Model Predictive Supervisory Control for Hierarchical and Distributed UAS Traffic Management

我们城市上方的天空正变得日益拥挤，拥挤的不再是鸟类，而是旨在交付包裹、检查基础设施和提供应急服务的微型自主飞行器。随着这些无人驾驶飞行器从军事和学术实验转向日常物流，它们面临着一个根本性的问题：低空领空是一个共享的物理瓶颈。这不像汽车可以通过变换车道来行驶的高速公路，空中交通需要精确的协调，以防止碰撞、确保没有两架无人机在同一时间占据同一空间，并管理如充电站等有限资源。这一挑战属于无人系统交通管理领域，该学科融合了计算机科学的逻辑与飞行的物理约束。这项工作的核心依赖于两个截然不同但互补的思想。第一个是“监督控制”方法，它扮演着严格交通管理员的角色，定义绝对的交通规则，以保证安全并防止车辆因互相等待而陷入死锁。第二个是“预测控制”策略，每架飞行器都会向前预判几步，以选择最有效的路径，权衡电池寿命和交付时间等因素。研究人员长期以来一直试图解决的问题是，如何在不创建一个过于复杂以至于无法实时运行的计算机系统的情况下，将这两种方法结合应用于大规模无人机机队。

在最近的一项研究中，来自巴西米纳斯吉拉斯联邦大学的研究人员提出了一种弥合这一差距的解决方案，创建了一个被称为“模型预测监督控制”的框架。他们设计了一个系统，通过将“确保每个人安全”的任务与“寻找最佳路径”的任务分离，使大规模无人机群能够在繁忙的城市环境中安全运行。想象一下，在一个城市里，中央机构绘制了每一条街道和交叉口的边界，宣布哪些路径开放，哪些路径关闭，以防止事故。这个机构并不告诉每位驾驶员具体要转弯的方向；相反，它只是禁止危险的行为。每位驾驶员在了解规则后，会观察地图并在遵守安全边界的前提下，选择最快、最节能的路线到达目的地。这正是新系统的运作方式。中央控制器充当监督者，监控整个机队和共享领空。它使用数学模型来识别哪些动作会导致碰撞或违反规则，例如进入限制区或尝试在已满载的充电站降落。随后，它向机队中的每架无人机广播一份“禁止动作”清单。

每架无人机接收到这份清单后，都会利用自身的车载计算机来解决一个短期优化问题。它会查看当前位置、电池电量和分配的任务，然后计算出能以最小时间和能量代价达成目标的动作序列，同时严格避开清单上的禁止动作。一旦无人机执行了该序列中的第一个动作，过程就会重复进行。无人机将新的位置信息传回中央监督者，监督者根据新的现实情况更新禁止动作列表，随后无人机再规划下一步。这个循环持续进行，使得机队能够即时适应变化，例如新的交付请求或突发的电池警告。研究人员在模拟的城市环境中，使用标准的机器人软件平台测试了该系统。他们设计了两个场景：一个是较小的测试，由两架无人机在包含九个节点的简单地图中导航；另一个是规模更大、更复杂的测试，由四架无人机在跨越两个不同高度层的十九个节点地图中进行导航。

模拟结果表明，这种分层方法解决了困扰以往尝试的复杂度问题。当研究人员尝试构建一个单一的、全知的计算机模型来同时管理整个机队时（这种方法被称为单体综合法），系统会陷入瘫痪。在较小的两架无人机场景中，单一模型需要近 445,000 个内部状态来描述位置和动作的所有可能组合，如果增加更多无人机，这个数字将会爆炸式增长。相比之下，新的分层系统将监督者的复杂度降低到了仅 570 个状态，降幅约为 780 倍。这种巨大的简化意味着系统可以高效运行，而无需依赖超级计算机。在较大的四架无人机场景中，系统成功完成了六项任务中的五项，平均任务时间为 44.42 秒，吞吐量为每分钟 2.46 项任务。为了维持安全，中央监督者在每个时间步平均需要禁止 19.28 个动作，这证明了系统是在积极管理冲突，而非仅仅让无人机自由飞行。

研究证实，将全局安全规则与局部决策分离，可以实现可扩展的解决方案。中央监督者不需要了解每架无人机的具体细节（如电池或货物）；它只需要追踪领空的占用情况和共享资源的可用性。反之，无人机只要尊重监督者设定的边界，就可以自由优化自己的路径。这种架构确保了系统保持安全且非阻塞，这意味着没有任何无人机会陷入无法前进或后退的境地。研究人员发现，即使无人机数量增加以及领空复杂度提升，系统仍能保持协调机队而不发生碰撞或延迟的能力。这项工作表明，该方法是未来城市空中交通的可行路径，届时成千上万的飞行器可能会共享相同的低空走廊。通过使用一种结合了严格安全执行与灵活局部优化的框架，研究人员展示了管理复杂多智能体系统既能保持计算高效，又能具备操作稳健性的可能性。研究结论指出，虽然该系统目前通过模拟进行验证，但其建立的原则为开发能够应对繁忙城市天空动态需求的现实世界交通管理系统提供了坚实的理论基础。