Position-Based Flocking for Persistent Alignment without Velocity Sensing

1. O Problema

O comportamento coletivo coordenado (como bandos de pássaros e cardumes de peixes) inspira algoritmos de robótica de enxame. Modelos tradicionais, como o de Reynolds (Boids) e o modelo Vicsek, dependem fundamentalmente da alinhamento de velocidades, exigindo que os agentes meçam ou estimem diretamente a velocidade relativa dos vizinhos.

No entanto, em sistemas robóticos reais, a medição de velocidade apresenta desafios significativos:

• Ruído e Erros: A estimativa de velocidade a partir de dados de posição (diferenciação) amplifica o ruído dos sensores.
• Indisponibilidade: Muitos sensores (como LiDAR ou UWB) fornecem apenas dados de posição, sem medição direta de velocidade.
• Complexidade: A comunicação de vetores de velocidade aumenta a largura de banda necessária.

O problema central abordado é: Como alcançar um alinhamento de velocidade persistente e coeso em um enxame robótico utilizando apenas dados de posição, sem depender de medições de velocidade diretas ou estimativas ruidosas?

2. Metodologia

Os autores propõem um modelo de agrupamento (flocking) baseado em posição que substitui o alinhamento de velocidade explícito por uma aproximação derivada das mudanças nas posições relativas ao longo do tempo.

A. Aproximação de Velocidade Relativa

Em vez de usar $v_j - v_i$, o modelo aproxima a diferença de velocidade relativa utilizando a mudança na posição relativa entre o estado atual e o estado inicial:
$$v_j - v_i \approx \frac{(p_j - p_i) - (p_j(0) - p_i(0))}{t}$$
Isso permite inferir o movimento relativo apenas a partir de posições, eliminando a necessidade de sensores de velocidade.

B. Ganho de Alinhamento Dependente do Tempo e Limiar (Threshold)

A aproximação acima introduz um ganho proporcional a $1/t$. O problema é que, quando $t \to \infty$, esse ganho tende a zero, fazendo com que o alinhamento desapareça com o tempo. Para resolver isso, os autores introduzem um mecanismo de limiar (threshold):

• Fase Transitória ($0 < t \leq 1/k$): O ganho decai como $|N_i|/t$, permitindo uma rápida coordenação inicial baseada em "impressões" das posições iniciais (efeito de memória fraca).
• Fase Persistente ($t > 1/k$): O ganho é saturado em um valor constante não nulo ($k|N_i|$). Isso garante que o alinhamento se mantenha indefinidamente, mesmo sem a medição de velocidade.

C. Lei de Controle

A entrada de controle $u_i$ para cada agente combina:

1. Coesão-Separação: Baseada na distância atual em relação aos vizinhos (termo de atração/repulsão).
2. Alinhamento Baseado em Posição: O termo modificado que usa a diferença entre a posição atual e a posição inicial, ponderado pelo ganho $\phi$ (que muda de transitório para constante).

3. Principais Contribuições

• Alinhamento Persistente sem Velocidade: Desenvolvimento de um modelo que mantém a coesão direcional do grupo indefinidamente, superando a limitação de decaimento de ganho de modelos puramente baseados em posição.
• Mecanismo de "Memória Fraca": Uso das posições iniciais relativas como uma referência temporária que guia o alinhamento inicial, mas que gradualmente perde influência, permitindo que o grupo se adapte sem ficar preso a uma formação rígida.
• Validação Biológica e Robótica: O modelo é justificado biologicamente (inspirado em como animais inferem movimento sem medição métrica direta) e validado em robôs reais, demonstrando viabilidade prática.
• Redução de Requisitos de Sensoriamento: Elimina a necessidade de estimadores de velocidade complexos, tornando o sistema mais robusto a ruídos e falhas de comunicação.

4. Resultados

Os resultados foram validados através de simulações com 50 agentes e experimentos físicos com 9 robôs móveis (GRITSBot).

• Simulações:

  • O modelo proposto com limiar (P-based (thr.)) alcançou um alinhamento direcional ($\gamma \approx 1$) mais rápido e sustentado do que o modelo baseado em velocidade (V-based) e o modelo sem limiar.
  • O modelo com limiar formou estruturas mais compactas e estáveis, com menor variação na distância entre agentes.
  • O modelo sem limiar perdeu a coerência direcional ao longo do tempo devido ao decaimento do ganho $1/t$.
  • A análise de rigidez mostrou que, embora o grupo se alinhe fortemente, ele não preserva uma formação rígida inicial (a variância das distâncias aumenta), permitindo flexibilidade espacial enquanto mantém a coesão.

• Experimentos com Robôs Reais:

  • Um enxame de 9 robôs demonstrou sucesso em formar um grupo coeso e manter uma direção coletiva persistente em um ambiente controlado (Robotarium).
  • O alinhamento foi mantido apesar de imprecisões na atuação e ruídos no rastreamento de movimento, confirmando a robustez do método.

5. Significado e Impacto

Este trabalho é significativo por várias razões:

• Aplicabilidade em Robótica Real: Oferece uma solução robusta para enxames que operam em ambientes onde a medição de velocidade é imprecisa ou impossível (ex: drones com GPS apenas, robôs com sensores de alcance).
• Eficiência de Comunicação: Reduz a largura de banda necessária, pois os agentes precisam compartilhar apenas posições, não vetores de velocidade.
• Inspiração Biológica: O modelo valida a hipótese de que o alinhamento coletivo na natureza pode emergir de relações espaciais e pistas perceptivas, sem a necessidade de um mecanismo neural dedicado ao alinhamento de velocidade explícito.
• Estabilidade de Longo Prazo: A introdução do limiar de ganho resolve o problema fundamental de modelos anteriores que falhavam em manter a coesão direcional em escalas de tempo longas.

Em resumo, o artigo demonstra que é possível replicar comportamentos complexos de enxames com alta fidelidade e robustez, utilizando apenas dados de posição e uma estratégia inteligente de ganho de controle, tornando-o ideal para aplicações de enxames robóticos em larga escala e em condições reais.