A Digital Twin Framework for Traffic-Aware UAV Pavement Monitoring without Lane Closure

Resumo Técnico: Um Framework de Gêmeo Digital para Monitoramento de Pavimento por UAV Consciente ao Tráfego sem Fechamento de Faixas

Problema
Veículos Aéreos Não Tripulados (UAVs) oferecem uma solução promissora para o monitoramento de pavimentos de alta resolução, potencialmente reduzindo o custo e o risco associados às inspeções tradicionais de superfícies rodoviárias. No entanto, a implantação no mundo real em ambientes urbanos enfrenta desafios significativos. O tráfego, pedestres e oclusões temporárias frequentemente obstruem a visibilidade de defeitos na via (como buracos e rachaduras), comprometendo a qualidade da inspeção. Os métodos de inspeção convencionais dependem frequentemente de avaliação manual ou pipelines de visão computacional estáticos que têm dificuldade em ambientes dinâmicos. Além disso, as pesquisas existentes em simulação e gêmeos digitais neste domínio concentraram-se amplamente em aspectos isolados, como a geração de dados sintéticos para detecção de buracos ou planejamento de rotas estáticas, carecendo de um ambiente de teste unificado que integre geração de defeitos de alta fidelidade, fluxos de tráfego dinâmicos, navegação autônoma de UAV e estratégias de recuperação adaptativas para regiões ocluídas.

Metodologia
Os autores propõem um framework de gêmeo digital baseado em Unity, projetado para simular o monitoramento de pavimentos por UAV consciente ao tráfego sem a necessidade de fechamento de faixas. A metodologia compreende quatro componentes integrados:

1. Ambiente de Simulação: Uma rede rodoviária urbana 3D configurável foi desenvolvida no Unity, apresentando defeitos rodoviários gerados proceduralmente (buracos, rachaduras simples e rachaduras tipo "crocodilo"), veículos dinâmicos, pedestres. O ambiente suporta tanto um veículo terrestre quanto um UAV (modelado com base no DJI Phantom 4) equipado com câmeras virtuais. O UAV opera autonomamente usando o sistema NavMesh do Unity e o algoritmo de busca de caminho A*, com suavização de trajetória fornecida pelo Algoritmo Funnel.
2. Pipeline de Percepção: Uma abordagem de aprendizado profundo de dois estágios foi implementada para detecção e classificação em tempo real:
   • Estágio 1 (Localização): Um detector leve YOLOv8n identifica cinco classes: Defeitos Rodoviários (agregados), Pessoas e Carros. Este estágio é executado em tempo real para localizar objetos e determinar a visibilidade.
   • Estágio 2 (Classificação): Um classificador leve distingue tipos específicos de defeitos: Rachadura Simples, Rachadura tipo Crocodilo e Buraco.
   • Os modelos foram treinados em um conjunto de dados multifonte composto por seis conjuntos de dados públicos de danos rodoviários baseados em UAV, aumentados com dados sintéticos da simulação para incluir agentes de tráfego. O conjunto de dados final continha mais de 46.000 imagens e 120.000 caixas delimitadoras anotadas.
3. Lógica do Gêmeo Digital: O gêmeo digital é definido como uma réplica virtual que atualiza continuamente os estados da estrada, do UAV e dos agentes de tráfego. Ele emprega uma pontuação de visibilidade ($o_{s,t}$) para cada segmento de estrada. Quando a visibilidade de um segmento cai abaixo de um limite devido à oclusão, o sistema aciona uma de três políticas de recuperação adaptativa:
   • Hover-and-Recheck (Pairar e Rechecar): O UAV permanece estacionário por uma curta duração para permitir que as oclusões temporárias se dissipem.
   • Micro-repositioning (Micro-reposicionamento): O UAV realiza um pequeno deslocamento para melhorar o ângulo de visão enquanto permanece próximo ao alvo.
   • Skip-and-Revisit (Pular e Revisitar): O UAV pula o segmento ocluído e retorna a ele mais tarde na missão.
4. Configuração Experimental: Experimentos foram conduzidos através de várias densidades de tráfego (baixa, média, alta) e altitudes de voo (6m, 12m, 18m). O desempenho foi avaliado usando cobertura, tempo de missão, consumo de energia e razão de revisitação.

Principais Contribuições

• Testbed Unificado Consciente ao Tráfego: O artigo introduz um novo framework de simulação que avalia conjuntamente missões de inspeção de UAV, geração procedural de defeitos, tráfego/oclusão dinâmica e estratégias de recuperação adaptativas, abordando uma lacuna na literatura existente onde esses elementos são frequentemente estudados isoladamente.
• Framework de Recuperação Adaptativa: Os autores definem e implementam uma arquitetura de gêmeo digital capaz de selecionar políticas de recuperação dinamicamente com base em restrições de visibilidade em tempo real, indo além do planejamento de rota estático.
• Integração de Percepção de Dois Estágios: A integração de um detector YOLOv8n leve com um classificador especializado permite uma percepção eficiente e em tempo real dentro do loop de simulação, equilibrando precisão e restrições computacionais.
• Dataset Abrangente: A criação de um conjunto de dados mesclado e aumentado que inclui tanto defeitos rodoviários quanto agentes de tráfego (pedestres/veículos) especificamente adaptado para cenários de inspeção conscientes ao tráfego.

Resultados

• Desempenho de Percepção: No teste do simulador, o pipeline completo de dois estágios alcançou uma precisão geral de 99,26% entre as cinco classes. Todas as classes atingiram F1 scores acima de 0,96, com a classe "Carro" alcançando precisão, recall e F1 score perfeitos. A classe "Rachadura tipo Crocodilo" apresentou o menor desempenho (F1: 0,9693), atribuído à sua semelhança visual com rachaduras simples.
• Seleção de Modelo: O YOLOv8n foi selecionado como o detector ideal devido ao seu favorável equilíbrio entre precisão (mAP@0.5 de 0,866) e velocidade de inferência (273,47 FPS), tornando-o adequado para as restrições de tempo real do gêmeo digital.
• Eficácia da Estratégia de Recuperação:
  • Altitude de Voo: A altitude teve uma influência mais forte na cobertura de inspeção do que a densidade do tráfego.
  • Tráfego Baixo: A estratégia Skip-and-Revisit foi a mais eficaz, alcançando 97,95% de cobertura em altitude média com penalidade mínima de tempo de missão.
  • Tráfego Médio/Alto: A estratégia Hover-and-Recheck provou ser a mais consistente, alcançando 97,03% de cobertura em alta altitude sob tráfego médio. Em contraste, a estratégia de Pular (Skip) tornou-se não confiável em condições de baixa altitude e tráfego denso (caindo para 50,19% de cobertura sob tráfego alto em baixa altitude) devido a oclusões repetidas.
  • Micro-repositioning: Esta estratégia geralmente resultou em menor cobertura e tempos de missão significativamente maiores em comparação com outras estratégias.

Significância e Alegações
O artigo afirma que o framework de gêmeo digital proposto fornece uma plataforma valiosa para o desenvolvimento e avaliação de estratégias de inspeção de UAV conscientes ao tráfego antes da implantação no mundo real. Ao simular oclusões dinâmicas e testar políticas de recuperação adaptativas, o framework demonstra que os gêmeos digitais podem apoiar a otimização das missões de inspeção para maximizar a cobertura enquanto minimizam os custos de energia e tempo. Os autores enfatizam que seu trabalho preenche a lacuna entre a detecção de defeitos controlada e as complexidades dos ambientes urbanos dinâmicos, oferecendo uma abordagem estruturada para validar a autonomia de UAV antes dos testes físicos de campo. A implementação completa e as redes treinadas são disponibilizadas para apoiar pesquisas adicionais neste domínio.