⚡ electrical engineering

Battery-Aware Predictive Trajectory Planning and Control for Multirotors Under Disturbances

Este artigo introduz uma estrutura de planejamento e controle de trajetória preditiva consciente da bateria para multirotores que integra a dinâmica de malha fechada do veículo, do motor e da bateria para otimizar trajetórias de voo sob distúrbios espacialmente localizados, reduzindo significamente o consumo de energia e o erro de rastreamento ao se adaptar a diferentes estados de bateria e escolhas de controlador.

Autores originais: Krishna Bhavithavya Kidambi

Publicado 2026-09-14

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Krishna Bhavithavya Kidambi

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Veículos aéreos não tripulados, os pequenos robôs voadores frequentemente chamados de drones, são cada vez mais esperados para realizar tarefas longas e autônomas no mundo real. Essas máquinas dependem inteiramente de baterias para energia, e sua capacidade de completar uma missão depende de um equilíbrio delicado entre a energia armazenada em suas células e o esforço necessário para mantê-las no ar. Quando um drone voa através de ar calmo, seu consumo de energia é previsível. No entanto, o mundo real raramente é calmo. Rajadas de vento e bolsões de ar turbulento agem como obstáculos invisíveis, forçando o computador do drone a trabalhar mais para manter o curso. Esse esforço extra drena a bateria mais rapidamente e reduz a voltagem disponível para os motores. À medida que a bateria enfraquece, os motores perdem a capacidade de girar tão rápido quanto giravam quando totalmente carregados, criando uma reação em cadeia onde um voo turbulento pode deixar o drone com pouca energia para terminar seu trabalho. O desafio para os engenheiros é planejar uma rota de voo que não apenas evite obstáculos, mas também antecipe como o vento drenará a bateria e limitará a força futura dos motores.

Um pesquisador da Universidade de Dayton desenvolveu uma nova maneira de planejar esses voos que trata a bateria, os motores e o vento como um sistema único e conectado, em vez de partes separadas. Em vez de simplesmente desenhar uma linha do ponto A ao ponto B, seu software simula toda a jornada antes mesmo de o drone sair do chão. Ele calcula como uma rota específica interagiria com distúrbios de vento conhecidos, quanta energia extra os motores precisariam para combater esse vento e como esse dreno de energia reduziria a voltagem da bateria. Crucialmente, o sistema então faz uma segunda pergunta: se a voltagem da bateria cair para um certo nível, os motores ainda serão fortes o suficiente para seguir aquele mesmo caminho? Ao executar essa simulação complexa para muitas rotas possíveis, o software seleciona aquela que mantém o drone seguro, preciso e energizado pelo maior tempo possível.

Em uma simulação detalhada por computador, o pesquisador testou essa abordagem em uma missão de 150 segundos, cobrindo uma distância de 640 metros. A rota incluiu três zonas distintas onde se esperava que distúrbios de vento fortes e localizados atingissem o drone. O pesquisador comparou seu novo método de planejamento consciente da bateria contra uma abordagem padrão que conhecia o vento, mas não considerava como a bateria mudaria durante o voo. Os resultados foram significativos. O novo método escolheu uma rota de voo que mergulhava em uma altitude menor ao se aproximar das zonas de vento, efetivamente conduzindo o drone através de camadas de ar mais calmas. Esse ajuste simples reduziu o consumo total de energia elétrica em 7,46 por cento. Mais importante ainda, melhorou dramaticamente a capacidade do drone de manter sua linha pretendida. O método padrão teve dificuldades para manter sua posição contra o vento, resultando em grandes erros, enquanto o plano consciente da bateria reduziu o erro de rastreamento em aproximadamente 72 por cento.

O pesquisador também descobriu que o benefício deste novo método depende fortemente do estado da bateria. Quando a bateria começou a missão com uma carga alta, o software fazia os mesmos ajustes inteligentes, independentemente de ser instruído a se preocupar com a bateria ou não. Nessas condições, a bateria era forte o suficiente para que os motores nunca atingissem seus limites, de modo que os cálculos extras da bateria não alteraram a rota final. No entanto, o pesquisador realizou um segundo teste onde o drone começou com uma bateria esgotada, simulando um cenário estressante de baixa potência. Neste caso, o planejador consciente da bateria escolheu uma rota distinta, alterando a altitude de voo de forma mais agressiva do que os outros métodos. Isso mostrou que, quando a energia é escassa, saber exatamente como a voltagem da bateria cairá permite que o planejador tome decisões diferentes e mais seguras. O estudo confirmou que ignorar a força variável da bateria pode levar a decisões ruins quando o drone já está operando com pouca energia.

Para garantir que os resultados fossem robustos, o pesquisador testou a rota de voo escolhida usando quatro tipos diferentes de software de controle que o drone poderia usar para pilotar a si mesmo. Mesmo que a rota de voo permanecesse exatamente a mesma, os diferentes controladores produziram resultados diferentes em termos de uso de energia e precisão. Um controlador conseguiu rastrear o caminho com muita precisão, mas usou mais energia, enquanto outro foi ligeiramente menos preciso, porém mais eficiente. Isso destacou uma descoberta fundamental: o software de planejamento e o software de direção desempenham papros diferentes. O planejador define a rota com base no que ele prevê que acontecerá com a bateria e os motores, mas o resultado final ainda depende de como o sistema de direção do drone reage ao vento. O estudo não afirmou ter resolvido todos os problemas do voo de drones, mas forneceu uma demonstração clara de que planejar uma rota enquanto simultaneamente prevê como a bateria e os motores irão se comportar leva a missões mais seguras e eficientes.

O pesquisador verificou seus modelos matemáticos comparando-os com uma ferramenta de simulação altamente detalhada e padrão da indústria, descobrindo que seu modelo simplificado era preciso o suficiente para uso repetido no planejamento. Ele também observou que, embora seu método funcionasse bem na simulação, ele atualmente depende de saber exatamente onde o vento estará antes do voo. Trabalhos futuros visarão atualizar esses planos em tempo real conforme o drone voa, permitindo que ele reaja ao vento que não foi previsto de antemão. Por enquanto, o estudo prova que tratar o plano de voo de um drone, a saúde de sua bateria e os limites de seus motores como um quebra-cabeça único e interconectado é uma maneira poderosa de estender o alcance e a confiabilidade do voo autônomo.

Resumo Técnico: Planejamento de Trajetória Preditivo e Controle Sensível à Bateria para Multirotores sob Perturbações

Definição do Problema
Veículos aéreos não tripulados (VANTs) multirotores operando em ambientes propensos a perturbações enfrentam um acoplamento complexo entre a seleção de trajetória, a demanda de controle de malha fechada e a dinâmica da bateria. Perturbações ambientais (ex: vento) aumentam o esforço de controle de feedback e a demanda dos rotores, acelerando a descarga da bateria e reduzindo a tensão terminal. À medida que a missão progride, a autoridade de atuação disponível torna-se limitada pelo estado evolutivo da bateria. Os métodos existentes de planejamento de trajetória tratam a geração de trajetória, o controle de feedback e a dinâmica da bateria de forma independente ou falham em propagar a interação completa de malha fechada, onde a exposição à perturbação dependente da trajetória altera a demanda de controle, que por sua vez afeta a tensão terminal da bateria e, consequentemente, limita a capacidade do atuador. Este artigo aborda a necessidade de uma estrutura de planejamento que considere explicitamente essas consequências energéticas e de atuação acopladas durante a seleção da trajetória.

Metodologia
O autor propõe uma estrutura de planejamento de trajetória preditivo e controle sensível à bateria que avalia trajetórias candidatas através de uma propagação direta de um modelo acoplado veículo–motor–bateria ao longo do horizonte da missão.

Modelagem do Sistema:
- Dinâmica do Veículo: Um modelo de corpo rígido de multirotor (6-DOF) incorporando arrasto aerodinâmico e perturbações de vento externas.
- Propulsão e Controle: Um modelo de motor que distingue entre velocidades de rotor solicitadas pelo controlador, comandos limitados pela bateria e velocidades reais do rotor. A alocação de controle considera a saturação do motor e os limites dependentes da bateria.
- Modelo de Bateria: Um modelo de circuito equivalente de ordem reduzida (dois-RC Thevenin) dependente do Estado de Carga (SOC). Ele captura o esgotamento cumulativo da carga e a depressão de tensão transitória. O modelo calcula a tensão terminal ( $V_b$ ) com base na demanda de potência instantânea ( $P_b$ ) e no SOC.
- Acoplamento do Atuador: Uma característica crítica é o limite de velocidade do rotor dependente da tensão, $\omega_{max}(V_b)$ . À medida que $V_b$ cai devido à descarga, a velocidade máxima de rotor alcançável diminui, potencialmente tornando um comando solicitado pelo controlador inviável.
Estrutura de Planejamento:
- Parametrização: O planejador modifica uma trajetória de missão nominal adicionando desvios verticais localizados ( $\delta$ ) nas proximidades de regiões de perturbação conhecidas. Os caminhos horizontais permanecem fixos.
- Propagação de Malha Fechada: Para cada trajetória candidata, o sistema simula a missão completa. A trajetória de referência determina a exposição à perturbação, que impulsiona o controlador de feedback. A demanda de controle resultante dita as velocidades dos rotores, a potência elétrica e a evolução da bateria. O estado da bateria atualiza então o limite do atuador, que retroalimenta o comando do rotor.
- Otimização: Uma otimização não linear (SQP) minimiza uma função objetivo composta. Esta função equilibra o consumo de energia elétrica, a magnitude da modificação da trajetória e o erro de rastreamento, enquanto penaliza violações das restrições de SOC, tensão terminal e utilização do atuador.
Verificação Numérica:
- O modelo de bateria de ordem reduzida foi testado contra uma referência de circuito equivalente Simscape implementada de forma independente. O modelo de ordem reduzida alcançou um erro quadrático médio normalizado (NRMSE) de potência de 0,64% e uma discrepância de energia cumulativa abaixo de 0,7%.

Principais Resultados
A estrutura foi avaliada em uma missão de 150 segundos e 640 metros contendo três regiões de perturbação de vento espacialmente localizadas.

Desempenho com SOC Nominal (92%):
- Comparado a uma linha de base de referência fixa e consciente da perturbação, o planejador sensível à bateria reduziu o consumo de energia elétrica em 7,46% e o erro quadrático médio (RMSE) de rastreamento de posição em aproximadamente 72%.
- Estudo de Ablação: No SOC nominal, o planejador "consciente da energia, mas não da bateria" e o planejador "sensível à bateria" selecionaram trajetórias idênticas. Isso indica que, em estados de bateria saudáveis, as melhorias decorrem primariamente da redução da exposição à perturbação e da demanda de controle associada, e não do evitar de restrições de atuação dependentes da bateria (que não eram limitantes).
Teste de Estresse com SOC Depletado (55%):
- Quando o SOC inicial foi reduzido para 55%, o planejador sensível à bateria selecionou uma trajetória diferente, com maiores desvios de altitude, comparado ao planejador focado apenas em energia.
- Isso demonstra que os termos dependentes da bateria tornam-se consequentes para a decisão de planejamento conforme os limites elétricos e de atuação se tornam restritivos. No entanto, mesmo com a modificação da trajetória, a missão permaneceu inviável sob esta condição de estresse severo (a tensão caiu abaixo dos limites), destacando que o planejamento de trajetória sozinho não pode garantir a viabilidade se o estado da bateria estiver excessivamente depletado.
Sensibilidade do Controlador:
- Executar a mesma trajetória sensível à bateria com diferentes controladores de feedback (PD, Adaptativo, Sliding-Mode, RISE) revelou trade-offs significativos.
- O controlador Adaptativo alcançou o menor erro de rastreamento (3,69 m) com uma penalidade de energia mínima (+0,62% vs. PD).
- O controlador RISE ofereceu bom rastreamento, mas incorreu em custos energéticos mais altos (+6,37% vs. PD).
- Isso confirma que a seleção do controlador altera significativamente o equilíbrio entre precisão de rastreamento, consumo de energia e utilização do atuador, mesmo quando a trajetória é fixa.

Significância e Alegações
O artigo alega que a principal contribuição é uma estrutura de predição de malha fechada acoplada que integra a dinâmica do veículo, resposta do motor, evolução da bateria e autoridade de atuação dependente da tensão diretamente no processo de seleção de trajetória.

O autor afirma que:

Interdependência: O planejamento de trajetória, o controle de malha fechada e a dinâmica da bateria não devem ser tratados de forma independente. A trajetória selecionada dita a exposição à perturbação e a demanda de controle, que governa a evolução da bateria, que por sua vez restringe a futura autoridade de propulsão.
Valor Preditivo: Ao propagar essas interações para frente, o planejador pode selecionar proativamente trajetórias que minimizem as consequências energéticas e de atuação cumulativas da exposição à perturbação.
Benefícios Dependentes de Contexto: O benefício do planejamento sensível à bateria é duplo:
- No SOC nominal, ele melhora o desempenho ao moldar a trajetória para reduzir o esforço de controle induzido pela perturbação.
- Sob condições de bateria depletada, ele altera a seleção da trajetória para considerar a redução da autoridade de atuação, embora não possa compensar totalmente reservas de energia insuficientes.
Interação do Controlador: A estrutura destaca que a "melhor" trajetória depende do controlador de feedback específico utilizado, pois diferentes controladores impõem cargas energéticas e de atuação distintas para uma mesma referência.

O artigo conclui que considerar as consequências preditivas de energia e de bateria-atuador de malha fechada fornece uma base sistemática para selecionar trajetórias de multirotores conscientes de perturbações. O trabalho futuro é identificado como a extensão disso para o planejamento de horizonte recorrente com estimativa de perturbação online e o desenvolvimento de estratégias de replanejamento conscientes da viabilidade para quando a capacidade do atuador se tornar insuficiente.

Mais como este