⚡ electrical engineering

Critical slowing down for predicting controller induced loss of control in quadrotors

Dit artikel presenteert een modelvrij voorspellingsschema gebaseerd op critical slowing down dat succesvol door de controller geïnduceerde controleverlies in quadrotors tot 0,9 seconden van tevoren voorspelt, waarbij het bestaande neurale netwerkmethoden overtreft en generaliseert over verschillende vliegtuigen, controllers en vluchtscenario's zonder dat herparameterisering vereist is.

Oorspronkelijke auteurs: Jasper J. van Beers, Prashant Solanki, Erik-Jan van Kampen, Coen C. de Visser

Gepubliceerd 2026-07-29

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Jasper J. van Beers, Prashant Solanki, Erik-Jan van Kampen, Coen C. de Visser

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 naar een koorddanser kijkt. Zolang de danser stabiel is, is een kleine wankeling gemakkelijk te herstellen; hij verplaatst gewoon zijn gewicht en keert terug naar het midden. Maar naarmate de danser dichter bij de rand van het koord komt, gebeurt er iets vreemds. Het herstel wordt trager. Een kleine duw die voorheen direct werd gecorrigeerd, duurt nu lang voordat het systeem weer tot rust komt, en het evenwicht voelt "plakkerig" aan. In de wereld van complexe systemen — zoals ecosystemen, het menselijk brein of zelfs een drone — wordt dit fenomeen Critical Slowing Down genoemd. Het is een universeel waarschuwingssignaal dat een systeem op het punt staat om om te slaan naar een totaal andere, vaak chaotische staat.

Stel je nu een drone voor, een vliegende robot met vier draaiende propellers. Deze machines zijn geweldig, maar ze kunnen soms de controle verliezen en crashen, vaak omdat de computer die hen aanstuurt in de war raakt door vertragingen of slechte signalen. Wetenschappers proberen deze crashes te voorspellen, maar veel methoden vereisen dat de drone al duizenden keren is gecrasht in een computersimulatie om te "leren" hoe een crash eruitziet. Dit is een probleem, want in het echte leven willen we onze drones niet laten crashen om te leren hoe ze moeten vliegen. De grote vraag is: Kunnen we de "plakkerige wankeling" opmerken vóórdat de drone daadwerkelijk valt, zonder dat we een geschiedenis van eerdere crashes nodig hebben om ons te onderwijzen?

Dit artikel introduceert een slimme nieuwe manier om die vraag te beantwoorden. De onderzoekers, werkzaam aan de Delftse Universiteit van Technologie, hebben een voorspellingssysteem ontwikkeld genaamd C-BeFore dat fungeert als een "crashdetector" voor drones. In plaats van een enorme database van eerdere crashes nodig te hebben om van te leren, gebruikt dit systeem het universele principe van Critical Slowing Down. Denk aan een arts die naar het hart van een patiënt luistert. De arts hoeft niet eerder een hartaanval te hebben gezien om te weten dat een hart moeite heeft; ze luisteren gewoon naar het specifieke, vertragende ritme dat aangeeft dat er problemen aankomen. Het C-BeFore-systeem luistert vergelijkbaar naar de motoren van de drone. Wanneer de drone normaal vliegt, reageren de motoren snel op commando's. Maar naarmate de drone een controleverlies nadert, beginnen de motoren te "stotteren" en herstellen ze langzamer van kleine veranderingen.

Het team testte dit idee op echte vluchtgegevens van vier verschillende soorten drones, waaronder enkele die binnen vlogen en andere die buiten in de wind vlogen. Ze bekeken 91 werkelijke crash-events waarbij de drones de controle verloren door onstabiel computergedrag. De resultaten waren indrukwekkend: het systeem kon een crash voorspellen tot wel 0,9 seconden voordat deze plaatsvond. Voor een drone die snel beweegt, is dat een eeuwigheid aan waarschuwingstijd — genoeg tijd voor een veiligheidssysteem om in te grijpen en de dag te redden.

Wat deze aanpak echt bijzonder maakt, is dat het niet "getraind" hoefde te worden op crashdata. De onderzoekers lieten zien dat ze crashes konden voorspellen op een drone die ze nog nooit hadden gezien, met een opstelling die oorspronkelijk was afgestemd op een ander type drone. Het is alsof je een rookmelder hebt die perfect werkt in een keuken, een garage of bij een bosbrand, zonder dat de melder eerst een brand in die specifieke kamer hoeft te hebben gezien. Het systeem detecteerde succesvol gevaarlijke "flyaway"-events (waarbij een drone ongecontroleerd omhoog schiet) en yaw-geïnduceerde crashes, zelfs wanneer de drones andere motoren, andere controllers en verschillende omgevingen hadden.

Het artikel vergelijkt hun methode ook met de huidige "gouden standaard" in het vakgebied: Recurrent Neural Networks (RNN's), een type kunstmatige intelligentie dat meestal duizenden voorbeelden van crashes moet bestuderen om goed te functioneien. Het C-BeFore-systeem presteerde beter dan deze AI-modellen qua nauwkeurigheid en, cruciaal, produceerde het minder valse alarmen (het schreeuwen van "crash!" terwijl de drone gewoon een coole truc uitvoerde). Hoewel de AI-modellen goed waren in het opsporen van crashes, misten ze vaak de vroege waarschuwingssignalen of raakten ze in de war door normaal, agressief vliegen. Het C-BeFore-systeem, door zich te concentreren op de fundamentele fysica van hoe systemen vertragen voordat ze breken, slaagde erin om met veel grotere precisie onderscheid te maken tussen een dappere piloot en een gedoemde piloot.

Kortom, dit onderzoek suggereert dat we niet hoeven te wachten tot er een ramp gebeurt om die te voorkomen. Door aandacht te besteden aan de subtiele, vertragende ritmes van een systeem terwijl het een kantelpunt nadert, kunnen we veiligheidsnetten bouwen die generiek, betrouwbaar en klaar zijn om op elke drone, overal te werken, zonder dat er een bibliotheek van eerdere ongelukken nodig is. Het is een stap naar het veiliger maken van autonome robots door hen het vermogen te geven hun eigen instabiliteit te voelen voordat het te laat is.

Technische Samenvatting: Critical Slowing Down voor het voorspellen van door de controller veroorzaakte verlies van controle bij quadrotors

Probleemstelling
Nu autonome robots, met name unmanned aerial vehicles (UAV's) zoals quadrotors, steeds gebruikelijker worden, is het waarborgen van hun veilige werking van groot belang. Hoewel er aanzienlijke vooruitgang is geboekt in fouttolerante regeling voor rotoruitval, kunnen quadrotors nog steeds de controle verliezen (loss of control, LOC) door instabiele controller-eigenschappen, sensorverzadiging of input-output-vertragingen, wat leidt tot catastrofale gebeurtenissen zoals "flyaways". Bestaande veiligheidsbenaderingen, zoals Control Barrier Functions (CBF's), beperken vaak de navigatietoestanden maar beperken de inner-loop control variabelen (bijv. motorfrequenties) niet, waardoor het systeem kwetsbaar blijft voor verstoringen die het in een onherstelbare staat duwen. Bovendien zijn op modellen gebaseerde Safe Flight Envelope (SFE)-methoden rekentechnisch duur en gevoelig voor modelmismatches, terwijl data-gedreven neurale netwerkbenaderingen vaak kampen met een slechte generalisatie en een gebrek aan fysieke interpreteerbaarheid. De kernuitdaging die wordt geadresseerd is de voorspelling van door de controller veroorzaakte LOC zonder te vertrouwen op uitgebreide datasets van foutgebeurtenissen of specifieke systeemmodellen.

Methodologie
De auteurs stellen een systeem-model-vrij voorspellingsframework voor genaamd C-BeFore (Cascaded Bayesian Forecaster), gebaseerd op het fenomeen van Critical Slowing Down (CSD). CSD is een generieke indicator die wordt waargenomen in complexe systemen die een kritieke transitie naderen, gekenmerkt door een vertragende herstelsnelheid na perturbaties.

Early Warning Signals (EWS): De methode maakt gebruik van onboard rotor snelheidmetingen ( $\omega_1, \dots, \omega_4$ ) om rollende, pitching en yawing rotor snelheidsverschillen ( $u_p, u_q, u_r$ ) te berekenen. Deze signalen worden gedetrend met een voortschrijdend gemiddelde filter. De primaire indicator die wordt gebruikt is de lag-1 autocorrelatie (AC1) berekend over een glijdend venster. Naarmate het systeem LOC nadert, wordt de AC1 verwacht naar 1 te bewegen, wat wijst op een verlies van veerkracht.
Bayesiaanse Detectie: Een Bayesiaans inferentie-schema wordt ingezet om de waarschijnlijkheid van LOC te schatten, $P(L|E_{k,D})$ $P (L ∣ E_{k, D})$ . Dit combineert een prior waarschijnlijkheid afgeleid van de AC1-waarde met likelihoods berekend met behulp van de Wasserstein afstand. De afstand meet de gelijkenis tussen de huidige distributie van de EWS en twee referentiedistributies: een nominale distributie ( $N_{E_k}$ $N_{E_{k}}$ ) en een LOC-distributie ( $L_{E_k}$ $L_{E_{k}}$ ).
- Data-Driven Mode: Als LOC-data beschikbaar is, wordt $L_{E_k}$ geconstrueerd uit werkelijke foutgebeurtenissen.
- Assumed Mode: Als LOC-data niet beschikbaar is, wordt $L_{E_k}$ aangenomen als een distributie nabij AC1 = 1, gebaseerd op CSD-theorie. Dit stelt het systeem in staat te functioneren zonder te trainen op foutdata.
Forecasting (Time-to-LOC): Het framework maakt gebruik van een cascade van Bayesiaanse detectoren die opereren op verschillende venstergroottes ( $D$ ). Een detector met een groot venster ( $D_d$ ) dient als de "ground truth" voor het moment van LOC. Kleinere vensterdetectoren ( $D < D_d$ ) worden gebruikt om te anticiperen wanneer de grotere detector zou triggeren. Door de temporele verschillen tussen detecties over deze vensters te analyseren en te corrigeren voor inter-vensterfouten, schat het systeem de resterende tijd tot LOC in ( $\Delta t_{LOC}$ ).

Belangrijkste Bijdragen

Model-Vrije Forecasting: De benadering vereist geen systeemmodel of een trainingsfase met LOC-data. Het maakt gebruik van de generieke principes van CSD om instabiliteit te detecteren.
Generieke Toepasbaarheid: De methode is gevalideerd op echte vluchtgegevens van vier verschillende quadrotors (CineGo, DataCan75, SuperKnight5, DamselFly) met variërende massa's, motorconfiguraties en vluchtcontrollers (Betaflight en Indiflight).
Prestaties ten opzichte van Neurale Netwerken: Het framework wordt vergeleken met state-of-the-art Recurrent Neural Networks (RNN's) (LSTM, BiLSTM, CNNLSTM, GRU). C-BeFore demonstreert superieure classificatienauwkeurigheid en aanzienlijk minder vals-positieven, met name bij het onderscheiden van agressieve nominale manoeuvres van werkelijke LOC.
Zero-Shot Generalisatie: Het artikel demonstreert dat een forecaster geparametriseerd op één quadrotor (CineGo) en één LOC-scenario (yaw-geïnduceerde instabiliteit) succesvol een ander LOC-scenario (flyaways door structurele resonantie) op andere quadrotors kan detecteren zonder her-parameterisering.

Resultaten

Detectienauwkeurigheid: Op de DataCan75 dataset bereikte de data-gedreven C-BeFore een 100% true positive rate met nul vroege vals-positieven, waarmee het de best presterende RNN's versloeg die hogere vals-positief ratio's vertoonden.
Forecast Lead Time: Het systeem bereikt een time-to-LOC voorspelling van tot wel 0,9 seconden voordat de LOC-gebeurtenis plaatsvindt. In de DataCan75 experimenten was de gemiddelde voorspelling ongeveer 0,44 seconden, wat voldoende is voor corrigerende actie gezien de 4kHz control loop.
Prestaties van de Assumed Distributie: Wanneer een aangenomen LOC-distributie wordt gebruikt (zonder werkelijke LOC-data), bleef de prestatie bijna identiek aan de data-gedreven versie, wat bevestigt dat de methode kan functioneren zonder foutdatasets.
Generalisatie: De op CineGo geparametriseerde forecaster detecteerde alle flyaway gebeurtenissen op de SuperKnight5 en DamselFly, ondanks verschillen in controller-architectuur (PID versus INDI) en vluchtcondities (indoor versus outdoor).

Betekenis en Claims
De auteurs claimen dat dit werk een cruciale "add-on" veiligheidsmonitor biedt die onafhankelijk van de primaire controller werkt. Door LOC te voorspellen op basis van generieke fysieke principes (CSD) in plaats van specifieke systeemdynamica of uitgebreide foutdata, biedt de benadering een robuuste, verklaarbare en computationeel efficiënte oplossing ( $O(D \log D)$ complexiteit) voor het voorkomen van door de controller geïnduceerde instabiliteiten. Het artikel benadrukt dat hoewel de methode zelf geen corrigerende control actie levert, het wel de noodzakelijke vroege waarschuwing biedt om dergelijke acties mogelijk te maken, waarmee de kloof tussen theoretische veiligheidsenveloppen en real-time operationele veiligheid wordt overbrugd. Het vermogen om te generaliseren over verschillende platforms en foutmodi zonder hertraining wordt benadrukt als een belangrijke vooruitgang ten opzichte van huidige data-gedreven methoden.

Meer zoals dit