Model Predictive Supervisory Control for Hierarchical and Distributed UAS Traffic Management

O céu acima de nossas cidades está se tornando cada vez mais congestionado, não com pássaros, mas com pequenas aeronaves autônomas projetadas para entregar pacotes, inspecionar infraestruturas e fornecer serviços de emergência. À medida que esses veículos não tripulados passam de experimentos militares e acadêmicos para a logística cotidiana, eles enfrentam um problema fundamental: o espaço aéreo de baixa altitude é um gargalo físico compartilhado. Diferente de uma rodovia, onde os carros podem simplesmente mudar de faixa, o ar exige uma coordenação precisa para evitar colisões, garantir que dois drones não ocupem o mesmo espaço ao mesmo tempo e gerenciar recursos limitados, como estações de carregamento. Este desafio pertence ao campo do gerenciamento de tráfego para sistemas não tripulados, uma disciplina que mistura a lógica da ciência da computação com as restrições físicas do voo. Em sua essência, este trabalho baseia-se em duas ideias distintas, porém complementares. A primeira é um método de "controle supervisório", que atua como um rigoroso guarda de trânsito, definindo as regras absolutas da estrada para garantir a segurança e evitar impasses (deadlocks) onde os veículos ficam esperando uns pelos outros para sempre. A segunda é o "controle preditivo", uma estratégia onde cada veículo olha alguns passos à frente para escolher o caminho mais eficiente, pesando fatores como a vida útil da bateria e o tempo de entrega. A questão com a qual os pesquisadores há muito lutam é como combinar essas duas abordagens para uma grande frota de drones sem criar um sistema computacional tão complexo que não consiga rodar em tempo real.

Em um estudo recente, pesquisadores da Universidade Federal de Minas Gerais, no Brasil, propuseram uma solução que preenche essa lacuna, criando uma estrutura que chamam de Controle Supervisório Preditivo de Modelo. Eles projetaram um sistema que permite que um grande grupo de drones opere com segurança em um ambiente urbano movimentado, separando a tarefa de "manter todos seguros" da tarefa de "encontrar a melhor rota". Imagine uma cidade onde uma autoridade central desenha os limites de cada rua e interseção, declarando quais caminhos estão abertos e quais estão fechados para evitar acidentes. Esta autoridade não diz a cada motorista exatamente qual curva tomar; em vez disso, ela simplesmente proíbe movimentos perigosos. Cada motorista, conhecendo as regras, então olha para o mapa e escolhe a rota mais rápida e eficiente em termos de combustível para o seu destino, mantendo-se dentro desses limites seguros. É exatamente assim que o novo sistema funciona. Um controlador central, atuando como o supervisor, monitora toda a frota e o espaço aéreo compartilhado. Ele utiliza um modelo matemático para identificar quais movimentos causariam uma colisão ou violariam uma regra, como entrar em uma zona restrita ou tentar pousar em uma estação de carregamento que já está cheia. Ele então transmite uma lista de "movimentos proibidos" para cada drone da frota.

Cada drone recebe esta lista e usa seu próprio computador de bordo para resolver um problema de otimização de curto prazo. Ele observa sua localização atual, seu nível de bateria e sua missão atribuída e, então, calcula a sequência de movimentos que o levará ao seu objetivo com o menor tempo e energia, evitando estritamente os movimentos da lista de proibidos. Assim que o drone executa o primeiríssimo movimento dessa sequência, o processo se repete. O drone envia sua nova posição de volta ao supervisor central, o supervisor atualiza a lista de movimentos proibidos com base na nova realidade, e o drone planeja seu próximo passo. Este ciclo acontece continuamente, permitindo que a frota se adapte instantaneamente a mudanças, como um novo pedido de entrega ou um aviso súbito de bateria fraca. Os pesquisadores testaram este sistema em um ambiente urbano simulado usando uma plataforma de software de robótica padrão. Eles criaram dois cenários: um teste menor com dois drones navegando em um mapa simples com nove nós, e um teste maior e mais complexo com quatro drones navegando em um mapa com dezenove nós através de duas camadas de altitude diferentes.

Os resultados dessas simulações demonstraram que esta abordagem hierárquica resolve o problema da complexidade que assolou tentativas anteriores. Quando os pesquisadores tentaram construir um único modelo computacional onisciente para gerenciar toda a frota de uma só vez — um método conhecido como síntese monolítica — o sistema ficou sobrecarregado. Para o cenário menor de dois drones, o modelo único exigiu quase 445.000 estados internos para descrever todas as combinações possíveis de posições e ações, um número que cresceria explosivamente se mais drones fossem adicionados. Em contraste, o novo sistema hierárquico reduziu a complexidade do supervisor para apenas 570 estados, uma redução de aproximadamente 780 vezes. Esta simplificação massiva significou que o sistema poderia rodar eficientemente sem a necessidade de supercomputadores. No cenário maior de quatro drones, o sistema completou com sucesso cinco de seis missões atribuídas, com um tempo médio de missão de 44,42 segundos e um rendimento (throughput) de 2,46 missões por minuto. O supervisor central teve que proibir uma média de 19,28 movimentos por etapa de tempo para manter a segurança, provando que o sistema estava gerenciando ativamente os conflitos em vez de apenas deixar os drones voarem livremente.

O estudo confirma que separar as regras de segurança global das decisões locais permite uma solução escalável. O supervisor central não precisa conhecer os detalhes específicos da bateria ou da carga de cada drone; ele só precisa rastrear a ocupação do espaço aéreo e a disponibilidade de recursos compartilhados. Os drones, por sua vez, são livres para otimizar seus próprios caminhos, desde que respeitem os limites estabelecidos pelo supervisor. Esta arquitetura garante que o sistema permaneça seguro e não bloqueante, o que significa que nenhum drone fica preso em uma situação onde não pode avançar ou recuar. Os pesquisadores descobriram que, mesmo conforme o número de drones e a complexidade do espaço aéreo aumentavam, o sistema mantinha sua capacidade de coordenar a frota sem colisões ou atrasos. O trabalho sugere que este método é um caminho viável para o futuro da mobilidade aérea urbana, onde milhares de veículos poderão um dia compartilhar os mesmos corredores de baixa altitude. Ao utilizar uma estrutura que combina a aplicação estrita de segurança com a otimização local flexível, os pesquisadores mostraram que é possível gerenciar um sistema multiagente complexo de uma forma que seja tanto computacionalmente eficiente quanto operacionalmente robusta. O estudo conclui que, embora o sistema seja atualmente validado através de simulação, os princípios estabelecidos oferecem uma base concreta para o desenvolvimento de sistemas de gerenciamento de tráfego do mundo real que possam lidar com as demandas dinâmicas de um céu urbano movimentado.