Decentralized Geometric Control for Cable-Suspended Payload Transport with Adaptive Mass Estimation

Resumo Técnico: Controle Geométrico Descentralizado para Transporte de Carga Suspensa por Cabos com Estimativa de Massa Adaptativa

Definição do Problema
O transporte aéreo cooperativo utilizando múltiplos quadrotors e cargas suspensas por cabos oferece maior capacidade e tolerância a falhas em comparação com sistemas de veículo único. No entanto, esses sistemas enfrentam desafios significativos: dinâmica não linear em variedades (manifolds) (SE(3) × (S²)ᴺ, a necessidade de operação descentralizada sem coordenação centralizada, e restrições rigorosas de segurança (folga no cabo, oscilação excessiva, colisões e inclinação do veículo). As soluções existentes dependem frequentemente de informações de estado centralizadas, exigem o conhecimento do número total de agentes ($N$) e da massa da carga ($m_L$), ou utilizam dinâmicas linearizadas que perdem a estabilidade durante manobras de grande ângulo. Além disso, fatores do mundo real, como cabos flexíveis, perturbações de vento e ruído de sensores, são frequentemente negligenciados em estruturas teóricas. Há uma carência de um framework unificado que combine controle de variedade geométrica, estimativa adaptativa descentralizada sem excitação persistente e supervisão de segurança em tempo de execução para o transporte de carga por múltiplos UAVs.

Metodologia: A Arquitetura GPAC
Os autores propõem o GPAC (Controle Adaptativo de Carga Geométrica), uma arquitetura hierárquica de quatro camadas projetada para que $N$ quadrotores transportem uma carga sem um coordenador central ou troca de estados de cabos/parâmetros adaptativos. O sistema opera diretamente na variedade de configuração não linear completa.

1. Insight Central (Coordenação Implícita): Cada quadrotor estima de forma independente sua parcela de carga efetiva (parcela da massa da carga + sua própria massa de cabo) usando apenas medições locais de cabo (tensão e direção). A soma dessas estimativas individuais converge naturalmente para o peso total que a equipe deve suportar, eliminando a necessidade de conhecer $N$ ou $m_L$ antecipadamente.
2. Camada 1: Posição e Anti-Oscilação (50 Hz): Calcula a força desejada usando feedback PID, compensação de feedforward (gravidade, trajetória e tensão do cabo), controle anti-oscilação na esfera ($S^2$) e rejeição de perturbações. Ele reconstrói a posição da carga localmente a partir da própria geometria do cabo do agente.
3. Camada 2: Controle de Atitude Geométrica (200 Hz): Um controlador de rastreamento geométrico em $SO(3)$ garante estabilidade exponencial quase global, evitando singularidades de ângulos de Euler.
4. Camada 3: Estimativa de Massa Adaptativa: Utiliza aprendizado concorrente (concurrent learning) para estimar a parcela da massa da carga. Este método utiliza dados armazenados para alcançar a convergência sem a necessidade de "excitação persistente" tipicamente exigida por leis adaptativas, o que é crucial durante o voo pairado ou manobras lentas.
5. Camada 4: Observador de Estado Estendido (ESO): Um observador de terceira ordem estima perturbações acumuladas (ex: vento) para fornecer compensação de feedforward.
6. Módulos de Suporte:
   • Fusão de Sensores ESKF: Um Filtro de Kalman Estendido de 15 estados funde dados de IMU, GPS e barômetro. Todos os loops de controle são fechados através deste estimador, não através de verdade fundamental (ground truth).
   • Filtro de Segurança CBF Ordenado por Prioridade: Uma camada modular supervisiona restrições operacionais (tensão do cabo, ângulo, taxa de oscilação, inclinação do veículo e colisão entre agentes). Utiliza uma abordagem de projeção de gradiente sequencial em vez de um Programa Quadrático (QP) completo para minimizar o custo computacional. Emprega margens de Segurança de Entrada-para-Estado (ISSf) que escalam com as perturbações estimadas.

Principais Contribuições

1. Controle Sem Coordenador: Um controlador operando na variedade não linear que não requer troca de estados de carga/cabo ou parâmetros adaptativos. Os agentes reconstroem a posição da carga localmente, comunicando apenas posições de vizinhos em baixa taxa para evitar colisões.
2. Estimativa Adaptativa Descentralizada: Um estimador que converge exponencialmente para uma vizinhança uniformemente limitada superiormente (UUB) da parcela de carga efetiva (incluindo a massa do cabo) usando aprendizado concorrente, mesmo sem excitação persistente.
3. Supervisão de Segurança: Uma camada de Função de Barreira de Controle (CBF) ordenada por prioridade que reduz riscos de folga, oscilação excessiva e colisões. O artigo prova que as modificações de força induzidas pelo filtro de segurança mantêm a atitude desejada dentro da região de estabilidade quase global do controlador $SO(3)$.
4. Validação de Alta Fidelidade: Um ambiente de simulação abrangente apresentando cabos de cadeia de contas flexíveis, fusão de sensores embarcada e turbulência de vento de Dryden, com todos os loops fechados através do estimador.

Resultados
O sistema foi validado em uma simulação de alta fidelidade baseada em Drake com 3 quadrotores ($N=3$) e uma carga de 3,0 kg sob turbulência de vento e comprimentos de cabo assimétricos.

• Desempenho de Rastreamento: O sistema alcançou um Erro Quadrático Médio (RMSE) de rastreamento de carga 3D médio de 33,8 cm (coeficiente de variação de 2,8% sobre 13 sementes).
• Estimativa: O estimador de aprendizado concorrente convergiu para uma média de estado estacionário de 1,18 kg por agente (parcela real de 1,0 kg + massa do cabo), com o viés diminuindo conforme a massa da carga aumentava.
• Segurança e Restrições:
  • Tensão: Manteve tensão positiva em voo estável, com excursões breves para ~0,7 N durante manobras agressivas.
  • Colisão: Manteve o distanciamento entre agentes acima de 0,67 m (limite de 0,8 m) para $N=3$.
  • Taxa de Oscilação: Manteve-se estritamente dentro do limite de 1,5 rad/s.
  • Inclinação: Operou próximo ao limite de 28,6°, excedendo-o ligeiramente sob carga (máximo de 32°).
  • Ângulo do Cabo: Excedeu o limite de 34,4° (atingindo 48°) durante manobras agressivas, identificado como uma saída de segundo grau relativo onde o filtro de nível de força tem autoridade limitada.
• Estudos de Ablação: Remover o feedforward do ESO dobrou o erro de rastreamento (+110%) e permitiu que os ângulos do cabo atingissem 68°. Remover o filtro CBF aumentou o erro em 19% e reduziu o distanciamento para 0,32 m. O feedforward de aprendizado concorrente teve um efeito neutro no RMSE de rastreamento (pois o integrador absorve déficits estáticos), mas foi essencial para a coordenação implícita.
• Escalabilidade: O controlador por agente permaneceu estruturalmente reutilizável para $N \in \{2, \dots, 6\}$. No entanto, as margens de segurança (distanciamento) degradaram significamente para $N \ge 4$ devido à geometria de formação fixa, não por limitações do controle.

Significância e Alegações
O artigo afirma fechar a lacuna entre o controle de variedade geométrica, estimativa adaptativa descentralizada e supervisão de segurança em tempo de execução. Demonstra que uma equipe de UAVs pode alcançar o transporte coordenado sem um coordenador central, sem conhecer o tamanho da equipe ou a massa da carga, e sem trocar informações complexas de estado. A arquitetura lida com sucesso com cabos flexíveis e perturbações de vento em uma simulação de loop fechado de sensor.

Os autores notam modestamente as limitações:

• A estimativa de posição de carga por cabo único descentralizada é deficiente devido a problemas de observabilidade (embora não afete o loop de rastreamento).
• A projeção CBF sequencial garante a viabilidade ordenada por prioridade em vez de ISSf total quando múltiplas restrições são ativadas simultaneamente.
• A restrição de ângulo do cabo não é estritamente aplicada durante manobras agressivas.
• Os resultados são atualmente apenas de simulação; experimentos de voo em hardware são identificados como o próximo passo necessário.

O trabalho estabelece que a decomposição geométrica, combinada com estimativa adaptativa local e supervisão de segurança em camadas, fornece um framework robusto para o transporte aéreo cooperativo de segurança crítica.