Safety-Critical Control for Quadrotor UAVs via Decentralized Navigation Functions

想象一个由无数嗡嗡作响的小型无人机组成的场景，它们成为了新的快递员、航拍师和搜救英雄。为了实现这一目标，我们需要让它们像一支编排完美的舞团一样协同工作，在向着目标疾驰时绝不会互相碰撞。这就是**安全性控制（safety-critical control）**的领域——这是一个致力于确保机器即使在情况出错时也不会发生碰撞的机器人学分支。

挑战在于，无人机的“思考”有些笨拙。它们拥有一个可以计算出完美路径以避开树木或同伴的“大脑”，但它们的“肌肉”（电机）却很有限。它们只能通过向下推气流来移动，这意味着它们不能像汽车那样直接侧向滑动；它们必须倾斜整个身体才能向想要的方向移动。此外，现实世界是混乱的。阵风、沉重的载荷，或者仅仅是一个略微损坏的电机，都可能导致无人机的实际运动与其大脑预测的运动不符。本文探讨了一个棘手的问题：如何教一群性能不足且不可预测的无人机，在即使有风吹过且内部地图略显模糊的情况下，也能遵循完美的、无碰撞的舞蹈程序而不发生碰撞。

笨拙无人机的舞蹈

在这项研究中，研究人员 Omayra Yago Nieto、Alexandre Anahory Simoes 和 Leonardo Colombo 解决了一个特定的难题：当无人机的“理想”指令与其物理现实不匹配时，如何指挥一组四旋翼无人机安全移动？

把这些无人机想象成一群收到了剧本的舞者。这个由**分布式导航函数（Decentralized Navigation Functions）**生成的剧本，会精确地告诉每位舞者应该去哪里，以避免撞到其他人并到达舞台中心。这就像一个知道所有人位置的 GPS，它会说：“你，向左移；你，向右移。”

但问题在于：这些无人机是**欠驱动（underactuated）**的。通俗地说，它们就像是一辆只能前后踩踏板而不能侧向滑动的单轮车。剧本可能会说：“向对角线移动”，但无人机只能通过其身体向下产生推力。为了向对角线移动，它必须倾斜整个身体。这种“倾斜并推动”的方法在“完美剧本”与“混乱现实”之间制造了差距。如果无人机倾斜得太慢，或者被风吹动，它可能会偏离目标，并与舞伴相撞。

安全网：“智能过滤器”

为了解决这个问题，作者构建了一个安全过滤器（safety filter），它就像一个警觉的裁判，站在舞蹈剧本与无人机电机之间。这个裁判使用一种被称为**高阶控制障碍函数（High-Order Control Barrier Function, HOCBF）**的数学工具。

把 HOCBF 想象成一本极其精确的规则手册，它会检查每对无人机之间的距离。它不仅看它们现在在哪里，还会根据它们移动的速度和推力大小，预测它们在下一瞬间的位置。如果规则手册预见到碰撞即将发生，它就会介入。

然而，现实世界是不可预测的。无人机可能会遇到突如其来的阵风，或者电机的力量并不像说明书里说的那么强。为了应对这种情况，团队使用了高斯过程（Gaussian Processes, GPs），这本质上是让无人机实时“学习”自己的错误。随着无人机的飞行，它们会收集数据，了解风实际上是如何影响它们的，并更新其内部模型。

该论文的核心创新在于结合了这两个想法：

1. 转换误差（The Translation Error）： 他们计算出了“倾斜并推动”的方法究竟在多大程度上破坏了完美的剧本。他们计算出了一个特定的“误差界限”，这就像一个安全余量，它在说：“我们知道由于倾斜方式，无人机可能会偏离这么多。”
2. 学习型安全网（The Learning Safety Net）： 他们将“学习”数据（GP 预测）直接植入了安全规则书中。规则书不再仅仅说“不要靠近 1 米以内”，而是说“不要靠近 1 米以内，再加上风可能把你推开的距离”。

“聚合式”解决方案

团队创建了一个名为**聚合鲁棒 HOCBF-QP 安全过滤器（Aggregated Robust HOCBF-QP Safety Filter）**的系统。这个名字很绕口，但你可以把它想象成一个集体决策者。每个无人机并不是独自解决谜题，而是将它们当前的速率和位置发送给一个中央计算器（QP 求解器）。这个计算器观察整个集群，检查用于风误差的“学习”数据，然后对每台无人机的推力进行最小幅度的微调，以确保所有人安全。

这就像一位指挥家，只需微调管弦乐队中每件乐器的音量，就能让音乐保持和谐，而不改变旋律。其目标是在尽可能少地改变无人机路径的同时，保证它们不会发生碰撞。

模拟实验展示了什么

作者在包含六架无人机执行“视角交换（viewpoint exchange）”动作的计算机模拟中测试了他们的想法。这就像是一个摄影团队，无人机围绕一个移动物体绕圈飞行，通过交换位置来获取不同的角度。它们的路径设计为会发生交叉，如果安全系统失效，这将是一场灾难。

结果令人振奋：

• 基准测试（The Baseline）： 当使用一个试图补偿风力但没有配备特殊安全过滤器的标准控制器时，无人机靠得太近了。它们之间的最小距离降至 1.1093 米，低于要求的 1.16 米。它们几乎发生了碰撞。
• 新系统： 当开启新的“聚合鲁棒 HOCBF-QP”过滤器时，无人机保持了安全。最小距离维持在 1.2540 米。
• 代价（The Cost）： 为了保持安全，过滤器必须微调无人机的推力（引擎的动力）。平均推力变化约为 2.39 牛顿，最大峰值达到了 31.03 牛顿。这表明该系统是有效的，但确实需要无人机通过更努力的工作来保持安全。

他们还将他们的“鲁棒（robust）”系统（考虑了学习误差）与“非鲁棒（non-robust）”版本（忽略了学习不确定性）进行了对比。非鲁棒版本虽然在物理上让无人机保持了距离，但违反了数学上的安全证明，这意味着它是靠“运气”而非“安全”在飞行。而鲁棒版本则保持了数学安全证明的完整性，证明了该系统即使在风向不可预测时也是可靠的。

总结

本文并未声称已经解决了所有关于无人机安全的问题。作者承认，他们的系统依赖于数学运算的有效性（即“QP”的可行性），并且在某些复杂情况下（例如两架无人机相对于彼此的推力方向完全垂直时），数学处理会变得更加困难。他们还指出，这目前是在模拟环境中进行的测试，尚未在真实的公园里使用真实的物理无人机进行测试。

然而，这项研究成功弥合了一个重大鸿沟。它展示了如何将一个关于无人机集群的美丽、完美的数学计划，转化为可以在真实、笨拙且受风力影响的机器上运行的方案。通过结合一个能够预测误差的“学习”系统和一个能够纠正误差的“安全过滤器”，他们创造了一个框架，能够以极高的概率保证，即使在音乐变得混乱时，这些空中舞者也绝不会互相碰撞。