Decentralized and Fully Onboard: Range-Aided Cooperative Localization and Navigation on Micro Aerial Vehicles

Título: Localização Cooperativa Ajudada por Distância e Navegação Descentralizada em Veículos Aéreos Micro (MAVs)

1. Problema Abordado

O controle coordenado de uma equipe de robôs (especificamente Veículos Aéreos Micro - MAVs) é desafiador devido a duas limitações principais:

1. Escalabilidade de abordagens centralizadas: Onde todo o processamento ocorre em uma máquina central, o que não escala bem com o aumento do número de robôs.
2. Disponibilidade de sistemas de localização externos: Sistemas de referência global, como GPS (ao ar livre) ou redes de UWB (em ambientes internos), nem sempre estão disponíveis ou são viáveis devido ao custo e infraestrutura necessária.

O objetivo deste trabalho é resolver o problema de localização cooperativa descentralizada e controle de formação baseado em distância. O desafio consiste em permitir que cada robô estime sua própria pose relativa combinando apenas dados de sensores a bordo (odometria visual-inercial e medições de distância para outros robôs) e calcule inputs de controle para navegar em uma formação desejada, sem depender de infraestrutura externa ou de um computador central.

2. Metodologia

A abordagem proposta é totalmente descentralizada e executada a bordo de cada MAV. Ela é dividida em dois módulos principais que operam em conjunto:

A. Localização Cooperativa Descentralizada (Estimativa de Estado)

• Sensores: Cada robô utiliza uma combinação de Odometria Visual-Inercial (VIO), sensores de IMU e sensores de alcance (UWB) para medir distâncias até vizinhos.
• Modelo Probabilístico: O problema é formulado como uma inferência em Grafos de Fatores. A distribuição de probabilidade conjunta dos estados dos robôs e das medições é modelada considerando:
  • Fatores de Odometria: Pré-integração de estimativas de pose VIO para reduzir o custo computacional.
  • Fatores de Alcance: Medições de distância entre pares de robôs.
• Algoritmo de Otimização: Para resolver o problema de Máxima A Posteriori (MAP) de forma distribuída, os autores propõem um método de Descida de Coordenadas em Bloco Assíncrono (Asynchronous Block Coordinate Descent - BCD).
  • Cada robô otimiza apenas sua própria trajetória local usando as estimativas mais recentes dos seus vizinhos.
  • Não há necessidade de comunicação síncrona ou troca de dados de odometria bruta entre os agentes, apenas poses e covariâncias.
  • Utiliza-se um smoother de janela fixa (fixed-lag) para manter o custo computacional baixo, marginalizando estados antigos.

B. Controle de Formação Descentralizado

• Formulação como Inferência: Diferente de métodos clássicos de controle, a formação é tratada como um problema de inferência em grafos de fatores.
• Prior de Movimento: Utiliza-se um Processo Gaussiano (GP) contínuo para gerar um prior de movimento suave, levando em conta a incerteza do estado estimado e ruídos não modelados.
• Restrições de Distância: As distâncias desejadas entre os robôs são incorporadas à função de custo (em vez de restrições rígidas), permitindo flexibilidade em caso de ruído ou atrasos de comunicação.
• Consideração de Incerteza: O método leva em conta a incerteza da estimativa de estado dos vizinhos. Se um vizinho tem alta incerteza, a restrição de distância associada a ele é penalizada menos na otimização, tornando o sistema mais robusto a ruídos e outliers.
• Saída: O algoritmo gera inputs de controle (posição e velocidade) suaves para manter a formação desejada.

3. Contribuições Principais

1. Abordagem de Controle de Formação Baseada em Inferência: Uma formulação nova para controle de formação baseado em distância que é esparsa, considera a incerteza do estado e pode ser resolvida eficientemente.
2. Localização Cooperativa Assíncrona: Um método de descida de coordenadas em bloco que não requer troca de dados de odometria nem comunicação síncrona entre os agentes, sendo robusto a redes de comunicação não confiáveis.
3. Validação em Cenários Diversos: Demonstração prática em múltiplos experimentos reais com MAVs com recursos computacionais limitados, em ambientes internos e externos (incluindo áreas sem GPS e sob copas de árvores).

4. Resultados e Avaliação

Os autores validaram o sistema através de simulações e 22 voos reais em três ambientes distintos (arena com captura de movimento, cúpula de metal sem GPS e ambiente externo sob árvores).

• Precisão de Localização: O método descentralizado proposto (dcl) alcançou um Erro Quadrático Médio (RMSE) de posição comparável à estimativa de trajetória em batch centralizado (o "padrão ouro"), com precisão na ordem de decímetros (aprox. 0.10m em experimentos reais).
• Desempenho de Formação: O método proposto superou o método de controle por gradiente (baseline) em termos de erro de formação (FRE). O controle baseado em inferência produziu trajetórias mais suaves e estáveis, especialmente na presença de ruído de sensores e atrasos de comunicação.
• Escalabilidade: A análise de tempo de computação mostrou que o método escala bem com o aumento do número de agentes, mantendo o tempo de processamento por agente baixo e estável.
• Robustez: O sistema funcionou com sucesso em ambientes onde a linha de visão visual estava obstruída (usando UWB) e em condições de GPS negado (GPS-denied).

5. Significado e Impacto

Este trabalho é significativo porque demonstra a viabilidade de operações de enxames de robôs totalmente autônomos e descentralizados em ambientes complexos e sem infraestrutura.

• Eliminação de Ponto Único de Falha: Ao remover a dependência de um servidor central ou de infraestrutura externa (como GPS ou UWB fixo), o sistema torna-se mais robusto para missões de busca e resgate ou monitoramento em áreas remotas.
• Eficiência Computacional: A capacidade de rodar algoritmos complexos de otimização em hardware embarcado limitado (como o Qualcomm Flight Pro usado nos experimentos) abre caminho para aplicações em tempo real.
• Gestão de Incerteza: A incorporação explícita da incerteza de estimativa no controle de formação é um avanço crucial, permitindo que o sistema se adapte dinamicamente à qualidade dos dados dos sensores, evitando comportamentos erráticos comuns em métodos determinísticos.

Em resumo, o artigo apresenta uma solução robusta e escalável para a navegação cooperativa de drones, provando que é possível manter formações precisas e navegar em ambientes desconhecidos usando apenas sensores a bordo e comunicação entre pares.