Adaptive Monitoring of Stochastic Fire Front Processes via Information-seeking Predictive Control

Resumo Técnico: Monitoramento Adaptativo de Frentes de Fogo Estocásticas via Controle Preditivo Buscador de Informação

Referência: Papaioannou, S., Kolios, P., Panayiotou, C. G., & Polycarpou, M. M. (2025). Adaptive Monitoring of Stochastic Fire Front Processes via Information-seeking Predictive Control. IEEE 64th Conference on Decision and Control (CDC).

1. Problema Abordado

O trabalho foca no desafio de monitorar adaptativamente a frente de propagação de incêndios florestais utilizando um agente móvel (ex.: um drone). O objetivo principal é planejar a trajetória do agente para minimizar a incerteza na estimativa da evolução do fogo ao longo de um horizonte de tempo finito e rolante.

Desafios Principais:

• Natureza Estocástica: A evolução do fogo é governada por processos não lineares e estocásticos (vento, tipo de combustível, topografia), tornando a previsão difícil.
• Integração Complexa: O problema exige a integração simultânea de sensoriamento (coleta de dados), estimação (inferência do estado do fogo) e controle (planejamento de trajetória). Métodos existentes frequentemente tratam essas etapas de forma desacoplada ou utilizam simplificações excessivas (como suposições lineares-Gaussianas) que não se aplicam a incêndios reais.
• Limitações de Sensoriamento: O agente possui um alcance de sensoriamento finito e as observações são ruidosas e podem ser fragmentadas (múltiplas detecções para um único vértice do fogo).

2. Metodologia Proposta

Os autores propõem um framework unificado de Controle Ótimo Estocástico (SOC) que integra as três etapas mencionadas. A abordagem é dividida em três componentes principais:

A. Modelo de Propagação e Estimação Bayesiana Recursiva

• Modelo de Fogo: Utiliza uma adaptação estocástica do modelo determinístico de crescimento elíptico. A frente de fogo é representada por $N$ vértices que evoluem segundo equações diferenciais não lineares, influenciadas por parâmetros estocásticos (direção e velocidade do vento, taxa de propagação).
• Estimador: Desenvolveu-se um estimador Bayesiano recursivo para lidar com observações de conjunto (pontos aleatórios) e cardinalidade variável (várias "manchas" de pixels para um vértice).
• Filtro de Partículas: Como o sistema é não linear e não Gaussiano, a recursão Bayesiana é implementada via Filtro de Partículas (Sequential Importance Resampling - SIR). A função de verossimilhança é adaptada para lidar com processos de Poisson, permitindo a atualização da distribuição de crença (belief) sem necessidade de associação explícita de medições a objetos.

B. Controle Preditivo Buscador de Informação (Information-Seeking Predictive Control)

• O problema de controle é formulado como um Processo de Decisão de Markov (MDP) de horizonte finito.
• Função de Custo: O objetivo é minimizar a incerteza acumulada na distribuição posterior da frente de fogo. A incerteza é quantificada pela Dispersão Ponderada por Risco (Risk-Weighted Dispersion - RWD), que combina a dispersão da covariância dos vértices estimados com um mapa de risco do ambiente.
• Estratégia: O agente planeja uma sequência de controles que maximiza a informação futura, considerando a evolução estocástica tanto do fogo quanto das medições futuras.

C. Algoritmo de Busca Adaptativa Guiada por LCB

• Como o espaço de estados (crenças contínuas) e o espaço de ações são complexos e não permitem soluções analíticas fechadas ou programação dinâmica clássica, os autores reformulam o problema como um problema de Bandido Multi-Arma (Multi-Armed Bandit).
• Algoritmo: Utiliza-se uma estratégia de busca adaptativa baseada no Limite Inferior de Confiança (Lower Confidence Bound - LCB).
  • O algoritmo simula múltiplas trajetórias (rollouts) de políticas candidatas.
  • O LCB equilibra exploração (testar políticas pouco simuladas) e exploração (escolher as melhores políticas atuais).
  • Garantia Teórica: O algoritmo demonstra convergência assintótica para a política ótima, com uma taxa de arrependimento (regret) que decai na ordem de $O(\frac{\ln n}{n})$.

3. Contribuições Chave

1. Framework Unificado: Integração formal de sensoriamento, estimação e controle em um único problema de otimização estocástica para monitoramento de incêndios.
2. Estimador Robusto: Derivação de um estimador Bayesiano recursivo capaz de lidar com modelos de fogo não lineares, não Gaussianos e observações de conjunto (Poisson point processes).
3. Algoritmo de Controle Ótimo: Desenvolvimento de uma lei de controle que busca ativamente informações, superando métodos miópicos (ganância imediata) e heurísticas sem garantias de desempenho.
4. Garantias de Convergência: Prova teórica de que a estratégia de busca LCB converge para a política ótima em um horizonte finito.

4. Resultados e Avaliação

As simulações foram realizadas em um ambiente de $3 \times 3$ km com uma frente de fogo representada por 20 vértices, sob condições de vento e combustível variáveis e estocásticas.

• Comparação de Estratégias: O desempenho foi comparado com:
  • Inf. SR: Agente estacionário com alcance infinito (limite superior teórico).
  • Static: Agente estacionário com alcance finito.
  • Random: Agente com alcance finito escolhendo ações aleatórias.
  • Miópico (T=1): Planejamento de apenas um passo à frente.
  • Não Miópico (T=3, T=5): Planejamento de horizonte estendido (proposta).
• Desempenho:
  • A abordagem não miópica (com horizonte $T \ge 3$) superou significativamente a estratégia miópica e as linhas de base.
  • O agente não miópico conseguiu planejar trajetórias que cobriam regiões de alto risco e alta incerteza que a estratégia miópica ignorava (devido à falta de visão de longo prazo).
  • O Erro Quadrático Médio (RMSE) da estimativa da frente de fogo diminuiu consistentemente à medida que o horizonte de planejamento aumentava.
  • A trajetória do agente demonstrou capacidade de antecipar a propagação do fogo, posicionando-se estrategicamente para reduzir a incerteza nas áreas críticas.

5. Significado e Impacto

Este trabalho oferece uma solução teórica e prática robusta para o monitoramento de desastres naturais dinâmicos. Ao tratar a incerteza do ambiente e do sensor de forma explícita e integrada, o método proposto permite que agentes autônomos (drones) tomem decisões mais inteligentes e seguras durante operações de combate a incêndios. A capacidade de planejar trajetórias que maximizam a informação futura, em vez de apenas reagir ao estado atual, é crucial para a resposta eficaz a desastres, potencialmente salvando vidas e reduzindo danos materiais ao melhorar a precisão das estimativas de propagação do fogo.

A abordagem é particularmente relevante dado o aumento na frequência e intensidade de incêndios florestais globais, oferecendo uma ferramenta computacional avançada para a gestão de crises.