Distributed 3D Leader-Follower Formation Control with Field-of-View Safety via Control Barrier Functions

Resumo Técnico: Controle de Formação Distribuído 3D Líder–Seguidor com Segurança de Campo de Visão via Funções de Barreira de Controle

Declaração do Problema
O artigo aborda o desafio de manter formações seguras e baseadas em visão 3D líder–seguidor (3D-LFF) para sistemas multi-UAV, particularmente em ambientes sem GPS, onde a estimativa de estado relativa depende de câmeras a bordo. Uma restrição crítica nesses sistemas é o Campo de Visão (FOV) e a faixa de profundidade da câmera do seguidor. Se os comandos de rastreamento da formação levarem o líder para fora do tronco da câmera do seguidor, a visibilidade é perdida, levando a uma falha na estimativa de estado relativa e a uma possível falha na missão. Abordagens baseadas em posição existentes frequentemente falham em modelar rigorosamente essas restrições de tronco de câmera 3D, enquanto estender métodos de visibilidade planar para formações de UAVs 3D é não trivial devido à geometria 3D acoplada e aos efeitos da orientação relativa. O problema central é projetar um framework de controle distribuído que alcance um rastreamento de formação preciso, garantindo ao mesmo tempo que o líder permaneça estritamente visível dentro do tronco da câmera do seguidor em todos os momentos.

Metodologia
A solução proposta é uma arquitetura de controle hierárquica e consciente da percepção que integra um controlador de formação nominal com um filtro de segurança baseado em Funções de Barreira de Controle (CBFs).

1. Modelagem do Sistema: Os autores derivam um modelo cinemático relativo para o par líder–seguidor usando coordenadas esféricas ($L_{ij}, \phi_{ij}, \xi_{ij}$) aumentadas com uma variável de orientação relativa ($\alpha_{ij}$). Este modelo captura a geometria entre a câmera fixa no corpo do seguidor e o líder, expressa no referencial do corpo do seguidor.
2. Controlador Nominal: Um controlador de rastreamento 3D-LFF distribuído é projetado usando apenas estados relativos localmente disponíveis e estados do líder comunicados. Este controlador gera um comando de velocidade nominal ($u_i^{nom}$) destinado a levar o erro de formação a zero exponencialmente.
3. Filtro de Segurança (CBF-QP): Para impor a visibilidade, o comando nominal é processado através de um Programa Quadrático baseado em Função de Barreira de Controle (CBF-QP).
   • Definição do Conjunto Seguro: O conjunto seguro de percepção é definido pelas restrições do tronco da câmera (ângulos de FOV horizontal/vertical e limites de profundidade $[x_{near}, x_{far}]$). Essas restrições são codificadas como funções continuamente diferenciáveis ($h_c$) em coordenadas cartesianas.
   • Otimização: Em cada passo de tempo de controle, o QP minimiza o desvio entre o comando seguro ($u_i^{safe}$) e o comando nominal ($u_i^{nom}$) sujeito às restrições CBF ($\dot{h}_c + \kappa h_c \geq 0$). Isso garante a invariância para frente do conjunto seguro, significando que, se o líder começar dentro do tronco, ele permanece lá.
   • Robustez: O framework inclui variáveis de folga para lidar com limites de entrada de controle e distúrbios não modelados, garantindo viabilidade mesmo sob manobras agressivas.

Principais Contribuições
O artigo delineia três contribuições primárias:

1. Modelo Cinemático Relativo: Um modelo cinemático 3D em coordenadas esféricas que incorpora orientação relativa, permitindo uma lei de controle distribuída baseada em medições relativas locais.
2. Filtro de Segurança em Tempo Real: Um filtro de segurança CBF-QP que impõe restrições de tronco de câmera 3D (FOV e profundidade) modificando minimamente os comandos de formação nominais. Isso garante visibilidade contínua enquanto preserva o desempenho de rastreamento sempre que viável.
3. Validação Experimental: Validação abrangente usando simulações Gazebo e experimentos de hardware com Crazyflie 2.1. Os resultados demonstram a capacidade do framework de rastrear formações desejadas e impor estritamente as restrições de FOV, mesmo quando a formação desejada entra em conflito com os limites de visibilidade ou quando o líder realiza manobras abruptas.

Resultados
O método proposto foi avaliado contra um controlador de base sem o filtro de segurança (NoCBF) em dois cenários: uma tarefa de formação de três estágios e uma tarefa de movimento abrupto do líder.

• Tarefa de Três Estágios: No Estágio 2, onde a expansão da formação desejada empurrou o líder em direção à fronteira do tronco da câmera, a base NoCBF violou as restrições de segurança, fazendo com que o líder saísse do FOV. Em contraste, o seguidor equipado com CBF ajustou dinamicamente sua velocidade para manter o líder dentro do conjunto seguro, resolvendo com sucesso o conflito entre objetivos de formação e segurança de percepção.
• Movimento Abrupto: Durante um cenário envolvendo desaceleração súbita do líder, a base NoCBF falhou em impedir que o seguidor ultrapassasse e perdesse o líder. O framework proposto mitigou com sucesso o excesso de ultrapassagem, mantendo a visibilidade.
• Experimentos de Hardware: Testes de voo físico com drones Crazyflie confirmaram os resultados da simulação. O controlador CBF manteve o líder dentro do tronco durante manobras complexas (incluindo uma trajetória em lemniscata modulada em guinada), enquanto a base falhou em manter as restrições de segurança durante as fases de expansão da formação.

Significado e Alegações
O artigo alega fornecer uma solução rigorosa para o controle de formação consciente da percepção no espaço 3D. Seu significado reside em:

• Visibilidade Garantida: Ao contrário de métodos anteriores que podem depender de heurísticas ou falhar em modelar totalmente a geometria 3D, esta abordagem usa CBFs para garantir matematicamente que o líder permaneça dentro do tronco da câmera (invariância para frente).
• Intervenção Mínima: A formulação CBF-QP garante que o filtro de segurança modifique a entrada de controle apenas quando necessário, preservando o máximo possível o desempenho de rastreamento de formação nominal.
• Aplicabilidade Prática: A validação bem-sucedida tanto em simulação quanto em hardware físico (Crazyflie) demonstra que a abordagem é computacionalmente viável para implementação em tempo real em UAVs com recursos limitados.

Os autores observam que, embora os experimentos atuais utilizem captura de movimento para emular medições relativas ideais, trabalhos futuros visam integrar a percepção a bordo para fechar o laço usando medições baseadas em imagens brutas. O artigo não alega resolver todos os problemas de coordenação multiagente, mas visa especificamente a interseção crítica entre rastreamento de formação e segurança de percepção em configurações líder–seguidor 3D.