A Temporal Barrier Framework for Collision Avoidance in Multi-Agent Autonomous Aerial Vehicles

Technische Samenvatting: Een Temporeel Barrière-framework voor Botsingsvermijding in Multi-Agent Autonome Onbemande Luchtvaartuigen

Probleemstelling
Opererende teams van autonome luchtvaartuigen in dynamische, onzekere en potentieel vijandige omgevingen vereisen veiligheidsprotocollen die zowel betrouwbaar als selectief zijn. Bestaande methoden voor botsingsvermijding, zoals Control Barrier Functions (CBF's) gebaseerd op de Euclidische afstand of Velocity Obstacles (VO), hebben vaak moeite in 3D-luchtvaartomgevingen. Afstandsgebaseerde metrieken slagen er niet in om veilige nabijheid-configuraties (divergerende trajecten) te onderscheiden van gevaarlijke configuraties (convergerende trajecten). Bovendien zijn standaard tijd-tot-botsing (TTC) metrieken, die uitgaan van een constante snelheid, vaak slecht gedefinieerd of oneindig in 3D-omgevingen waar agenten over meerdere vrijheidsgraden beschikken en kunnen manoeuvreren om botsingen te vermijden. De uitdaging is om een risicometriek te ontwikkelen die in real-time berekenbaar is, rekening houdt met de dynamica en controlelimieten van de agent, en effectief blijft wanneer zij te maken krijgt met vijandige agenten die actief proberen een botsing te veroorzaken.

Methodologie
De auteurs stellen een Temporeel Barrière-framework voor dat gecentreerd is rond een nieuwe risicometriek genaamd Adversarial Time-to-Collision (aTTC).

1. Adversarial Time-to-Collision (aTTC):

   • In tegen tegenstelling tot standaard TTC, die een constante snelheid veronderstelt, definieert aTTC de tijd-tot-botsing onder een worst-case scenario: de ego-agent beweegt met een constante snelheid, terwijl een omringende "achtervolgende" agent manoeuvreert met maximale controle-inspanning (snelheids- en acceleratiegrenzen) om de ego-agent te onderscheppen.
   • De auteurs bewijzen dat onder milde aannames (specifiek, als de maximale snelheid van de achtervolger groter is dan de huidige snelheid van de ego-agent), de aTTC gegarandeerd eindig is. Dit maakt het een robuuste metriek voor 3D-controle.
   • De metriek is inherent anticiperend; het kwantificeert het risico op basis van hoe snel een botsing zou kunnen plaatsvinden gegeven de dynamische beperkingen, in plaats van enkel op basis van de huidige scheiding.

2. Integratie in Control Barrier Functions (CBF):

   • De aTTC wordt direct geïntegreerd in het CBF-framework. Een barrièrefunctie $h$ wordt gedefinieerd in het tijdsdomein ($h = \text{aTTC} - \tau_c$) in plaats van in de ruimte of snelheid.
   • Deze formulering resulteert in een eerste-orde relatieve graad ten opzichte van de controle-input, wat de controlesynthese vereenvoudigt vergeleken met hogere-orde CBF's (HOCBF's) die vaak nodig zijn voor afstandsgebaseerde barrières.
   • Het framework incorporeert robuustheid tegen procesruis en vijandige inputs door de controle van de achtervolger te behandelen als een externe forceringsterm en gebruik te maken van een geperturbeerde Nagumo-conditie.

3. Real-time Berekening via Neurale Surrogaat:

   • Het berekenen van de exacte aTTC vereist het oplossen van een optimaal controleprobleem en het integreren van de dynamica vooruit in de tijd, wat computationeel te zwaar is voor real-time kwadratische programmering (QP).
   • Om dit aan te pakken, trainen de auteurs een differentieerbaar neuraal-netwerk surrogaatmodel ($G_\theta$) om de aTTC te benaderen.
   • Het netwerk neemt relatieve positie, snelheden en de maximale snelheid van de achtervolger als input. Het maakt gebruik van Feature-wise Linear Modulation (FiLM) om het netwerk te conditioneren op de snelheidscapaciteit van de achtervolger, waardoor één enkel model kan generaliseren over verschillende soorten agenten.
   • Deze surrogaat maakt het mogelijk om de aTTC en de bijbehorende gradiënten efficiënt te berekenen binnen een standaard CBF-QP solver.

Belangrijkste Bijdragen

1. Afleiding van aTTC: Een worst-case uitbreiding van TTC die altijd eindig is in 3D-omgevingen onder realistische snelheidsaannames, wat dient als een natuurlijke dimensie voor botsingsrisico.
2. Differentieerbaar Surrogaatmodel: Een lichtgewicht neurale netwerkarchitectuur die de aTTC benadert, wat directe integratie in CBF-QP controlewetten mogelijk maakt zonder online trajectintegratie.
3. Empirische Validatie: Demonstratie van het framework in langdurige 3D-simulaties van Dubins-type vliegtuigmodellen met 50.000 seconden horizon, waarbij de prestaties worden vergeleken met een hogere-orde afstandgebaseerde CBF (HOCBF) baseline.

Resultaten
Het artikel presenteert resultaten van simulaties van 3D Dubins-type vliegtuigmodellen over horizonten van 50.000 seconden.

• Onafhankelijke Achtervolging-Ontwijking:

  • In scenario's met snelle achtervolgers (1,5x de maximale snelheid van de ontwijker) behaalde de aTTC-CBF 58% van de nominale waypoint-progressierate (vergeleken met 30% voor HOCBF) terwijl deze de helft van het botsingspercentage van de HOCBF behield.
  • In scenario's met langzame achtervolgers behaalde de aTTC-CBF ongeveer 1,8x hogere waypoint-progressie dan de HOCBF met minder dan de helft van het botsingspercentage.
  • De aTTC-CBF vertoonde superieure "near-miss" ontsnappingskansen, waarbij het succesvol nabije ontmoetingen ontweek in 50% van de gevallen in snelle achtervolgersscenario's, terwijl de HOCBF slechts in 5% van de gevallen ontsnapte.
  • Het framework stelde agenten in staat om dichter bij het missiecentrum te vliegen (minder conservatief spreiden) terwijl de veiligheid gewaarborgd bleef.

• Formatievlucht:

  • In formatiescenario's behield de aTTC-CBF een aanzienlijk betere formatiecoherentie. Onder snelle achtervolgers was de gemiddelde afwijking van de toegewezen formatieposities ongeveer de helft van die van de HOCBF-vloot.
  • De HOCBF had de neiging om ontwijkers ver van de formatiekern te achtervolgen tijdens een achtervolging, terwijl de aTTC-CBF de agenten dichter bij de formatie hield terwijl ze nog steeds ontweek.

• Prestaties van het Neurale Netwerk:

  • Het surrogaatmodel bereikte een Mean Absolute Error (MAE) van minder dan 1,5 seconde voor kritieke tijdshorizonten (<30s) en generaliseerde succesvol naar ongeziene testdata.
  • Het model vertoonde een conservatieve bias (het ondervoorspellen van aTTC), wat gunstig is voor veiligheidskritische toepassingen.

Betekenis en Claims
De auteurs beweren dat het definiëren van de barrière direct in tijd in plaats van in afstand of snelheid zorgt voor een meer intuïtieve en selectieve beoordeling van het risico. Door rekening te houden met de dynamica van de agent en de vijandige intentie, stelt de aTTC-CBF agenten in staat om:

• In dichtere nabijheid van andere agenten te vliegen zonder onnodige conservatisme.
• De snelheid te moduleren op basis van het potentieel voor een botsing in plaats van enkel op de huidige trajectuitlijning.
• Grotere missieprogressie en lagere botsingspercentages te bereiken, vooral wanneer de omgeving vijandiger wordt (d.w.z. naarmate de snelheid van de achtervolger toeneemt).

Het artikel erkent bescheiden de beperkingen:

• De verbetering ten opzichte van afstandgebaseerde CBF's is marginaal in niet-vijandige (coöperatieve) settings, wat suggereert dat de huidige formulering wellicht te conservatief is voor puur coöperatieve scenario's.
• De definitie van aTTC als een infimum kan leiden tot niet-gladde gradiënten, wat aanzienlijke trainingsdata vereist.
• Het framework gaat ervan uit dat kennis van de agentdynamica beschikbaar is, wat in de praktijk niet altijd het geval is.
• Benaderingsfouten in de neurale surrogaat kunnen de veiligheidsgaranties beïnvloeden, hoewel de auteurs opmerken dat trainen onder eenzijdige restricties strikte veiligheid kan herstellen.

Het werk positioneert de aTTC-CBF als een robuuste, datagedreven aanpak voor multi-agent botsingsvermijding die de kloof overbrugt tussen theoretische worst-case garanties en real-time computationele haalbaarheid.