Resumo Técnico: Pipeline de Sintético-para-Real para Detecção de Zona de Pouso Segura

Declaração do Problema

À medida que os Veículos Aéreos Não Tripulados (VANTs) avançam em direção à autonomia de alto nível, a capacidade de realizar recuperação não assistida em ambientes não cooperativos e não estruturados tornou-se um requisito crítico de segurança. A fase terminal do voo apresenta riscos significativos, particularmente quando plataformas de pouso pré-definidas ou coordenadas estáticas não estão disponíveis. Diferente do desvio de obstáculos padrão, a identificação de uma Zona de Pouso Segura (ZPS) requer uma resolução semântica de alta fidelidade para distinguir terrenos navegáveis (ex: pavimento, grama) de obstáculos perigosos (ex: vegetação, veículos, terreno irregular).

Um gargalo primário no desenvolvimento de sistemas de percepção Ar-Solo (A2G) baseados em visão robustos é a escassez de conjuntos de dados aéreos anotados. Adquirir imagens com rótulos pixel a pixel no mundo real é logisticamente complexo, caro e frequentemente restrito por questões legais. Consequentemente, as arquiteturas existentes são frequentemente "travadas" a ambientes ou hardwares específicos, sofrendo degradação de desempenho em cenários fora da distribuição. Além disso, muitas soluções atuais dependem de sensores ativos como LiDAR, que impõem penalidades severas de Tamanho, Peso e Potência (SWaP), ou são limitadas a ambientes estruturados usando marcadores fiduciais. Existe uma necessidade persistente de percepção de alto desempenho, implantável em borda (edge), que aproveite arquiteturas de última geração sem exceder os limites computacionais de computadores de voo embarcados.

Metodologia

A pesquisa proposta introduz um pipeline abrangente de percepção e geração de dados projetado para reduzir o gap sim-to-real para pouso autônomo. O sistema opera através de três estágios integrados:

1. Geração de Dados Sintéticos Procedurais

Para mitigar a escassez de dados, os autores desenvolveram um motor de dados de alta fidelidade dentro do motor de renderização Blender Cycles. Este sistema estende um gerador de cidades procedurais em um motor de dados estocástico capaz de produzir ambientes urbanos fotorrealistas com anotações semânticas automatizadas e pixel-perfeitas.

• Síntese Procedural: O ambiente é construído via extrusão de malha algorítmica, gerenciando sete classes semânticas primárias (Fundo, Árvores, Edifícios, Vegetação Baixa, Estradas, Calçadas, Veículos e Objetos Impedimentos). Um sistema de gerenciamento de assets utiliza amostragem de disco de Poisson para randomizar o posicionamento de objetos, evitando o overfitting da rede a geometrias específicas.
• Randomização de Domínio: Para reduzir o gap de domínio, o pipeline emprega duas camadas de randomização:
  • Dinâmicas de Iluminação: Simula um ciclo diurno completo através do chaveamento de azimute e elevação solar, gerando propagação de sombras realista e variância de contraste.
  • Emulação de Sensor: A câmera virtual é calibrada para corresponder aos sensores físicos de VANTs, introduzindo ruído estocástico, desfoque e comprimentos focais oscilantes para simular a busca de autofoco e o desfoque induzido por vibração. Uma trajetória de B-spline não linear garante ângulos de visão e densidades de objetos diversificados.
• Anotação Automatizada: Máscaras de verdade fundamental (ground truth) são geradas via um protocolo de "Sobreposição de Material", onde objetos recebem materiais não sombreados e emissivos baseados no ID da classe. Isso garante o alinhamento espacial pixel a pixel entre os renders RGB e as máscaras semânticas sem intervenção manual.
• Aumento de Dados: Um estágio de pós-processamento aplica jitter de cor aleatório, varreduras rotacionais de 360 graus e fatores de zoom estocásticos para robustecer ainda mais o pipeline de treinamento.

2. Arquitetura de Percepção Baseada em Transformer

O sistema utiliza a arquitetidade OneFormer, um framework de segmentação de imagem universal baseado em um backbone de transformer (Swin-L).

• Estratégia de Treinamento: O modelo é ajustado (fine-tuned) exclusivamente no conjunto de dados sintéticos gerado. Ele utiliza pesos pré-treinados no dataset Cityscapes para estabelecer uma linha de base de inicialização robusta, adaptando as representações de características aprendidas para os shifts de domínio específicos da perspectiva aérea sintética.
• Otimização: A rede é otimizada usando o algoritmo AdamW com treinamento de precisão mista para gerenciar a sobrecarga computacional. O dataset é dividido em 70/20/10 para treinamento, validação e teste.

3. Módulo de Pouso Determinístico

O estágio final traduz as predições semânticas pixel a pixel em um mapa de navegabilidade binário para tomada de decisão autônoma.

• Taxonomia de Risco Hierárquica: As classes semânticas são categorizadas em três conjuntos:
  • Seguro ($S_{safe}$): Classes estáticas inerentemente adequadas para pouso (ex: Calçadas).
  • Inseguro ($S_{unsafe}$): Regiões proibidas (ex: Veículos, Pedestres).
  • Potencial ($S_{pot}$): Regiões condicionalmente válidas (ex: Estradas) que são seguras apenas se não interceptarem objetos Inseguros.
• Buffer de Segurança: Uma lógica determinística aplica uma dilatação de segurança de 20 pixels (buffer circular) ao redor de todos os objetos Inseguros. Se uma região Potencial interceptar este buffer, ela é reclassificada como Fundo (inseguro) para evitar pousos em tráfego ativo ou áreas perigosas.
• Determinação Geométrica do Local de Pouso: O sistema aplica uma Transformada de Distância Euclidiana (EDT) à máscara binária resultante para identificar o Maior Círculo Inscrito (LIC). O centro do LIC é selecionado como o local de pouso alvo se seu raio atender à pegada física do VANT mais uma tolerância de segurança. Um vetor de desvio é então computado para guiar o controlador de voo.

Principais Contribuições

1. Motor de Dados Sintéticos Procedurais: Um pipeline escalável de alta fidelidade que gera ambientes urbanos fotorrealistas com anotações semânticas automatizadas, mitigando efetivamente a escassez de imagens aéreas rotuladas através da parametrização estocástica de geometria, iluminação e ruído de sensor.
2. Percepção Baseada em Transformer: Um framework de segmentação de alto desempenho utilizando OneFormer, ajustado exclusivamente em dados sintéticos, que alcança resolução semântica de estado da arte para distinguir características de terreno complexas e obstáculos dinâmicos.
3. Validação Sim-to-Real: Uma avaliação de transferência zero-shot demonstrando a capacidade do sistema de identificar zonas de pouso seguras em ambientes do mundo real não vistos (benchmark UAVid e filmagens de drones DJI) enquanto atende aos requisitos de latência em tempo real via otimização acelerada por hardware.

Resultados

O pipeline proposto foi avaliado através de benchmarking quantitativo contra o dataset UAVid e validação qualitativa em filmagens reais de drones DJI Mavic.

• Desempenho Quantitativo: No benchmark UAVid, o modelo demonstrou generalização forte. Alcançou alta acurácia para classes estruturais (97,99% para Edifícios, 96,13% para Árvores). A classe Estradas mostrou alto recall (0,872), garantindo a identificação máxima de superfícies de pouso potenciais. Embora a classe "Objeto" tenha mostrado baixa precisão (0,025), a análise qualitativa atribuiu isso à imprecisão da anotação no ground truth, e não a uma falha do modelo; o modelo detectou com sucesso pequenos obstáculos omitidos dos rótulos manuais.
• Observações Qualitativas: A arquitetura Transformer exibiu fidelidade geométrica superior em comparação com as anotações manuais de ground truth, aderindo frequentemente a fronteiras de alta frequência de forma mais precisa do que as aproximações poligonais grosseiras nos dados de referência. No entanto, o modelo mostrou sensibilidade a iluminação de alto alcance dinâmico, ocasionalmente confundindo edifícios com calçadas escuras em sombras profundas.
• Viabilidade Operacional: Em testes no mundo real, o sistema segmentou com sucesso as cenas em zonas de risco hierárquicas. Em 94% dos frames de teste, o sistema convergiu para um centroide localizado em medianas gramadas abertas, confirmando que a transferência sintético-para-real é suficiente para identificar zonas de pouso livres de colisões. O módulo de interferência determinístico reclassificou efetivamente segmentos de estrada como inseguros ao detectar veículos.

Significância

Este trabalho destaca o potencial da simulação procedural de alta fidelidade para eliminar a necessidade de anotação manual, fornecendo simultaneamente consciência situacional robusta e implantável em borda para recuperação autônoma de VANTs. Ao demonstrar que um modelo treinado exclusivamente em dados sintéticos pode alcançar uma transferência zero-shot robusta para cenários do mundo real, a pesquisa aborda o "Gap de Computação de Borda" e os obstáculos logísticos da implantação de infraestrutura no mundo real. A integração de um módulo de pouso determinístico garante que as predições semânticas sejam traduzidas em comandos de navegação seguros e acionáveis, priorizando a evasão de risco conservadora. Esta abordagem oferece um caminho viável para o uso de sistemas de recuperação precisos e não assistidos em ambientes não cooperativos sem os custos proibitivos da coleta de dados em larga escala no mundo real.