ARIES-Mission: A Vision-Language System for Efficient UAV Mission Generation

Resumo Técnico: ARIES-Mission

Definição do Problema
Modelos de visão-linguagem (VLMs) são cada vez mais utilizados para traduzir instruções de linguagem natural em alvos espaciais para missões de Veículos Aéreos Não Tripulados (UAVs). Embora os VLMs possam identificar e localizar objetos em imagens aéreas de forma eficaz, a ordem em que emitem esses alvos (ordem de reconhecimento) é impulsionada por mecanismos de atenção, direções de varredura ou histórico de decodificação, em vez da eficiência de voo. Consequentemente, conectar esses alvos diretamente costuma resultar em trajetórias geometricamente ineficientes, caracterizadas por saltos longos, travessias repetidas e segmentos que se interceptam. Essa ineficiência aumenta o tempo de voo e o consumo de energia. O problema central abordado é como corrigir a ordenação geométrica de um conjunto fixo de alvos fundamentados por VLM sem alterar o conjunto de alvos semânticos ou depender de intervenção humana ou conhecimento "oráculo" da rota otimizada durante o despliegue.

Metodologia
O ARIES-Mission propõe uma camada de roteamento modular de fluxo fixo que se posiciona entre o front-end de visão-linguagem e a etapa de execução da missão. O sistema opera sobre um conjunto congelado de coordenadas geográficas derivadas de um VLM (especificamente o Molmo-7B-O) e gera quatro rotas candidatas completas para o mesmo conjunto de alvos:

1. Raw (Bruta): A rota formada pela ordem original dos alvos emitidos pelo VLM.
2. Otimização por Colônia de Formigas (ACO): Uma metaheurística baseada em população que constrói tours utilizando amostragem ponderada por feromônio e informações heurísticas de distância.
3. Evolução Diferencial (DE): Um método de otimização contínua usando uma representação de chave aleatória (random-key), onde os componentes vetoriais atuam como chaves de ordenação para determinar a ordem dos waypoints.
4. Otimização por Enxame de Partículas (PSO): Um método baseado em enxame usando chaves aleatórias, atualizando as posições e velocidades das partículas para buscar no espaço de ordenação.

Princípios de Design Chave:

• Portfólio Fixo: Todos os quatro solvers operam independentemente sobre as mesmas coordenadas de alvos congeladas. Nenhum solver se adapta aos outros, e nenhum solver recebe um "warm start" da rota Raw.
• Avaliação Comum: Cada rota candidata é validada para garantir que seja uma permutação válida do conjunto de alvos. Todas as rotas válidas são pontuadas usando uma única função objetivo comum de distância Haversine (distância de ciclo fechado do Home para os alvos e de volta).
• Seleção de Terminal: O sistema seleciona a rota viável mais curta entre os quatro candidatos. A regra de seleção é determinística e baseia-se exclusivamente em informações disponíveis no momento do planejamento; não consulta planos humanos ou soluções exatas (ex: Held–Karp) durante o processo de decisão.
• Orçamento Igual: ACO, DE e PSO recebem um orçamento igual de 7.500 avaliações de objetivo por tarefa para garantir uma comparação justa de seu desempenho estocástico.

Principais Contribuições

1. Arquitetura: Uma arquitetura de roteamento de quatro soluções transparente, onde Raw, ACO, DE e PSO permanecem como alternativas independentes e auditáveis até uma comparação final.
2. Avaliação Controlada: Um framework de avaliação rigoroso utilizando 30 missões de imagens de satélite com 20 sementes estocásticas por tarefa. Este design isola o desempenho de roteamento dos erros de percepção ao congelar a saída do VLM.
3. Análise de Complementaridade: Em vez de relatar apenas o solver de melhor desempenho, o estudo analisa a frequência de seleção e a complementaridade dos candidatos, distinguindo um seletor de terminal implantável de um oráculo post-hoc.
4. Estudo de Ablação: Uma análise de subconjunto de candidatos que atribui os ganhos de desempenho agregados a solvers específicos, demonstrando a contribuição marginal de cada ramo.

Resultados Experimentais

• Redução de Distância: Através de 30 missões, o portfólio ARIES-Mission reduziu a distância total de voo de 79,65 km (Raw) para 60,37 km, uma redução de 24,21%.
• Gap de Otimalidade: Em 27 tarefas onde soluções exatas (Held–Karp) eram computacionalmente viáveis, o portfólio alcançou um gap de otimalidade médio de 0,042% (máximo de 0,468%).
• Seleção de Solver: O ACO foi o solver dominante, fornecendo 87,3% das rotas selecionadas. No entanto, DE, PSO e a rota Raw foram selecionados nos 12,7% de casos restantes, provando que uma abordagem de solver único perderia rotas mais curtas em instâncias específicas.
• Comparação com Baselines: O portfólio superou heurísticas clássicas (Nearest Neighbour, Cheapest Insertion e 2-opt) de forma agregada, embora a margem sobre o 2-opt tenha sido modesta (redução total de 0,48 km em todas as tarefas).
• Latência: O tempo de execução serial média foi de 5,14 segundos por tarefa, dominado pelo ramo ACO (4,31s). Esta latência é adequada para preparação em estação de solo offline, mas não para replanejamento em tempo real a bordo.

Significância e Alegações
O artigo posiciona o ARIES-Mission não como um novo algoritmo de otimização combinatória ou um solver de TSP de última geração, mas como uma contribuição de sistemas que estabelece um limite claro entre a percepção semântica e o planejamento geométrico.

• Correção da Ordem de Reconhecimento: O valor primário reside na correção das ineficiências geométricas inerentes às ordens de saída do VLM. Os resultados mostram que a ordem de reconhecimento é frequentemente um mau substituto para rotas de voo, e a competição explícita entre solvers remove efetivamente cruzamentos e desvios.
• Robustez e Auditabilidade: O design de portfólio fixo fornece uma garantia robusta e auditável de que a rota selecionada não é mais longa do que qualquer um dos quatro candidatos gerados naquela execução específica. Ele protege contra ordens de reconhecimento ineficientes e contra a degradação estocástica desnecessária ao manter a rota Raw como um fallback.
• Escopo Modesto: Os autores limitam explicitamente suas alegações à minimização de distância de ciclo fechado, para um único UAV, sobre alvos 2D estáticos. Eles não pretendem resolver alocação multi-UAV, planejamento consciente de energia ou desvio de obstáculos. O trabalho demonstra que a competição de rotas transparente dentro de um pipeline modular pode melhorar significamente a eficiência da missão sem exigir políticas de seleção aprendidas ou hiper-heurísticas adaptativas.