Distributionally Robust Acceleration Control Barrier Filter for Efficient UAV Obstacle Avoidance

Título: Filtro de Barreira de Controle de Acelulação Robusto à Distribuição para Evitação Eficiente de Obstáculos em UAVs

1. Problema

A evitação de obstáculos dinâmicos (DOA) para Veículos Aéreos Não Tripulados (UAVs) em ambientes complexos exige reações rápidas sob recursos computacionais limitados a bordo. Os desafios principais incluem:

• Latência e Incerteza: Atrasos na percepção-para-ação e incertezas nos sensores podem levar a violações de segurança em altas velocidades.
• Limitações Computacionais: Métodos existentes, como Programação Quadrática (QP) baseada em Funções de Barreira de Controle (CBF) ou Model Predictive Control (MPC), são frequentemente computacionalmente pesados para taxas de controle em tempo real (ex: 100 Hz) em hardware embarcado.
• Restrições de Dinâmica: Muitas abordagens atuais operam no espaço de posição ou velocidade, não fornecendo restrições fechadas no espaço de aceleração, o que é crucial para o controle direto de empuxo de quadrotors.
• Gestão de Risco: A alocação de risco entre múltiplos obstáculos dinâmicos com comportamentos imprevisíveis é difícil de gerenciar de forma conservadora sem sacrificar a agilidade.

2. Metodologia

O artigo propõe o DR-ACBF (Distributionally Robust Acceleration Control Barrier Function), um filtro de segurança que opera diretamente no espaço de aceleração. A metodologia é composta pelos seguintes pilares:

• Função de Barreira de Aceleração (ACBF):

  • Em vez de usar QPs online, o método constrói uma função de barreira de segunda ordem que é linearizada para criar restrições de meio-espaço lineares no espaço de aceleração comandada.
  • Isso transforma o problema de otimização em uma projeção determinística, eliminando a necessidade de solucionadores QP complexos.
  • A restrição é dada por $A_i a_e \leq b_i$, onde $a_e$ é a aceleração segura.

• Margens de Segurança Dinâmicas e Robustez:

  • Limpeza Efetiva ($R_{eff}$): Incorpora latência de percepção, limites de atuadores (aceleração e jerk) e a aceleração máxima estimada do obstáculo para expandir a margem de segurança.
  • Apertamento Probabilístico (Cantelli): Utiliza a desigualdade de Cantelli para ajustar as restrições com base na incerteza de estimativa de posição e velocidade, garantindo que a probabilidade de colisão permaneça abaixo de um orçamento de risco global ($\alpha_{total}$).

• Gestão de Risco e Alerta Precoce (DR-CVaR):

  • Introduz uma camada de gatilho baseada em Valor Condicional em Risco Robusto à Distribuição (DR-CVaR).
  • Este gatilho monitora o risco de violação futura usando amostras de Monte Carlo e distribuições de erro. Se o risco exceder um limiar, ele ativa o filtro ACBF mais cedo, ajustando dinamicamente o horizonte de previsão e o orçamento de risco para garantir a viabilidade da manobra evasiva.

• Projeção Gauss-Southwell:

  • Para atender à taxa de 100 Hz, o sistema utiliza uma projeção Gauss-Southwell de tempo fixo.
  • Em vez de resolver um QP, o algoritmo projeta iterativamente a aceleração nominal sobre o meio-espaço mais violado. Isso é computacionalmente muito mais leve e numericamente estável.

3. Contribuições Principais

1. Restrições no Espaço de Aceleração: Primeira implementação de um filtro CBF que gera restrições lineares fechadas diretamente no espaço de aceleração, compatível com controle de baixo nível de UAVs.
2. Eficiência Computacional: Substituição de solucionadores QP online por projeções iterativas fixas, reduzindo a carga computacional em 31% em comparação com métodos baseados em QP, permitindo operação em 100 Hz.
3. Robustez Distribucional e Latência: Integração de margens de segurança que consideram explicitamente a latência do sistema, limites de jerk e incertezas de sensores através de apertamento probabilístico.
4. Gatilho de Alerta Precoce (DR-CVaR): Um mecanismo inovador que antecipa violações de segurança, permitindo reações mais rápidas e evitando o acionamento tardio do filtro de segurança.
5. Validação Experimental: Demonstração de viabilidade em plataformas reais (Crazyflie 2.1) e simulações extensivas.

4. Resultados

• Simulações (3000 corridas):

  • O DR-ACBF alcançou uma taxa de sucesso de 99,64%, comparável ou superior às abordagens de base (MPC, CBF-QP, RP-CBF).
  • O tempo de processamento foi reduzido em 31% a 54% em relação aos concorrentes, com menor variabilidade (crucial para sistemas embarcados).
  • O tempo de comando ($t_{cm}$) foi reduzido para ~1,4 ms (vs. 2,2 ms do CBF-QP e >5 ms do MPC).
  • A ablação mostrou que o gatilho DR-CVaR é essencial: sem ele, a taxa de sucesso caiu de 82,5% para 34,9% em cenários desafiadores.

• Experimentos com Hardware (Crazyflie):

  • Testes realizados com UAVs Crazyflie evitando obstáculos dinâmicos (lançados por humanos e outros UAVs) em um ambiente de 2m x 3m.
  • O sistema operou com sucesso em todas as 15 voos testados (5 voos com 1 obstáculo, 5 com 2 obstáculos em diferentes condições).
  • A distância de separação mínima foi mantida acima do limite de segurança definido ($R_{sum} = 0,2$ m), com médias de 0,479 m (hovering) e 0,351 m (movimento).
  • O tempo de reação total foi de aproximadamente 66 ms a 79 ms, demonstrando a capacidade de resposta em tempo real.

5. Significado e Impacto

Este trabalho preenche uma lacuna crítica entre a garantia formal de segurança e a performance em tempo real em plataformas de UAVs com recursos limitados. Ao eliminar a dependência de solucionadores QP online e operar diretamente no espaço de aceleração com margens de segurança adaptativas, o DR-ACBF permite que UAVs operem de forma segura e ágil em ambientes dinâmicos e incertos. A abordagem é particularmente relevante para aplicações de logística urbana, resposta a desastres e inspeção em ambientes congestionados, onde a latência e a incerteza são fatores determinantes para a segurança. O sucesso em hardware real valida a transição de teorias de controle robusto para aplicações práticas em sistemas embarcados.