Resumo Técnico: Alcance Inverso Baseado em Intercepção para Construção de Zonas de Engajamento

Declaração do Problema

Veículos autônomos operando em ambientes contestados frequentemente enfrentam perseguidores adversários cujos locais de lançamento são desconhecidos. A análise de engajamento tradicional geralmente assume o conhecimento prévio dos parâmetros do perseguidor (posição de lançamento, alcance, manobrabilidade) ou baseia-se em distribuições de probabilidade prescritas. No entanto, em muitos contextos operacionais, os locais das ameaças devem ser inferidos a partir de observações esparsas, indiretas ou baseadas em eventos (por exemplo, eventos de interceptação binários). Isso cria um problema acoplado de estimativa e planejamento: os agentes devem coletar dados informativos sobre uma ameaça enquanto simultaneamente geram trajetórias que permaneçam seguras durante a aquisição de informações. As formulações existentes de zonas de engajamento (EZ) geralmente falham neste contexto porque dependem fundamentalmente de locais de lançamento conhecidos ou de modelos de incerteza pré-existentes, em vez de construir EZs diretamente a partir de dados de interceptação.

Metodologia

O artigo propõe um framework geométrico que infere uma região de lançamento viável do perseguidor diretamente de eventos de interceptação observados e propaga essa região para construir zonas de engajamento determinísticas e probabilísticas.

1. Alcance Inverso Geométrico

O mecanismo central de inferência baseia-se nas restrições geométricas impostas pelos eventos de interceptação. Se um perseguidor intercepta um agente na localização $\mathbf{x}_{int}$, o perseguidor deve ter lançado de um local capaz de alcançar $\mathbf{x}_{int}$ dentro de seu orçamento de viagem (alcance máximo $R$ e raio de captura $r$).

• Geração de Restrições: Cada interceptação induz uma restrição de disco no local de lançamento desconhecido. Se apenas a localização da interceptação é conhecida, a região de lançamento viável é um disco de raio $R+r$ centrado no ponto de interceptação. Se o tempo de lançamento também for medido, o raio é reduzido para $d_{trav} + r$, onde $d_{trav}$ é a distância percorrida com base na diferença de tempo.
• Construção da Região Viável: A região de lançamento viável ($P_{pot}$) é a interseção de todos esses discos gerados por $N_{int}$ eventos de interceptação. Esta região é convexa e delimitada por arcos circulares. Um algoritmo exato computa a fronteira identificando pontos de interseção válidos entre os discos e retendo segmentos de arco que estejam contidos em todos os outros discos.

2. Construção da Zona de Engajamento (EZ)

Uma vez que a região de lançamento viável $P_{pot}$ é inferida, o artigo constrói Zonas de Engajamento para definir espaços operacionais seguros para os evadidores.

• EZ Determinística: A região alcançável (RR) é computada como a soma de Minkowski da região de lançamento viável e um disco de raio $R+r$. A EZ é então derivada transladando esta RR no sentido oposto à direção do evadidor por uma distância proporcional à razão de velocidade ($\nu R$). Qualquer trajetória que permaneça fora desta EZ é garantidamente segura contra todos os perseguidores originados dentro do conjunto viável.
• EZ Probabilística (PEZ): Para permitir o planejamento consciente de risco, o artigo introduz uma extensão probabilística. Assumindo uma distribuição uniforme sobre a região de lançamento viável, a probabilidade de interceptação em uma determinada posição do evadidor é calculada como a área de sobreposição normalizada entre a região de lançamento e o disco de captura deslocado. Isso gera campos de risco graduais em vez de fronteiras binárias de seguro/inseguro.

3. Planejamento Sacrificial Orientado à Informação

Para acelerar a localização do perseguidor, o framework emprega agentes "sacrificiais" (atritáveis) projetados para induzir interceptações.

• Função Objetivo: A trajetória de um agente sacrificial é otimizada para maximizar o ganho de informação esperado.
  • Pré-Observação (sem interceptações ainda): O objetivo é maximizar a "fração de cobertura de lançamento", ou seja, a porção da região de lançamento viável inicial que poderia engajar com sucesso a trajetória, maximizando assim a probabilidade de induzir uma interceptação inicial.
  • Pós-Observação: O objetivo muda para maximizar a contração esperada da área da região de lançamento viável. As trajetórias são selecionadas para induzir interceptações em locais que, quando intersectados com o conjunto viável atual, resultem na maior redução de área.
• Otimização: As trajetórias são parametrizadas como B-splines e otimizadas usando solvers de ponto interior (IPOPT) sujeitas a restrições cinemáticas (curvatura, taxa de curva) e aos objetivos específicos orientados à informação.

Principais Contribuições

O artigo descreve quatro contribuições primárias:

1. Método de Alcance Inverso Geométrico: Um método para inferir uma região de lançamento do perseguidor diretamente de eventos de interceptação sem conhecimento prévio do local de lançamento.
2. Construção de EZ Determinística: Uma construção de região alcançável que mapeia a incerteza de lançamento limitada em EZs determinísticas, fornecendo garantias explícitas de segurança de pior caso para o planejamento de trajetória.
3. Extensão Probabilística: Uma formulação de zona de engajamento probabilística que quantifica a probabilidade de engajamento via sobreposição geométrica, permitindo o planejamento consciente de riscos onde certa probabilidade de interceptação é tolerável.
4. Planejador Orientado à Informação: Uma trajetória de objetivo para agentes sacrificiais que seleciona caminhos para maximizar a contração esperada da região de lançamento viável, acelerando ativamente a localização da ameaça.

Resultados

O framework foi avaliado usando 1.000 simulações de Monte Carlo através de três doutrinas de compromisso do perseguidor (passiva, nominal, agressiva) e quatro configurações de sensoriamento/planejamento (linha reta ingênua vs. spline otimizada; com vs. sem medição de tempo de lançamento).

• Contração da Região: Trajetórias de spline otimizadas reduziram a área da região de lançamento viável significativamente mais rápido do que trajetórias de linha reta ingênuas. Para um perseguidor agressivo, a área viável contraiu 99,25% após apenas três implementações sacrificiais.
• Eficiência do Caminho: À medida que a região de lançamento viável contraía, o comprimento das trajetórias seguras para agentes de alto valor diminuía, aproximando-se do caminho ótimo alcançável com conhecimento perfeito da localização do perseguidor. Para o perseguidor agressivo, a razão de tempo de caminho seguro normalizada caiu para dentro de 0,29% do ótimo de informação perfeita após três implementações.
• Impacto do Sensoriamento: Medir o tempo de lançamento proporcionou benefícios substanciais para perseguidores passivos e nominais ao estreitar as restrições, mas ofereceu benefício adicional mínimo para perseguidores agressivos, que tipicamente interceptam próximo ao seu alcance máximo (onde as restrições de raio fixo e dependentes de tempo são de tamanho semelhante).
• Convergência: Os resultados indicam que apenas um pequeno número de implementações sacrificiais bem posicionadas é necessário para recuperar a maior parte do benefício operacional alcançável em termos de otimalidade de caminho.

Significância e Alegações

O artigo afirma demonstrar que um número relativamente pequeno de agentes sacrificiais pode aumentar substancialmente a consciência operacional e melhorar a segurança na presença de um perseguidor desconhecido. A significância reside na capacidade de:

• Eliminar a necessidade de conhecimento prévio do local de lançamento do adversário.
• Construir zonas de engajamento diretamente a partir de observações esparsas e baseadas em eventos.
• Fornecer garantias explícitas de segurança de pior caso (determinísticas) ou avaliações de risco graduais (probabilísticas) sem assumir uma distribuição de probabilidade específica para a ameaça.
• Acelerar ativamente a localização da ameaça através do planejamento de trajetória orientado à informação, permitindo que ativos de alto valor transitem de trajetórias conservadoras e longas para caminhos próximos do ideal rapidamente.

Os autores observam que o framework assume perseguidores de capacidade máxima e alcance limitado, e trabalhos futuros podem estender isso para múltiplos perseguidores, capacidades incertas e geometrias 3D mais complexas.