Secure Coordination for Vertiport Sequencing in Advanced Air Mobility

Resumo Técnico: Coordenação Segura para Sequenciamento de Vertiportos na Mobilidade Aérea Avançada

Declaração do Problema
As operações de Mobilidade Aérea Avançada (AAM) próximas a vertiportos exigem mecanismos de coordenação confiáveis para gerenciar tráfego denso sob capacidade de pouso limitada e tempos de chegada incertos. A coordenação atual depende fortemente de dados auto-relatados, como o Remote-ID, que fornece a identidade e a posição do veículo. No entanto, essa dependência cria uma vulnerabilidade: veículos de interesse próprio podem relatar estrategicamente seus tempos estimados de chegada (ETA) de forma distorcida para garantir faixas de pouso favoráveis, enquanto agentes maliciosos podem falsificar dados para interromper o sequenciamento ou induzir congestionamento.

Embora a comparação de dados auto-relatados com vigilância externa (por exemplo, radar ou rastreamento óptico) ofereça uma defesa, as estimativas de vigilância são inerentemente incertas devido ao ruído de medição e a erros de estimativa. Consequentemente, relatórios falsificados que permanecem consistentes com a região de incerteza da vigilância não podem ser rejeitados imediatamente. Isso cria um problema de coordenação estratégica onde o coordenador deve atribuir cronogramas de chegada viáveis em termos de separação, apesar da possibilidade de relatórios falsos indetectáveis, mas potencialmente prejudiciais.

Metodologia
O artigo propõe um framework para sequenciamento seguro de vertiportos que distingue entre duas fontes distintas de informações falsas e formula regras de sequenciamento robustas para combatê-las.

1. Modelo do Sistema:

   • O sistema envolve $N$ veículos aproximando-se de um vertiporto compartilhado.
   • Cada veículo $i$ possui um ETA verdadeiro ($\tau_i$) e reporta um ETA ($\hat{\tau}_i = \tau_i + \delta_i$), onde $\delta_i$ é o desvio de reporte.
   • Um coordenador utiliza um sistema de vigilância ativa para inferir uma estimativa de ETA independente. Devido à incerteza de sensoriamento, os desvios $\delta_i$ são restritos a um conjunto consistente com a incerteza $\mathcal{U}_i$ (por exemplo, um intervalo $[-\varepsilon_i, \varepsilon_i]$). Relatórios fora deste conjunto são rejeitados; aqueles dentro são tratados como potencialmente falsos, mas indistinguíveis dos verdadeiros.
   • O objetivo é minimizar o custo de sequenciamento no nível do sistema, definido como a soma dos ajustes quadráticos entre os tempos de chegada atribuídos ($a_i$) e os ETAs verdadeiros ($\tau_i$), sujeito a restrições de separação temporal mínima ($s_{min}$).

2. Formulações Robustas:
   O artigo modela a interação entre o coordenador e as entidades que reportam utilizando duas abordagens de otimização robusta:

   • Relato Estratégico de Interesse Próprio (Desvio Estratégico): Modelado como um jogo de Stackelberg. Veículos de interesse próprio observam o parâmetro de robustificação do coordenador ($\theta$) e selecionam um desvio $\delta_i \in \mathcal{U}_i$ para minimizar seu próprio custo de ajuste de cronograma. O coordenador antecipa esse comportamento de melhor resposta e seleciona $\theta$ para minimizar o custo do sistema resultante.
   • Falsificação Maliciosa (Perturbação Adversarial): Modelado como um problema min-max. Um atacante externo injeta relatórios falsos para um subconjunto de veículos ($\mathcal{M}$) para maximizar o custo de sequenciamento no nível do sistema (por exemplo, causando congestionamento ou atrasos). O coordenador seleciona $\theta$ para minimizar o pior caso de custo do sistema induzido por esses desvios adversariais.

3. Regra de Sequenciamento:
   O coordenador emprega uma regra de sequenciamento parametrizada $S_\theta$ que mapeia os tempos de chegada reportados para um cronograma atribuído. O parâmetro $\theta$ representa medidas de robustificação, como limiares de confiança ou regras de redução de incerteza, projetadas para tornar o resultado do sequenciamento menos sensível a relatórios dentro do conjunto de incerteza.

Principais Contribuições e Resultados Planejados
Como um resumo estendido, este artigo estabelece principalmente o framework teórico e delineia estudos numéricos planejados, em vez de apresentar resultados experimentais finalizados. Suas contribuições incluem:

• Distinção Formal de Modelos de Ameaça: O artigo diferencia explicitamente entre relato estratégico de interesse próprio (visando ganho individual) e falsificação maliciosa (visando degradação do sistema), propondo formulações robustas distintas para cada um.
• Projeto Robusto sob Incerteza de Sensoriamento: Formula o sequenciamento de vertiportos como um problema de projeto robusto sobre conjuntos de incerteza consistentes com a vigilância, reconhecendo que a detecção perfeita é impossível devido ao ruído do sensor.
• Estratégia de Avaliação Planejada: Os autores propõem um estudo numérico abrangente para avaliar as regras propostas. O estudo planeja comparar:
  • Sequenciamento de Referência: Usando os tempos reportados diretamente.
  • Sequenciamento Robusto de Interesse Próprio: Otimizado contra desvios estratégicos.
  • Sequenciamento Robusto Malicioso: Otimizado contra perturbações adversariais.
• Métricas de Avaliação: Os experimentos planejados visam quantificar:
  • A perda de eficiência da robustez (comparando desempenho robusto versus de referência sob relato verdadeiro).
  • O benefício de segurança da robustez (comparando desempenho sob relato falso com e sem regras robustas).
  • Sensibilidade à densidade de tráfego, requisitos de separação, ruído de vigilância e o tamanho do conjunto de veículos potencialmente não confiáveis ($\mathcal{M}$).

Significado
O artigo argumenta que, à medida que a densidade do tráfego AAM aumenta e as margens de sequenciamento se estreitam, o impacto operacional de informações falsas se tornará mais pronunciado do que na gestão de tráfego aéreo convencional. Ao integrar dados de vigilância com informações auto-relatadas por meio de otimização robusta, o framework proposto visa preservar a confiabilidade dos mecanismos de sequenciamento. Busca proteger contra tanto a "tragédia dos comuns" (onde veículos individuais exploram o sistema) quanto ataques adversariais ativos, garantindo que as operações de vertiporto permaneçam seguras e eficientes mesmo quando as capacidades de sensoriamento são imperfeitas.

Os autores observam que trabalhos futuros estenderão este framework para incluir alocação de recursos de vigilância, onde o coordenador aloca dinamicamente recursos de sensoriamento (por exemplo, resolução ou potência) para reduzir a incerteza para veículos específicos, fortalecendo assim as decisões de sequenciamento contra fontes prováveis de informações falsas.