SQP-Based Cable-Tension Allocation for Multi-Drone Load Transport

Resumo Técnico: Alocação de Tensão de Cabos Baseada em SQP para Transporte de Carga por Multi-Drones

Definição do Problema
Sistemas de Transporte de Carga Multi-Agente Aéreos (MAATS), que utilizam múltiplos drones para carregar uma única carga, oferecem capacidade de carga e tolerância a falhas superiores em comparação com soluções de drone único. No entanto, esses sistemas enfrentam um desafio fundamental de controle: as equações de equilíbrio de força são subdeterminadas. Com $n$ agentes e 3 graus de liberdade para a carga, existem infinitas maneiras de distribuir a tensão total necessária. Estratégias de alocação ingênuas frequentemente levam à distribuição desigual de energia (causando o esgotamento prematuro da bateria em agentes específicos), folga nos cabos ou configurações inseguras onde os cabos convergem, aumentando o risco de colisões entre drones ou cabos. As soluções existentes frequentemente focam apenas na minimização de surrogados de energia ou na imposição de formações geométricas rígidas, falhando em equilibrar simultaneamente a distribuição de força e manter o alinhamento seguro entre os cabos sem restringir o envelope operacional.

Metodologia
O artigo propõe uma camada de otimização em tempo real integrada a uma arquitetia de controle hierárquico. O sistema emprega um controlador em cascata de quatro camadas:

1. Controlador de Carga: Gera uma força virtual total ($u_L$) necessária para o rastreamento de trajetória.
2. Alocação de Tensão (A Contribuição Central): Distribui $u_L$ entre os $n$ UAVs.
3. Controlador de Posição: Computa comandos de empuxo individuais para cada UAV.
4. Controlador de Atitude: Gera comandos finais de torque e empuxo.

A inovação central é a formulação de Programação Quadrática Sequencial (SQP) utilizada na camada de alocação de tensão. Dada a entrada de controle virtual, o solver SQP determina as magnitudes de tensão desejadas ($T_{id}$) e os vetores de direção unitários ($\alpha_{id}$) resolvendo o seguinte problema de otimização:

$$\min_{T_{id}, \alpha_{id}} J = \frac{1}{2} \sum_{i=1}^{n} T_{id}^2 + \mu \sum_{i=1}^{n-1} \sum_{j=i+1}^{n} (\alpha_{id}^\top \alpha_{jd})^2$$

Sujeito a:

• Equilíbrio de força: $\sum T_{id} \alpha_{id} = -u_L$
• Restrições físicas: $T_{id} \geq 0$ e $\|\alpha_{id}\| = 1$

Principais Contribuições

• Otimização de Objetivo Duplo: Diferente de trabalhos anteriores que minimizam apenas a energia, esta formulação minimiza a soma dos quadrados das tensões (promovendo um esforço equilibrado) enquanto incorpora uma penalidade de alinhamento de cabos. O termo de penalidade, ponderado por $\mu$, desencoraja ângulos pequenos entre os cabos (onde o produto escalar se aproxima de 1), evitando assim a convergência e o risco de colisão dos cabos.
• Viabilidade em Tempo Real: O problema é estruturado para utilizar subproblemas quadráticos com soluções de forma fechada para o gradiente. Os autores implementam uma estratégia de inicialização de warm-start, utilizando a solução do passo de tempo anterior para inicializar a iteração atual. Isso garante a continuidade na configuração dos cabos e reduz drasticamente o número de iterações necessárias para a convergência.
• Escalabilidade e Flexibilidade: A abordagem não impõe uma formação geométrica fixa. Em vez disso, permite que o otimizador encontre um arranjo seguro e energeticamente eficiente a partir de qualquer estado inicial viável, adaptando-se a obstáculos ou restrições operacionais que possam impedir a manutenção de uma forma predefinida.

Resultados
O método foi validado através de simulações numéricas em MATLAB/Simulink usando um sistema de quatro quadrotors transportando uma carga de 0,225 kg.

• Desempenho de Rastreamento: O sistema manteve precisão de rastreamento de trajetória em nível de centímetros durante uma missão de espiral ascendente, com um erro de posição RMS de 2,97 cm e uma excursão máxima inferior a 8 cm. Isso confirma que a camada de otimização não degrada o desempenho do controle.
• Equilíbrio de Tensão: Comparado a uma abordagem geométrica de base, o alocador SQP alcançou uma distribuição de força significativamente mais equilibrada, evitando a saturação de motores individuais e garantindo a descarga uniforme da bateria.
• Segurança: Com um peso de alinhamento $\mu = 0,15$, o sistema manteve todos os ângulos de par de cabos acima de 44,4°, excedendo confortavelmente o limite de segurança de 30°. A abordagem de base frequentemente caía abaixo deste limite.
• Eficiência Computacional: Em hardware padrão (Intel Core Ultra 7), um ciclo SQP completo average de 1,13 ms, com um tempo de pior caso de 12,29 ms. Isso demonstra clara viabilidade para implementação embarcada em tempo real.
• Análise de Sensibilidade: O estudo mostrou que o peso de alinhamento $\mu$ atua como um parâmetro ajustável, permitindo que os operadores façam o compromisso (trade-off) entre margem de segurança (ângulos maiores) e consumo de energia (custo de tensão integrada) sem degradação mensurável no desempenho de rastreamento.

Significância e Alegações
O artigo afirma fornecer um caminho escalável para o transporte de carga cooperativo seguro e energeticamente equilibrado. Ao abordar explicitamente tanto o equilíbrio de tensão quanto o alinhamento cabo-a-cabo dentro de uma estrutura SQP leve, o método preenche uma lacuna na literatura atual, onde os controladores frequentemente priorizam um aspecto de segurança sobre o outro ou dependem de funções de custo proibitivas. Os autores afirmam que sua abordagem permite compromissos controláveis entre segurança e eficiência energética, mantendo a flexibilidade para operar sem restrições de formação rígida.

Limitações
Os autores reconhecem modestamente que o presente estudo assume cabos rígidos e sem massa e depende de uma camada de otimização centralizada, o que introduz um ponto único de falha. Além disso, os resultados baseiam-se exclusivamente em simulações; a validação em hardware é necessária para avaliar o desempenho sob condições do mundo real, como perturbações de vento, atrasos de comunicação e erros de modelagem. Um trabalho futuro é proposto para incluir experimentos de hardware e estratégias de otimização distribuída.