A Temporal Barrier Framework for Collision Avoidance in Multi-Agent Autonomous Aerial Vehicles

Resumo Técnico: Uma Estrutura de Barreira Temporal para Evitação de Colisões em Veículos Aéreos Autônomos Multiagentes

Definição do Problema
Equipes operando aeronaves autônomas em ambientes dinâmicos, incertos e potencialmente adversários exigem protocolos de segurança que sejam simultaneamente confiáveis e seletivos. Métodos de evitação de colisão existentes, como Funções de Barreira de Controle (CBFs) baseadas em distância euclidiana ou Obstáculos de Velocidade (VO), frequentemente apresentam dificuldades em configurações aéreas 3D. Métricas baseadas em distância falham em distinguir entre configurações de proximidade próxima seguras (trajetórias divergentes) e perigosas (trajetórias convergentes). Além disso, métricas padrão de tempo para colisão (TTC), que assumem velocidade constante, são frequentemente mal definidas ou infinitas em ambientes 3D onde os agentes possuem múltiplos graus de liberdade e podem manobrar para evitar colisões. O desafio é desenvolver uma métrica de risco que seja computável em tempo real, leve em conta a dinâmica dos agentes e limites de controle, e permaneça eficaz ao enfrentar agentes adversários que buscam ativamente a colisão.

Metodologia
Os autores propõem uma Estrutura de Barreira Temporal centrada em uma nova métrica de risco chamada Tempo de Colisão Adversário (aTTC).

1. Tempo de Colisão Adversário (aTTC):

   • Ao contrário do TTC padrão, que assume velocidade constante, o aTTC define o tempo para a colisão sob um cenário de pior caso: o agente ego se move com velocidade constante, enquanto um agente "perseguidor" circundante manobra com esforço de controle máximo (limites de velocidade e aceleração) para interceptar o ego.
   • Os autores provam que, sob suposições brandas (especificamente, se a velocidade máxima do perseguidor exceder a velocidade atual do ego), o aTTC é garantidamente finito. Isso o torna uma métrica robusta para controle 3D.
   • A métrica é inerentemente antecipatória, quantificando o risco com base na rapidez com que uma colisão poderia ocorrer dadas as restrições dinâmicas, em vez de apenas a separação atual.

2. Integração em Funções de Barreira de Controle (CBF):

   • O aTTC é incorporado diretamente na estrutura de CBF. A função de barreira $h$ é definida no domínio do tempo ($h = \text{aTTC} - \tau_c$) em vez de espaço ou velocidade.
   • Esta formulação resulta em um grau relativo de primeira ordem em relação à entrada de controle, simplificando a síntese de controle em comparação com CBFs de ordem superior (HOCBFs) frequentemente exigidas para barreiras baseadas em distância.
   • A estrutura incorpora robustez contra ruído de processo e entradas adversárias ao tratar o controle do perseguidor como um termo de força externa e utilizar uma condição de Nagumo perturbada.

3. Computação em Tempo Real via Surrogado Neural:

   • Calcular o aTTC exato requer resolver um problema de controle ótimo e integrar a dinâmica para frente, o que é computacionalmente proibitivo para programação quadrática (QP) em tempo real.
   • Para resolver isso, os autores treinam um modelo surrogado de rede neural diferenciável ($G_\theta$) para aproximar o aTTC.
   • A rede recebe posição relativa, velocidades e a velocidade máxima do perseguidor como entradas. Ela utiliza Modulação Linear por Características (FiLM) para condicionar a rede à capacidade de velocidade do perseguidor, permitindo que um único modelo generalize através de diferentes tipos de agentes.
   • Este surrogado permite que o aTCC e seus gradientes sejam computados eficientemente dentro de um solver CBF-QP padrão.

Principais Contribuições

1. Derivação do aTTC: Uma extensão de pior caso do TTC que é sempre finita em ambientes 3D sob suposições de velocidade realistas, servindo como uma dimensão natural para o risco de colisão.
2. Modelo Surrogado Diferenciável: Uma arquitetura de rede neural leve que aproxima o aTTC, permitendo sua integração direta em leis de controle CBF-QP sem integração de trajetória online.
3. Validação Empírica: Demonstração da eficácia da estrutura em simulações de longo horizonte de voo 3D envolvendo cenários de perseguição-evasão independente e voo em formação, comparando o desempenho contra uma linha de base HOCBF baseada em distância de ordem superior.

Resultos
O artigo apresenta resultados de simulações de modelos de aeronaves do tipo Dubins 3D em horizontes de 50.000 segundos.

• Perseguição-Evasão Independente:

  • Em cenários com perseguidores rápidos (1,5x a velocidade máxima do evadido), o aTTC-CBF alcançou 58% da taxa nominal de progresso de waypoint (comparado a 30% para o HOCBF) enquanto manteve metade da taxa de colisão do HOCBF.
  • Em cenários de perseguidor lento, o aTTC-CBF alcançou aproximadamente 1,8x mais progresso de waypoint do que o HOCBF com menos da metade da taxa de colisão.
  • O aTTC-CBF demonstrou superioridade nas probabilidades de escape de "quase colisão", evitando encontros próximos com sucesso 50% das vezes em cenários de perseguidor rápido, enquanto o HOCBF escapou apenas 5% das vezes.
  • A estrutura permitiu que os agentes voassem mais próximos do centro da missão (menos dispersão conservadora) mantendo a segurança.

• Voo em Formação:

  • Em cenários de formação, o aTTC-CBF manteve uma coerência de formação significativamente melhor. Sob perseguidores rápidos, o desvio médio das posições atribuídas na formação foi aproximadamente metade do observado na frota HOCBF.
  • O HOCBF tendia a perseguir os evadidos para longe do núcleo da formação quando sob perseguição, enquanto o aTTC-CBF mantinha os agentes mais próximos da formação enquanto ainda os evacuava.

• Desempenho da Rede Neural:

  • O modelo surrogado alcançou um Erro Médio Absoluto (MAE) de menos de 1,5 segundos para horizontes de tempo críticos (<30s) e generalizou-se com sucesso para dados de teste não vistos.
  • O modelo exibiu um viés conservador (subestimando o aTTC), o que é favorável para aplicações de segurança crítica.

Significância e Alegações
Os autores alegam que definir a barreira diretamente no tempo, em vez de distância ou velocidade, fornece uma avaliação de risco mais intuitiva e seletiva. Ao considerar a dinâmica do agente e a intenção adversária, o aTTC-CBF permite que os agentes:

• Voem em maior proximidade de outros agentes sem conservadorismo desnecessário.
• Module a velocidade com base no potencial de colisão, em vez de apenas no alinhamento de trajetória atual.
• Alcancem maior progresso de missão e menores taxas de colisão, particularmente conforme o ambiente se torna mais adversário (isto é, conforme a velocidade do perseguidor aumenta).

O trabalho reconhece modestamente as limitações:

• A melhoria sobre as CBFs baseadas em distância é marginal em cenários não adversários (cooperativos), sugerindo que a formulação atual pode ser muito conservadora para cenários puramente cooperativos.
• A definição de aTTC como um ínfimo pode levar a gradientes não suaves, exigindo um treinamento considerável.
• O framework assume o conhecimento da dinâmica do agente, o que pode nem sempre estar disponível na prática.
• Erros de aproximação no surrogado neural podem afetar as garantias de segurança, embora os autores notem que o treinamento sob restrições unilaterais pode recuperar a segurança estrita.

O trabalho posiciona o aTTC-CBF como uma abordagem robusta e orientada a dados para a evitação de colisões multiagentes, que une a lacuna entre garantias teóricas de pior caso e a viabilidade computacional em tempo real.