Resumo Técnico: Swarm Sign Language – Comunicação Baseada em Movimento entre Drones

Declaração do Problema

Em enxames robóticos com restrições de furtividade, a comunicação tradicional por radiofrequência (RF) é vulnerável a interferências, jamming e limitações de alcance em ambientes contestados. Embora a comunicação visual ofereça uma alternativa passiva, os métodos existentes muitas vezes carecem de robustez ou dependem de suposições de observação perfeita. Este artigo aborda o desafio de estabelecer um canal de comunicação não ativo e robusto para Veículos Aéreos Não Tripulados (VANTs/UAVs) usando comunicação baseada em movimento (MBC). O problema central é codificar e decodificar informações semânticas complexas (como comandos, magnitude e direcionalidade) estritamente através das trajetórias de voo 3D observadas de um drone transmissor, sem depender de sinais de RF.

Metodologia

1. Protocolo de Comunicação e Codificação

Os autores propõem uma "Linguagem de Sinais de Enxame" onde as mensagens são codificadas via um conjunto de nove primitivas geométricas planas distintas (kinemas), incluindo quadrados, círculos, espirais e estrelas. Para maximizar a densidade de informação, o protocolo modula essas formas usando dois parâmetros geométricos:

• Escala: O tamanho físico da trajetória codifica a magnitude (ex: "segundo" vs. "primeiro").
• Vetor Normal: A orientação do plano de execução codifica a direcionalidade (ex: "direita" vs. "esquerda").

O sistema opera em um fluxo contínuo onde gestos comunicativos são incorporados dentro de movimentos não comunicativos (caminhadas aleatórias) e fases de pairação (hovering) para simular o comportamento realista de um enxame.

2. Pipeline de Geração de Dados

Para superar a escassez de dados em robótica, os autores desenvolveram um pipeline de geração procedural online configurável. Este sistema sintetiza trajetórias 3D dinamicamente viáveis ao:

• Definir waypoints geométricos em um quadro 2D canônico.
• Aplicar transformações de escala e rotação 3D.
• Resolver um problema de otimização de Minimum-Snap para gerar trajetórias polinomiais (grau 8) suaves e contínuas que respeitem as restrições dinâmicas (empuxo e taxas de corpo).
• Injetar ruído de controle (ruído Gaussiano nos waypoints) e ruído de observação (simulando a degradação do estimador de pose) para reduzir a lacuna de realidade (reality gap).
• Filtrar trajetórias que violam os limites físicos de quadricópteros padrão.

3. Arquitetura: 3DTrajDecoder

O componente principal de decodificação é um Vision Transformer (ViT) multitarefa adaptado para sequências de pose 3D, denominado 3DTrajDecoder.

• Entrada: O modelo processa uma sequência de estimativas de pose (posição, orientação ou posição relativa) amostradas a 30Hz ao longo de uma janela de 12 segundos.
• Processamento: A sequência de entrada é subamostrada via convolução 1D, aumentada com um token [CLS] aprendível e codificações posicionais senoidais, e processada através de camadas de codificador Transformer.
• Cabeças Multitarefa: A arquitetura realiza simultaneamente quatro tarefas:
  1. Classificação: Identifica a classe da forma (kinema).
  2. Segmentação: Delimita o segmento comunicativo dentro do fluxo de movimento contínuo.
  3. Regressão de Tamanho: Prediz a escala física da trajetória.
  4. Regressão de Normal: Prediz o vetor normal do plano de execução.

4. Métricas de Avaliação

O desempenho é avaliado usando:

• F1-scores para classificação e segmentação.
• Erro Absoluto Médio (MAE) e Erro Quadrático Médio (MSE) para regressão de tamanho.
• Erro Geodésico (EG) para regressão do vetor normal, medindo a distância angular entre as normais preditas e as reais em uma esfera unitária.
• Completude ($\Phi_r$): A proporção do kinema presente na janela de entrada.
• Relação Sinal-Ruído (SNR): A razão entre o raio do kinema perfeito e o raio observado com ruído.

Principais Resultados

Simulação e Dados Sintéticos

• Comparação de Arquitetura: O modelo multitarefa baseado em Transformer superou as bases LSTM, ResNet e ViT. Alcançou um F1-score de 91,13% para classificação e 94,16% para segmentação no conjunto de teste.
• Sensibilidade de Entrada: Estudos de ablação revelaram que, embora a posição e orientação relativas sejam úteis, a inclusão de dados de posição absoluta é crucial para a generalização, particularmente para a regressão de tamanho.
• Domínio de Operação: O sistema opera de forma robusta quando o segmento comunicativo ocupa mais de 60% da janela de entrada (aprox. 7,2s) e a trajetória excede 0,4m. Sob estas condições, o modelo mantém um F1-score >85,7% e um erro geodésico médio <11,5°.
• Dificuldade de Classe: Formas complexas como "Estrela" foram mais difíceis de classificar devido às restrições de viabilidade dinâmica que limitam seu tamanho (baixo SNR), enquanto formas simples como "Quadrado" e "Triângulo" mostraram confusão quando apenas segmentos parciais estavam visíveis.

Experimentos no Mundo Real

• Transferência Sim-to-Real: O modelo, treinado inteiramente em dados sintéticos, foi validado em voos reais usando um quadricóptero customizado e um sistema de captura de movimento (MoCap).
• Desempenho: Em trajetórias reais capturadas via MoCap, o modelo alcançou um F1-score de 92,45% para classificação e 87,02% para segmentação.
• Robustez: O sistema demonstrou resiliência a deslocamentos temporais. O desempenho permaneceu alto com desvios de tempo de ±3 segundos em relação ao segmento comunicativo centralizado. No entanto, o desempenho degradou significamente quando a completude caiu abaixo de 50% (desvios >±6s).
• Análise de Erro: O erro geodésico médio em dados reais foi de 4,72°, e o erro de tamanho médio foi de 0,08m, confirmando a capacidade do sistema de decodificar trajetórias moduladas apesar das imperfeições do controlador.

Significância e Alegações

O artigo afirma apresentar um novo protocolo de comunicação livre de RF que aumenta a autonomia, a furtividade e a resiliência de enxames de drones. Suas principais contribuições são:

1. Um Protocolo de Movimento Modulado: Um método para transmitir semântica complexa (classe, tamanho, direção) usando primitivas geométricas planas moduladas por escala e orientação.
2. Uma Arquitetura Transformer Multitarefa: Um único modelo capaz de realizar simultaneamente a classificação, segmentação e regressão de sequências espaço-temporais, superando modelos tradicionais baseados em imagem e sequenciais.
3. Síntese de Dados Procedural: Um pipeline flexível para gerar trajetórias 3D dinamicamente viáveis e com ruído, abordando a falta de datasets públicos para este domínio específico.
4. Viabilidade no Mundo Real: Demonstração de transferência bem-sucedida de sim-para-real, provando que a comunicação baseada em movimento é fisicamente viável para VANTs operando em ambientes dinâmicos sem transmissão ativa de RF.

Os autores concluem que, embora a estimativa de pose completa seja benéfica, o sistema é robusto o suficiente para potencialmente operar com rastreamento posicional mais simples, e o trabalho futuro focará na implementação em tempo real de ponta a ponta usando câmeras RGB diretamente.