Robust Autonomous UAV Landing on Maritime Platforms via Multimodal Agentic AI and Active Wave Compensation

Resumo Técnico: Pouso Autônomo Robusto de UAV em Plataformas Marítimas via IA Agêntica Multimodal e Compensação Ativa de Ondas

Definição do Problema
A inspeção aérea autônoma de infraestruturas marítimas, como turbinas eólicas offshore e plataformas de petróleo, é frequentemente dificultada pela natureza estocástica dos estados do mar. Essas condições introduzem riscos significativos, incluindo impactos cinéticos elevados durante o toque, tombamento pós-pouso devido à inclinação do deck e oclusão sensorial causada pelo movimento rápido da plataforma. Estratégias tradicionais sobrecarregam o Veículo Aéreo Não Tripulado (UAV) com toda a tarefa de compensar o rolamento e o arfamento induzidos pelas ondas, uma tarefa que se torna pouco confiável em ambientes com negação de Sistema Global de Navegação por Satélite (GNSS) ou degradação sensorial. Além disso, sistemas de estabilização reativos, como PID ou Controle de Modo Deslizante (SMC), frequentemente exibem "comportamentos de perseguição" em estados de mar dinâmicos, falhando em manter a superfície nivelada necessária para um pouso seguro.

Metodologia
Os autores propõem uma estrutura de pouso de múltiplos veículos desacoplada, que sincroniza um Veículo de Superfície Não Tripulado (USV) equipado com uma plataforma estabilizada 3-RPU (Revoluta-Prismática-Universal) com um UAV robusto. O sistema opera sem comunicação ativa entre as plataformas, baseando-se em dois agentes de Aprendizado por Reforço Profundo (DRL) independentes para gerenciar aspectos distintos do processo de pouso:

1. Compensação de Movimento de Ondas do USV (Agente SAC): Um agente DRL model-free utilizando o algoritmo Soft Actor-Critic (SAC) controla o mecanismo paralelo 3-RPU no USV. Este agente aprende um mapeamento não linear entre os dados do IMU do navio e o deslocamento da plataforma para neutralizar ativamente as perturbações das ondas. A entrada de controle consiste em um vetor de estado de 10 componentes (incluindo taxas de rolamento/arfamento e erros do navio e da plataforma) processados através de uma rede neural leve para gerar comandos contínuos de taxa de arfamento e rolamento. Isso é complementado por um controlador PID secundário para estabilização de heave (translação vertical) e um termo de centralização para manter o espaço de trabalho do atuador.
2. Manutenção de Posição do USV: Um controlador PID em cascata (posição → velocidade → empuxo) utiliza estimativa de pose via GPS para manter a posição e o yaw do USV, garantindo que a plataforma de pouso permaneça dentro do alcance de detecção do UAV.
3. Pouso de UAV Agêntico Multimodal: O UAV emprega uma política agêntica de nível comportamental baseada em uma arquitetia do tipo Transformer. Em vez de um pipeline sequencial de percepção-estado-controle, este agente funde dados visuais, térmicos e de LiDAR diretamente em uma representação de estado latente. Uma rede de política, treinada via aprendizado por reforço, mapeia essa representação diretamente para ações de navegação de alto nível. Essa abordagem garante uma navegação resiliente sob degradação de sensores ou negação de GNSS ao evitar a estimativa de pose explícita.

Principais Contribuições
O artigo descreve três contribuições primárias:

• Pouso de Múltiplos Veículos Confiável: Um perfil de missão utilizando um hub USV independente para logística e gestão de energia, maximizando o tempo de inspeção do UAV ao garantir que os pousos ocorram em uma zona estabilizada, longe de estruturas perigosas.
• Mitigação Independente de Ondas via DRL: Um mecanismo 3-RPU controlado por SAC que alcança uma redução significativa de movimento (citada como 86,1% nas contribuições, 87,8% no resumo) para facilitar o toque sem exigir entrada do veículo aéreo.
• Pouso de UAV Agêntico Resiliente: Uma política multimodal que mantém a navegação sob diversas degradações de sensores, alcançando uma precisão comprovada em campo de 0,10 ± 0,08 m sem sistemas de posicionamento externos.

Resultados
O sistema foi avaliado em uma simulação marítima de alta fidelidade baseada em Gazebo ao longo de 15 tentativas sob estados de mar calmos, moderados e agitados (velocidades de vento de até 6,0 m/s).

• Taxa de Sucesso: O sistema alcançou uma taxa de sucesso de pouso de 100% em todos os testes.
• Eficácia da Estabilização: A plataforma 3-RPU demonstrou uma eficácia média de estabilização de 87,8% (87,9% na seção de resultados). Enquanto o navio experimentou inclinações de até 3,06°, a superfície de pouso estabilizada (Nest) manteve uma inclinação média de 0,33°.
• Manutenção do Plano Horizontal: Nas condições mais agitadas, a superfície de pouso permaneceu dentro de 1° do plano horizontal durante 96% da duração da missão.
• Precisão de Pouso: Em estados calmos e moderados, o erro médio de pouso permaneceu abaixo de 0,6 m. Em estados agitados, o tempo de missão aumentou (atingindo 97,24 s) conforme a política do UAV priorizava a segurança, aguardando janelas de pouso estabilizadas.
• Limitações: Embora o deck nivelado tenha garantido estabilidade estática, a manutenção de posição baseada em GPS mostrou limitações em estados de ondas severos, levando ao aumento dos erros de distância central em testes específicos devido ao drift e interferência de multipath.

Significância e Alegações
O artigo afirma que, ao desacoplar a estabilização mecânica do deck de pouso da lógica de navegação do UAV, o sistema neutraliza efetivamente os riscos de impacto cinético elevado e tombamento pós-pouso. Os autores sustentam que a estabilização mecânica do deck combinada com a detecção de alvo agêntica e robusta é um habilitador crítico para inspeções marítimas seguras e objetivas em ambientes perigosos. O trabalho sugere que esta abordagem de dois veículos garante a percepção consistente do alvo mesmo quando a severidade ambiental normalmente induziria oclusão sensorial ou instabilidade mecânica em sistemas de um único veículo.

O trabalho futuro identificado pelos autores inclui a transição da simulação para o implantação no mundo real, a substituição da manutenção baseada em GPS por localização fundida por sensores para reduzir o drift e a implementação de comunicação bidirecional para sincronizar as ações de controle.