De Drones a Robôs de Armazém, a Programação de Segurança é Crucial – MIT Pode Ter uma Solução

A necessidade de gerenciar grandes frotas de veículos autônomos e drones continua a crescer.  Infelizmente, os sistemas atuais exigem muito esforço e poder computacional. Além disso, esses sistemas de programação de segurança não podem se ajustar em tempo real.

Shows de Drones

Desde as Olimpíadas até lançamentos de novos produtos, os shows de drones se tornaram mais comuns do que nunca. Esses eventos podem utilizar centenas de drones que trabalham em uníssono para criar imagens, animações e muito mais. Essas exibições de luz em grande escala são de tirar o fôlego. Ainda mais impressionante que essas ações é todo o trabalho necessário para tornar esses shows possíveis.

Métodos Atuais de Programação de Segurança

A forma atual que engenheiros controlam grandes enxames de drones ou outros sistemas robóticos multi‑autônomos é através do uso de sistemas multiagente (MAS). Esses protocolos combinam trajetórias, com pontos de passagem e restrições de tempo. Juntos, esses fatores permitem que cada drone saiba onde está ao longo de sua trajetória pré‑planejada.

Essa abordagem funciona quando as condições são boas e os drones estão onde precisam estar a tempo. No entanto, alguns problemas sérios podem ocorrer quando os dispositivos saem da rota. Para evitar colisões, os engenheiros utilizam uma técnica chamada planejamento de caminho par‑a‑par.

Desvantagens da Programação de Segurança

Esse algoritmo permite que cada drone saiba onde deve estar em relação aos outros drones se tudo estiver perfeito. Contudo, quando há falhas de comunicação, problemas graves podem surgir. Como cada drone na configuração MAS voa às cegas após o lançamento, ele presumirá o percurso pré‑planejado mesmo que fatores externos tornem o plano original incorreto. Essa situação pode levar a ações muito estranhas, como drones pousarem inesperadamente, caírem do céu sobre espectadores, voarem para lugar nenhum ou ficarem sem resposta.

Acidentes Recentes em Shows de Drones

O rápido aumento de shows de drones e robótica autônoma levou a algumas situações perigosas. Drones representam muitas ameaças, mesmo quando desarmados. Esses dispositivos podem perder a conexão e cair do céu a centenas de pés, danificando o dispositivo e pedestres. Além disso, colisões com outras aeronaves podem resultar em perdas catastróficas e morte. Dois exemplos recentes destacam essas preocupações:

Flórida

Os residentes de Orlando que se reuniram do lado de fora para assistir ao show de drones em 21 de dezembro de 2024 não tinham ideia de que o evento se tornaria perigoso. Durante o evento, que incluía centenas de drones, um erro de conexão fez com que vários drones caíssem ao chão e atingissem os espectadores.

Tristemente, um dos drones caiu sobre uma criança de 7 anos, causando ferimentos graves que exigiram cirurgia de emergência. Quando questionada sobre o incidente, a empresa responsável pelo evento, Sky Elements Drone, expressou remorso e prometeu investigar a causa para prevenir incidentes futuros.

Nova York

Outro incidente que ocorreu no ano passado envolveu drones em Staten Island, Nova York. Nesse incidente, um operador de drone voou a 2,5 milhas de distância. Estando fora da linha de visão clara, ele não pôde notar um helicóptero UH‑60 Black Hawk e colidiu com a aeronave.

Felizmente, o helicóptero conseguiu retornar à base. No entanto, após inspeção mais detalhada, a tripulação percebeu que tiveram muita sorte, pois peças do drone foram encontradas no eixo principal do rotor. Após uma longa investigação, a National Transportation Safety Board emitiu um relatório de acidente que revelou a culpa do operador do UAV.

Estudo de Programação de Segurança Multiagente

Reconhecendo a necessidade de um sistema de segurança mais ágil e responsivo ao lidar com frotas de unidades autônomas, engenheiros do MIT introduziram um novo método de treinamento em um artigo recente publicado em IEEE Transactions on Robotics¹. Sua pesquisa detalha um novo método de treinamento que aprimora as proteções de segurança e reduz a carga de trabalho relacionada à implementação desses protocolos.

Função de Barreira de Controle de Grafo GCBF+

O protocolo Função de Barreira de Controle de Grafo + (GCBF+) baseia‑se em algoritmos de função de barreira anteriores e adiciona sistemas proprietários para simplificar a manutenção da segurança em frotas massivas de veículos. Impressionantemente, o GCBF+ permite que drones naveguem em ambientes complexos de forma semelhante às pessoas.

Raio de Detecção

O sistema começa criando um raio de detecção menor que se concentra principalmente nos riscos de colisão, em vez de todo o plano de voo. Isso reduz as necessidades de gerenciamento do drone e permite que ele rastreie e evite ativamente obstáculos nas áreas ao redor.

Consciência Situacional

O GCBF+ atualizado permite que os drones saibam exatamente onde estão em tempo real e sua posição em relação a outros UAVs nas proximidades. Rastrear todos os drones em tempo real possibilita que múltiplos agentes coordenados, colaborativos e programados por computador trabalhem juntos para cumprir tarefas.

Redes Neurais de Grafos (GNNs)

A equipe criou um modelo computacional personalizado que aproveitou Redes Neurais de Grafos avançadas, permitindo que tirassem proveito de alguns benefícios chave, como a capacidade de parametrizar um GCBF e distribuir políticas de controle. Especificamente, o sistema simula agentes e controladores.

Fonte – MIT

Os engenheiros utilizam as especificações exatas de drones do mundo real. Eles incluíram suas capacidades mecânicas, limites, desempenho, vida útil da bateria e outros fatores cruciais. A simulação então pegou essas informações e as usou para criar testes em grande escala que os engenheiros monitoraram.

Notavelmente, a decisão de usar uma rede neural de grafo (GNN) faz sentido, pois permite o rastreamento da topologia gráfica em mudança do fluxo de informações de observação baseada em distância. Essa entrada foi então usada em conjunto com outros dados para programar o sistema de IA a equilibrar desempenho e segurança.

Adicionar Mais Agentes e Tarefas

Os engenheiros então começaram a ampliar a simulação para incluir mais unidades e tarefas mais complexas. Eles observaram que os sistemas de segurança em tempo real se ajustavam automaticamente após serem copiados e colados para novos drones. Cada interação foi registrada à medida que mais drones eram adicionados à simulação.

Rastrear Colisões ao Longo de Milhares de Simulações

À medida que o número e a densidade de agentes e obstáculos aumentaram, o sistema foi ajustado para que nenhuma colisão fosse vista como recompensa. O GNN então começou autonomamente a ajustar a entrada do controlador para garantir que as violações de segurança fossem reduzidas.

Os engenheiros observaram como o GNN permitiu que os drones ajustassem suas trajetórias em tempo real para evitar colisões com outros robôs. Esse teste ajudou a garantir que seu controlador fosse reativo, ou seja, que estivesse constantemente recriando um caminho de voo para os drones com base nas condições ambientais em tempo real.

Os engenheiros do MIT também introduzem limites de segurança como parte dessa abordagem. Estas são áreas onde os dispositivos provavelmente incorreriam em violações de segurança. Ao instruir os dispositivos a evitarem essas áreas, a equipe reduziu drasticamente muitas das colisões e erros que afligem os sistemas atuais.

Método de Treinamento para Sistemas Multiagente

Impressionantemente, o controlador foi copiado e colado para outras unidades assim que a simulação resolveu quaisquer preocupações de segurança. Como o protocolo pode lidar com topologias de grafo arbitrárias, é mais fácil escalar verticalmente. Além disso, ele pode levar em conta a mudança no número de participantes, significando que a programação pode ser feita em alguns drones e depois compartilhada com o enxame.

Teste de Programação de Segurança MAS

Os engenheiros iniciaram o teste de sua estrutura distribuída para controle seguro multiagente em ambientes de grande escala com obstáculos, usando drones Crazyflies. Esses drones quadricópteros de tamanho de mão foram aprimorados usando o GNN. No total, 8 Crazyflies foram usados na fase de teste.

Os agentes usaram os 8 drones do mundo real para rastrear e monitorar atividades. Em seguida, os dados foram compartilhados em uma simulação com 1000 drones. O mesmo método de escalonamento foi aplicado aos obstáculos. A equipe começou com 8 obstáculos em um teste real. A simulação aumentou a quantidade para 128 obstáculos móveis e imóveis para os testes finais.

Objetivos Diferentes do Teste de Programação de Segurança MAS

Os drones receberam diferentes objetivos para ver como se sairiam em ambientes lotados. Uma tarefa era trocar de posição durante o voo. Essa tarefa pode parecer simples, mas quando se lida com 1000 drones, o risco de colisão é alto.

Pouso

O próximo objetivo era fazer os drones pousarem em caixas móveis. As caixas móveis eram robôs chamados Turtlebots. Os Turtlebots foram configurados para circular em diferentes velocidades. Os drones precisavam navegar ao redor uns dos outros e pousar com segurança no turtlebot para completar sua tarefa.

Resultados do Teste de Programação de Segurança MAS

Os resultados do estudo de programação de segurança são reveladores. Primeiro, os dispositivos superaram seus predecessores tanto nos ambientes 2D quanto 3D. O uso de observações de nuvem de pontos baseadas em LiDAR pelo sistema para lidar com obstáculos provou ser uma ótima adição. Isso permitiu que os drones fizessem ajustes em tempo real e permanecessem nas zonas de segurança designadas.

Os Crazyflies voaram, completaram suas tarefas durante o voo e pousaram com sucesso sem colisões. Os engenheiros concluíram que seu sistema poderia proporcionar uma redução de 40 % nas colisões. Também melhorou o desempenho dos drones, permitindo que completassem tarefas que envolviam centenas de drones sem incidentes.

Benefícios do Estudo de Programação de Segurança MAS

Existem vários benefícios que este estudo traz ao mercado. Primeiro, permite que engenheiros equilibrem automaticamente o cumprimento dos requisitos de segurança e os critérios de desempenho. O uso da teoria de função de barreira de controle pelo sistema para garantias de segurança reduz drasticamente os riscos para aqueles nas proximidades dessas máquinas. Além disso, o uso de sistemas LiDAR garante feedback em tempo real e ajustes de trajetória de voo.

Somente Destino

Uma das maiores vantagens desta tecnologia é que os engenheiros não planejaram nenhum caminho de voo, ao contrário dos métodos tradicionais que exigem muito tempo e esforço computacional para criar. A equipe apenas deu ao drone instruções e um destino. O dispositivo não calculou uma única trajetória livre de colisões. Em vez disso, calculou milhares de trajetórias com base em sua entrada sensorial em tempo real, garantindo que todas as mudanças sejam rastreadas e os ajustes feitos.

Escalável

Os engenheiros fizeram uma grande atualização no sistema atual com seu mais recente controlador de copiar‑e‑colar. Esse protocolo utiliza uma estrutura de grafo que é ideal para controle distribuído escalável e generalizável de MAS.

Essa abordagem significa que futuros pilotos de drones precisarão programar apenas um pequeno número de unidades. Os parâmetros de segurança podem então ser escalados para uma quantidade ilimitada de drones, economizando dinheiro, tempo e esforço, sem sacrificar o desempenho.

Aplicações da Programação de Segurança MAS

A lista de aplicações para esta tecnologia continua a crescer. A capacidade de criar, distribuir e escalar facilmente o protocolo do controlador é uma grande melhoria para os sistemas anti‑colisão de drones. Permite que aplicações em grande escala sejam configuradas rapidamente para novos ambientes. Essa capacidade torna a tecnologia adequada para uso em armazéns, operações de busca e resgate, carros autônomos e tarefas militares.

Pesquisadores da Programação de Segurança MAS

Os pesquisadores por trás desta tarefa incluem o Professor Associado de Aeronáutica e Astronáutica do MIT, Chuchu Fan. Além disso, Songyuan Zhang, Oswin e Kunal Garg auxiliaram na pesquisa. Notavelmente, o estudo recebeu apoio financeiro da National Science Foundation dos EUA, do MIT Lincoln Laboratory sob o programa Safety in Aerobatic Flight Regimes (SAFR), e da Defence Science and Technology Agency de Cingapura.

Uma Empresa Líder em Veículos Autônomos

Várias empresas podem aproveitar o estudo de programação de segurança MAS para melhorar suas ofertas de UAV ou EV. À medida que mais fabricantes de veículos autônomos lançam produtos, os requisitos de segurança para frotas de veículos autônomos aumentarão. Aqui está uma empresa que está perfeitamente posicionada para aproveitar esses dados e melhorar seu ROI.

Amazon

Quando se trata de operar enxames de robôs autônomos, a Amazon (AMZN ) é a líder do mercado. A empresa integrou robôs autônomos em sua fábrica há muitos anos. Desde então, expandiu sua frota de drones para incluir UAVs e EVs. À medida que sua frota cresce, haverá maior demanda por parâmetros de segurança e sistemas de controle como os desenvolvidos pelos pesquisadores do MIT.

A Amazon tem insinuado há muito tempo sobre frotas de entrega por drone. No próximo ano, a empresa pode iniciar seu lançamento. Notavelmente, a FAA aprovou os drones MK30 que pretendem usar para voo em novembro passado.

A Amazon também tem avançado em direção ao seu objetivo de 10 anos de entregar pacotes por drone na UE. Especificamente, a empresa testou seu sistema de entrega em San Salvo, Itália, em dezembro passado com ótimos resultados.

Se bem‑sucedida, a Amazon poderia usar drones para entregar a mais de 500 milhões de clientes a cada ano. Essa manobra reduziria significativamente os custos de entrega e roubos, o que poderia fazer as ações da AMZN apresentarem ganhos.

Futuro da Programação de Segurança MAS

O futuro da programação de segurança de drones são sistemas baseados em IA de alto desempenho e escaláveis. Esses sistemas permitirão que engenheiros simplifiquem tudo, desde a criação até o gerenciamento e distribuição de protocolos de segurança.

No futuro, seu drone de entrega terá uma compreensão completa de seu ambiente em tempo real, caminho de voo e a localização de seus colegas de trabalho. Assim, as pessoas continuam se aproximando do dia em que a entrega em 24 horas pode parecer lenta demais.

Saiba mais sobre outros desenvolvimentos interessantes no setor de robótica aqui.

Referência do Estudo:

^{1. Zhang, S., So, O., Garg, K., & Fan, C. (2025). GCBF+: Um framework de função de barreira de controle de grafo neural para controle distribuído seguro de multiagentes. IEEE Transactions on Robotics. https://doi.org/10.1109/TRO.2025.3530348}