SCOPE: Skeleton Graph-Based Computation-Efficient Framework for Autonomous UAV Exploration

Resumo Técnico: SCOPE

1. Problema Abordado

A exploração autônoma em ambientes desconhecidos é fundamental para Veículos Aéreos Não Tripulados (UAVs) em aplicações como resposta a desastres, inspeção de infraestrutura e reconstrução 3D. No entanto, os métodos atuais enfrentam desafios críticos, especialmente em dispositivos de borda com recursos computacionais limitados:

• Alta Latência Computacional: Muitas abordagens de ponta dependem de solucionadores frequentes de problemas de otimização global complexos, como o Problema do Caixeiro Viajante Assimétrico (ATSP), o que sobrecarrega o hardware.
• Oscilação de Trajetória: A natureza dinâmica da exploração (um Processo de Decisão de Markov Parcialmente Observável - POMDP) faz com que pequenas atualizações no mapa causem flutuações drásticas na ordem global de visita, levando a intenções de voo instáveis e movimentos de "vai e volta" (backtracking).
• Ineficiência de Recursos: A estratégia de "planejar tudo, executar um" desperdiça recursos computacionais ao otimizar rotas para áreas que podem não ser necessárias imediatamente, além de dominar o custo global com estimativas ruidosas de áreas desconhecidas.

2. Metodologia (Framework SCOPE)

O artigo propõe o SCOPE, um framework baseado em Grafos de Esqueleto (Skeleton Graphs) que adota uma estratégia de planejamento sob demanda e hierárquica para minimizar a sobrecarga computacional. O sistema é composto por três módulos principais:

• A. Manutenção do Grafo de Esqueleto e Análise de Regiões Implícitas:

  • O sistema constrói incrementalmente um grafo de esqueleto geométrico a partir de um campo de distância assinada euclidiana (ESDF), capturando a topologia do espaço livre de forma compacta e estável.
  • Introduz a Análise de Região Desconhecida Implícita: Em vez de processar voxels explicitamente, o sistema utiliza "probes" geométricos (raios) lançados a partir de fronteiras para estimar a profundidade e a conectividade do espaço desconhecido.
  • Os nós do grafo são agrupados em Regiões Implícitas baseando-se na proximidade espacial e na sobreposição dos raios de sondagem, criando uma representação volumétrica abstrata das áreas a serem exploradas.

• B. Planejador Proximal (Proximal Planner):

  • Opera em alta frequência para gerar trajetórias locais suaves.
  • Foca em fronteiras próximas e contínuas, ignorando oscilações topológicas globais.
  • Utiliza uma métrica de custo que considera o tempo de voo, mudanças de velocidade e altitude para selecionar o próximo ponto de vista ideal, garantindo eficiência local sem replanejamento global constante.

• C. Planejador de Sequência de Regiões (Region-Sequence Planner):

  • Ativa-se apenas sob demanda (quando os alvos locais são esgotados).
  • Resolve um Problema do Caixeiro Viajante Simétrico (TSP) apenas sobre as regiões agrupadas (e não sobre todos os pontos de fronteira), utilizando o grafo de esqueleto para calcular custos de inter-região.
  • Fornece orientação global estratégica, guiando o UAV para a próxima área de interesse macro, evitando a necessidade de otimização global contínua.

3. Contribuições Principais

1. Decomposição de Espaço Implícita: Um método inovador que constrói um grafo de esqueleto geométrico e realiza análise de espaço desconhecido via sondas geométricas, evitando o processamento pesado de voxels.
2. Arquitetura Hierárquica Sob Demanda: Um sistema que combina um Planejador Proximal de alta frequência (para agilidade local) com um Planejador de Sequência de Regiões de baixa frequência (para orientação global), minimizando drasticamente o custo computacional.
3. Validação Experimental Robusta: Extensivas simulações e experimentos em mundo real que demonstram a eficácia do método em reduzir a latência sem sacrificar a eficiência da exploração.

4. Resultados

As avaliações foram realizadas em cinco ambientes de simulação (escritórios complexos, labirintos, túneis) e em dois cenários do mundo real.

• Desempenho Computacional: O SCOPE reduziu o custo computacional médio em 86,9% em comparação com os métodos de estado da arte (como FUEL, FAEP, RACER e FALCON). Em alguns cenários, a redução chegou a 93,2%.
• Eficiência de Exploração: O tempo de exploração foi competitivo, sendo comparável ou superior aos melhores planejadores globais. Por exemplo, no ambiente "Complex Office", o SCOPE foi 7,98% mais rápido que o FALCON.
• Estabilidade: O método eliminou a oscilação de trajetória observada em outros métodos, permitindo voos contínuos e suaves em alta velocidade.
• Experimentos Reais: Em testes com um UAV equipado com Jetson Orin NX, o sistema manteve uma latência média de ~5,8 ms por ciclo, demonstrando viabilidade em plataformas embarcadas com recursos limitados.

5. Significado e Impacto

O trabalho do SCOPE é significativo porque resolve o dilema entre otimização global e eficiência computacional na exploração autônoma. Ao desacoplar a execução cinemática local da orientação topológica global e utilizar uma representação implícita do espaço desconhecido, o framework permite que UAVs de recursos limitados realizem missões complexas de mapeamento e exploração com:

• Maior robustez contra ruídos de sensores e atualizações dinâmicas do mapa.
• Capacidade de multitarefa (deixando "headroom" computacional para percepção e reconhecimento de objetivos).
• Viabilidade de implementação em tempo real em hardware embarcado de baixo custo.

Em suma, o SCOPE representa um avanço prático para a autonomia de drones, permitindo que eles operem de forma mais inteligente e eficiente em ambientes desconhecidos e complexos, superando as limitações de latência dos métodos tradicionais baseados em ATSP frequente.