Vision-Based UAV Interception Using Dynamic Image-Based Visual Servoing, Multi-Objective Predictive Guidance, and Robust Soft Control Barrier Functions

In de lucht staat een drone uitgerust met een camera voor een moeilijke uitdaging: het moet een andere drone vangen die onvoorspelbaar beweegt, terwijl het camerabeeld vertraagd wordt door de tijd die nodig is om beelden te verwerken en de drone zelf beperkingen heeft in hoe scherp hij kan draaien. Dit is het domein van visual servoing, een methode waarbij een machine stuurt op basis van wat hij direct ziet, in plaats van te vertrouwen op een perfecte, vooraf berekende kaart van de wereld. Voor een drone die een doelwit probeert te onderscheppen, wordt de taak bemoeilijkt door het feit dat de camera star aan het toestel is bevestigd; als de drone scherp draait om het doelwit in te halen, kan de camera zo snel zwaaien dat het doelwit uit het zicht verdwijnt. Bovendien zijn de beelden die de drone ontvangt nooit perfect actueel; ze zijn altijd iets verouderd, en het doelwit kan zijn snelheid of richting veranderen op manieren die de drone niet kan voorspellen. Het oplossen hiervan vereist een systeem dat de toekomst kan zien, meerdere opties tegelijkertijd kan afwegen en beslissingen kan nemen in een fractie van een seconde, waarbij een balans wordt gezocht tussen snelheid, veiligheid en vloeiendheid.

Onderzoekers aan het Control Automation in Production and Improvement of Technology Institute hebben een nieuwe aanpak voor dit probleem ontwikkeld, waarbij een systeem is gecreëerd dat een drone in staat stelt om een manoeuvrerend doelwit te onderscheppen, zelfs wanneer de visuele gegevens ruis bevatten en vertraagd zijn. In plaats van te proberen het doelwit onmiddellijk in het midden van het camerabeeld te dwingen, wat vaak leidt tot grillige bewegingen of het uit het zicht glippen van het doelwit, gebruikt hun methode een voorspellende waarnemer om te raden waar het doelwit een moment later zal zijn. Het systeem genereert vervolgens een kleine set mogelijke vliegpaden, of kandidaat-trajecten, die de drone kan volgen. Elk van deze paden wordt geëvalueerd tegen meerdere doelen tegelijkertijd: hoe dicht de drone bij het doelwit zal komen, hoe lang de onderschepping zal duren, hoeveel energie de drone zal verbruiken en het risico dat het doelwit uit het kader van de camera verdwijnt.

Om het beste pad te kiezen, kozen de onderzoekers niet simpelweg de optie die op papier het beste leek. In plaats daarvan gebruikten ze een techniek genaamd Soft-min fusion, die de opties samenvoegt tot een vloeiende, continue beslissing. Dit voorkomt dat de drone heen en weer schokt tussen verschillende strategieën, een veelvoorkomend probleem wanneer een systeem abrupt tussen keuzes schakelt. Het resultaat is een dynamisch referentiepunt dat door het camerabeeld beweegt en de drone naar de voorspelde onderscheppingsplek leidt, in plaats van naar een vast punt in het beeld. Hierdoor kan de drone zijn koers op een gracieuze manier aanpassen terwijl het doelwit beweegt, waarbij de vertraging in de beeldgegevens wordt gecompenseerd door de volgende beweging van het doelwit te anticiperen.

Een cruciaal onderdeel van dit systeem is een veiligheidsfilter gebaseerd op een concept dat bekend staat als een control barrier function. In eenvoudige bewoordingen werkt dit als een bewaker die voorkomt dat de drone een commando geeft dat zou veroorzaken dat het doelwit uit het camerabeeld verdwijnt. Echter, omdat de werkelijke omstandigheden chaotisch zijn en de motoren van de drone fysieke limieten hebben, kan een strikte regel die zegt "verlies het doelwit nooit" de wiskunde soms onoplosbaar maken. Om hiermee om te gaan, introduceerden de onderzoekers een "zachte" versie van deze veiligheidsregel. Dit staat het systeem toe om de veiligheidsbeperking tijdelijk te buigen als dat absoluut noodzakelijk is om de drone in beweging te houden, terwijl het systeem er wel voor wordt gestraft dat het dit doet. Dit zorgt ervoor dat de drone blijft proberen het doelwit te onderscheppen, zelfs wanneer de situatie extreem krap is, in plaats van dat hij bevriest omdat een perfecte oplossing niet gevonden kan worden.

De onderzoekers testten hun methode in een reeks computersimulaties met honderd verschillende scenario's met variërende wind, ruis en bewegingen van het doelwit. Ze vergeleken hun nieuwe systeem met verschillende bestaande methoden, waaronder standaard visuele tracking en andere voorspellende benaderingen. De resultaten toonden aan dat hun methode zeer effectief is. In de simulaties onderschepte de drone het doelwit in negentig procent van de gevallen, een percentage dat zeer dicht bij de best presterende baseline-methode ligt. Belangrijker nog, het nieuwe systeem bereikte dit met aanzienlijk minder inspanning. De drone gebruikte ongeveer vijftien procent minder besturingenergie, wat betekent dat hij minder hard hoefde te werken om dezelfde vangst te maken. Het verminderde ook de fout in het volgen van het beeld van het doelwit met bijna zesenzestig procent, waardoor het doelwit veel stabieler in het camerabeeld bleef. De tijd die nodig was om de onderschepping te voltooien, werd ook met meer dan twintig procent verminderd vergeleken met de baseline, mits de onderschepping succesvol was.

Er werd echter ook een subtiele afweging ontdekt. Hoewel de nieuwe methode sneller en efficiënter was, lag het succespercentage iets lager dan dat van de baseline-methode, met een daling van drie procentpunten. Dit suggereert dat door prioriteit te geven aan snelheid en vloeiendheid, het systeem af en toe risico's nam die een conservatievere aanpak zou hebben vermeden. De onderzoekers vonden dat de gemiddelde afstand tussen de drone en het doelwit op het moment van onderschepping bijna identiek was aan die van beide methoden, namelijk iets meer dan twee meter in beide gevallen. Dit geeft aan dat hoewel het nieuwe systeem wendbaarder is en minder belastend voor de motoren van de drone, het niet noodzakelijkerwijs een perfecte vangst garandeert in elk scenario waarin de oudere methode wellicht succesvol zou zijn geweest.

De studie concludeert dat deze aanpak een krachtige manier biedt om het complexe evenwicht tussen zien, denken en handelen voor autonome drones te beheren. Door een voorspellende waarnemer, een besluitvormingsproces met meerdere doelen en een flexibel veiligheidsfilter te combineren, kan het systeem de vertragingen en onzekerheden van de echte wereld aan. De onderzoekers merken op dat hoewel de simulaties succesvol waren, het systeem vertrouwt op benaderingen om de berekeningen snel genoeg te houden voor real-time gebruik. Toekomstig werk zal bestaan uit het testen van deze ideeën op daadwerkelijke hardware en het onderzoeken van hoe het systeem presteert met complexere fysieke modellen van de drone. Voor nu laten de bevindingen zien dat het mogelijk is om een drone met hoge precisie en efficiëntie naar een bewegend doelwit te leiden, zelfs wanneer de ogen van de drone traag zijn en het doelwit ongrijpbaar is.