Latenzbewusste Lageregelung für unteraktuerte Quadrotor-UAVs mittels Barrier-Lyapunov- und fuzzy Padé-Approximation

Wie man kleine Drohnen in einer verzögerten Welt stabil hält

Moderne Quadrokopter sind überall im Einsatz – von Brückeninspektionen bis hin zu Einsätzen in Katastrophengebieten. Diese leichten Fluggeräte stabil in der Luft zu halten ist jedoch schwieriger, als es scheint, insbesondere weil Motoren und Sensoren nicht sofort reagieren. Diese Studie stellt einen neuen Ansatz vor, um Quadrotoren stabil zu halten und gewünschte Winkel zuverlässig folgen zu lassen, selbst wenn eine spürbare Verzögerung zwischen den Befehlen des Steuercomputers und der Motorantwort besteht. Ziel ist es, sicherere und präzisere Drohnen zu entwickeln, denen man in anspruchsvollen, langandauernden Einsätzen vertrauen kann.

Warum Verzögerungen Drohnen ins Wanken bringen

Wenn Sie einen Joystick bewegen oder ein Autopilot einen neuen Befehl sendet, reagiert eine Drohne nie völlig ohne Verzögerung. Messungen müssen vorgenommen, Daten verarbeitet und Signale an die Motoren gesendet werden. Diese Verzögerungen sind meist Bruchteile einer Sekunde, aber für schnelle, leichte Luftfahrzeuge, die zügig reagieren, kann selbst eine kurze Pause erhebliches Schaukeln oder einen Kontrollverlust verursachen. Klassische Regelungsverfahren gehen oft davon aus, dass diese Verzögerungen sehr klein oder konstant sind. In der Praxis können sie variieren, besonders wenn Kommunikationsverbindungen stark beansprucht sind oder die Onboard-Rechner hoch ausgelastet sind. Die Autoren konzentrieren sich auf dieses wenig beachtete Problem: Wie entwirft man ein Regelsystem, das zuverlässig bleibt, wenn Verzögerungen auftreten und die Drohne durch Wind oder Modellungsfehler gestört wird?

Ein intelligenterer Sicherheitsrahmen für Drohnenbewegungen

Die Forscher bauen ihre Lösung um einen mathematischen Sicherheitsrahmen auf, der den Lagefehler der Drohne – also die Differenz zwischen gewünschter und tatsächlicher Neigung – innerhalb strenger Grenzen hält. Dieser Rahmen wird mit einer sogenannten Barrier-Funktion durchgesetzt, die das System energisch von den Rändern unsicherer Bereiche wegdrückt, ohne auf harte, abrupte Regelaktionen zurückgreifen zu müssen. Einfach ausgedrückt ist der Regler so konzipiert, dass Roll-, Nick- und Gierwinkel innerhalb vereinbarter „Sicherheitsgrenzen“ bleiben und gleichzeitig schnell zur gewünschten Orientierung konvergieren. Das bietet eine formale Garantie, dass sich die Drohne nicht zu weit neigt, selbst bei Störungen – besonders wichtig bei Einsätzen in der Nähe von Hindernissen oder in engen Räumen.

Dem Regler beibringen, Verzögerung zu antizipieren

Um mit Verzögerungen umzugehen, adaptieren die Forschenden eine klassische Idee: Anstatt nur auf das zu reagieren, was die Motoren jetzt tun, sagt der Regler die Wirkung von Befehlen voraus, die etwas später eintreten werden. Standard-Vorhersageverfahren sind jedoch sehr empfindlich gegenüber Modellfehlern. Die Autoren verbessern diesen Ansatz durch eine fuzzy- bzw. regelbasierte Schicht, die das Vorhersagemodell kontinuierlich anhand dreier Live-Signale abstimmt: wie groß der aktuelle Regelabweichung ist, wie schnell sich diese Abweichung ändert und eine Schätzung der tatsächlichen Verzögerung. Wenn die Verzögerung zunimmt oder die Drohne vom Ziel abweicht, wird die Vorhersage verstärkt; bei ruhigem Betrieb wird sie abgeschwächt. Diese Kombination aus fuzzy Vorhersage und Sicherheitsrahmen fließt in die internen Variablen ein, sodass die problematische Verzögerung nicht mehr direkt in die Hauptstabilitätsbetrachtungen eingeht. Das Ergebnis ist ein Regler, der reagiert, als sei die Verzögerung weitgehend neutralisiert, dabei aber leichtgewichtig genug für Onboard-Rechner bleibt.

Von Gleichungen zu Simulationen und realer Hardware

Die Autoren testen ihren Regler zuerst in detaillierten Computersimulationen der Lageregelung eines Quadrotors, einschließlich externer Störungen und verzögerter Eingaben. Sie vergleichen ihre Kombination aus fuzzy Vorhersage und Sicherheitsrahmen mit einem Standard-Fuzzy-Controller und klassischeren Methoden wie Proportional–Integral–Differential (PID)- und Backstepping-Regelung. Über Roll-, Nick- und Gierwinkel hinweg erzielt der neue Ansatz schnellere Anstiegs- und Einschwingzeiten, hält Überschwinger praktisch bei null und reduziert langfristig akkumulierte Fehler. Diese Vorteile bleiben bestehen, selbst wenn Masse oder aerodynamische Eigenschaften der Drohne leicht von den nominalen Werten abweichen. Um zu zeigen, dass die Methode kein reiner Simulationstrick ist, implementieren sie sie auf einem kommerziellen Drei-Freiheitsgrade-Hover-Prüfstand, der einer Quadrotor-Plattform freie Rotation um Roll, Nick und Gier erlaubt. Encoder messen die Winkel mit hoher Präzision, und die aus der realen Hardware identifizierte Eingangsverzögerung wird in den Regler eingebaut. Experimente bestätigen, dass die Plattform gewünschte Winkel schnell verfolgt und trotz Störungen und unvollständiger Parameterschätzungen stabil bleibt.

Was das für Einsätze mit realen Drohnen bedeutet

Im Kern zeigt diese Arbeit, dass kleine Drohnen eher wie verlässliche Werkzeuge und weniger wie launische Spielzeuge gesteuert werden können, selbst wenn Steuerbefehle spät eintreffen oder die Umgebung unübersichtlich ist. Durch die Kombination einer prädiktiven Schicht, die lernt, wie stark für Verzögerung kompensiert werden muss, mit einem mathematisch durchgesetzten Sicherheitsrahmen hält der Regler Lagefehler klein, Erholungen schnell und Reaktionen gleichmäßig. Dieses latenzerwachte Design ist rechnerisch leichtgewichtig genug für den praktischen Onboard-Einsatz und daher attraktiv für lange, kritische Missionen wie Suche und Rettung, Infrastrukturinspektion oder Kooperation mehrerer Drohnen, wo Stabilität, Robustheit und vorhersehbares Verhalten entscheidend sind.

Zitation: Abro, G.E.M., Memon, S.A., Hoshu, A.A. et al. Latency-aware attitude control of underactuated quadrotor UAVs using barrier Lyapunov and fuzzy Padé approximation. Sci Rep 16, 10633 (2026). https://doi.org/10.1038/s41598-026-45781-x

Schlüsselwörter: Quadrotor-Regelung, Ein-/Eingangsverzögerung, fuzzy Regelung, Drohnenstabilität, autonome UAVs