⚡ electrical engineering

Capture, Shield, or Neutralize: Engagement-Aware Pursuit-Evasion

Dit artikel presenteert een hiërarchische controlearchitectuur die een zero-sum receding-horizon spel combineert met een inner-loop discrete-time Control Barrier Function om multi-agent zwermen in staat te stellen vloeiend te schakelen tussen agressieve achtervolging, perimeterverdediging en area denial tactieken, terwijl botsingsvrije operatie wordt gegarandeerd.

Oorspronkelijke auteurs: Ananya Acharya, Trenton Goyette, Masoud Ataei, Adrian Stoica, Vikas Dhiman, Mohammad Javad Khojasteh

Gepubliceerd 2026-07-14

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Ananya Acharya, Trenton Goyette, Masoud Ataei, Adrian Stoica, Vikas Dhiman, Mohammad Javad Khojasteh

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 een spannend spelletje tikkertje voor, maar in plaats van kinderen die over een speelplaats rennen, heb je een zwerm robotdrones die spelen tegen een sluwe, snel bewegende indringer. Het doel is niet alleen om de indringer te vangen; soms is het doel om hen voorzichtig weg te drijven, en op andere momenten om te voorkomen dat ze een veilige zone binnendringen. De grote vraag is: hoe programmeer je een team robots om direct te schakelen tussen deze verschillende "spelregels", zonder tegen elkaar of tegen het doelwit op te botsen?

Dit artikel introduceert een nieuwe "hersenen" voor robotszwermen die precies dat kan doen. Het is alsof je de robots een tweeledig denkproces geeft: een Strategist (Strateeg) en een Safety Guard (Veiligheidsbewaker).

Het Tweeledige Brein

1. De Strategist (De Speler)
Op het hoogste niveau gebruiken de robots een slimme wiskundige truc die een "zero-sum game" (nul-som-spel) wordt genoemd. Denk aan een schaakwedstrijd waarbij elke zet die de indringer doet om weg te komen een punt oplevert voor de indringer, en elke zet die de robots maken om dichterbij te komen een punt verlies betekent voor de robots. De robots proberen hun verlies te minimaliseren, terwijl de indringer probeert zijn winst te maximaliseren.

In plaats van alleen te reageren op waar de indringer op dit moment is (zoals een hond die een bal achtervolgt), kijkt deze Strategist een paar stappen vooruit. Het simuleert de volgende paar seconden van het spel herhaaldelijk door de vraag te stellen: "Als ik daarheen ga, waar gaat hij dan heen? Als hij daarheen gaat, waar moet ik dan zijn?" Dit stelt de robots in staat om het pad van de indringer te voorspellen en het te blokkeren voordat het gebeurt.

2. De Safety Guard (De Binnenste Lus)
Hier komt het lastige deel: als de Strategist te enthousiast wordt, kunnen de robots tegen elkaar botsen of de indringer per ongeluk raken wanneer dat niet de bedoeling is. Dat is waar de Safety Guard om de hoek komt kijken. Dit is een "Control Barrier Function" (CBF), die werkt als een onzichtbaar, supersnel krachtveld.

De Safety Guard zit in de binnenste lus van het brein van de robot. Het controleert het plan van de Strategist op elk moment. Als het plan zegt: "Duik recht op de indringer af!", maar de Safety Guard ziet: "Wacht, dit zal een botsing veroorzaken", dan past het de opdracht onmiddellijk net genoeg aan om iedereen veilig te houden. Het is als een copiloot die het stuur zachtjes bijstuurt om een kuil te vermijden, zonder de bestemming van de bestuurder te veranderen.

Het Schakelen van de Spelregels

Het coolste kenmerk van dit systeem is hoe het omgaat met verschillende "Rules of Engagement" (ROE - regels voor betrokkenheid). Normaal gesproken, als je wilt dat robots hun gedrag veranderen (zoals van "vang de boef" naar "verdedig de perimeter"), moet je de hele computercode herschrijven. Dit artikel laat zien dat je simpelweg aan een draaiknop kunt draaien.

Door simpelweg een paar getallen (gewichten) in de wiskunde te veranderen, kan de hele zwerm direct van modus wisselen:

Capture Mode (Vangmodus): De robots worden agressief. Ze proberen zo dicht mogelijk bij de indringer te komen om hem te vangen.
Perimeter Defense (Perimeterverdediging): De robots vormen een muur. Ze proberen de indringer niet te grijpen; ze zorgen er alleen voor dat de indringer een specifieke lijn niet kan oversteken.
Neutralization (Neutralisatie): De robots proberen de indringer fysiek te onderscheppen om hem te stoppen.

Het artikel demonstreert dit door 100 gesimuleerde spellen te draaien in een 2D-wereld en het vervolgens opnieuw te testen met 3D vliegende drones (quadrotors). In de 2D-tests, toen de robots in een perfecte cirkel rond de indringer begonnen, vingen ze hem bijna 100% van de tijd. Zelfs toen de robots in willekeurige, chaotische posities begonnen, slaagden ze er meestal in om de indringer te vangen, wat bewijst dat het systeem robuust genoeg is om met chaos om te gaan.

Wat Dit Is (en Niet Is)

Het is belangrijk om te weten wat dit papier daadwerkelijk bewijst. De auteurs hebben niet een echt leger robots gebouwd en dit in een park getest. Alles wat hier beschreven wordt, vond plaats binnen een computersimulatie. Ze gebruikten wiskundige modellen om de bewegingen van de robots weer te geven (zoals "double integrator" fysica voor plat terrein en complexe 3D-fysica voor vliegende drones).

Het artikel sluit expliciet de mogelijkheid uit dat je het volledige brein van de robot moet herontwerpen om de missie te veranderen. Ze zijn van mening dat het gebruik van eenvoudige, reactieve heuristieken (zoals "als hij naar links beweegt, beweeg ik naar links") niet goed werkt tegen slimme tegenstanders. In plaats daarvan laten ze zien dat een hiërarchisch systeem (Strategist + Safety Guard) de betere manier is.

Ze merken ook op dat hun huidige opstelling ervan uitgaat dat de robots precies weten waar iedereen is (perfecte informatie) en dat de wereld voorspelbaar is. Ze beweren niet dat ze het probleem hebben opgelost voor situaties waarin sensoren defect zijn of de indringer onvoorspelbaar is op een manier die de wiskunde niet kan raden.

De Kern van het Verhaal

In deze simulaties lieten de robots zien dat door een slimme, vooruitziende spelplanner te combineren met een strikte, directe veiligheidsfilter, een zwerm robots vloeiend kan schakelen tussen het vangen, blokkeren en herleiden van een indringer. Ze slaagden erin dit op te schalen van plat grond naar 3D-vlucht, waarbij ze lieten zien dat de robots in de lucht konden coördineren, botsingen tussen elkaar konden vermijden en nog steeds het doelwit konden beveiligen.

Hoewel dit een simulatie is en nog geen echte wereldimplementatie, suggereren de resultaten dat deze "twee-breinen"-aanpak een robuuste manier is om complexe, vijandige spellen aan te pakken waarbij veiligheid en strategie tegelijkertijd moeten plaatsvinden. De code is zelfs beschikbaar voor anderen om te proberen, een uitnodiging aan meer onderzoekers om te zien of dit ook in nog chaotischere scenario's werkt.

Technische Samenvatting: Engagement-Aware Pursuit-Evasion

Probleemstelling

Het artikel behandelt de uitdaging van het aansturen van multi-agent achtervolgers-teams in adversariële achtervolgingsscenario's (pursuit-evasion). Traditionele benaderingen worstelen vaak met het balanceren van strategische taakplanning (bijv. capture versus area denial) met strikte veiligheidsrestricties (botsingsvermijding) in realtime. Het oplossen van een globaal evenwicht in continu-tijd differentiële spellen is computationeel onhaalbaar voor multi-agent systemen. Bovendien missen bestaande methoden vaak de flexibiliteit om zich aan te passen aan variërende "Rules of Engagement" (ROE)—zoals het verschuiven van agressieve achtervolging naar perimeterverdediging of neutralisatie—zonder de onderliggende besturingslogica te herontwerpen. De kern van het probleem is het ontwikkelen van een hiërarchische controlearchitectuur die strategische planning ontkoppelt van veiligheidsborging, waardoor een zwerm vloeiend kan schakelen tussen engagement-modi terwijl botsingsvrije operatie gegarandeerd blijft.

Methodologie

De auteurs stellen een hiërarchische controlearchitectuur voor die bestaat uit twee afzonderlijke lagen: een hoog-niveau Receding-Horizon Minimax Model Predictive Control (MPC) planner en een laag-niveau Discrete-Time Control Barrier Function (CBF) veiligheidsfilter.

1. Hoog-niveau Planning: Minimax MPC

De interactie wordt geformuleerd als een eindig-horizon, zero-sum dynamisch spel. Het achtervolgers-team probeert een gedeelde kostenfunctie $J$ te minimaliseren, terwijl de evader probeert deze te maximaliseren. Om de onhandelbaarheid van het oplossen van de volledige Hamilton-Jacobi-Isaacs vergelijking te vermijden, maakt het systeem gebruik van een iteratief minimax-schema:

Iteratieve Best-Response: Bij elke tijdstap lossen de achtervolgers een optimaal controle-traject op, uitgaande van een bevroren nominale traject van de evader. Vervolgens lost de evader zijn optimale traject op, uitgaande van het bijgewerkte traject van de achtervolgers. Dit proces herhaalt zich voor een vast aantal Nash-iteraties.
Duale Game-formuleringen: De kostenfunctie $J$ $J$ wordt aangepast om verschillende ROE te ondersteunen:
- Pursuit-Evasion Tracking: De kosten straffen de relatieve afstand tussen achtervolgers en de evader af. Cruciaal is dat er een transversale snelheidstraf wordt opgenomen die geometrisch de snelheidscomponenten loodrecht op de zichtlijn (line-of-sight) elimineert, waardoor de achtervolgers op een direct botsingskoers worden gedwongen in plaats van te vertrouwen op reactieve heuristieken.
- Perimeter Defense: De kosten verschuiven de prioriteit van absolute capture naar boundary tracking. Achtervolgers worden gestraft voor afwijkingen van toegewezen doelpunten op een defensief polygoon, terwijl de evader wordt gestraft voor het maken van progressie richting de beschermde regio.

2. Laag-niveau Executie: CBF Veiligheidsfilter

Om veiligheid te garanderen zonder de convexiteit van de MPC in gevaar te brengen, opereert een discrete-time Control Barrier Function (CBF) als een inner-loop filter.

Veiligheidsfilter: De nominale controle-input ( $u_{des}$ ) gegenereerd door de MPC wordt doorgegeven aan een Kwadratisch Programma (QP). De QP minimaliseert de afwijking van $u_{des}$ terwijl aan discrete-time CBF-restricties wordt voldaan.
Kinematische Barrière: De barrièrefunctie $h(x_k)$ is snelheidbewust en evalueert de huidige naderingssnelheid tegenover de beschikbare remafstand onder maximale acceleratielimieten. Dit zorgt ervoor dat agenten voldoende tijd hebben om het schenden van een veilige afstand $D_{safe}$ te voorkomen.
Slack Variabelen: Slack variabelen zijn opgenomen in de QP om strikte haalbaarheid te garanderen, zelfs in dichte clusters, waarbij ze zwaar worden bestraft om veiligheidsinbreuken te ontmoedigen.

3. ROE Adaptatie

Het framework bereikt aanpassingsvermogen door de gewichten van de gedeelde zero-sum payoff en de CBF-restricties (specifiek slack-penaliteiten en veilige afstandsmarges) af te stemmen. Door deze parameters online aan te passen, kan het systeem schakelen tussen:

Capture: Agressieve achtervolging met versoepelde standoff-restricties.
Deterrence/Deflection: Strikte perimeterverdediging of redirectie weg van beschermde zones.
Neutralization: Selectieve versoepeling van veiligheidsrestricties om fysieke interceptie toe te staan wanneer herstel geen optie meer is.

Belangrijkste Bijdragen

Engagement-Aware Framework: Het artikel introduceert een hiërarchische architectuur die ROE behandelt als controle-ontwerpobjecten, waardoor de zwerm tactieken kan wisselen (capture, shielding, neutralization) zonder structurele wijzigingen aan de controlelogica.
Computationeel Tractabele Minimax Solver: Er is een receding-horizon minimax solver ontwikkeld voor de planninglaag, waardoor defensieve teams de adversariële acties strategisch kunnen anticiperen via iteratieve best-response optimalisatie.
Geïntegreerde Veiligheid en Engagement Filter: Een discrete-time CBF-QP filter is geïntegreerd in de executielaag. Het modificeert nominale MPC-commando's om inter-pursuer botsingsvermijding en pursuer-evader standoff-restricties af te dwingen, waardoor de doelstellingen van taaktevredenheid (MPC) en overleving (CBF) worden gescheiden.

Experimentele Resultaten

Het framework werd geëvalueerd in simulaties over 2D planaire double integrator dynamica en volledig nietlineaire 3D quadrotor dynamica.

2D Pursuit-Evasion: In 100 gesimuleerde games behaalde het systeem bijna 100% capture rates wanneer de achtervolgers initieel in een radiale ring waren geplaatst. Zelfs met willekeurige uniforme initialisatie (een stress-test voor de CBF-filter) bleven de capture rates competitief, wat de bekwaamheid van de solver demonstreert om te herstellen van chaotische formaties.
2D Perimeter Defense: De zwerm slaagde erin een evader te blokkeren bij het doorbreken van een gedefinieerde 2D-grens, waarbij agenten efficiënt langs de booglengtes van de grens werden toegewezen om de progressie van de evader te minimaliseren.
3D Quadrotor Dynamica: De architectuur schaalde naar 6-DOF nietlineaire quadrotor dynamica. Het systeem behield dynamische stabiliteit en coördineerde succesvol in 3D-ruimte om het ontsnappingsvolume van de evader te minimaliseren en capture te bewerkstelligen, rekening houdend met pitch/roll dynamica in de veiligheidsfilter.
ROE Modulatie: Simulaties toonden naadloze overgangen tussen "evader-preservation" (strikte standoff) en "evader-neutralization" (fysieke interceptie) modi door het moduleren van missieparameters en filtergewichten.

Betekenis en Claims

Het artikel beweert dat dit framework een robuuste oplossing biedt voor adversariële swarm-controle door strategische planning te ontkoppelen van veiligheidshandhaving. De significantie ligt in het vermogen van het systeem om:

Dynamisch te Adapten: Wisselen tussen capture, verdediging en neutralisatie tactieken door simpelweg gewichten aan te passen, in plaats van de controller te herontwerpen.
Veiligheid te Garanderen: Botsingsvrije operatie en standoff-restricties garanderen via de CBF inner-loop zonder de convexiteit van de MPC-optimalisatie te verstoren.
Te Schalen: Effectief opereren in zowel 2D als complexe 3D nietlineaire omgevingen.

De auteurs merken op dat het huidige werk uitgaat van deterministische dynamica en een enkele adversariële target. Toekomstig werk wordt voorgesteld om de solver uit te breiden naar $M$ -pursuer, $N$ -evader settings, dynamische onzekerheid te incorporeren en state estimation vanuit sensormetingen te integreren om de assumptie van perfecte staatkennis te versoepelen.