Plánování trajektorií s predikcí dynamických překážek

Proč predikovat dynamické překážky

Autonomní UAV operující v komplexních prostředích (města, průmyslové areály, nízká letová hladina) se setkávají s dynamickými překážkami: jiná drony, ptactvo, helikoptéry, vozidla, jeřáby či lidé. Klasické plánování s pevnou mapou (static map) vede k suboptimálním nebo nebezpečným trajektoriím. Predikce pohybu – od krátkodobých extrapolací po intent-aware modely – umožňuje plánovat trajektorie, které jsou nejen bezkolizní, ale i plynulé, energeticky efektivní a kompatibilní s misí roje. Klíčem je propojení vnímání (perception), predikce (prediction) a plánování (planning) do jedné smyčky s krátkou latencí.

Formulace problému a požadavky

Stavové proměnné UAV: $mathbf{x}=[mathbf{p},mathbf{v},mathbf{a},psi]$ (poloha, rychlost, zrychlení, orientace), s dynamikou omezenou maximálním tahem, náklonem a limity jerku.
Reprezentace překážek: množina $mathcal{O}={o_i}$ s časově závislými stavy a nejistotou $Sigma_i(t)$.
Cílová funkce: minimalizace funkcionálu nákladů $J=int (alpha E + beta T + gamma C + delta R),dt$ (energie, čas, komfort/plynulost, riziko kolize), při dodržení bezpečnostních a dynamických omezení.
Bezpečnostní kritéria: pravděpodobnost kolize $P_{col}leq epsilon$, minimální separační vzdálenosti a no-fly zóny; kompatibilita s UTM/UTM-like pravidly.

Modelování dynamických překážek

Fyzikální a kinematické modely: CV/CVA (constant velocity/acceleration), bicyklový model pro pozemní vozidla, holonomický bod pro malá UAV.
Stochastická rozšíření: procesní šum a měřicí šum; Gaussovské aproximace pro analytickou inference.
Interakčně podmíněné modely: agenti mění trajektorie v reakci na UAV; zahrnují sociální síly, game-theoretic utility či pravidla přednosti.
Neparametrické přístupy: Gaussian Processes pro hladké dráhy s kvantifikací nejistoty; směsové modely pro vícemodální chování (např. „zastaví/nezastaví“).

Predikční metody: od Bayesovských filtrů po hluboké učení

Bayesovské filtry: Kalman/UKF pro lineární/kvázi-lineární dynamiky; Particle Filter při nelinearitách a multimodalitě. Dobrá vysvětlitelnost a nízké výpočetní nároky.
Vícecílové sledování: PHD/CPHD filtry, JPDA a MHT pro asociaci měření při vyšší hustotě objektů a falešných detekcích.
Trajektorické prediktory HL: sekvenční modely (LSTM/GRU), Social-LSTM s poolingem sousedů, grafové neuronové sítě (GNN) a transformery s multi-head attention pro delší horizont a vícemodální výstupní distribuci (mixture density, CVAE).
Interakčně-vědomé predikce: modely, které zohledňují plán UAV (coupled prediction-planning), aby se předešlo nekonzistentnímu „predikuj a poté plánuj“ cyklu.

Mapování a reprezentace prostoru

DOGMa: Dynamic Occupancy Grid Map s vektorovými rychlostmi buněk a kovariančními maticemi; vhodné pro fúzi LiDAR+RGBD+radar.
Obstacle-centric: stavové statistiky pro každý objekt s trajektoriemi a pravděpodobnostními tunely (space-time occupancy).
Bezpečné koridory: konvexní polytopy v prostoru-čase (C-čas), generované z mapy a predikcí překážek, využitelné v konvexní optimalizaci.

Plánovací paradigma a algoritmy

Optimalizační plánování (trajopt): přímá optimalizace přes parametry B-spline/Bezier s penalizací rizika kolize; soft constraints pro bezpečnostní rezervy, hard constraints pro dynamiku.
MPC s pravděpodobnostními (chance) omezeními: iterativní receding-horizon optimalizace, kde se kolizní omezení formulují jako $P(d(mathbf{x},mathcal{O})<d_{min})leq epsilon$; aproximace pomocí Booleovy nerovnosti nebo koncentračních hranic.
Samplingové a grafové metody: kinodynamické RRT*/BIT*/FMT* s náhodným vzorkováním v prostoru-čase; lazy evaluace kolizí s rychlou aktualizací, rewiring při nových predikcích.
Velocity Obstacles a ORCA: rychlostní kužely (VO), Reciprocal VO a ORCA pro vícemotorovou vyhýbavou navigaci s garancí bezpečnosti při vzájemné kooperaci.
Reachability a bezpečnostní filtry: Hamilton–Jacobi dosažitelnost pro nejhorší případy; Control Barrier Functions (CBF) pro online korekci referenční trajektorie do bezpečného invariantu množiny.

Interakce plánování a predikce: uzavřená smyčka

Predikce ovlivňují plán a plán ovlivňuje chování ostatních agentů. Uzavření smyčky zahrnuje game-theoretic nebo best-response aktualizace, kde se střídá (nebo řeší společně) optimalizace trajektorií UAV a intent-aware predikce okolí. Prakticky se používá hierarchie: rychlá reaktivní „safety layer“ (CBF/ORCA) + mid-level MPC + pomalejší globální plánování.

Nejistota a robustnost

Rizikově-senzitivní náklady: CVaR (Conditional Value at Risk) penalizuje chvostová rizika, nejen průměrné hodnoty.
Tube MPC a feedback linearization: plánování nominální trajektorie a řízení odchylky v robustní „růře“ kolem ní, která absorbuje rušivé vlivy a chyby predikce.
Vícemodální predikce: dekompozice na scénáře (např. 3–5 modalit), branch-and-bound nebo ensemble MPC pro pokrytí alternativ chování překážek.

Kooperativní plánování v roji

Distribuované MPC: lokální optimalizace s omezenou komunikací (V2V), konsenzuální aktualizace (ADMM) na sladění trajektorií.
Deconfliction a přidělení cílů: aukční mechanismy (CBBA), task allocation se zpětnou vazbou na riziko kolize a energetické náklady.
Formace a bezpečné koridory: společné posouvání konvexních koridorů v prostoru-čase, elasticita formace dle hustoty provozu.

Implementační aspekty: výpočet, latence a integrace

Reálné časové rozpočty: perception 20–40 ms, predikce 10–30 ms (edge modely INT8), MPC/trajopt 20–60 ms; celkový cyklus < 100–150 ms.
Akcelerace: GPU/NNAPI pro HL prediktory, QP/SOCP solvory s teplým startem; knihovny s podporou sparse optimalizace.
Degradované režimy: fallback na CV/CVA extrapolaci a reaktivní vyhýbání (ORCA/CBF) při ztrátě HL prediktoru či dat ze senzorů.
Integrace se senzory: fúze LiDAR/RGBD/radar/ADS-B; radar zvyšuje robustnost v dešti/mlze, ADS-B pro kooperativní letadla.

Validace, metriky a testování

Bezpečnost: průměrná a 99. percentilová minimální vzdálenost, počet near-miss událostí, time-to-collision během mise.
Efektivita: čas do cíle, uletěná vzdálenost, energie, plynulost (jerk, snap) a počet přeplánování.
Predikce: ADE/FDE (Average/Final Displacement Error), Brier score pro pravděpodobnostní predikce, calibration error (ECE).
Robustnost: výkonnost při ztrátách detekcí, falešných pozitivních, změnách hustoty provozu a počasí.

Specifika městského nízkého prostoru (U-Space/UTM)

Ve městech vznikají úzké „kaňony“ s okluzemi a vícenásobností cest; predikce musí zvládat náhlá objevení překážek. Při kooperaci s UTM je výhodou networked intent sharing – výměna plánovaných segmentů trajektorií a časových rozpočtů, což snižuje nejistotu v predikcích.

Bezpečnostní vrstvy a formální garance

CBF/QP Safety filter: na vstupu řízení řeší malý QP, který minimálně mění referenci a udržuje bezpečnostní invarianty s ohledem na predikční rozptyly.
Reachability analysis: offline polytopové/ellipsoidní aproximace pro „certified“ vyhýbání nejhorším případům (např. neočekávané zrychlení překážky).
Fail-safe zásady: definované emergency corridors, snížený režim (minimální jerk, zvýšená separace), bezpečné zastavení a klesání.

Případová studie A: Průmyslový areál s robotickými vozíky

UAV s LiDAR+RGBD fúzí a GNN-transformer prediktorem (horizont 3 s, 5 modalit). MPC s chance constraints a CBF filtrem; cyklus 80 ms. Během 50 misí nebyl zaznamenán near-miss < 1,0 m při průměrné hustotě 12 dynamických objektů. Energetické náklady poklesly o 9 % díky hladšímu profilování rychlosti.

Případová studie B: Roj 12 UAV ve městě

Distribuované MPC s ADMM konsenzem, výměna trajektorií v 5 Hz (komprimované spline koeficienty). Prediktor nabízel 3 modální scénáře pro vozidla a chodce. Systém dosáhl 99,7 % dostupnosti trajektorií bez zásahu operátora, s průměrnou minimální separací mezi UAV 3,6 m a žádným porušením no-fly koridorů.

Inženýrský „cookbook“: implementační kroky

Výběr reprezentace: DOGMa + objektově-centrické stavy s kovariancí.
Prediktor: jednoduchý UKF + heuristika pro modalitu → následně GNN/Transformer s kvantizací INT8.
Plánování: MPC s bezpečnými koridory; QP/SOCP solver s teplým startem; CBF filtr jako poslední linie.
Kalibrace rizika: nastavit $epsilon$ podle třídy mise (např. 10⁻³ pro přelet nad lidmi vs. 10⁻² v uzavřeném areálu).
Telemetrie a záznam: logovat predikční rozdělení, latence a zásahy CBF pro zpětnou analýzu a zlepšování modelů.

Omezení, úskalí a budoucí trendy

Doménový posun: HL modely degradují mimo tréninkovou distribuci; nutný continual learning a monitorování kalibrace.
Komunikační limity: v roji omezují frekvenci výměny trajektorií; řešením je predikční sdílení intentu a kompaktních parametrizací.
Formálně verifikované HL: rostou snahy spojovat neuronové prediktory s verifikovatelnými bezpečnostními obálkami (hybridní certifikáty).
3D hustá prostředí: vzdušné výtahy, vítr a mikroklima – nutno zahrnout do predikce dynamiky UAV a robustnosti plánů.

Check-list pro nasazení

Kalibrovaná senzorická fúze (čas, extrinsiky), DOGMa běží ≥ 10 Hz.
Prediktor poskytuje multimodální výstupy s nejistotou a metrikou kalibrace (ECE < 5 %).
MPC/solver s garantovaným maximálním časem řešení; teplý start a fallback na reaktivní modul.
CBF/ORCA zapnuté jako bezpečnostní pojistka; logování zásahů.
Integrace UTM/geo-fencing a nastavená pravidla přednosti.

Plánování trajektorií s predikcí dynamických překážek propojuje vnímání, pravděpodobnostní predikci a optimalizační řízení do jednotného, časově přísného řetězce. Spolehlivé nasazení vyžaduje multimodální, nejistotu respektující prediktory, robustní MPC s bezpečnostními filtry a škálovatelné kooperativní mechanismy v roji. Výsledkem je vyšší bezpečnost, plynulost letu a efektivita misí v reálných, měnících se prostředích.