⚡ electrical engineering

Towards safe and optimal flight: Viability Kernel MPC for Fully Actuated Multirotor

Dit artikel stelt een Viability Kernel Model Predictive Control-framework voor voor volledig geactueerde multirotors dat veilige, real-time navigatie in ongestructureerde omgevingen waarborgt door gebruik te maken van datagedreven methoden en dynamisch berekende bounding boxes voor obstakelvermijding zonder uitgebreide offline analyse.

Oorspronkelijke auteurs: Massimiliano Bertoni, Alberto Piccina, Gianni Lunardi, Elias Fontanari, Andrea Del Prete, Angelo Cenedese, Giulia Michieletto

Gepubliceerd 2026-08-27

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Massimiliano Bertoni, Alberto Piccina, Gianni Lunardi, Elias Fontanari, Andrea Del Prete, Angelo Cenedese, Giulia Michieletto

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 drone voor die niet alleen door open luchten kan vliegen, maar ook door een rommelig magazijn kan manoeuvreren, tussen pilaren, buizen en bewegende machines door weeft zonder ooit te crashen. Jarenlang werd de droom van autonome luchtrobots tegengehouden door een simpele, angstaanjagende realiteit: als de computer die de drone aanstuurt slechts één verkeerde gok doet over waar een obstakel zich bevindt, zou de machine uit evenwicht kunnen raken en tegen iets aan kunnen botsen. Huidige veiligheidssystemen reageren vaak te laat, omdat ze pas controleren op botsingen nadat de drone zich al op een gevaarlijk pad heeft gecommitteerd. Om de stap te maken van eenvoudige surveillance in lege velden naar complex werk in drukke ruimtes, hadden ingenieurs een manier nodig om te garanderen dat de drone op elk gewenst moment een veilige manier heeft om te stoppen of om te keren, ongeacht wat er vervolgens gebeurt.

Dit is de uitdaging waar een team onderzoekers van Italiaanse universiteiten zich mee heeft beziggehouden, die een nieuwe manier hebben ontwikkeld om volledig actuatieve multirotor-drones door rommelige omgevingen te leiden. In tegenstelling tot standaard drones, die alleen lucht naar beneden kunnen duwen om op te stijgen en kunnen kantelen om zijwaarts te bewegen, kunnen deze geavanceerde machines lucht in elke richting duwen, waardoor ze met gelijke precisie zijwaarts kunnen bewegen, kunnen draaien en kunnen zweven. De doorbraak van de onderzoekers ligt in het combineren van twee krachtige ideeën: een wiskundig concept genaamd "viabiliteit", dat vraagt: "is er enige manier om hier veilig te blijven?", en een predictief controlesysteem dat de volgende stappen van de drone plant. In plaats van alleen te proberen het volgende obstakel te vermijden, controleert hun systeem constant of de drone zich altijd in een positie bevindt waarin hij veilig tot stilstand kan komen of een vooraf geplande noodlanding kan uitvoeren als het pad voor hem plotseling geblokkeerd raakt.

De kern van hun methode omvat een slimme truc om de complexiteit van de fysica van de drone aan te pakken. Het berekenen van elk mogelijk toekomstig pad voor een drone in een drukke kamer is te traag voor een computer om in real-time te doen. Om dit op te lossen, gebruikte het team een datagestuurde aanpak. Eerst voerden ze duizenden simulaties offline uit om de "veilige zone" voor de drone in kaart te brengen—een specifieke set posities en snelheden van waaruit de machine altijd een veilige stop kan bereiken. Vervolgens leerden ze een kunstmatige intelligentie, specifiek een neuraal netwerk, om deze veilige zone direct te herkennen. Denk aan dit neurale netwerk als een hooggetrainde piloot die naar de huidige snelheid en locatie van de drone kan kijken en onmiddellijk weet: "Ja, we bevinden ons nog in een veilige plek," of "Nee, we komen te dicht bij de rand van veiligheid," zonder een complexe berekening te hoeven uitvoeren.

In hun experimenten testten de onderzoekers dit systeem op een unieke zes-rotor drone genaamd de α-Ted6R, ontworpen met gekantelde propellers om de drone volledige controle over zijn beweging te geven. Ze plaatsten de drone in een gesimuleerde omgeving gevuld met statische obstakels, zoals grote dozen en pilaren, en vroegen de drone om naar een specifiek doelpunt te navigeren. Terwijl de drone vloog, update de computer continu een virtuele "veiligheidsbox" om de drone heen, waarbij deze box dynamisch wordt verkleind om in de beschikbare ruimte tussen de obstakels te passen. Bij elke stap controleerde het systeem of de voorspelde toekomstige positie van de drone binnen de veilige zone bleef die door het neurale netwerk is geïdentificeerd. Als de drone zich ooit in een situatie bevond waarin het geplande pad geblokkeerd was en een veilige stop niet mogelijk was, had het systeem een ingebouwde "veilige afbrekingsmechanisme". Dit zou onmiddellijk een vooraf berekende noodmanoeuvre activeren, die de drone naar een veilige stop begeleidt in plaats van hem te laten crashen.

De resultaten van de simulatie waren opmerkelijk. De drone navigeerde succesvol door de rommelige ruimte en bereikte zijn doel terwijl hij alle obstakels vermeed. Zelfs toen het pad van de drone tijdelijk geblokkeerd werd door een veiligheidsmarge die een virtuele wand raakte, paste het systeem de snelheid en richting aan om een weg te vinden zonder de stabiliteit te verliezen. De computationele prestaties waren snel genoeg voor echt gebruik, waarbij het systeem beslissingen nam in gemiddeld één milliseconde, ruim binnen de tijdslimieten die vereist zijn voor een soepele vlucht. De onderzoekers toonden aan dat door deze "veiligheidsgarantie" direct in het planningsproces in te bedden, zij de drone konden laten opereren in complexe, ongestructureerde omgevingen met een niveau van vertrouwen dat eerdere methoden niet konden bieden.

Dit werk beweert niet elk probleem in de luchtvaartrobotica te hebben opgelost, noch bewijst het nog wel eens dat het systeem werkt in de echte wereld met bewegende mensen of verschuivend puin. De simulaties vormen echter een sterk bewijs van het concept. Ze laten zien dat het mogelijk is om een vluchtcontroller te creëren die niet alleen reactief is, maar fundamenteel veilig door ontwerp. Door ervoor te zorgen dat de drone altijd in een staat verkeert waarin een veilige toekomst bestaat, neemt het systeem de angst voor de "onherstelbare staat" weg die de autonome vlucht lang heeft geteisterd. De weg vooruit, zoals de auteurs opmerken, houdt in dat deze ideeën worden getest in meer dynamische omgevingen en dat de manier waarop de drone zijn omgeving waarneemt wordt verfijnd, maar het fundament dat hier is gelegd, suggereert een toekomst waarin drones naast mensen kunnen werken in onze meest drukke en ingewikkelde ruimtes.

Technische Samenvatting: Viability Kernel MPC voor Volledig Actieve Multirotors

Probleemstelling
Het artikel behandelt de uitdaging van het navigeren van volledig actieve multirotors in rommelige, ongestructureerde omgevingen, terwijl veiligheid gegarandeerd en prestaties geoptimaliseerd worden. De huidige industriële luchtvaartrobotica is grotendeels beperkt tot surveillance in open gebieden vanwege een gebrek aan robuuste veiligheidsgaranties voor complexe scenario's die gepaard gaan met statische obstakels en nabijheid van mensen. Bestaande veiligheidsbenaderingen lijden vaak aan twee belangrijke beperkingen: ze garanderen ofwel alleen korte-termijn botsingsvermijding zonder langetermijn veiligheid van het systeem te garanderen, of ze vertrouwen op computationeel dure offline reachability-analyses die niet goed schalen naar hoog-dimensionale, niet-lineaire systemen. Bovendien wordt veiligheid vaak behand als een reactieve beperking in plaats van een intrinsieke eigenschap van de controle-architectuur.

Methodologie
De auteurs stellen een Model Predictive Control (MPC) framework voor dat Viability Theory integreert met data-gedreven methoden om veilige pose-trajecten te genereren. De kernmethodologie bestaat uit drie hoofdcomponenten:

Viability Kernel Approximatie via VBOC:
Het systeem maakt gebruik van de Viability-Boundary Optimal Control (VBOC) benadering om een conservatieve numerieke benadering van de viability kernel ( $\hat{V}$ ) te berekenen. De viability kernel wordt gedefinieerd als de verzameling toestanden van waaruit het systeem onbeperkt naar een veilige evenwichtstoestand kan worden gestuurd terwijl aan staat- en inputbeperkingen wordt voldaan.
- Offline Berekening: Een Optimal Control Problem (OCP) wordt opgelost over een eindig horizon om de grens van de viability kernel te identificeren. Dit OCP maximaliseert de initiële twist-norm langs een specifieke richting onder strikte dynamische beperkingen, input-verzadiging (rotorlimieten) en staatbeperkingen.
- Neural Network Encoding: Om real-time evaluatie mogelijk te maken, wordt de berekende viability kernel-grens gecodeerd in een Neuraal Netwerk (NN). Het NN neemt Euler-hoeken, de twist-richting en Axis-Aligned Bounding Box (AABB) parameters als input en geeft de maximale veilige twist-norm als output. Dit maakt computationeel efficiënte veiligheidscontroles tijdens online operaties mogelijk.
Dynamische Obstakelrepresentatie (AABB):
In tegen tegenstelling tot methoden die exhaustieve offline analyse vereisen, wordt obstakelvermijding afgedwongen door dynamisch berekende, obstakelvrije Axis-Aligned Bounding Boxes (AABB).
- Een greedy shrinking algoritme wordt gebruikt om een botsingsvrije AABB ( $B^*$ ) rond de multirotor te berekenen. Dit algoritme verkleint iteratief de grootste haalbare box door de zijden die met obstakels snijden te verplaatsen totdat er geen botsingen meer zijn.
- Deze aanpak biedt formele veiligheidsgaranties zonder voor elke mogelijke omgevingsconfiguratie reachability-sets vooraf te hoeven berekenen.
Terminal-Constrained MPC met Safe Abort:
De viability kernel-approximatie wordt ingebed in de MPC-formulering als een harde terminale beperking.
- Beperking: De voorspelde eindtoestand ( $x_N$ ) aan het einde van de MPC-horizon moet behoren tot de viability kernel ( $x_N \in \hat{V}$ ). Dit zorgt ervoor dat elke haalbare oplossing een toestand bevat van waaruit een veilige evenwichtstoestand kan worden bereikt.
- Safe Abort Mechanisme: Als het MPC-probleem onhaalbaar wordt (bijv. door onverwachte obstakels of beperkingen), activeert het systeem een "safe abort". Het past de laatst haalbare controlesequentie toe en volgt de tijdstappen tot de eerder geplande veilige terminale toestand wordt bereikt. Eenmaal bereikt, wordt een vooraf gedefinieerde abort-manoeuvre uitgevoerd (het oplossen van een specifiek OCP om evenwicht te bereiken), wat garandeert dat het systeem niet in een onveilige toestand terechtkomt.

Belangrijkste Bijdragen
Het artikel formaliseert twee primaire bijdragen:

De numerieke benadering van de viability kernel voor een volledig actieve multirotor die navigeert in rommelige omgevingen, waarbij expliciet rekening wordt gehouden met propeller-verzadiging en obstakel-geïnduceerde beperkingen via een dynamisch berekende AABB.
De integratie van deze benadering in een terminally constrained MPC framework, wat een gecertificeerde veilige fallback-toestand garandeert in het geval van controle-onhaalbaarheid, waardoor een robuust safe abort mechanisme mogelijk wordt.

Resultaten
De aanpak werd gevalideerd via numerieke simulaties met een volledig actieve $\alpha$ -Ted6R (een gekantelde hexarotor met zes propellers) die door een rommelige omgeving met statische obstakels navigeert.

Traject Tracking: Het systeem navigeerde succesvol van een initiële toestand naar een doelpose ( $\xi_r = [2, 0, 5, 0, 0, 0]^\top$ ) terwijl het obstakels vermeed, zelfs toen het doel aanvankelijk buiten de directe obstakelvrije box lag.
NN Nauwkeurigheid: De voorspelling van het Neurale Netwerk van de viability kernel kwam nauw overeen met de oplossingen van het offline OCP, wat de bekwaamheid valideert om de viability-grens accuraat te coderen.
Computationele Prestaties: De methode demonstreerde real-time capaciteiten met een gemiddelde iteratietijd van 1,00 ms (maximum 11,72 ms), ruim onder de 20 ms sampling periode. Deze efficiëntie wordt toegeschreven aan de NN-encoding van de viability kernel en het hanteerbare greedy AABB-algoritme.
Dynamische Adaptatie: Het systeem actualiseerde de AABB dynamisch terwijl de robot bewoog, waardoor nieuwe vrije ruimte werd ontdekt en het traject dienovereenkomstig werd aangepast.

Betekenis en Claims
De auteurs positioneren dit werk als een methodologische proof of concept. De betekenis ligt in het bieden van veiligheidsgaranties voor volledig actieve multirotors in rommelige omgevingen zonder te vertrouwen op uitputtende offline reachability-analyse. Door viability theory direct in de control loop te embeden via een neuraal netwerk, zorgt het framework ervoor dat het systeem altijd een pad naar een veilige evenwichtstoestand behoudt, zelfs in de aanwezigheid van aanhoudende onhaalbaarheden.

Het artikel presenteert dit bescheiden als een fundamentele studie. Het erkent dat de huidige box-gebaseerde aanpak (AABB) conservatief is en suggereert dat toekomstig werk nauwkeurigere representaties van obstakelvrije regio's kan verkennen, uitbreidingen naar omgevingen met dynamische obstakels, en de integratie van geavanceerde perceptie of learning-gebaseerde componenten.

Technische Samenvatting: Viability Kernel MPC voor Volledig Actieve Multirotors

Meer zoals dit