⚡ electrical engineering

Obstacle-aware multi-UAV scheduling for plant-protection operations using an enhanced walrus optimizer

Este artigo propõe um algoritmo de otimização de morsa aprimorado (CRWO) que integra mutação diferencial aleatória, aprendizado baseado em oposição de imagem de lente e busca de vizinhança discreta para otimizar conjuntamente a atribuição de tarefas e a ordem de visita para operações de proteção de plantas por múltiplos UAVs, equilibrando efetivamente a carga de trabalho da frota e garantindo a viabilidade de rota consciente de obstáculos sob restrições de autonomia.

Autores originais: zhe sun, anchan liao, yunrui bi, zhixin sun

Publicado 2026-09-02

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: zhe sun, anchan liao, yunrui bi, zhixin sun

Artigo original sob licença CC BY 4.0 (https://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

Nas fileiras silenciosas dos pomares modernos, um novo tipo de trabalhador tomou o ar: o veículo aéreo não tripulado, ou drone. Diferente dos grandes e barulhentos tratores do passado, essas máquinas são ágeis o suficiente para tecer entre as árvores e precisas o suficiente para visar apenas as folhas doentes ou os galhos carentes de nutrientes que precisam de atenção. Essa mudança da cobertura total para o cuidado direcionado promete economizar produtos químicos e proteger o meio ambiente. No entanto, um único drone não consegue fazer todo o trabalho sozinho. Sua bateria acaba e seu tanque para carregar pesticida líquido enche rapidamente. Para proteger um grande campo, uma frota desses drones deve trabalhar em conjunto, alternando turnos para voar, pulverizar um ponto específico, retornar a uma base central para reabastecer e voar novamente. O desafio reside em decidir qual drone vai para qual árvore, em que ordem e quantos trajetos cada um fará. Se o plano for ruim, alguns drones ficarão exaustos enquanto outros ficarão ociosos ou, pior, um drone pode ser enviado em um caminho que parece curto em um mapa, mas que está na verdade bloqueado por uma árvore ou uma zona proibida, forçando-o a colidir ou desperdiçar energia preciosa.

Pesquisadores da Universidade de Postes e Telecomunicações de Nanjing e do Instituto de Tecnologia de Nanjing enfrentaram esse complexo quebra-cabeça de agendamento desenvolvendo um novo método para coordenar essas frotas. Eles criaram um sistema que não olha apenas para a distância em linha reta entre as árvores, mas calcula o caminho seguro real que um drone deve voar para evitar obstáculos como galhos, edifícios e áreas restritas. Para encontrar o melhor cronograma possível para uma frota de drones, eles projetaram um novo algoritmo de computador inspirado no comportamento das morsas. Na natureza, as morsas movem-se em grupos, equilibrando a necessidade de explorar novos campos de alimentação com a segurança de permanecer perto da manada. Os pesquisadores traduziram esses comportamentos sociais em regras matemáticas que ajudam um computador a buscar através de milhões de possíveis planos de voo para encontrar um que mantenha cada drone trabalhando de forma equilibrada e segura.

A equipe testou seu novo algoritmo, que chamam de otimizador de morsa aprimorado, contra vários outros métodos existentes usados para problemas semelhantes. Eles simularam um ambiente de pomar realista, completo com terreno ondulado, árvores de diferentes alturas e zonas de exclusão aérea onde os drones não podem entrar. Nessas simulações, o novo algoritmo superou consistentemente os outros. Ele conseguiu reduzir a distância total que a frota teve que voar por uma margem pequena, mas significativa, mas sua conquista mais importante foi no equilíbrio da carga de trabalho. Nos melhores resultados, a diferença na distância percorrida entre o drone mais ocupado e o menos ocupado foi reduzida em quase metade em comparação ao próximo melhor método. Isso significa que, em um cenário do mundo real, os drones se desgastariam aproximadamente ao mesmo tempo, e a frota poderia operar por mais tempo sem a necessidade de substituir máquinas exaustas.

Uma parte crucial desse sucesso foi como os pesquisadores lidaram com a realidade do pomar. Muitos sistemas de planejamento assumem que um drone pode voar em linha reta de uma árvore para a próxima. Os pesquisadores mostraram que essa suposição é perigosa. Ao usar uma técnica de busca de caminho comprovada para mapear os desvios reais necessários para contornar obstáculos, eles garantiram que o cronograma gerado pelo algoritmo fosse fisicamente possível de voar. Eles também adicionaram uma terceira dimensão ao planejamento, garantindo que os drones mantivessem uma altura segura acima do solo e do dossel das árvores, e que não subissem ou descessem de forma muito íngreme, o que poderia ser perigoso para a aeronave. Cada trajetória de voo gerada pelo sistema deles foi verificada para garantir que permanecesse dentro dos limites de bateria e das regras de segurança do drone.

O estudo confirma que essa nova abordagem funciona bem para ambientes estáticos, onde as árvores e os obstáculos não se movem. Os pesquisadores descobriram que seu método foi particularmente bom em evitar que um drone fosse sobrecarregado enquanto outros descansavam, um problema comum que pode atrasar toda a operação. Embora o sistema ainda não lide com obstáculos móveis ou mudanças climáticas, e assuma que todos os drones são idênticos, ele fornece uma base sólida para o futuro da agricultura automatizada. Ao tratar o pomar como um espaço tridimensional complexo, em vez de um mapa plano, e ao usar um algoritmo inteligente inspirado na natureza para gerenciar a frota, os pesquisadores ofereceram uma maneira prática de manter esses trabalhadores robóticos seguros, eficientes e equilibrados. O resultado é um método de agendamento que transforma uma mistura caótica de voos em uma operação coordenada e confiável, garantindo que o pomar seja protegido sem sobrecarregar as máquinas que realizam o trabalho.

Resumo Técnico: Escalonamento de Multi-UAVs Consciente de Obstáculos para Operações de Proteção de Plantas Usando um Otimizador de Morsa Aperfeiçoado

Definição do Problema
O artigo aborda o desafio de escalonar Veículos Aéreos Não Tripulados (UAVs) cooperativos para proteção de plantas em ambientes de pomares caracterizados por terrenos complexos e obstáculos. Diferente do planejamento de trajetória de cobertura tradicional, este estudo foca no tratamento direcionado de manchas discretas de doenças ou locais de deficiência de nutrientes. O problema central é uma tarefa de escalonamento de multi-UAV, multi-sortida e depósito único limitada por:

Autonomia e Carga Útil: Alcance limitado de bateria e capacidade de pesticida, exigindo retornos repetidos a um depósito central.
Desvio de Obstáculos: A presença de árvores, edifícios e zonas de exclusão aérea que tornam as distâncias euclidianas (em linha reta) imprecisas para o planejamento de rotas.
Equilíbrio de Carga de Trabalho: A necessidade de distribuir as tarefas uniformemente entre uma frota homogênea para evitar a sobrecarga de UAVs específicos.
Viabilidade 3D: O requisito de gerar rotas executáveis que respeitem o distanciamento do terreno, limites de ângulo de subida e altitudes de trabalho específicas acima do dossel.

Métodos existentes frequentemente avaliam os escalonamentos usando distâncias em linha reta, o que pode levar a rotas inexequíveis ou ineficientes quando obstáculos são introduzidos. Além disso, poucos estudos otimizam simultaneamente a atribuição de tarefas, a ordem de visita e a realização da rota sob essas restrições específicas de 2,5 dimensões.

Metodologia
Os autores propõem uma estrutura de dois estágios combinando uma camada de realização de rota determinística com um otimizador de escalonamento metaheurístico.

Modelo de Escalonamento:
- Objetivo: Uma função multi-objetivo que minimiza a distância de viagem agregada, a distância cumulativa máxima por UAV (makespan) e o desvio padrão das extensões de rota entre os UAVs (equilíbrio de carga de trabalho).
- Custos de Aresta: Em vez da distância euclidiana, os custos das arestas ( $c_{ij}$ ) são derivados de uma busca A* em um grafo de ocupação estático. Isso garante que o algoritmo de escalonamento leve em conta desvios horizontais ao redor de obstáculos e zonas de exclusão aérea.
- Restrições: O modelo impõe limites de carga útil, comprimento máximo de sortida e restrições de retorno ao depósito único. Um decodificador constrói as sortidas empacotando tarefas até que os limites de capacidade ou alcance sejam atingidos.
Realização de Rota (2,5-Dimensional):
- Horizontal: O A* reconstrói caminhos livres de colisão entre as tarefas com base no escalonamento.
- Vertical: Um modelo de altitude 2.5D atribui perfis de elevação. O UAV mantém uma altura de cruzeiro ( $H_c$ ) acima do terreno, desce suavemente para uma altitude de trabalho ( $H_{min}$ ) acima do dossel das árvores nos locais de tarefa e adere a um ângulo de subida máximo ( $20^\circ$ ).
- Verificação de Viabilidade: A distância espacial 3D realizada é calculada após o escalonamento e verificada contra o limite de autonomia do UAV.
Otimizador de Morsa Aperfeiçoado (CRWO):
Para resolver o problema de escalonamento combinatório NP-difícil, os autores aperfeiçoam o Otimizador de Morsa (WO) padrão com três estratégias específicas:
- Mutação Diferencial Aleatória: Utiliza a diferença entre a melhor solução histórica e indivíduos aleatórios para direcionar a perturbação, equilibrando exploração e explotação.
- Aprendizado de Oposição por Imagem de Lente: Gera soluções candidatas simétricas através do espaço de busca para escapar de ótimos locais.
- Busca de Vizinhança Discreta: Aplicada a soluções de elite para refinar as reatribuições de tarefas e prioridades de visita.
- Codificação: Uma representação de chave dupla-aleatória codifica tanto a atribuição de tarefa ao UAV quanto a prioridade de visita, permitindo que operadores de otimização contínos resolvam problemas discretos.

Principais Contribuições

Formulação Consciente de Obstáculos: O artigo formula um modelo de escalonamento onde os custos das arestas são pré-computados via A* em vez de distância euclidiana, garantindo que o objetivo de otimização esteja alinhado com os custos de rotas executáveis.
Algoritmo CRWO: O desenvolvimento de uma metaheurística aperfeiçoada (CRWO) especificamente adaptada para escalonamento de multi-UAV de alta dimensão e restrito, demonstrando desempenho superior ao WO padrão, PSO, GWO e outros.
Estrutura de Realização 2.5D: Uma abordagem sequencial que desacopla a busca de escalonamento 2D da realização de rota 3D, garantindo que os escalonamentos gerados satisfaçam as restrições de distanciamento do terreno e ângulo de subida sem complicar o espaço de busca com dinâmica 3D completa.
Avaliação Abrangente: Um benchmarking rigoroso contra oito algoritmos em densidades de obstáculos baixas, médias e altas, incluindo estudos de ablação para isolar a contribuição de componentes específicos do CRWO.

Resultados Experimentais
Experimentos foram conduzidos em um mapa de pomar de 800m × 800m com 50 tarefas e 6 UAVs.

Desempenho vs. Linhas de Base: No cenário de obstáculos médios, o CRWO superou a linha de base mais forte (PSO) ao reduzir o valor médio do objetivo em 3,71%, a distância espacial cumulativa máxima por UAV em 3,70% e o desvio padrão da extensão de rota entre os UAVs em 47,62%.
Equilíbrio de Carga de Trabalho: O CRWO alcançou consistentemente o menor desvio padrão de carga de trabalho em todas as densidades de obstáculos, indicando uma utilização superior da frota.
Viabilidade: Todas as sortidas realizadas satisfizeram as restrições de autonomia, desvio de obstáculos, distanciamento do terreno (mínimo de 5,52m) e ângulo de subida ( $\le 20^\circ$ ).
A* vs. Euclidiana: O uso de custos de aresta A* não reduziu significativamente a distância total agregada em comparação ao escalonamento Euclidiano, mas melhorou significativamente o equilíbrio de carga de trabalho (reduzindo o desvio padrão da extensão da rota de 50,43m para 23,11m em execuções pareadas).
Ablação: O estudo confirmou que a combinação de mutação diferencial, aprendizado de oposição e busca de vizinhança discreta era necessária para alcançar o desempenho final; remover qualquer componente degradou os resultados.

Significância e Alegações
O artigo afirma que o CRWO oferece um método de escalonamento prático para operações de proteção de plantas de depósito único e estático, onde o desvio de obstáculos e o equilíbrio da frota são críticos. Os autores enfatizam que o método é um "escalonador equilibrado" em vez de um algoritmo puro de caminho mais curto; seu principal valor reside em distribuir a carga de trabalho uniformemente e garantir que as restrições de segurança sejam atendidas sem exigir um acoplamento 3D complexo durante a fase de otimização.

Os autores mantêm um escopo modesto, reconhecendo que a estrutura atual é limitada a mapas estáticos, demandas determinísticas e frotas homogêneas. Eles declaram explicitamente que o método não garante um ótimo global e que trabalhos futuros são necessários para abordar o reassentamento dinâmico, frotas heterogêneas e incertezas nas condições de voo. O estudo conclui que, embora os ganhos de distância agregada sejam marginais, as melhorias significativas no equilíbrio da carga de trabalho e na conformidade de segurança tornam o CRWO uma solução viável para a proteção de plantações direcionada.

Mais como este