Model Predictive Supervisory Control for Hierarchical and Distributed UAS Traffic Management

De lucht boven onze steden wordt steeds drukker, niet met vogels, maar met kleine, autonome vliegtuigen die ontworpen zijn voor het bezorgen van pakketjes, het inspecteren van infrastructuur en het verlenen van noodhulp. Terwijl deze onbemande voertuigen overgaan van militaire en academische experimenten naar alledaagse logistiek, worden ze geconfronteerd met een fundamenteel probleem: de laagvliegende luchtruimte is een gedeelde, fysieke flessenhals. In tegenstelling tot een snelweg waar auto's simpelweg van rijstrook kunnen wisselen, vereist de lucht precieze coördinatie om botsingen te voorkomen, te garanderen dat er niet twee drones tegelijkertijd dezelfde ruimte bezetten, en om beperkte middelen zoals laadstations te beheren. Deze uitdaging behoort tot het vakgebied van verkeersbeheer voor onbemande systemen, een discipline die de logica van de informatica combineert met de fysieke beperkingen van de vlucht. In de kern rust dit werk op twee verschillende maar complementaire ideeën. Het eerste is een methode van "supervisory control" (toezichthoudende controle), die fungeert als een strikte verkeersregelaar die de absolute regels van de weg bepaalt om veiligheid te garanderen en deadlocks te voorkomen waarbij voertuigen eeuwig op elkaar staan te wachten. Het tweede is "predictive control" (voorspellende controle), een strategie waarbij elk voertuig een paar stappen vooruitkijkt om het meest efficiënte pad te kiezen, waarbij factoren zoals batterijduur en levertijd worden afgewogen. De vraag waar onderzoekers zich al lang mee worstelen, is hoe men deze twee benaderingen kan combineren voor een grote vloot drones zonder een computersysteem te creëren dat zo complex is dat het niet in real-time kan draaien.

In een recente studie hebben onderzoekers van de Federal University of Minas Gerais in Brazilië een oplossing voorgesteld die deze kloof overbrugt door een raamwerk te creëren dat zij Model Predictive Supervisory Control noemen. Ze ontwierpen een systeem dat een grote groep drones in staat stelt veilig te opereren in een drukke stedelijke omgeving door de taak van "het veilig houden van iedereen" te scheiden van de taak van "het vinden van de beste route". Stel je een stad voor waar een centrale autoriteit de grenzen van elke straat en kruising tekent, en verklaart welke paden open zijn en welke gesloten zijn om ongelukken te voorkomen. Deze autoriteit vertelt elke bestuurder niet precies welke afslag hij moet nemen; in plaats daarvan verbiedt het simpelweg gevaarlijke bewegingen. Elke bestuurder, die de regels kent, kijkt vervolgens naar de kaart en kiest de snelste, meest brandstofefficiënte route naar de bestemming die binnen die veilige grenzen blijft. Dit is precies hoe het nieuwe systeem werkt. Een centrale controller, die optreedt als de supervisor, houdt toezicht op de gehele vloot en het gedeelde luchtruim. Het gebruikt een wiskundig model om te identificeren welke bewegingen een botsing zouden veroorzaken of een regel zouden schenden, zoals het betreden van een verboden zone of het proberen te landen bij een laadstation dat al vol is. Vervolgens zendt het een lijst met "verboden bewegingen" uit naar elke drone in de vloot.

Elke drone ontvangt deze lijst en gebruikt zijn eigen onboard computer om een kortetermijnoptimalisatieprobleem op te lossen. De drone kijkt naar de huidige locatie, het batterijniveau en de toegewezen missie, en berekent vervolgens de reeks bewegingen die het doel bereikt met de minste tijd en energie, waarbij de bewegingen op de verboden lijst strikt worden vermeden. Zodra de drone de allereerste beweging in die reeks uitvoert, wordt het proces herhaald. De drone stuurt zijn nieuwe positie terug naar de centrale supervisor, de supervisor werkt de lijst met verboden bewegingen bij op basis van de nieuwe realiteit, en de drone plant zijn volgende stap. Deze cyclus vindt continu plaats, waardoor de vloot direct kan reageren op veranderingen, zoals een nieuw leveringsverzoek of een plotseling batterijwaarschuwing. De onderzoekers testten dit systeem in een gesimuleerde stedelijke omgeving met behulp van een standaard robotica-softwareplatform. Ze creëerden twee scenario's: een kleinere test met twee drones die door een eenvoudige kaart met negen knooppunten navigeren, en een grotere, complexere test met vier drones die door een kaart met negentien knooppunten navigeren over twee verschillende hoogtelagen.

De resultaten van deze simulaties toonden aan dat deze hiërarchische benadering het probleem van complexiteit oplost dat eerdere pogingen heeft gehinderd. Wanneer de onderzoekers probeerden één enkel, alwetend computermodel te bouwen om de gehele vloot tegelijkertijd te beheren — een methode bekend als monolithische synthese — raakte het systeem overbelast. Voor het kleinere scenario met twee drones vereiste het enkele model bijna 445.000 interne toestanden om elke mogelijke combinatie van posities en acties te beschrijven, een aantal dat explosief zou groeien als er meer drones zouden worden toegevoegd. In contrast hiermee reduceerde het nieuwe hiërarchische systeem de complexiteit van de supervisor tot slechts 570 toestanden, een reductie van ongeveer 780 keer. Deze enorme vereenvoudiging betekende dat het systeem efficiënt kon draaien zonder dat er supercomputers nodig waren. In het grotere scenario met vier drones voltooide het systeem succesvol vijf van de zes toegewezen missies, met een gemiddelde missietijd van 44,42 seconden en een doorvoer van 2,46 missies per minuut. De centrale supervisor moest gemiddeld 19,28 bewegingen per tijdstap verbieden om de veiligheid te handhaven, wat bewees dat het systeem actief conflicten beheerde in plaats van de drones gewoon vrij te laten vliegen.

De studie bevestigt dat het scheiden van de globale veiligheidsregels van de lokale besluitvorming een schaalbare oplossing mogelijk maakt. De centrale supervisor hoeft niet op de hoogte te zijn van de specifieke details van de batterij of de lading van elke drone; het hoeft alleen de bezetting van het luchtruim en de beschikbaarheid van gedeelde middelen te volgen. De drones zijn op hun beurt vrij om hun eigen paden te optimaliseren, zolang ze de door de supervisor gestelde grenzen respecteren. Deze architectuur zorgt ervoor dat het systeem veilig en niet-blokkerend blijft, wat betekent dat geen enkele drone in een situatie terechtkomt waarin hij niet vooruit of achteruit kan bewegen. De onderzoekers ontdekten dat zelfs toen het aantal drones en de complexiteit van het luchtruim toenamen, het systeem in staat bleef om de vloot te coördineren zonder botsingen of vertragingen. Het werk suggereert dat deze methode een levensvatbaar pad vooruit is voor de toekomst van stedelijke luchtmobiliteit, waarbij duizenden voertuigen op een dag hetzelfde laagvliegende corridor kunnen delen. Door een raamwerk te gebruiken dat strikte veiligheidshandhaving combineert met flexibele, lokale optimalisatie, hebben de onderzoekers aangetoond dat het mogelijk is om een complex, multi-agent systeem te beheren op een manier die zowel computationeel efficiënt als operationeel robuust is. De studie concludeert dat hoewel het systeem momenteel via simulatie is gevalideerd, de vastgestelde principes een concreet fundament bieden voor het ontwikkelen van real-world verkeersmanagementsystemen die de dynamische eisen van een drukke stedelijke hemel kunnen aan kunnen.