Resumo Técnico: HECTOR – Coordenação e Supervisão Hierárquica Centrada no Humano de Frotas Robóticas

1. Declaração do Problema

O artigo aborda o desafio de coordenar frotas robóticas heterogêneas em grande escala (por exemplo, UAVs e UGVs) em ambientes dinâmicos e parcialmente desconhecidos sob tarefas temporais contínuas. Embora as frotas robóticas ofereçam eficiência por meio da colaboração, o controle humano direto de unidades individuais é impraticável. Abordagens existentes frequentemente falham em abordar simultaneamente três lacunas críticas:

1. Interação Online Dinâmica: A maioria dos métodos assume conjuntos de tarefas estáticos e pré-definidos, negligenciando a necessidade de operadores adicionarem, cancelarem ou repriorizarem missões em tempo real.
2. Escalabilidade sob Incerteza: O planejamento centralizado tradicional (por exemplo, MILP) sofre com explosão combinatória, enquanto métodos descentralizados frequentemente carecem de garantias para restrições temporais complexas ou falham em lidar com contagens e localizações de subtarefas incertas.
3. Integração Humano-no-Loop: Estruturas atuais frequentemente tratam a interação humana como um pensamento tardio ou a restringem a pequenas equipes, carecendo de protocolos para supervisão e intervenção de alto nível em operações em grande escala.

O objetivo central é sintetizar planos coletivos que minimizem o tempo médio de resposta da missão, ao mesmo tempo em que satisfazem especificações de Lógica Temporal Linear (LTL), restrições de capacidade e solicitações dinâmicas do operador (novas missões, cancelamentos, alterações de prioridade e reatribuições manuais).

2. Metodologia: A Estrutura HECTOR

A solução proposta, HECTOR, emprega uma arquitetura hierárquica de três camadas para desacoplar a coordenação global da execução local, permitindo escalabilidade e interação humana robusta.

Camada I: Protocolo de Interação Humano-Frota

Esta camada estabelece uma interface bidirecional e multimodal (texto, voz, modelos) permitindo que operadores emitam quatro tipos de solicitações online:

• $\kappa_1$ (Nova Missão): Libera novas especificações sc-LTL (LTL sintaticamente co-segura) com contagens e localizações de subtarefas incertas.
• $\kappa_2$ (Cancelamento): Remove missões incompletas sem interromper tarefas em andamento.
• $\kappa_3$ (Modificação): Atualiza prazos e prioridades de missões existentes.
• $\kappa_4$ (Reatribuição): Atribui manualmente robôs específicos a missões específicas.
  O protocolo mapeia essas solicitações para um módulo de decomposição de tarefas e uma interface de visualização, garantindo feedback em malha fechada sobre o status da frota e a viabilidade do plano.

Camada II: Atribuição de Tarefas com Horizonte Deslizante e Formação de Equipes

Esta camada lida com a alocação global de missões para equipes usando uma árvore de busca guiada por autômatos em vez de um produto síncrono completo de modelos de robôs e autômatos de tarefas (o que é computacionalmente proibitivo).

• Decomposição e Atribuição Simultâneas: O algoritmo busca em uma árvore onde os nós representam planos parciais de equipe e os estados alcançáveis atuais dos autômatos de missão. Ele determina simultaneamente o número ótimo de equipes ($K$), sua composição e a sequência de tarefas.
• Função de Valor e Limitação: Uma função de valor heurística $\chi(\nu)$ equilibra o tempo total de execução, o custo e o progresso da missão. Os nós são podados usando uma relação de dominância baseada em um perfil de desempenho $\zeta(\nu)$, garantindo que a busca se concentre em fronteiras não dominadas.
• Horizonte Deslizante: Para lidar com atualizações dinâmicas, o planejador opera com um horizonte finito $H$. Ele pausa quando $H$ tarefas são atribuídas e retoma ao acionar replanejamento (por exemplo, conclusão de tarefa, novas solicitações ou inviabilidade).
• Formação de Equipes Consciente de Redundância: Uma vez que as tarefas são atribuídas a equipes abstratas, uma formulação de Programação Linear Inteira Mista (MILP) atribui robôs específicos. Esta etapa incorpora uma margem de redundância ($\alpha$) para contabilizar a incerteza das subtarefas e falhas potenciais de robôs, garantindo a membresia disjunta das equipes ao mesmo tempo em que satisfaz as restrições de capacidade.

Camada III: Coordenação Local dentro das Equipes

Dadas as tarefas atribuídas a uma equipe, esta camada coordena a execução de subtarefas e a geração de trajetórias com base na natureza das subtarefas:

1. Estáticas e Conhecidas: Resolve um problema de roteamento de múltiplos veículos (MVRP). Para robôs não-holonômicos, utiliza primitivas de movimento (por exemplo, curvas de Dubins) e busca híbrida-A* para otimizar trajetórias e sequenciamento de tarefas conjuntamente.
2. Estáticas e Desconhecidas: Emprega uma estratégia de Exploração e Coordenação Simultâneas (SEC). Os robôs cobrem colaborativamente a região para revelar subtarefas, inserindo dinamicamente as subtarefas descobertas nos planos locais para minimizar a interrupção do tempo total de execução.
3. Dinâmicas e Conhecidas: Utiliza um algoritmo de Formação de Coalizão Dinâmica Distribuída (DCF). Os robôs atualizam suas pertenças a coalizões com base em estimativas de custo locais e comunicação entre pares para rastrear alvos em movimento, garantindo coalizões disjuntas e cargas de trabalho equilibradas.

3. Contribuições Principais

O artigo afirma duas contribuições primárias:

1. Uma Estrutura Flexível e Escalável: O HECTOR permite que operadores interajam e coordenem frotas heterogêneas em grande escala em configurações incertas. Ele lida explicitamente com a inter-relação entre missões de lógica temporal de alto nível e a viabilidade de movimento de baixo nível.
2. Tratamento Explícito de Aspectos Práticos: A estrutura integra capacidades heterogêneas, utilidades de colaboração parametrizadas, restrições temporais e variabilidade na distribuição de subtarefas. Introduz um protocolo específico para intervenção humana online que evita a necessidade de reconstrução completa do sistema após alterações de missão.

4. Resultados Experimentais

Simulações extensas com humano-no-loop foram conduzidas com 80 robôs heterogêneos realizando 30 missões (450 subtarefas) em um ambiente dinâmico.

• Desempenho vs. Baselines: O HECTOR alcançou um tempo total de resposta da missão de 184,4s, superando significativamente o MILP centralizado (327,8s) e métodos baseados em amostragem (286,0s). Mantive uma taxa de sucesso de 100%, enquanto métodos que ignoram a incerteza (por exemplo, SAMP-Subtask, Flow) caíram para 86–96%.
• Eficiência Computacional: O tempo médio de planejamento foi de 0,46s (máximo 0,76s), demonstrando a eficiência da abordagem hierárquica em comparação com a baseline de horizonte infinito (Inf-H), que sofreu com tempos de planejamento de até 415,8s.
• Escalabilidade e Robustez: Testes com até 170 robôs e 100 tarefas mostraram que os tempos de planejamento permaneceram abaixo de 2,0s mesmo com taxas de falha de robôs de 10%. O sistema recuperou-se com sucesso de falhas reatribuindo recursos sem perder o sucesso da missão.
• Validação de Alta Fidelidade: Uma simulação baseada em ROS com 12 UAVs em um cenário de socorro a desastres confirmou a capacidade da estrutura de lidar com dinâmicas do mundo real, restrições de curvatura e intervenções de operadores em tempo real (cancelamentos, reatribuições, alterações de prazos).

5. Significado e Afirmações

O artigo posiciona o HECTOR como uma evolução necessária em sistemas multi-robô, preenchendo a lacuna entre o planejamento de lógica temporal teórico e a implantação prática em grande escala.

• Relevância Prática: Aborda a "necessidade prática" de operadores gerenciarem frotas em socorro a desastres, vigilância e entrega, onde as tarefas evoluem e as incertezas são inerentes.
• Eficiência através da Hierarquia: Ao desacoplar a formação de equipes, a atribuição de tarefas e a coordenação local, o método evita a complexidade duplamente exponencial da síntese global, mantendo garantias de correção.
• Design Centrado no Humano: Diferentemente de sistemas totalmente autônomos, o HECTOR apoia explicitamente a "comunicação enxuta" e a supervisão de alto nível, permitindo que os operadores interajam de forma eficaz sem serem sobrecarregados por detalhes de baixo nível.
• Limitações: Os autores observam modestamente que o trabalho atual não aborda tarefas "dinâmicas e desconhecidas" (onde localizações e contagens de subtarefas são simultaneamente desconhecidas e mudando), pois isso exigiria uma combinação de estratégias de exploração e coalizão dinâmica não totalmente exploradas aqui. Adicionalmente, as restrições de comunicação (latência, perda de pacotes) são reconhecidas como áreas para refinamento futuro.