Routing and Control for Marine Oil-Spill Cleanup with a Boom-Towing Vessel Fleet

Resumo Técnico: Roteamento e Controle para Limpeza de Derramamentos de Óleo Marinho com uma Frota de Embarcações Autônomas

1. Problema e Motivação

Derramamentos de óleo marinhos causam danos ecológicos severos e perdas econômicas significativas. Embora existam métodos para conter e limpar derramamentos individuais usando pares de veículos de superfície autônomos (ASVs) rebocando um boom (barreira flutuante), as abordagens atuais carecem de escalabilidade para coordenar frotas robóticas grandes em cenários com múltiplos derramamentos simultâneos.

Os desafios principais identificados são:

• Atraso na resposta: Chegada tardia aos derramamentos de maior risco.
• Ineficiência de recursos: Utilização subótima de ativos em múltiplas manchas de óleo.
• Operações conservadoras: Restrições de segurança que limitam a eficiência perto da costa.

O objetivo deste trabalho é desenvolver um framework integrado para o confinamento e limpeza coordenada de múltiplos derramamentos de óleo usando uma equipe de pares de ASVs, abordando tanto o planejamento de rotas (nível de decisão) quanto o controle de trajetória (nível de execução física).

2. Metodologia

A abordagem proposta divide o problema em dois subproblemas acoplados: Roteamento Sensível ao Risco e Controle de Rastreamento de Trajetória.

A. Modelagem e Roteamento (Nível de Planejamento)

• Abstração do Problema: O problema é modelado como uma variante multi-agente do Problema do Repareiro Viajante (TRP - Traveling Repairman Problem), ponderado por riscos.
• Objetivo: Minimizar o dano ambiental cumulativo, definido como a soma dos riscos ($R_i$) multiplicados pelo tempo de eliminação ($t_T(S_i)$) de cada derramamento. Quanto mais tempo um derramamento permanece sem tratamento, maior o dano.
• Representação em Grafo: O espaço contínuo é abstraído em um grafo direcionado onde os vértices são o depósito e os locais dos derramamentos. As arestas representam o tempo de trânsito, manobra de confinamento e limpeza.
• Algoritmo de Solução (Híbrido):
  1. Heurística de Inicialização (Warm-start): Combina uma atribuição gulosa baseada em prioridade (risco/tempo de viagem), otimização de ordem de visita usando Programação Dinâmica (DP) para agentes individuais e uma busca local iterativa (ILS) para reatribuição de tarefas.
  2. Programação Linear Inteira Mista (MILP): O solver MILP é inicializado com a solução da heurística para acelerar a convergência via Branch-and-Bound. Isso permite encontrar soluções quase ótimas para cenários com dezenas de derramamentos em minutos, mesmo em hardware comercial.

B. Dinâmica e Controle (Nível de Execução)

• Modelo Dinâmico: Desenvolve-se um modelo acoplado para o par de embarcações e o boom rebocado. O boom é modelado como uma cadeia articulada de elos rígidos com amortecimento e molas. As forças de tensão do boom são tratadas como cargas externas nos modelos dinâmicos das embarcações.
• Estratégia de Controle: O objetivo é fazer com que o par de ASVs siga uma trajetória de referência gerada pelo roteador, mantendo a distância entre eles dentro do comprimento do boom.
• Abordagens de Controle Comparadas:
  1. PID (Controle Proporcional-Integral-Derivativo): Uma abordagem de baseline padrão.
  2. Linearização por Feedback (FBL): Uma abordagem baseada em modelo que desacopla a dinâmica não linear do navio (surge, sway, yaw) em dois subsistemas lineares (velocidade de avanço e orientação). O controle de sway (movimento lateral) é deixado não controlado, mas demonstrado como estável.
• Garantias Teóricas: O controlador FBL possui garantias de estabilidade assintótica, provando que os erros de rastreamento convergem para zero sob certas condições de limitação de forças e arrasto.

3. Resultados Principais

A. Avaliação do Roteamento

• Desempenho: O framework híbrido (MILP + Warm-start) demonstrou alta eficiência. Para instâncias com 25, 50 e 100 derramamentos, o método encontrou soluções ótimas ou próximas do ótimo (dentro de limites inferiores calculados) em menos de 300 segundos.
• Comparação: A heurística sozinha fornece soluções de alta qualidade rapidamente, mas a inicialização do MILP com essa heurística reduz significativamente a árvore de busca, melhorando a qualidade da solução em até 10-15% em casos difíceis (poucos agentes, muitos derramamentos) em comparação com o MILP puro.
• Escalabilidade: O método escala bem com o aumento do número de agentes, pois a complexidade combinatorial diminui à medida que a carga de trabalho por agente é distribuída.

B. Avaliação do Controle

• Simulação: Testes foram realizados em um simulador com dinâmica acoplada de navio-boom (40 elos, 40m de comprimento).
• Desempenho:
  • Ambos os controladores (PID e FBL) conseguiram rastrear trajetórias com precisão em condições de mar calmo.
  • PID: Apresentou erros de estado estacionário ligeiramente menores, mas exigiu o ajuste de 8 parâmetros por embarcação.
  • FBL: Ofereceu desempenho comparável ao PID, com erros de rastreamento muito baixos, mas com a vantagem de exigir apenas 4 parâmetros de ajuste e possuir garantias teóricas de estabilidade.
  • Ambos os controladores sofreram aumento de erro em curvas mais fechadas e velocidades mais altas, mas os erros permaneceram pequenos em relação à escala espacial típica de derramamentos de óleo.

4. Contribuições Chave

1. Framework Integrado: Primeira abordagem holística que conecta o planejamento de rotas de múltiplos agentes (otimização combinatória) com o controle dinâmico de pares de embarcações rebocando um boom.
2. Formulação de Risco: Modelagem do problema de resposta a derramamentos como um problema de latência mínima ponderada por risco, capturando a urgência de intervenções precoces.
3. Algoritmo Híbrido Eficiente: Desenvolvimento de um solver que combina heurísticas estruturadas (Greedy + DP + ILS) com MILP, permitindo a resolução de problemas de escala realista em tempo viável.
4. Controle com Garantias: Projeto e análise de um controlador de linearização por feedback para pares de ASVs com boom, provando estabilidade assintótica e demonstrando eficácia prática em simulações complexas.

5. Significado e Trabalhos Futuros

Este trabalho preenche uma lacuna crítica na robótica marinha ao fornecer métodos escaláveis para desastres ambientais de grande escala. A capacidade de coordenar frotas autônomas para minimizar danos ambientais em tempo real é um avanço significativo em relação às abordagens atuais focadas em incidentes isolados.

Trabalhos Futuros:

• Validação em dados reais de derramamentos de óleo.
• Avaliação dos controladores sob condições de mar variáveis (vento, correntes, ondas), que foram negligenciadas na simulação atual.
• Refinamento do modelo de roteamento para permitir que ASVs passem através de derramamentos já limpos, em vez de contorná-los, o que exigiria uma reformulação do modelo MILP.

Em suma, o artigo apresenta uma solução robusta e matematicamente fundamentada para um problema complexo de desastre ambiental, combinando otimização avançada com controle robótico dinâmico.