie en de door expert afgeleide referentieverdeling.
- Lage KL Divergentie: De actie is consistent met expert-gedrag.
- Hoge KL Divergentie: De actie is "abnormaal" of inconsistent.
Hiërarchisch Besluitvorming: De zwerm selecteert de actieserie (Missie, Route, Beweging) die de totale gewogen abnormaliteit minimaliseert.
- Aanpassing: Wanneer een nieuw doel verschijnt, optimaliseert het systeem niet globaal opnieuw. In plaats daarvan evalueert het welke UAV het nieuwe doel moet nemen (Missie-niveau) en waar het in de route moet worden ingevoegd (Route-niveau) om de resulterende abnormaliteit te minimaliseren.
Filter-ondersteunde Controle: Om omgang met ruis en onzekerheid in continue staatsschatting mogelijk te maken, worden Bayesiaanse filters (EKF en Partikelfilter) geïntegreerd op het bewegingsniveau. Deze filters voorspellen continue staten en updaten de waarschijnlijkheid van bewegingssymbolen, waardoor soepele trajectcorrectie en robuuste kollisie-ontwijking worden gewaarborgd.

3. Belangrijkste Bijdragen

Hiërarchisch Symbolisch Wereldmodel: De constructie van een drie-niveau (Missie, Route, Beweging) symbolisch model geleerd van expert-demonstraties, dat complexe trajecten abstracteert naar herbruikbare probabilistische patronen.
KL-gebaseerd Actief Inferentie Mechanisme: Een besluitvormingskader dat volledige vrije-energie-minimalisatie vervangt door KL-divergentie-gebaseerde abnormaliteitsindicatoren. Dit stuurt de zwerm naar expert-consistent gedrag terwijl het de computatiekosten van globale optimalisatie vermijdt.
Unificerend Probabilistisch-Symbolisch Architectuur: Een systeem dat expertkennis, probabilistische inferentie en hiërarchische symbolische controle samenvoegt, wat zowel interpreteerbaarheid als aanpasbaarheid biedt.
Filter-ondersteunde Bewegingscorrectie: De integratie van EKF/Partikelfilters met symbolische inferentie om ruwe observaties te hanteren en veilige, continue trajectuitvoering te garanderen.

4. Resultaten en Validatie

Het kader werd geëvalueerd via uitgebreide simulaties en echte vluchtexperimenten:

Simulatie Resultaten:
- Prestatie: De voorgestelde methode behaalde missievoltooiingstijden en totale afgelegde afstanden die vergelijkbaar waren met de offline GA-RF expertplanner.
- Stabiliteit: In vergelijking met een aangepaste Q-learning baseline, produceerde het voorgestelde kader gladdere, stabielere trajecten met minder oscillerend gedrag.
- Aanpasbaarheid: Het systeem slaagde erin zich aan te passen aan onbekende doelindelingen en dynamische veranderingen (bijv. het verschijnen van nieuwe doelen) zonder hertraining of het opnieuw uitvoeren van de globale optimizer.
- Structuurbehoud: Het geleerde wereldmodel behield de structurele regulariteiten van expertplanning (taaktoewijzing en routeordening) beter dan reinforcement learning baselines.
Echte Vlucht Validatie (Binnen):
- Met behulp van data van door mensen bestuurbare DJI Air 2S UAV's, toonde het systeem robuustheid tegen sensorruis en niet-gladde menselijke piloot-gedrag.
- Credo Correctie: Het Bayesiaanse update-mechanisme corrigeerde succesvol symbolische voorspelfouten veroorzaakt door ruwe observaties, waardoor het voorspelde traject werd afgestemd op de waargenomen realiteit.
- Missie Succes: Ondanks lokale bewegingsvoorspelfouten door ruis, bleef het succescijfer voor missievoltooiing op 100%, wat de robuustheid van de hoog-niveau hiërarchische inferentie bewijst.

5. Betekenis

Dit artikel presenteert een significante verschuiving in UAV-zwerm autonomie van herhalende optimalisatie naar gestructureerde inferentie.

Computatie-efficiëntie: Door het zoekruimte te beperken tot expert-consistente symbolische kandidaten, maakt de methode real-time herplanning mogelijk die computationeel onuitvoerbaar is voor traditionele MTSP-oplossers.
Interpreteerbaarheid: In tegenstelling tot "black-box" deep learning-modellen, stelt de hiërarchische symbolische structuur ingenieurs in staat te begrijpen waarom een specifieke missietoewijzing of route is gekozen (gebaseerd op geleerde probabilistische overgangen).
Robuustheid: De integratie van actieve inferentie met Bayesiaanse staatsschatting biedt een robuust mechanisme voor opereren in onzekere, ruwe en dynamische omgevingen, en overbrugt de kloof tussen theoretische planning en real-world uitvoering.

Kortom, het kader biedt een schaalbare, interpreteerbare en adaptieve oplossing voor complexe multi-UAV-missies, waarbij expertkennis effectief wordt benut om autonome besluitvorming in real-time te sturen.