Hybrid Artificial Potential Fields and Spatio-Temporal Transformers for Real-Time AUV Path Planning

Resumo Técnico: Campos de Potencial Artificial Híbridos e Transformers Espaço-Temporais para Planejamento de Trajetória de AUV em Tempo Real

Definição do Problema
Veículos Autônomos Submarinos (AUVs) operam em ambientes complexos, não estruturados e frequentemente sem sinal de GPS, caracterizados por correntes hidrodinâmicas imprevisíveis, visibilidade limitada e restrições rigorosas de energia. Embora o planejamento de trajetória eficiente seja crítico para o sucesso e a segurança da missão, os algoritmos existentes enfrentam trade-offs significativos. Métodos clássicos de busca em grafos (ex: A*, Dijkstra) garantem trajetórias livres de colisões, mas sofrem com alta latência computacional e trajetórias subótimas em espaços de alta dimensionalidade. Abordagens baseadas em amostragem (ex: RRT*) melhoram a eficiência da exploração, mas frequentemente produzem trajetórias irregulares que exigem pós-processamento. Algoritmos metaheurísticos (ex: PSO, GA, ACO) oferecem capacidades de busca global, mas introduzem uma complexidade excessiva de trajetória e são sensíveis ao ajuste de parâmetros, tornando-os menos adequados para orçamentos de energia estritos. Por outro lado, arquiteturas baseadas em aprendizado demonstram adaptabilidade, mas frequentemente carecem de interpretabilidade, exigem extensos dados de treinamento e necessitam de mecanismos de segurança de contingência quando implantadas em cenários não vistos. O desafio central é desenvolver uma arquitetura de planejamento de trajetória que satisfaça simultaneamente a otimalidade global, a responsividade em tempo real, a viabilidade cinemática e a robustez à incerteza ambiental sem sobrecarregar os limitados recursos computacionais embarcados.

Metodologia
O artigo propõe uma avaliação comparativa abrangente de treze algoritmos de ponta para planejamento de trajetória através de cinco distintos cenários de navegação (Diagonal, Cruz, Médio, Reverso e Longo/Long Diagonal) utilizando mapas de terreno subaquático de alta resolução (grade de 992 × 992). A contribuição central é um novo framework Híbrido de APF + Transformer Espaço-Temporal (ST) projetado para preencher a lacuna entre o controle reativo local e o planejamento preditivo global.

A metodologia integra três componentes primários:

1. Campo de Potencial Artificial (APF): Serve como o mecanismo de controle primário, modelando o agente como uma partícula sujeita a forças virtuais. Uma força de atração puxa o agente em direção ao objetivo, enquanto uma força de repulsão, derivada do gradiente do terreno, afasta o agente dos obstáculos. O movimento é atualizado usando uma formulação baseada em momento para garantir convergência suave.
2. Transformer Espaço-Temporal: Este componente captura a dinâmica da trajetória ao longo do tempo. Ele recebe a trajetória parcial e um vetor de contexto (posições inicial e final), incorporando-os em um espaço de características de maior dimensão. Usando mecanismos de autoatenção, o transformer prevê um próximo waypoint refinado, fornecendo um sinal de orientação aprendido que complementa o APF.
3. Estratégia de Controle Híbrido: A direção final do movimento é uma combinação ponderada da força do APF, da direção prevista pelo transformer e de uma direção direta ao objetivo. Os coeficientes de ponderação priorizam a segurança (APF) enquanto se beneficiam do refinamento de trajetória aprendido.

Para abordar a navegação de longa distância, o framework inclui um mecanismo de atração adaptativo que escala a força de atração quando a distância ao objetivo excede um limite, e um sistema de detecção de estagnação que aplica perturbações aleatórias para escapar de mínimos locais.

Principais Contribuições

• Avaliação Comparativa: O estudo fornece um benchmark rigoroso de treze algoritmos, abrangendo paradigmas clássicos, baseados em amostragem, metaheurísticos e baseados em aprendizado, avaliados em otimalidade de trajetória, frequência de colisão, latência computacional e suavidade.
• Arquitetura Híbrida: A introdução do framework Híbrido APF + ST-Transformer, que funde a eficiência computacional e a interpretabilidade da modelagem baseada em física com a adaptabilidade do aprendizado baseado em dados.
• Validação Empírica: A avaliação demonstra que, embora todos os algoritmos tenham alcançado uma taxa de conclusão de tarefa de 100%, a abordagem híbrida oferece um equilíbrio superior de métricas de desempenho em comparação com métodos isolados.

Resultos
Os resultados experimentais nos cinco cenários geraram as seguintes descobertas principais:

• Otimalidade da Trajetória: O Híbrido APF + ST-Transformer alcançou o menor comprimento médio de trajetória (943,15 unidades), superando o APF isolado (961,70), o ST-Transformer não treinado (965,90) e métodos clássicos como A* (1149,83) e Dijkstra (1190,90).
• Segurança e Evitação de Colisões: O método híbrido manteve uma taxa média de colisão baixa (0,031), significativamente inferior ao Theta* isolado (0,378) e competitivo com o APF isolado (0,042). Embora os métodos clássicos (A*, Dijkstra, RRT*) tenham alcançado zero colisões, fizeram-no ao custo do comprimento da trajetória e do tempo.
• Eficiência Computacional: A abordagem híbrida exigiu um tempo médio de computação de 0,96 segundos. Embora existissem métodos mais rápidos (ex: ST-Transformer não treinado em 0,112s, APF em 0,124s), o tempo do híbrido permanece dentro das restrições de tempo real para a maioria das missões de AUV. Em contraste, métodos metaheurísticos e clássicos frequentemente excederam 7 segundos, com alguns (ACO, Dijkstra) ultrapassando 11 segundos.
• Suavidade: As abordagens metaheurísticas exibiram altos valores de suavidade (indicando trajetórias oscilatórias), enquanto os métodos híbrido e APF mantiveram valores baixos, refletindo um movimento estável e contínuo.

Significância e Alegações
O artigo afirma que o framework Híbrido APF + ST-Transformer representa uma solução altamente viável para a navegação de AUV em tempo real. Ao harmonizar a evasão de obstáculos reativa com a otimalidade da trajetória global, ele aborda a lacuna persistente entre a validação baseada em simulação e a implantação prática em sistemas subaquáticos com recursos limitados. Os autores sustentam que esta abordagem híbrida reconcilia efetivamente a necessidade de reação rápida a obstáculos dinâmicos com a geração de trajetórias globalmente ótimas, tornando-a uma recomendação principal para o planejamento de trajetória de AUV.

O estudo conclui com uma estratégia em camadas para aplicação prática:

1. Navegação em Tempo Real: Utilizar o Híbrido APF + ST-Transformer (ou APF + A*) onde um equilíbrio entre velocidade, segurança e qualidade de trajetória é necessário.
2. Exploração Rápida/Replanejamento: Utilizar RRT* para ambientes desconhecidos ou parcialmente mapeados.
3. Planejamento Offline: Reservar métodos clássicos (A*, Dijkstra) para cenários onde a otimalidade e a segurança garantida superam as restrições de latência.

Os autores reconhecem limitações, observando que a avaliação foi conduzida em uma abstração de grade 2D que não captura totalmente a dinâmica 3D, correntes oceânicas ou ruído de sensores. Eles sugerem que trabalhos futuros devam estender estas comparações para simuladores de alta fidelidade e testes de hardware-in-the-loop.