Planejamento de Rotas para Vant

Planejamento de rota para VANTs em caso de
situao crtica: uma abordagem baseada em

segurana
Jesimar da Silva Arantes

SERVIO DE PS-GRADUAO DO ICMC-USP
Data de Depsito:
Assinatura: ______________________
Planejamento de rota para VANTs em caso de situao

crtica: uma abordagem baseada em segurana1
Dissertao apresentada ao Instituto de Cincias

Matemticas e de Computao ICMC-USP,
como parte dos requisitos para obteno do ttulo
de Mestre em Cincias Cincias de Computao e
Matemtica Computacional. VERSO REVISADA
rea de Concentrao: Cincias de Computao e
Matemtica Computacional
Orientador: Prof. Dr. Claudio Fabiano Motta Toledo
USP So Carlos
Maio de 2016
1 Trabalho realizado com auxlio da FAPESP processo nmero 2014/12297-0

Ficha catalogrfica elaborada pela Biblioteca Prof. Achille Bassi
e Seo Tcnica de Informtica, ICMC/USP,
com os dados fornecidos pelo(a) autor(a)
Arantes, Jesimar da Silva

A662p Planejamento de rota para VANTs em caso de
situao crtica: uma abordagem baseada em segurana
/ Jesimar da Silva Arantes; orientador Claudio
Fabiano Motta Toledo. So Carlos SP, 2016.
158 p.
Dissertao (Mestrado - Programa de Ps-Graduao

em Cincias de Computao e Matemtica Computacional)
Instituto de Cincias Matemticas e de Computao,
Universidade de So Paulo, 2016.
1. Planejamento de Rota. 2. Veculo Areo No

Tripulado. 3. Otimizao. 4. Computao Evolutiva.
5. Pouso Emergencial. I. Toledo, Claudio Fabiano
Motta, orient. II. Ttulo.
Route planning for UAVs with risk of critical failure: a

security-based approach2
Master dissertation submitted to the Instituto de

Cincias Matemticas e de Computao ICMC-
USP, in partial fulfillment of the requirements for the
degree of the Master Program in Computer Science
and Computational Mathematics. FINAL VERSION
Concentration Area: Computer Science and
Computational Mathematics
Advisor: Prof. Dr. Claudio Fabiano Motta Toledo
USP So Carlos
May 2016
2 Trabalho realizado com auxlio da FAPESP processo nmero 2014/12297-0

minha famlia!
Meu pai Jsus e minha me Sirley
que estiveram sempre presentes, me apoiando, incentivando e
ajudando nos momentos em que mais precisei.
Meu irmo Mrcio pela amizade e ajuda,
e por saber que sempre terei com quem contar.
AGRADECIMENTOS
Universidade de So Paulo (USP) e ao Instituto de Cincias Matemticas e de Compu-

tao (ICMC) por me proporcionarem um ambiente de estudo adequado minha formao. Aos
professores da USP, em especial, aos professores do ICMC pelos ensinamentos transmitidos.
Ao professor Claudio Toledo pela orientao, pacincia, amizade e ensinamentos, que
foram de grande relevncia para a realizao deste trabalho e para meu crescimento profissional.
Ao grupo de pesquisa pelas inmeras reunies e apresentaes que serviram para ampliao do
meu conhecimento nas mais diversas reas da cincia.
Ao Andr Pierre pelas muitas contribuies e ensinamentos a respeito de aeronutica,
alcanados atravs de muitas reunies. Ao professor Onofre Trindade pelas inmeras dicas
e discusses a respeito de VANTs. Ao professor Eduardo Simes pelo grande auxlio nos
experimentos envolvendo drones. Ao Marcelo Hossomi pela auxlio prestado no desenvolvimento
deste trabalho.
todos os integrantes do Laboratrio de Computao Reconfigurvel (LCR) e ao colega
de apartamento Francisco de Assis pelas muitas discusses, que, por ventura, contriburam e
auxiliaram nas minhas pesquisas.
Agradeo, sobretudo, ao meu irmo Mrcio pelas inumerveis dicas e discusses, que
auxiliaram a realizao deste trabalho, alm da constante amizade. E minha namorada Vvian
por fazer parte deste momento em minha vida e pelas muitas dicas e correes ao longo do texto.
Este trabalho somente foi possvel, pois estive apoiado sobre os ombros desses gigantes.
Muito obrigado por tudo!!!
Se voc tem uma ma e eu tenho uma ma e ns trocamos as mas, ento voc e eu ainda
teremos uma ma. Mas se voc tem uma ideia e eu tenho uma ideia e ns trocamos essas
ideias, ento cada um de ns ter duas ideias.
George Bernard Shaw

RESUMO
ARANTES, J. S.. Planejamento de rota para VANTs em caso de situao crtica: uma
abordagem baseada em segurana. 2016. 158 f. Dissertao (Mestrado em Cincias
Cincias de Computao e Matemtica Computacional) Instituto de Cincias Matemticas e
de Computao (ICMC/USP), So Carlos SP.
A segurana nos voos de Veculos Areos No Tripulados (VANTs) uma importante questo
e vem ganhando destaque devido a uma srie de acidentes com tais aeronaves. O aumento do
nmero de aeronaves no espao areo e a autonomia cada vez maior para realizar misses esto
entre outros elementos que merecem destaques. No entanto, pouca ateno tem sido dada a auto-
nomia da aeronave em casos emergenciais [Contexto]. Nesse contexto, o desenvolvimento de
algoritmos que efetuem o planejamento de rotas na ocorrncia de situaes crticas fundamental
para obter maior segurana area. Eventuais situaes de insegurana podem estar relacionadas
a uma falha nos equipamentos do veculo areo que impede a continuao da misso em curso
pela aeronave [Lacuna]. A presente pesquisa avana o estado da arte considerando um conceito
chamado In-Flight Awareness (IFA), que estabelece conscincia situacional em VANTs, visando
maior segurana de voo. Os estudos tambm avanam na proposio de modelos matemticos
que representem o estado da aeronave avariada, viabilizando o pouso emergencial e minimi-
zando possveis danos [Propsito]. Este trabalho utiliza tcnicas de computao evolutiva como
Algoritmos Genticos (AG) e Algoritmos Genticos Multi-Populacional (AGMP), alm de uma
Heurstica Gulosa (HG) e um modelo de Programao Linear Inteira Mista (PLIM) no tratamento
de falhas crticas juntamente com o conceito de IFA [Metodologia]. As solues obtidas foram
avaliadas atravs de experimentos offline usando os modelos matemticos desenvolvidos, alm
de validadas em um simulador de voo e em um voo real. De forma geral, o AG e AGMP
obtiveram resultados equivalentes, salvando o VANT em aproximadamente 89% dos mapas. A
HG conseguiu trazer a aeronave at uma regio bonificadora em 77% dos mapas dentro de um
tempo computacional abaixo de 1 segundo. No modelo PLIM, o tempo gasto foi de cerca de
quatro minutos j que garantia a otimalidade da soluo encontrada. Devido ao seu elevado
tempo computacional, uma estratgia evolvendo rotas pr-calculadas foi definida a partir do
PLIM, mostrando-se bastante promissora. Nos experimentos envolvendo simulador de voo foram
testadas diferentes condies de vento e se verificou que mesmo sobre tais condies os mtodos
desenvolvidos conseguiram efetuar o pouso com segurana [Resultado]. O trabalho apresentado
colabora com a segurana de Veculos Areos No Tripulados e com a proposta de modelos ma-
temticos que representem a aeronave em caso de situaes crticas. Os mtodos, de forma geral,
mostraram-se promissores na resoluo do problema de pouso emergencial j que trouxeram a
aeronave com segurana at regies interessantes ao pouso em um baixo tempo computacional.
Isso foi atestado pelos resultados obtidos a partir das simulaes offline, em simulador de voo e
em voo real [Concluso]. As principais contribuies do trabalho so: modelagem de regies
adequadas ao pouso, modelagem de falhas, arquitetura do sistema planejador de rotas e modelo
linear para para pouso emergencial [Contribuio].
Palavras-chave: Planejamento de Rota, Veculo Areo No Tripulado, Otimizao, Computao

Evolutiva, Pouso Emergencial.
ABSTRACT
ARANTES, J. S.. Planejamento de rota para VANTs em caso de situao crtica: uma
abordagem baseada em segurana. 2016. 158 f. Dissertao (Mestrado em Cincias
Cincias de Computao e Matemtica Computacional) Instituto de Cincias Matemticas e
de Computao (ICMC/USP), So Carlos SP.
The security involved in flights of Unmanned Aerial Vehicles (UAVs) is an important issue and
is achieving prominence due to a number of accidents involving such aircraft. Other elements
that deserve highlights are the increase in the number of aircraft in the airspace and autonomy
to perform missions, however, little attention has been given to the autonomy of the aircraft
in emergency cases [Context]. In this context, the development of algorithms that contribute
significantly to the path planning in the event of critical situations is essential for more air
traffic. Possible situations of insecurity may be related to a failure in the equipment of vehicle
that prevents the continuation of the current mission by aircraft [Gap]. The research advances
the state of the art considering a concept called In-Flight Awareness (IFA), which provides
situational awareness in UAVs aiming at greater flight safety. Advances also in the developing
of mathematical models that represent the state of the damaged aircraft, with the purpose to
execute the emergency landing by minimizing damages [Purpose]. Thus, this work applies
evolutionary computation techniques such as Genetic Algorithms (GA) and Multi-Population
Genetic Algorithms (MPGA), as well as a Greedy Heuristic (GH) and a Mixed Integer Linear
Programming (MILP) model to deal with critical situations along with the concept of IFA
[Methodology]. The solutions obtained were evaluated through offline experiments using the
developed mathematical models, which were validated in a flight simulator and a real-world
flight. In General, the GA and MPGA reached similar results by saving the UAV in approximately
89% of the maps, while the GH was able to bring the aircraft to a bonus region for 77% of
maps within a feasible computational time lower than 1 second. In the MILP model, the time
spent was about four minutes since it guarantees optimality of the solution found. Due to such
high computational time, a strategy involving nearby routes pre-calculated was defined from
the MILP which was very promising. In experiments involving flight simulator, different wind
conditions were tested and it was found that even under such conditions the methods developed
have managed to execute the landing safely [Result]. The work presented collaborates with
the safety of Unmanned Aerial Vehicles and with the proposal of mathematical models that
represent the aircraft under critical situations. The methods, in general, were promising since
they brought the aircraft to execute a safe landing within a low computational time as shown
by offline simulations, flight simulator and real flight [Conclusion]. The main contributions
are: fault modeling, system architecture planner routes and linear model for emergency landing.
[Contribution].
Key-words: Route Planning, Unmanned Aerial Vehicle, Optimization, Evolutionary Computa-
tion, Emergency Landing.
LISTA DE ILUSTRAES
Figura 1 Relao desse trabalho com trabalhos do grupo de pesquisa. . . . . . . . . . 33

Figura 2 Veculos Areos No Tripulados Arara M1, Tiriba e Ararinha. . . . . . . . . 38
Figura 3 Eixos da aeronave e superfcies de controle da aeronave. . . . . . . . . . . . 40
Figura 4 Sistemas de coordenadas da aeronave e do mundo. . . . . . . . . . . . . . . 40
Figura 5 Esquema da integrao entre sensores, atuadores, IFA, AP e MOSA na aeronave. 43
Figura 6 Simulador de voo FlightGear. . . . . . . . . . . . . . . . . . . . . . . . . . 44
Figura 7 Simulador de voo X-Plane. . . . . . . . . . . . . . . . . . . . . . . . . . . 44
Figura 8 Simulador de voo Microsoft Flight Simulator. . . . . . . . . . . . . . . . . 45
Figura 9 Cenrio geral do problema abordado. . . . . . . . . . . . . . . . . . . . . . 52
Figura 10 Cenrio para o planejamento de misso com replanejamento de rota em caso
de situao crtica. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
Figura 11 Representao de regies factveis. Cada regio factvel foi aproximado por
um tringulo e por um conjunto de restries lineares. (a) regio factvel fora
do obstculo. (b) regio factvel dentro do obstculo. . . . . . . . . . . . . 59
Figura 12 Ilustrao do modelo de planejamento com incremento da incerteza em cada
instante de tempo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
Figura 13 Formato dos limitantes das velocidades para o modelo matemtico. Em (a),
(b) e (c) so apresentados diferentes vises do mesmo poliedro/polgono das
velocidades. Esse polgono aproximado atravs de faces. . . . . . . . . 65
Figura 14 Formato dos limitantes das aceleraes para o modelo matemtico. Em (a),
(b) e (c) so apresentados diferentes vises do mesmo poliedro/polgono das
aceleraes. Esse polgono aproximado atravs de faces. . . . . . . . . 66
Figura 15 Exemplo da modelagem da curva efetuada a esquerda. . . . . . . . . . . . . 71
Figura 16 Exemplo da modelagem da curva efetuada a direita. . . . . . . . . . . . . . 72
Figura 17 Codificao e decodificao dos controles na rota da aeronave utilizada na
modelagem restrita. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
Figura 18 Rotas candidatas usando a estratgia Heurstica Gulosa. . . . . . . . . . . . 79
Figura 19 Estrutura hierrquica em rvore usada no AGMP. . . . . . . . . . . . . . . 84
Figura 20 Esquema das rotas emergenciais para a misso definida para as falhas m ,
b , s1 e s2 , respectivamente. . . . . . . . . . . . . . . . . . . . . . . . . 87
Figura 21 Arquitetura do planejador de rota de pouso proposto. . . . . . . . . . . . . 88
Figura 22 Estratgia para construo manual de mapas contendo regies de interesse. . 89
Figura 23 Exemplos de mapas gerados automaticamente. . . . . . . . . . . . . . . . . 91
Figura 24 Mapeamento dos cenrios 2D para 3D. (a) mapa de origem 2D. (b) mapa de
destino mapeado em 3D. . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
Figura 25 Estratgia de pouso 2D para diferentes tempos gastos no pouso. . . . . . . . 95
Figura 26 Estratgia de pouso 3D em terreno plano . . . . . . . . . . . . . . . . . . . 97
Figura 27 Tipos de experimentos realizados. . . . . . . . . . . . . . . . . . . . . . . . 99
Figura 28 Anlise das foras envolvidas na aeronave. . . . . . . . . . . . . . . . . . . 101
Figura 29 Mudana de velocidade do VANT partindo do repouso e com acelerao
constante. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
Figura 30 Framework ProOF utilizado no desenvolvimento dos mtodos. . . . . . . . 102
Figura 31 Resultados da distribuio do fitness dos indivduos, aps a primeira gerao.
Os mapas foram escolhidos arbitrariamente. . . . . . . . . . . . . . . . . . 107
Figura 32 Resultados da distribuio do fitness dos indivduos, aps a ltima gerao.
Os mapas utilizados foram os mesmos do experimento anterior. . . . . . . . 109
Figura 33 Exemplos de rotas para cada uma das situaes crticas. . . . . . . . . . . . 112
Figura 34 Exemplos de rotas obtidas pela HG. . . . . . . . . . . . . . . . . . . . . . . 114
Figura 35 Exemplos de rotas obtidas pelo AG. . . . . . . . . . . . . . . . . . . . . . 114
Figura 36 Exemplos de rotas obtidas pelo AGMP. . . . . . . . . . . . . . . . . . . . . 117
Figura 37 Simulao usando o FlightGear para seguir a rota gerada pelo AGMP. . . . 118
Figura 38 Simulao no FlightGear usando o AGMP. Em verde tem as rotas percorridas
pela Cessna e em vermelho as geradas pelo AGMP. (a) e (c) ventos de 10
knots. (b) e (d) ventos de 50 knots. Direo do vento: oeste. . . . . . . . . . 119
Figura 39 Todas as rotas obtidas pela HG. A melhor rota retornada pela HG. . . . . . 120
Figura 40 Conjunto de rotas obtidas pelo AGMP. Esto plotados as 100 ltimas rotas
geradas at o nmero da avaliao indicado. . . . . . . . . . . . . . . . . . 121
Figura 41 Conjunto de todos os locais de pouso obtido pelo AGMP em 10.000 avalia-
es efetuadas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
Figura 42 Anlise do nmero de variveis contnuas e binrias e nmero de restries. 124
Figura 43 Evoluo do objetivo em funo do tempo para o problema no motor no
modelo PLIM1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
Figura 44 Evoluo do objetivo em funo do tempo para o problema na bateria no
modelo PLIM1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
Figura 45 Evoluo do objetivo em funo do tempo para o problema na superfcie
aerodinmica tipo 1 no modelo PLIM1. . . . . . . . . . . . . . . . . . . . . 128
Figura 46 Evoluo do objetivo em funo do tempo para o problema na superfcie
aerodinmica tipo 2 no modelo PLIM1. . . . . . . . . . . . . . . . . . . . . 128
Figura 47 Evoluo do objetivo em funo do tempo para as falhas m , b , s1 e s2
no modelo PLIM1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
Figura 48 Evoluo do objetivo em funo do tempo para diferentes falhas no modelo
PLIM2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
Figura 49 Anlise de distribuio do tempo. . . . . . . . . . . . . . . . . . . . . . . . 131
Figura 50 Anlise de distribuio do objetivo. . . . . . . . . . . . . . . . . . . . . . . 131
Figura 51 Rotas de pouso obtidas para o modelo PLIM2. . . . . . . . . . . . . . . . . 133
Figura 52 Rota obtida na situao crtica s1 em ambiente tridimensional. . . . . . . . 134
Figura 53 Simulao usando o FlightGear seguindo uma rota gerada pelo mtodo PLIM.134
Figura 54 Clculo do erro horizontal da aeronave em relao a rota gerada. . . . . . . 136
Figura 55 Distribuio do erro horizontal obtidos nas simulaes. . . . . . . . . . . . 137
Figura 56 Exemplos de rotas obtidas nos experimentos no FlightGear. (a) e (b) rotas em
diferentes mapas com falhas na bateria. Em (c) tem-se a rota (a) ampliada.
Em (d) tem-se a rota (b) ampliada. . . . . . . . . . . . . . . . . . . . . . . 138
Figura 57 Resultados das simulaes pr-processadas em uma srie de pontos-chave da
rota. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
Figura 58 Exemplo de rotas obtidas pelo SCADE. . . . . . . . . . . . . . . . . . . . . 140
Figura 59 Mquina de estados implementada usando o SCADE. . . . . . . . . . . . . 141
Figura 60 Experimento com voo real usando um Hexacptero. . . . . . . . . . . . . . 142
Figura 61 Sntese dos resultados para a modelagem restrita do problema. . . . . . . . 144
Figura 62 Sntese dos resultados para a modelagem completa do problema. . . . . . . 144
LISTA DE ALGORITMOS
Algoritmo 1 Heurstica Gulosa. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79

Algoritmo 2 Algoritmo Gentico. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
Algoritmo 3 Algoritmo Gentico Multi-Populacional. . . . . . . . . . . . . . . . . . 83
Algoritmo 4 Algoritmo do Modelo PLIM. . . . . . . . . . . . . . . . . . . . . . . . 86
Algoritmo 5 Algoritmo Gerador Automtico de Mapas. . . . . . . . . . . . . . . . . 92
LISTA DE TABELAS
Tabela 1 Detalhes tcnicos da aeronave Tiriba. . . . . . . . . . . . . . . . . . . . . . 39

Tabela 2 Detalhes de acidentes envolvendo VANT militares. . . . . . . . . . . . . . 41
Tabela 3 Comparaes entre os simuladores de voo: FightGear, X-Plane e Microsoft
Flight Simulator. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
Tabela 4 Configuraes do gerador de mapas para cada tipo de categoria. . . . . . . . 93
Tabela 5 Notao utilizada em cada instncia com sua descrio. . . . . . . . . . . . 93
Tabela 6 Parmetros e valores das alturas das regies no mapa 3D. . . . . . . . . . . 94
Tabela 7 Configuraes dos pesos de cada regio do mapa. . . . . . . . . . . . . . . 99
Tabela 8 Configuraes do mapa, VANT, modelo e pesos das regies usados. . . . . . 106
Tabela 9 Configuraes do computador utilizado nos experimentos. . . . . . . . . . . 106
Tabela 10 Anlise de sensibilidade de parmetros do AGMP e AG. . . . . . . . . . . . 110
Tabela 11 Resultado obtido para diferentes situaes crticas enfrentadas pelo VANT. . 111
Tabela 12 Resultado obtido para a HG, para todos as situaes crticas e todas as instncias.113
Tabela 13 Resultado obtido para o AG1 e AG2, para todos as situaes crticas e todas
as instncias. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
Tabela 14 Resultado obtido para o AGMP1 e AGMP2, para todos as situaes crticas e
todas as instncias. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
Tabela 15 Dados do local de pouso das 10.000 rotas gerados pelo AGMP. . . . . . . . 121
Tabela 16 Configuraes do mapa, VANT, modelo, solver e pesos usados. . . . . . . . 123
Tabela 17 Configuraes do computador utilizado nos experimentos. . . . . . . . . . . 124
Tabela 18 Resultados obtidos para o modelo PLIM1 para todas as situaes crticas e
Tabela 19 Resultados obtidos para o modelo PLIM2 para todas as situaes crticas e
Tabela 20 Anlises dos experimentos do PLIM2 para todas as situaes crticas e todas
a instncias em relao ao tempo para a primeira e ltima soluo factvel. . 130
Tabela 21 Anlises dos experimentos do PLIM2 para todas as situaes crticas e todas
a instncias em relao ao objetivo para a primeira e ltima soluo factvel. 132
Tabela 22 Resultados obtidos nos experimentos utilizando simulador de voo com o
modelo PLIM2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
Tabela 23 Resultados obtidos para as rotas pr-processadas pelo modelo PLIM2. . . . 138
Tabela 24 Sntese dos resultados para todos os mtodos desenvolvidos na modelagem
restrita e completa. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
23
LISTA DE ABREVIATURAS
2D Duas Dimenses
3D Trs Dimenses
ACO Otimizao por Colnia de Formigas (Ant Colony Optimization)
AED Algoritmos de Estimao de Distribuio (Estimation of Distribution Algorithm)
AG Algoritmo Gentico (Genetic Algorithm)
AGMP Algoritmo Gentico Multi-Populacional (Multi-Population Genetic Algorithm)
AIB Conselho de Investigao de Acidentes (Accident Investigation Board)
ANAC Agncia Nacional de Aviao Civil
AP Piloto Automtico (Autopilot)
ARARA Aeronave de Reconhecimento Autnoma e Remotamente Assistida
ATC Controle de Trfego Areo (Air Traffic Control)
B&B (Branch and Bound)
B&C (Branch and Cut)
CBT Companhia Brasileira de Tratores
CENIPA Centro de Investigao e Preveno de Acidentes Aeronuticos
CS Conscincia Situacional (Situation Awareness)
CTOL Decolagem e Aterrissagem Convencional (Conventional Take-off and Landing)
ED Evoluo Diferencial (Differential Evolution)
EE Estratgia Evolutiva (Evolutionary Strategy)
PPE Planejador de Pouso de Emergncia (Emergency Landing Planner)
EMBRAPA Empresa Brasileira de Pesquisa Agropecuria
FAA Administrao Federal de Aviao (Federal Aviation Administration)
FG FligthGear
GISA Grupo de Interesse em SisVANTs e Aplicaes
GPL Licena Pblica Geral (General Public License)
GPS Sistema de Posicionamento Global (Global Positioning System)
HG Heurstica Gulosa (Greedy Heuristic)
HIL (Hardware-In-the-Loop).
ICAO Organizao de Aviao Civil Internacional (International Civil Aviation Organi-
zation)
ICMC Instituto de Cincias Matemticas e Computao
24 Lista de tabelas
IE Inteligncia de Enxame (Swarm Intelligence)

IFA Conscincia em Voo (In-Flight Awareness)
IFA2 S (In-Flight Awareness Augmentation Systems)
LCR Laboratrio de Computao Reconfigurvel
MOSA Arranjos de Sensores Orientados Misso (Mission Oriented Sensor Array)
MSFS Microsoft Flight Simulator
OEP Otimizao por Enxame de Partculas (Particle Swarm Optimization)
PE Programao Evolutiva (Evolutionary Programming)
PG Programao Gentica (Genetic Programming)
PID Proporcional Integral Derivativo (Proportional Integral Derivative)
PIM Programao Inteira Mista (Mixed-Integer Programming)
PLIM Programao Linear Inteira Mista (Mixed-Integer Linear Programming)
SEE Sistemas Embarcados e Evolutivos
SisVANT Sistema de Veculo Areo No Tripulado
SSC Departamento de Sistemas de Computao
S&A Detectar e Evitar (Sense and Avoid)
USAF Fora Area dos Estados Unidos (United States Air Force)
USP Universidade de So Paulo
VANT Veculo Areo No Tripulado (Unmanned Aerial Vehicle)
VTNT Veculos Terrestres No-Tripulados (Unmanned Ground Vehicles)
VTOL Decolagem e Aterrissagem Vertical (Vertical Take-off and Landing)
25
LISTA DE SMBOLOS
Regio do mapa cadastrada ( = {n , p , b , r })

n Conjunto de regies do tipo no navegvel (proibido sobrevoar esta regio)
p Conjunto de regies do tipo penalizadora (regio pssima para pouso)
b Conjunto de regies do tipo bonificadora (regio boa para pouso)
r Conjunto de regies do tipo remanescente (regio no classificada)
? Local do pouso emergencial da aeronave
| j |
1 , Z2 , . . . Z
j Conjunto de regies do mapa j = {Z j j j
} com j {n, p, b, r}
Zi i-sima regio do conjunto j
j
C j Custo de pousar no conjunto j

| j | Nmero de regies no conjunto j
Situao crtica ocorrida na aeronave ( = {m , b , s1 , s2 , })
m Situao crtica para o problema no motor
b Situao crtica para o problema na bateria
s1 Situao crtica para o problema nas superfcies aerodinmicas tipo 1
s2 Situao crtica para o problema nas superfcies aerodinmicas tipo 2
Condio de pouso normal sem situao crtica
? Situao crtica a que foi submetida a aeronave (? )
F Funo de transio de estados para falhas do tipo
Probabilidade do VANT violar uma regio do conjunto n
T Nmero de passos de tempo para pouso do VANT
K Instante no tempo no qual a aeronave caiu (0 < K T )
T Discretizao do tempo de simulao com intervalo de tempo fixo
xt Estado da aeronave no tempo t no espao 2D (xt = [ptx pty vt t ])
xt Estado esperado da aeronave no tempo t no espao 3D (xt = [ptx pty ptz vtx vty vtz ])
px Posio no eixo x do VANT
py Posio no eixo y do VANT
pz Posio no eixo z do VANT
v Velocidade na horizontal do VANT
ngulo (direo) na horizontal do VANT
vx Velocidade no eixo x do VANT
vy Velocidade no eixo y do VANT
vz Velocidade no eixo z do VANT
26 Lista de tabelas
ut Controles da aeronave no tempo t no espao 2D (ut = [at t ])

ut Controles esperados da aeronave no tempo t no espao 3D (ut = [atx aty atz ])
a Acelerao na horizontal do VANT
Variao angular (rotao) do VANT em torno do eixo z
ax Acelerao no eixo x do VANT
ay Acelerao no eixo y do VANT
az Acelerao no eixo z do VANT
t Perturbao independente do estado no instante t
x0 Matriz da covarincia associada a incerteza do VANT
Q Matriz da covarincia associada a incerteza do ambiente
Fd Fora do arrasto determinar a resistncia do ar associada ao VANT
Cd Coeficiente de arrasto especfico para cada aeronave
Massa especfica do fluido (ar) que a aeronave est inserida
A rea de referncia do VANT quando imerso no fluido (ar)
Kd Constante de arrasto associada a cada aeronave
m Massa do VANT
amax Acelerao mxima que o VANT alcana
vterm Velocidade terminal do VANT (velocidade que no se consegue ultrapassar)
Trajetria de pouso seguida pela aeronave (conjunto de waypoints)
W Objetivo ou fitness associada a soluo
G Conjunto de vetores normais que definem as arestas do polgono
A Matriz 6 6 para o estado do VANT
B Matriz 6 3 para o controle da dinmica do VANT
t Matriz 6 6 da covarincia associada a posio do VANT
Nmero de lados do polgono usado na linearizao
Nmero de arestas dos polgonos usados nos mapas
Crescimento da incerteza a cada instante de tempo
min Tempo mnimo de voo
max Tempo mximo de voo
vhmax Velocidade horizontal mxima permitida para o VANT
vvmax Velocidade vertical mxima permitida para o VANT
vhmin Velocidade horizontal mnima permitida para o VANT
vvmin Velocidade vertical mnima permitida para o VANT
ahmax Acelerao horizontal mxima permitida para o VANT
avmax Acelerao vertical mxima permitida para o VANT
h Incerteza associada a aeronave nas coordenadas (x, y)
v Incerteza associada a aeronave no eixo z
Lista de tabelas 27
ak Vetor normal aresta k

a ji Vetor normal aresta i do polgono j
b ji Valor constante da aresta i do polgono j
Gvmax Hiperplanos das faces externas do polgono das velocidades
Gvmin Hiperplanos das faces internas do polgono das velocidades
Gamax Hiperplanos das faces externas do polgono dos controles
hj Altitude da regio j
h[v] Altitude de uma regio qualquer do mapa, onde v representa a altura
b
Pj Probabilidade do VANT pousar na regio bonificadora j
b
Lj Controla o pouso em apenas uma regio bonificadora j
St Possui o valor 1 apenas no instante exato que o VANT pousou
jtn Risco associado coliso com os lados da regio no navegvel j no instante t
jtp Risco associado coliso com os lados da regio penalizadora j no instante t
b
jit Risco associado a violao do hiperplano i da regio bonificadora j no instante t
Ht 1 indica VANT em voo, 0 indica pouso do VANT
Wkt 1 indica superar o limite inferir de velocidade no hiperplano k no instante t
b
Y jt 1 queda do VANT na j-sima regio de b no instante t
n
Zjit 1 indica estar fora do hiperplano i da j-sima regio de n no instante t
p
Zjit 1 indica estar fora do hiperplano i da j-sima regio de p no instante t
MF25% Mapas com dificuldade fcil e com rea de cobertura de 25%
MF50% Mapas com dificuldade fcil e com rea de cobertura de 50%
MN25% Mapas com dificuldade normal e com rea de cobertura de 25%
MN50% Mapas com dificuldade normal e com rea de cobertura de 50%
MD25% Mapas com dificuldade difcil e com rea de cobertura de 25%
MD50% Mapas com dificuldade difcil e com rea de cobertura de 50%
I1 Instncia do grupo de mapas MF25%
I2 Instncia do grupo de mapas MF50%
I3 Instncia do grupo de mapas MN25%
I4 Instncia do grupo de mapas MN50%
I5 Instncia do grupo de mapas MD25%
I6 Instncia do grupo de mapas MD50%
SUMRIO
1 INTRODUO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
1.1 Contextualizao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
1.2 Motivao e Justificativas . . . . . . . . . . . . . . . . . . . . . . . . . 33
1.3 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
1.4 Lacunas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
1.5 Contribuies e Limitaes . . . . . . . . . . . . . . . . . . . . . . . . 35
1.6 Organizao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2 REVISO BIBLIOGRFICA . . . . . . . . . . . . . . . . . . . . . . 37
2.1 Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.2 Conceitos Importantes . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.2.1 Veculos Areos No Tripulados . . . . . . . . . . . . . . . . . . . . . . 37
2.2.1.1 Histrico de VANTs no ICMC . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.2.1.2 Componentes da Aeronave e Sistemas de Coordenadas . . . . . . . . . . . 39
2.2.1.3 Situaes Crticas em VANTs . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.2.2 In-Flight Awareness . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.3 Simuladores de Voo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.3.1 FlightGear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.3.2 X-Plane . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.3.3 Microsoft Flight Simulator . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.3.4 Comparao dos Simuladores . . . . . . . . . . . . . . . . . . . . . . . 45
2.4 Trabalhos Relacionados . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.5 Concluso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3 PROBLEMA ABORDADO . . . . . . . . . . . . . . . . . . . . . . . 51
3.1 Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.2 Descrio do Problema . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.2.1 Conjunto de Regies Modeladas . . . . . . . . . . . . . . . . . . . . . 52
3.2.2 Situaes Crticas Modeladas . . . . . . . . . . . . . . . . . . . . . . . 54
3.2.3 Consideraes Sobre as Condies de Voo e Ambiente . . . . . . . . 55
3.3 Modelagem Restrita do Problema . . . . . . . . . . . . . . . . . . . . 55
3.4 Modelagem Completa do Problema . . . . . . . . . . . . . . . . . . . 59
3.5 Concluso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
Sumrio 29
4 METODOLOGIA . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
4.1 Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
4.2 Codificao do Problema . . . . . . . . . . . . . . . . . . . . . . . . . . 75
4.2.1 Funo Objetivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
4.3 Heurstica Gulosa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
4.4 Algoritmo Gentico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
4.5 Algoritmo Gentico Multi-Populacional . . . . . . . . . . . . . . . . . 82
4.6 Programao Linear Inteira Mista . . . . . . . . . . . . . . . . . . . . 84
4.7 Arquitetura Proposta . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
4.8 Gerao Manual de Mapas . . . . . . . . . . . . . . . . . . . . . . . . 88
4.9 Gerao Automtica de Mapas . . . . . . . . . . . . . . . . . . . . . . 90
4.9.1 Classificao dos Mapas . . . . . . . . . . . . . . . . . . . . . . . . . . 90
4.9.2 Algoritmo de Gerao de Mapas . . . . . . . . . . . . . . . . . . . . . 91
4.9.3 Configuraes Usadas na Gerao dos Mapas . . . . . . . . . . . . . 92
4.9.4 Mapeamento de Cenrios 2D para 3D . . . . . . . . . . . . . . . . . . 93
4.10 Estratgias de Pouso . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
4.10.1 Estratgia para Pouso em mapas 2D . . . . . . . . . . . . . . . . . . 94
4.10.2 Pouso 3D . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
4.11 Consideraes Gerais . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
4.11.1 Consideraes Sobre o VANT . . . . . . . . . . . . . . . . . . . . . . . 96
4.11.2 Consideraes Sobre os Experimentos Realizados . . . . . . . . . . . 98
4.11.3 Consideraes Sobre os Pesos das Regies . . . . . . . . . . . . . . . 99
4.12 Consideraes Sobre a Constante de Arrasto . . . . . . . . . . . . . . 100
4.13 Framework ProOF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
4.14 Concluso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
5 RESULTADOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
5.1 Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
5.2 Experimentos da Modelagem Restrita . . . . . . . . . . . . . . . . . . 105
5.2.1 Configuraes Utilizadas . . . . . . . . . . . . . . . . . . . . . . . . . . 105
5.2.2 Anlise da Distribuio do Fitness dos Indivduos . . . . . . . . . . . 106
5.2.3 Anlise de Sensibilidade do AG e AGMP . . . . . . . . . . . . . . . . 108
5.2.4 Exemplo de Solues para Situaes Crticas . . . . . . . . . . . . . 110
5.2.5 Heurstica Gulosa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
5.2.6 Algoritmo Gentico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
5.2.7 Algoritmo Gentico Multi-Populacional . . . . . . . . . . . . . . . . . 115
5.2.8 Experimentos Online . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
5.2.9 Estudo das Solues do HG e AGMP . . . . . . . . . . . . . . . . . . 118
5.3 Experimentos com Modelagem Completa . . . . . . . . . . . . . . . . 121
5.3.1 Configuraes Utilizadas . . . . . . . . . . . . . . . . . . . . . . . . . . 122
30 Sumrio
5.3.2 Anlise do Modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123

5.3.3 Experimentos Offline . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
5.3.4 Experimentos Online . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
5.3.5 Experimentos com Rotas Pr-Processadas . . . . . . . . . . . . . . . 137
5.4 Experimentos Usando SCADE . . . . . . . . . . . . . . . . . . . . . . 139
5.5 Experimentos com Voo Real . . . . . . . . . . . . . . . . . . . . . . . 142
5.6 Sntese dos Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
5.7 Concluso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
6 CONSIDERAES FINAIS . . . . . . . . . . . . . . . . . . . . . . . 145

6.1 Concluses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
6.2 Artigos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
6.3 Trabalhos Futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
REFERNCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
7 GLOSSRIO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
31
CAPTULO
1
INTRODUO
No se espante com a altura do voo.

Quanto mais alto, mais longe do perigo.
Quanto mais voc se eleva, mais tempo h
de reconhecer uma pane. quando se est
prximo do solo que se deve desconfiar.
Santos Dumont
1.1 Contextualizao
A presente dissertao estuda o planejamento de rota para Veculos Areos No Tripula-
dos (VANTs) aps a ocorrncia de uma situao crtica. Nesse caso, a misso desempenhada
pela aeronave precisa ser abortada e um replanejamento da rota se faz necessrio. O principal
objetivo passa a ser pousar a aeronave sem riscos segurana de pessoas, de propriedades em
solo e da prpria aeronave. A situao crtica pode ser representada por falhas em sensores, pane
no motor, superaquecimento da bateria, entre outras situaes que obriguem o VANT a realizar
um pouso emergencial ou a retornar base. Diversas falhas sero estudadas e algoritmos capazes
de realizar o planejamento da rota de aterrissagem com segurana sero propostos.
A crescente utilizao de VANTs gerou discusses e questionamentos sobre os riscos
envolvidos em sua operao sobre regies povoadas. A segurana de voo definida pela Organi-
zao de Aviao Civil Internacional (ICAO) como estado em que a possibilidade de danos
a pessoas ou propriedades reduzido a um nvel aceitvel, atravs de um processo contnuo
de identificao de perigos e gesto de riscos de segurana (ICAO, 2013, pg. 17). Para a
integrao dos mesmos ao espao areo, a probabilidade de falha deve ser menor ou igual
quelas atualmente aceitas para a aviao geral (NATO, 2007; FAA, 2012).
Este trabalho faz uso de um conceito chamado In-Flight Awareness (IFA), definido
em Rodrigues et al. (2011). O IFA amplia o conceito de Sense and Avoid (S&A) e estabelece
conscincia situacional em aeronaves no tripuladas. O S&A expressa a ideia de Detectar e
Evitar que, segundo Mattei (2015), significa ter a capacidade de detectar riscos e tomar decises
32 Captulo 1. Introduo
adequadas visando segurana. Uma vez que a segurana o fator mais importante na integrao
dos VANTs ao espao areo, torna-se necessrio criar formas de trazer novamente a bordo os
recursos eventualmente perdidos com a sada dos pilotos (MATTEI et al., 2013; FONSECA;
MATTEI; CUNHA, 2013; FIGUEIRA et al., 2013).
O voo pode ser modelado como um sistema dinmico e estocstico, influenciado por
fatores internos e externos (LI, 2010; ONO; WILLIAMS; BLACKMORE, 2013; BLACKMORE;
ONO; WILLIAMS, 2011; RICHARDS; HOW, 2002) aeronave. O objetivo deste trabalho
maximizar a segurana dos voos atravs da elaborao de algoritmos que permitam conduzir o
VANT em situao crtica at uma regio segura para o pouso. Deve-se ressaltar que, mesmo
durante situaes crticas, o VANT pode ser capaz de decidir ativar procedimentos que permitam
guiar a aeronave at um local seguro, antes de acionar mecanismos como paraquedas. Assim, os
mtodos desenvolvidos acionaro os procedimentos mais adequados de forma a privilegiar os
aspectos de segurana.
As condies em que se efetuar o pouso forado sero baseadas no seguinte cenrio
geral: um veculo areo est sobrevoando uma determinada regio. Durante o voo, alguma
situao crtica operao da aeronave detectada. A rota em curso ser abortada e uma nova
rota chamada de pouso emergencial ser estabelecida.
A presente dissertao trabalhar na etapa de estabelecimento do planejamento do voo
em caso de situao crtica, propondo algoritmos que levem o VANT at um lugar considerado
seguro para o pouso.
A metodologia de desenvolvimento utilizada neste trabalho est relacionada a tcnicas
de Computao Evolutiva (CE), utilizadas de forma promissora em planejamento de rotas para
VANTs em trabalhos anteriores como Pehlivanoglu (2012), Tuncer e Yildirim (2012), Besada-
Portas et al. (2013), Zhang e Duan (2015), Varela et al. (2014). A dissertao apresenta duas
estratgias baseadas em CE que so: Algoritmos Genticos (AGs) e Algoritmos Genticos Multi-
Populacionais (AGMPs). Um mtodo heurstico utilizando uma estratgia gulosa, chamada
Heurstica Gulosa (HG), tambm foi desenvolvido. Por ltimo, um mtodo exato baseado em
Programao Linear Inteira Mista (PLIM) foi proposto a partir da formulao matemtica do
problema estudado.
Essa dissertao converge diversos resultados obtidos recentemente nas pesquisas em
VANTs conduzidas pelo grupo de Sistemas Embarcados e Evolutivos (SEE) do Departamento
de Sistemas de Computao (SSC) no ICMC/USP. A Figura 1 apresenta um esquema da relao
desta dissertao com alguns trabalhos do grupo. O presente trabalho se relaciona com o projeto
de doutorado do ex-aluno Andr Pierre (MATTEI, 2015) ao utilizar o sistema IFA. Ele se
relaciona tambm com o trabalho de doutorado do aluno Mrcio Arantes (ARANTES, 2015)
ao fazer a linearizao do problema de planejamento de rotas com alocao de risco. Uma
relaco mais conceitual estabelecida com o trabalho de doutorado da ex-aluna Nina Figueira
(FIGUEIRA, 2015). Tambm foram utilizadas duas ferramentas desenvolvidas pelo grupo de
1.2. Motivao e Justificativas 33
pesquisa. Uma ferramenta o ambiente de simulao AutoFG desenvolvido pelo ex-aluno de

graduao Marcelo Hossomi. A outra o framework para otimizao ProOf desenvolvido pelo
ex-aluno de mestrado Mrcio Arantes.
Figura 1 Relao desse trabalho com trabalhos do grupo de pesquisa.
ICMC/USP
VANT Ferramenta
Tese-Doutorado Tese-Doutorado Monograa-Graduao
Autor: Andr Mattei Autor: Nina Figueira Autor: Marcelo Hossomi

IFA MOSA AutoFG
Sistema Supervisor Sistema Supervisor Framework
Segurana Misso Testes
Deteco de Falha Monitoramento FlightGear
Conceitual
Usa o sistema IFA Usa a ferramenta
Usa a linearizao Usa a ferramenta
Tese-Doutorado Dissertao-Mestrado Dissertao-Mestrado
Autor: Mrcio Arantes Autor: Jesimar Arantes Autor: Mrcio Arantes

Rota para Misso Rota para Pouso ProOF
Escalabilidade Situao Crtica Otimizao
Representao Pouso Emergencial Framework
Linearizao Linearizao Experimentos
Fonte: Elaborada pelo autor.
1.2 Motivao e Justificativas

Uma motivao para este trabalho o elevado ndice de acidentes com VANTs com-
parados aos ndices encontrados em aeronaves tripuladas. Uma parcela considervel desses
acidentes ocasionada pela tomada de decises equivocadas dos pilotos localizados em terra.
Desse modo, surge a necessidade de se construir sistemas planejadores de rotas capazes de
oferecer alternativas ao piloto em solo ou executar o planejamento de uma nova rota de forma
autnoma. Outra motivao que os VANTs devem ser o tipo predominante de aeronaves em
um futuro prximo, o que gera preocupao quanto a segurana do ambiente areo.
Uma srie de acidentes envolvendo drones, usados para fins recreativos, vitimaram
pessoas Smartdrones (2014c), Smartdrones (2014b), Smartdrones (2014a), Mortimer (2012). H
tambm registros de acidentes com VANTs em aplicaes militares, revelando a ocorrncia de
mais de 400 acidentes em todo o mundo desde 2001 (OGLOBO, 2014).
Um elemento que justifica o estudo do replanejamento de rotas na ocorrncia de situaes
crticas a ausncia de trabalhos a respeito desse tema. O comportamento da aeronave diante
de cada tipo de problema exige um nvel maior de compreenso quanto a forma de executar
determinada rota de pouso, por exemplo, dado um certo tipo de falha no equipamento. De acordo
com o Centro de Investigao e Preveno de Acidentes Aeronuticos (CENIPA), as principais
avarias que levaram aeronaves civis queda so: falhas no motor em voo 21, 6%; perda do
controle em voo 19, 7%; perda do controle em solo 11, 5%; coliso em voo controlado com o
terreno 9, 6% (CENIPA, 2012, pg. 17). Todas essas falhas somam mais de 60% dos acidentes
envolvendo aeronaves tripuladas.
O entendimento de cada uma dessas falhas no contexto dos VANTs e o desenvolvimento
de algoritmos capazes de lidar com cada uma delas so fatores relevantes que justificam o
presente estudo. Estudos desse tipo podero auxiliar tanto na maior autonomia de voo quanto na
melhoria do nvel de segurana.
1.3 Objetivos
Este trabalho visa promover maior segurana aos voos de VANTs, projetando algoritmos
planejadores de rotas que levem em conta as principais situaes crticas que podem ocorrer em
tais aeronaves.
Nesta dissertao, foi estabelecida como meta atingir os seguintes objetivos especficos:
Investigar e elencar as principais situaes crticas que levam os VANTs a queda e suas
causas;
Desenvolver modelos matemticos que representem os controles, os estados e a dinmica

da aeronave, considerando as situaes crticas que podem ocorrer durante seu voo;
Elaborar mapas para voo que contenham um conjunto de regies diversificadas ao voo e
pouso do VANT, atravs de um gerador automtico de mapas;
Avaliar e implementar uma srie de algoritmos planejadores de rotas como Heurstica

Gulosa (HG), Algoritmo Gentico (AG), Algoritmo Gentico Multi-Populacional (AGMP)
e Programao Linear Inteira Mista (PLIM) capazes de tratar as principais situaes
emergenciais consideradas;
Avaliar o desempenho e comportamento dos algoritmos implementados em experimentos

offline e online;
Comparar e discutir os resultados obtidos para as diferentes estratgias de pouso nos mais
diferentes cenrios.
1.4 Lacunas
A pesquisa efetuada durante a dissertao mostrou que existem vrios trabalhos que
tratam de planejamento de caminho como Blackmore, Ono e Williams (2011) e planejamento
de misso como Ono, Williams e Blackmore (2013), Li (2010) para VANTs, no entanto, esses
trabalhos geralmente, apresentam o planejamento sem considerar avaria na aeronave. Existem
1.5. Contribuies e Limitaes 35
algumas pesquisas que lidam com o problema de pouso em caso de emergncia como Meuleau
et al. (2009), Meuleau et al. (2011), mas lidam com aeronaves tripuladas e tambm no tratam
falhas que levem a queda imediata. Existem poucos trabalhos estudando o pouso emergencial
de VANTs como Li, Chen e Li (2014) e Li (2013), contudo, os mesmos apresentam algumas
limitaes nos experimentos realizados ao no definirem bem as falhas a que as aeronaves
estariam sujeitas.
Sendo assim, a pequena quantidade de trabalhos que lida com situaes crticas e
planejamento de rotas de pouso para VANTs uma lacuna a ser preenchida e que motivou o
desenvolvimento deste trabalho.
1.5 Contribuies e Limitaes

Espera-se contribuir com o desenvolvimento de modelos matemticos que representem a
dinmica da aeronave avariada e determinem uma rota de pouso adequada para cada situao
crtica. Alm disso, mtodos heursticos e metaheursticos sero propostos visando a obteno
de solues de boa qualidade dentro de um tempo computacional razovel. Deseja-se contribuir
na modelagem e definio de regies de interesse e de no interesse ao pouso do VANT. Uma
possvel contribuio prtica o desenvolvimento de um sistema autnomo de planejamento
de rotas que minimize danos em caso de situao crtica e que seja capaz de reduzir o grau de
dependncia de operadores humanos nas tomadas de decises.
Este trabalho apresenta tambm alguns pontos que podem limitar o seu desenvolvimento.
O VANT precisa conhecer o cenrio de voo, j que qualquer eventual mudana no cenrio
pode afetar os resultados. Um sistema embarcado que possibilite acesso a tais informaes
precisa ser estabelecido para a aplicao em cenrios reais. Uma segunda limitao est na
complexidade dos modelos matemticos capazes de representar a dinmica da aeronave no
contexto considerado. Devido a alta complexidade de tais modelos, a obteno de soluo tima
em tempo real se torna invivel. Isso limita o uso embarcado de solvers como CPLEX que so
capazes de garantir uma soluo tima. Por ltimo, outra limitao a dificuldade inerente
realizao de experimentos reais em campo, pois, trata-se de uma tarefa complexa que demanda
tempo e recursos financeiros.
1.6 Organizao
A organizao deste documento foi subdividida da seguinte forma:
Captulo 1: apresentou a contextualizao do problema, trazendo as motivaes, justifi-

cativas, objetivos, lacunas, contribuies e limitaes do presente trabalho;
Captulo 2: expe uma reviso bibliogrfica dos principais conceitos envolvidos em

VANTs, AGs e IFA, alm dos principais trabalhos relacionados;
Captulo 3: define o problema a ser estudado, apresenta a descrio, a modelagem

matemtica e um conjunto de situaes crticas a serem avaliadas;
Captulo 4: apresenta a metodologia a ser utilizada, detalhando os algoritmos utilizados

e a arquitetura a desenvolvida;
Captulo 5: mostra os resultados obtidos nesta dissertao como: gerador automtico de

mapas; modelo de dinmica do VANT e os experimentos das simulaes dos mtodos
propostos em experimentos offline e online;
Captulo 6: encerra esta dissertao mostrando as concluses, contribuies e possveis

linhas para pesquisas futuras.
37
CAPTULO
2
REVISO BIBLIOGRFICA
Se fui capaz de ver mais longe, porque

me apoiei em ombros de gigantes.
Isaac Newton
2.1 Introduo
Este captulo apresentar uma reviso dos principais conceitos utilizados neste trabalho
como: Veculos Areos No Tripulados (VANTs), Algoritmos Genticos (AGs) e In-Flight
Awareness (IFA). Posteriormente, sero apresentados os principais simuladores de voo estu-
dados como: FightGear, X-Plane, Microsoft Fight Simulator. Por fim, os principais trabalhos
relacionados com essa dissertao sero revisados.
2.2 Conceitos Importantes

A presente dissertao definir alguns conceitos relacionado aos VANTs para facilitar
o entendimento do objeto estudado. No desenvolvimento dos mtodos propostos, conceitos a
respeito de AGs e IFA tambm precisam ser devidamente estabelecidos.
2.2.1 Veculos Areos No Tripulados

A Agncia Nacional de Aviao Civil (ANAC) define VANT ou drone como sendo
Aeronave projetada para operar sem piloto a bordo e que no seja utilizada para fins meramente
recreativos (ANAC, 2012a, pg. 3). Essas aeronaves podem ser controladas a distncia por
meios eletrnicos e computacionais, por pessoas e por piloto automtico (LEITE, 2013, pg. 4).
Segundo ANAC (2012b, pg. 3), os VANTs necessitam de infraestrutura remota para
sua operao por no possurem piloto a bordo. Essa infraestrutura compe o que se denomina
Sistema de Veculo Areo No Tripulado (SisVANT). O SisVANT formado pelo veculo
areo, os componentes necessrios decolagem, voo e pouso do veculo, os meios utilizados na
38 Captulo 2. Reviso Bibliogrfica
realizao da misso, a estao de pilotagem remota, os meios para comunicaes e controle,

entre outros. Este trabalho se encaixa na categoria de SisVANT, onde sero desenvolvidos
componentes que permitam o replanejamento da rota na ocorrncia de uma situao crtica.
2.2.1.1 Histrico de VANTs no ICMC
O Instituto de Cincias Matemticas e Computao da Universidade de So Paulo (ICMC-

USP) apresenta um histrico de pesquisas envolvendo VANTs. A seguir so apresentados alguns
desses projetos de pesquisa. O projeto Aeronave de Reconhecimento Autnoma e Remotamente
Assistida (ARARA) foi desenvolvido numa parceria entre o ICMC-USP e a Empresa Brasileira
de Pesquisa Agropecuria (EMBRAPA). Trata-se de um projeto voltado especialmente para
utilizao do VANT em agricultura de preciso. Tal projeto deu origem, em 2005, ao primeiro
drone de asa fixa desenvolvido com tecnologia brasileira (WIKIPDIA, 2014c). O Arara M1
uma aeronave proveniente dessa parceria, utilizada no monitoramento, reconhecimento e
vigilncia para operaes militares (AGX, 2014). A Figura 2 (a) apresenta o Arara M1.
O projeto da aeronave Tiriba, desenvolvido em 2011 pela empresa AGX em parceria
com o ICMC-USP, mostrado na Figura 2 (b). O resultado desse projeto foi o desenvolvimento
do primeiro VANT de propulso eltrica com tecnologia nacional, voltado para aplicaes
em mapeamento, monitoramento, levantamento ambiental e controle agrcola (AGX, 2014;
WIKIPDIA, 2014c).
Figura 2 Veculos Areos No Tripulados Arara M1, Tiriba e Ararinha.
(a) Arara M1. (b) Tiriba. (c) Ararinha.
Fonte: (a) Foto de AGX (2014). (b) Foto de AGX (2014). (c) Foto de GISA (2015).
Um projeto iniciado em 2013, totalmente nacional, o Ararinha. Trata-se de uma

iniciativa acadmica, aberta e de baixo custo para o desenvolvimento de sistemas areos no
tripulados. A Figura 2 (c) mostra essa aeronave. Ela foi desenvolvida pelo Grupo de Interesse
em SisVANTs e Aplicaes (GISA), localizado no ICMC-USP, cujo objetivo disseminar
conhecimento sobre a rea e promover aplicaes que envolvam a academia, indstria e iniciativas
amadoras. Mais informaes sobre o projeto so encontradas em GISA (2015).
A Tabela 1 apresenta as principais caractersticas tcnicas do Tiriba, que ser tomado
como base neste trabalho para a modelagem da dinmica de um VANT diante de uma situao
crtica.
2.2. Conceitos Importantes 39
Tabela 1 Detalhes tcnicos da aeronave Tiriba.
Atributo Valor
Decolagem Manual / Catapulta
Pouso Automtico / Paraquedas
Propulso Eltrica (1, 2kW )
Autonomia 40min a 1h60min
Envergadura 2m
Peso 3kg
Carga til 0, 7kg
Velocidade de cruzeiro 86km/h ou 24m/s
Velocidade terminal considerada 110km/h ou 30, 5m/s
Velocidade de sustentao considerada 40km/h ou 11, 1m/s
Acelerao mxima considerada 2m/s2
Fonte: Branco et al. (2011), Braga et al. (2011).
2.2.1.2 Componentes da Aeronave e Sistemas de Coordenadas
A aeronave possui um conjunto de componentes, controles e movimentos associados.

A seguir, ser ilustrado como eles esto organizados na presente dissertao para um avio de
asa fixa. A Figura 3 mostra um avio com suas principais superfcies de controle (aileron, leme
e profundor) e sistemas de coordenadas (eixo longitudinal, eixo lateral e eixo vertical) com os
respectivos movimentos (roll, pitch, e yaw) (RODRIGUES, 2011).
De forma geral, a aeronave possui trs eixos principais que so: eixo longitudinal (Xw ),
eixo lateral (Yw ) e eixo vertical (Zw ). Sobre esses eixos existem trs formas de rotacion-la
que so: roll ou rolamento que representa a rotao do veculo ao redor do eixo Xw , pitch ou
arfagem rotao sobre o eixo Yw e yaw ou guinada rotao ao redor do eixo Zw . Devido a
maior popularidade, as terminologias em ingls roll, pitch e yaw sero utilizadas. Os principais
elementos de controle da aeronave so: aileron, profundor, leme e motor, responsveis pelas
rotaes de roll, pitch, yaw e movimento do veculo areo. Os flapes tambm so utilizados no
controle, principalmente, no momento da decolagem e do pouso.
Uma descrio de como se relacionam os sistemas de coordenadas da aeronave e do
mundo importante. A Figura 4 mostra esses dois sistemas, no qual as coordenadas do mundo
permanecem invariveis em relao a posio da aeronave. Neste trabalho, considerado que as
equaes de movimento do VANT e toda a matemtica envolvida estar relacionada ao sistema
de coordenadas do mundo.
2.2.1.3 Situaes Crticas em VANTs
Existem poucas fontes que divulgam as causas de acidentes envolvendo aeronaves no

tripuladas. A Tabela 2 apresenta um conjunto de problemas que ocorrem em VANTs organizado
pelo Conselho de Investigao de Acidentes (AIB) da Fora Area dos Estados Unidos (USAF)
Figura 3 Eixos da aeronave e superfcies de controle da aeronave.
Fonte: Adaptada de Rodrigues (2011).
Figura 4 Sistemas de coordenadas da aeronave e do mundo.
(DRONEWARS, 2016).
As falhas mencionadas nessa tabela serviro de base para os estudos dessa dissertao,
onde as situaes crticas consideradas sero detalhadas no Captulo 3. A Tabela 2 apresenta
as falhas levantadas na pesquisa. Dada a ausncia do piloto, a falha com Id:3 no ocorreria
no sistema proposto neste trabalho. A falha Id:8 complexa e restrita ao ambiente militar,
dessa forma, no ser tratada neste estudo. As situaes id:4, 6, 10, 13 e 14 tambm no sero
consideradas por serem especficas e de difcil modelagem. As falhas consideradas neste trabalho
so: id:1 e 12 tratadas aqui como falhas no motor; id:9 e 11 sero assumidas como problemas
na bateria (combustvel); id:2, 5 e 7 sero falhas que impedem o VANT, por exemplo, de virar
para a esquerda ou para a direita. Esses dois ltimos tipos de problemas ilustram casos em que
a aeronave no consegue ativar o leme e/ou aileron, responsveis pelas curvas esquerda e
2.2. Conceitos Importantes 41
Tabela 2 Detalhes de acidentes envolvendo VANT militares.
Identificao da falha Ano de ocorrncia (Quantidade)

Id Falha ocorrida 2007 2008 2009 2010 2011 2012 2013 2014 2015 Total
1 Falha do motor 6 2 1 3 6 1 1 20
2 Falha mecnica 3 6 1 1 3 2 3 19
3 Erro do piloto 2 1 7 1 3 2 16
4 Perda de comunicao 2 3 2 2 3 3 15
5 Falha eltrica 2 2 1 1 6
6 Condies meteorolgicas 1 2 2 5
7 Falha eletrnica 1 2 3
8 VANT abatido 2 2
9 Vazamento de combustvel/leo 1 1 2
10 Bater na pista de decolagem 2 2
11 Falha no sistema de alimentao 1 1
12 Problemas nas hlices 1 1
13 Falha mecnica e meteorolgica 1 1
14 Asa esquerda caiu 1 1
15 Falha no controle da asa direita 1 1
16 Desconhecida 5 14 14 11 23 18 19 8 16 128
Total de acidentes 15 26 27 22 30 36 29 18 20 223
Fonte: Adaptada de DroneWars (2016).
direita.
Na Tabela 2, h um total de 95 falhas conhecidas de um total de 223. As situaes crticas
consideradas nesta dissertao correspondem a 53 ocorrncias de um total de 95. Dessa maneira,
caso os mtodos propostos aqui consigam abordar todas as situaes crticas mencionadas, um
tratamento satisfatrio ser dado a 55, 7% das avarias conhecidas, representando 23, 7% do total.
2.2.2 In-Flight Awareness

O conceito chamado In-Flight Awareness (IFA) est relacionado ideia de Conscincia
Situacional (CS) em aeronaves no tripuladas, de acordo com Mattei (2015). O IFA um sistema
supervisor que monitora todos os aspectos relacionados segurana da aeronave (MATTEI,
2015). Esse monitoramento feito atravs de um conjunto de sensores que verificam o funciona-
mento dos principais componentes da aeronave. O sensoriamento realizado permite processar as
informaes, visando mitigar acidentes ou simplesmente atualizar o plano de voo, mediante um
algoritmo de planejamento de rota. Os autores em Mattei et al. (2013) apresentam uma taxonomia
de fatores internos (como o estado de funcionamento da aeronave obtido atravs de sensores
onboard) e externos (como condies meteorolgicas obtidas via enlace de comunicao com a
estao de base) ao VANT. Em caso de condies no favorveis ao voo, uma estratgia baseada
em rvore de deciso utilizada para atualizar o plano de voo. Uma proposta de implementao
do sistema IFA descrita em Mattei et al. (2015), chamada In-Flight Awareness Augmentation
Systems (IFA2 S), apresentando como seria sua integrao a uma aeronave do mundo real. Nesse
mesmo trabalho, um estudo de caso foi conduzido considerando uma simulao que integra o
Labview (linguagem de programao baseada em fluxo de dados) ao simulador de voo X-Plane.
A definio original para o termo Conscincia Situacional (CS) foi dada por Endsley
(1988): a percepo de elementos no ambiente dentro de um volume de tempo e de espao,

a compreenso de seu significado e a projeo de seu status no futuro prximo. O trabalho
de Drury, Riek e Rackliffe (2006) usa a definio de Endsley (1988), mas a altera de forma a
tornar mais fcil o reconhecimento da presena de grupos de pessoas e de VANTs durante uma
operao. O trabalho de Drury, Riek e Rackliffe (2006) tambm analisou alguns dos fatores
que afetam um voo e, consequentemente, possveis de serem considerados como insumo para
IFA. Elementos como o estado dos sistemas da aeronave, condies climticas, o estado da
carga til, o conhecimento do operador sobre as capacidades da plataforma e as dinmicas foram
mencionados para serem considerados durante a decomposio do problema. A percepo dos
elementos mencionados fundamental para que a aeronave possa cumprir sua misso.
Em um trabalho posterior, os autores em Endsley e Jones (2006) apresentaram outra
definio para CS: entendimento compartilhado do subconjunto de informaes necessrio
para cada um de seus objetivos. Essa definio para CS utilizada em Seppnen et al. (2013.)
sob a tica da gesto de desastres, onde se pode encontrar uma situao particular na qual a
coordenao, a informao compartilhada e a resposta rpida so figuras-chave para a eficincia.
Aqui CS um conceito importante para o cumprimento da misso e foi desenvolvido para ser
utilizado como uma ferramenta para aumentar a conscincia da situao dos VANT em ao.
Para situaes emergenciais, as informaes necessrias devem estar disponveis no momento
certo e no formato adequado.
Os sistemas para evitar acidentes envolvem radares Air Traffic Control (ATC), sistemas
Sense and Avoid (S&A) e os pilotos a bordo como uma medida final. Levando em considerao
que os VANTs so uma plataforma robtica, projetada para transportar cargas teis com o objetivo
de realizar misses em um ambiente em constante mudana, fundamental estabelecer formas de
melhorar a conscincia situacional para alm da percepo de possveis colises. Considerando
tambm que segurana um fator importante para viabilizar a integrao dos VANTs ao espao
areo, preciso criar formas de trazer novamente a bordo o que foi eventualmente perdido com a
sada dos pilotos.
O IFA est integrado a aeronave como um componente dela, da mesma forma que o
Piloto Automtico (AP) e o Mission Oriented Sensor Array (MOSA). A Figura 5 mostra essa
relao. A principal tarefa do MOSA o comprimento da misso, ele possui acesso a um
conjunto de sensores do veculo areo (FIGUEIRA et al., 2013). Uma outra tarefa relacionada
misso o controle da carga til e tambm a trajetria de voo. O VANT navega usando um AP
para manter um plano de voo pr-definido para realizar a misso. Todas as responsabilidades
ligadas s questes de segurana so destinadas ao IFA, assim, ele pode utilizar as informaes
provindas de uma srie de sensores da aeronave para garantir a segurana. Esta dissertao visa
integrar ao IFA um planejador de rotas que leve o VANT at uma regio considerada segura aps
a ocorrncia de uma situao crtica.
2.3. Simuladores de Voo 43
Figura 5 Esquema da integrao entre sensores, atuadores, IFA, AP e MOSA na aeronave.
2.3 Simuladores de Voo

Simulao a imitao da operao de um processo do mundo real ou do sistema ao
longo do tempo Banks (2000). Um simulador de voo um software que tenta recriar a realidade
existente no voo de uma aeronave em funo do tempo de voo. Conseguir simular o mundo da
maneira mais realstica possvel uma importante tarefa a ser realizada por um simulador de voo.
Pensando nisso, muitos simuladores de voo incluem turbulncias, mudana do clima, transio
do tempo, entre vrios outros fatores externos.
Esta seo apresenta uma breve reviso sobre algumas caractersticas de trs principais
simuladores de voo encontrados: FlightGear, X-Plane e Microsoft Flight Simulator.
2.3.1 FlightGear
FlightGear (FG) um software de simulao de voo multiplataforma, utilizado em
pesquisa acadmica, educao e para entretenimento. Trata-se de uma ferramenta computacional
lanada de forma livre e com cdigo aberto, sob a licena GPL (FLIGHTGEAR, 2014b). A
Figura 6 apresenta uma tela do simulador. O FlightGear se caracteriza pelo seu realismo e por
possuir uma grande variedade de aeronaves, aeroportos e cenrios disponveis para download. O
desenvolvimento desse simulador tem como foco principal o realismo e a possibilidade do seu
uso para pesquisas, no sendo voltado para jogos. A ferramenta exige um conhecimento mnimo
de pilotagem e lidar com seus controles pode gerar uma dificuldade inicial (WIKIPDIA, 2014a).
O motor de simulao SimGear utilizado pelo FG, sendo um software para simulaes
independente do FG (FLIGHTGEAR, 2014d). Tambm utilizado o TerraGear, que um
programa de dados de terrenos capaz de produzir efeitos climticos que incluem nuvens 3D,
efeitos de iluminao e hora do dia (FLIGHTGEAR, 2014e). Esse simulador utiliza a biblioteca
Figura 6 Simulador de voo FlightGear.
Fonte: FlightGear (2014a).
OpenGL para desenhar rotinas grficas 3D (FLIGHTGEAR, 2014c).
2.3.2 X-Plane
O simulador X-Plane, entre todos os simuladores de voo, o nico simulador para
computador credenciado pela Administrao Federal de Aviao (FAA) para treinamento de
pilotos (X-PLANE, 2014a). Esse simulador possui uma alta preciso no modelo de voo, uma
grande base de dados de aeronaves e terrenos, cenrios de navegao de todo o mundo (ASTUTI
et al., 2007). A Figura 7 mostra a tela de interface do simulador X-Plane.
Figura 7 Simulador de voo X-Plane.
Fonte: X-Plane (2014c).
X-Plane conta com um editor de mapas chamado World Editor que capaz de criar
cenrios e aeroportos 2D (X-PLANE, 2014b). Um outro recurso importante deste simulador o
Plane Maker que permite aos usurios personalizar ou criar aeronaves (X-PLANE, 2013).
2.3.3 Microsoft Flight Simulator

Microsoft Flight Simulator (MSFS) um jogo de computador e tambm um simulador
de voo (MICROSOFT, 2014). Na Figura 8, apresentada uma tela do simulador de voo Flight
Simulator. Ele distribudo na forma Free-to-Play, ou seja, o jogo gratuito, porm o usurio
paga por contedo extra, como aeronaves ou paisagens. A partir de 2010 o simulador mudou de
2.3. Simuladores de Voo 45
nome para Microsoft Flight e permaneceu em desenvolvimento at 2012, quando foi cancelado
(WIKIPDIA, 2014b).
Figura 8 Simulador de voo Microsoft Flight Simulator.
Fonte: Microsoft (2014).
2.3.4 Comparao dos Simuladores

A Tabela 3 traz um resumo de algumas caractersticas dos simuladores de voos estudados.
Entre essas caractersticas destacam: o ano de lanamento, o ano da ltima verso, a portabilidade
para diferentes sistemas operacionais, o modo de licena, a distribuio e qual a linguagem de
programao em que foi desenvolvido.
Tabela 3 Comparaes entre os simuladores de voo: FightGear, X-Plane e Microsoft Flight Simulator.
Simulador Lanamento ltima Verso Sistema Operacional Licena Distribuio Linguagem

FG 1997 2015 Windows, Linux, Mac OS, GPL Grtis C/C++
FreeBSD, Solaris, IRIX
X-Plane 1993 2015 Windows, Linux, Mac OS Proprietrio Pago C/C++
MSFS 1982 2012 Windows Proprietrio Free-to-Play C/C++/C#
Nesta dissertao, dois tipos de experimentos sero efetuados: experimentos offline e

online. Chama-se aqui experimentos offline, as simulaes onde os algoritmos responsveis
pelo pouso da aeronave no esto sendo executados juntamente com o simulador de voo. J
experimentos online ocorrem quando o algoritmo planejador de rotas est sendo executado junto
a um simulador de voo. No segundo caso, toda a dinmica do veculo areo e do ambiente
herdados do simulador de voo so considerados, tornando a simulao mais realista. Utilizou-se
o simulador FlightGear na etapa de experimentos online, pois ele suporta mltiplas plataformas,
sua distribuio gratuita e se trata de um sistema em constante atualizao.
2.4 Trabalhos Relacionados

O planejamento de misso para veculos autnomos foi abordado em Li (2010), Black-
more, Ono e Williams (2011), Ono, Williams e Blackmore (2013), onde foi modelado como
um problema de Programao Inteira Mista (PIM). Em Li (2010), proposto um sistema capaz
de planejar uma sequncia de aes discretas e controles contnuos, aplicados em veculos
autnomos areos e submarinos. O sistema planejador fornece ao veculo um nvel de autonomia
que permite a tomada de deciso tima durante o cumprimento de sua misso. Esse trabalho
apresenta duas inovaes. Primeiro, utiliza uma representao compacta para todos os planos
factveis, sendo o primeiro trabalho a tratar o planejamento para aes contnuas e discretas em
conjunto. Segundo, apresenta uma formulao para definir em alto nvel o conjunto das aes
que o VANT pode tomar e o scheduling dos objetivos da misso. Entretanto, o sistema proposto
no considerava a alocao de risco na tomada de deciso.
Os autores em Blackmore, Ono e Williams (2011) utilizam alocao de risco durante o
planejamento de rotas para VANTs, onde o risco de coliso com obstculos deve estar dentro de
uma margem de segurana. O problema de planejamento de rotas descrito usando modelos
estocsticos. O problema se torna no convexo ao incorporar o desvio de obstculos, assim, os
autores propuseram relaxaes e aproximaes para resolv-lo. No entanto, o planeamento de
misso no considerado pelos autores, eles tratam apenas o planejamento de caminho de um
ponto origem at um destino com desvio de obstculos e alocao de riscos.
O planejamento de misso estudado em Ono, Williams e Blackmore (2013), onde um
novo sistema planejador proposto e melhorias no tratamento de alocao de risco em relao a
Blackmore, Ono e Williams (2011) so introduzidas. O sistema incorpora scheduling para as
tarefas a serem executadas, semelhantemente ao trabalho de Li (2010), planejando o tempo em
que o veculo dever atingir uma srie de objetivos da misso. Assim, a misso pode ser descrita
como um conjunto de episdios que ocorrem entre dois eventos. Os episdios especificam
objetivos a serem cumpridos pelo VANT e cada episdio tem um risco associado. Esse trabalho
foi validado em dois cenrios: Sistema de Transporte Pessoal e Sistema de Transporte de Carga
Aeroespacial. O algoritmo utilizado pelos autores baseado na tcnica Branch and Bound
(B&B).
O replanejamento de rota a partir de uma situao crtica tratado em Meuleau et al.
(2009), onde um sistema ajuda os pilotos de avies tripulados a determinar o melhor local de
pouso de aeronaves avariadas. Aps a falha no avio, o piloto deve primeiro recuperar o controle
da aeronave e, em seguida, o objetivo encontrar o melhor local para o pouso de emergncia.
Vrios fatores so avaliados para determinar o local de queda como: condies atuais de controle
da aeronave (recursos disponveis), distncia para o local de pouso, condies meteorolgicas da
rota, caractersticas da trajetria de aproximao, caractersticas do local de pouso, equipamentos
de emergncia disponveis no local e perigo populao ao longo da trajetria de pouso. O
sistema proposto, chamado de Planejador de Pouso de Emergncia (PPE), avalia esses fatores e
2.4. Trabalhos Relacionados 47
prope rotas, bem como possveis locais de pouso para a aeronave. O PPE utiliza um algoritmo
A* hbrido.
Em um trabalho posterior, os autores em Meuleau et al. (2011) analisam o comportamento
do algoritmo A* proposto em Meuleau et al. (2009) atravs da sua aplicao em um cenrio real.
Os autores realizaram testes em um simulador de voo para aeronave de grande porte, onde o A*
hbrido utilizado para determinar o local de pouso. A heurstica de estimativa utilizada para
guiar o A* combina a distncia euclidiana de cada pista de pouso possvel e os riscos associados
aproximao e aterrissagem naquela pista. O PPE projetado considera apenas aeroportos e
pistas oficialmente reconhecidos. A simulao considera panes que ocorrem entre 1 a 3 minutos
de voo, onde o algoritmo PPE acionado para auxiliar os pilotos. O algoritmo exibe as possveis
rotas de pouso de emergncia da aeronave para o piloto da aeronave.
Existem poucos trabalhos enfatizando o pouso de aeronaves em situao crtica como
reportado em Meuleau et al. (2011), Meuleau et al. (2009). Nos dois primeiros trabalhos,
conforme descrito, considera-se o pouso emergencial de aeronaves tripuladas de grande porte.
Trabalhos tratando o pouso emergencial de VANTs so tambm escassos como reportado em
Li, Chen e Li (2014), Li (2013). Nesses trabalhos, as falhas no so bem definidas e no so
apresentados experimentos rigorosos considerando tais falhas.
H uma grande quantidade de trabalhos abordando o pouso de VANTs como Hermansson
et al. (2010), Kim et al. (2013), Li, Chen e Li (2014), Li (2013), Saripalli, Montgomery e
Sukhatme (2002), Zhao e Pei (2012). A grande maioria trata o pouso autnomo de VANTs com
asa rotativa Hermansson et al. (2010), Li (2013), Saripalli, Montgomery e Sukhatme (2002),
Zhao e Pei (2012). Efetuar o pouso de veculo areo de asa rotativa tem como vantagem a baixa
velocidade no momento do pouso devido a sua capacidade de flutuar. Os autores em Hermansson
et al. (2010), Kim et al. (2013), Saripalli, Montgomery e Sukhatme (2002), Zhao e Pei (2012)
efetuam o pouso considerando estaes de pouso estacionrias com cenrios de testes menores
que 20m 20m. A presente dissertao lida com cenrios de 1000m 1000m.
Algoritmos evolutivos tem sido utilizados no planejamento de rotas para VANTs. O
autor Pehlivanoglu (2012) utilizou AG com diagrama de Voronoi para planejamento de rotas
de voos autnomos. Nesse trabalho, dada nfase na nova estratgia de mutao criada, que
foi separada em diversidade aleatria global e local. O diagrama de Voronoi utilizado na fase
inicial do processo de gerao da populao. A tcnica proposta levou a melhoria na qualidade
dos indivduos da populao o que acelerou a convergncia do mtodo.
No trabalho de Tuncer e Yildirim (2012) foi utilizado AG no planejamento de rotas
para Veculos Terrestres No-Tripulados (VTNT). Um novo operador de mutao, aplicado ao
planejamento de caminho em ambientes dinmicos e com obstculos, proposto. Esse operador
evita a convergncia prematura do mtodo e consegue encontrar o caminho ideal vrias vezes. O
ambiente a ser percorrido no trabalho representado por uma malha (grid).
Mtricas para comparar planejadores de caminho para VANTs foram proposta em Besada-
Portas et al. (2013), onde so levadas em considerao a complexidade e peculiaridades do
problema tratado. As mtricas criadas analisam o desempenho dos mtodos de forma grfica.
Os autores avaliaram o desempenho de trs tcnicas: Algoritmo Gentico (AG), Otimizao por
Enxame de Partculas (OEP) e Evoluo Diferencial (ED). Os resultados indicaram que o AG
foi o melhor mtodo, seguido pelo OEP e ED respectivamente.
ED aplicada em Zhang e Duan (2015) no planejamento de rota para VANT em am-
bientes tridimensionais. A rota projetada para ter curta durao e baixa altitude de voo. A
aeronave deve evitar regies no navegveis, regies com radares, msseis e armas antiareas. Os
resultados foram obtidos a partir de dois diferentes cenrios aplicados a ambientes de guerra e se
mostrou, em geral, superior aos onze algoritmos da literatura comparados em termos de robustez
e velocidade de convergncia.
Os autores em Varela et al. (2014) tambm utilizaram ED para cenrios de busca e
resgate em tempo real com VANTs. Esse trabalho lida com um conjunto de aeronaves autnomas
utilizado para tratar a tarefa de resgate em uma grande rea. Os resultados so comparados com
uma estratgia baseada em Inteligncia de Enxame (IE). A abordagem evolutiva mostrou-se
melhor que a IE, pois, a IE diminui o seu desempenho com o aumento do nmero de alvos de
resgate, o que no ocorre com a ED.
No trabalho de Nikolos, Tsourveloudis e Valavanis (2007), o planejamento de rotas para
mltiplos VANTs baseado em ED. As rotas planejadas so representadas por curvas 3D usando
a tcnica B-Spline. O cenrio representado por uma malha tridimensional. Dois casos de testes
so validados: offline, onde rotas so geradas em ambiente conhecido e com restries de voo
conhecidas, e online, onde as rotas rotas so criadas em ambiente estticos e desconhecidos,
usando as informaes dos sensores da aeronave.
O problema de pouso emergencial, tratado nessa dissertao, poderia ser resolvido por
uma grande quantidade de mtodos, heursticas e metaheursticas, alm das descritas acima como:
Multi-Start, Simulated Annealing, Busca Tabu, GRASP, Algoritmos Memticos, Algoritmo de
Estimao de Distribuio (AED), Campos Potenciais, A*, Dijkstra, Otimizao por Colnia
de Formigas (ACO) e Otimizao por Enxame de Partculas (OEP). Algumas dessas tcnicas,
necessitam de uma maior ou menor adaptao do problema ao mtodo, por exemplo, o algoritmo
A* necessita de uma discretizao do espao de busca j o algoritmo de Dijkstra no leva em
conta a dinmica associada ao veculo de asa fixa.
O presente trabalho prope o uso de Algoritmo Gentico Multi-Populacional (AGMP),
onde indivduos so hierarquicamente estruturados em rvores. Essa abordagem foi introduzida
por Franca, Mendes e Moscato (2001) com indivduos seguindo uma hierarquia baseada no seu
valor de fitness em uma rvore ternria. Tal abordagem tem sido aplicada para resolver problemas
em diferentes contextos como programao da produo na indstria de embalagem de vidro
(Toledo et al. (2013)), clulas de manufatura (Tavakkoli-Moghaddam, Gholipour-Kanani e
2.5. Concluso 49
Cheraghalizadeh (2008)), problema do caixeiro viajante (Buriol, Franca e Moscato (2004)),

ordenao de dados (Moscato, Mendes e Berretta (2007)), entre outros, com resultados relevantes
alcanados.
Os estudos conduzidos em Li (2010), Blackmore, Ono e Williams (2011), Ono, Williams
e Blackmore (2013) tiveram avanos no tratamento de risco para planejamento e garantem
que a misso planejada seja executada dentro de uma margem de segurana, considerando as
imprecises dos equipamentos e do ambiente. Entretanto, no considerado o aparecimento de
situaes crticas. O planejamento assume que os equipamentos tenham imprecises conhecidas
e, por isso, os trabalhos tratam a alocao de risco. No considerado que possa haver uma falha
total em um equipamento.
Alm das heursticas e metaheursticas propostas, esta dissertao apresenta uma formu-
lao matemtica para o problema de replanejamento de caminho baseada no modelo descrito
em Blackmore, Ono e Williams (2011) para planejamento de caminho com alocao de risco.
Porm, a presente proposta planeja uma rota de pouso vlida, dada uma falha e um ponto origem.
Quando se considera falhas em aeronaves, o presente estudo se assemelha ao descrito em Meu-
leau et al. (2009). Todavia, difere por lidar com VANTs, possuir um conjunto diferente de falhas
associadas e por apresentar falhas severas que levam a queda da aeronave de forma imediata. Em
Meuleau et al. (2009), a aeronave era capaz de executar o voo mesmo com a falha. Em relao
s tcnicas aplicadas na soluo do problema, este trabalho se assemelha com Toledo, Lima e
Arantes (2012), Toledo et al. (2013) ao aplicar tcnicas de computao evolutiva.
2.5 Concluso
Este captulo apresentou os principais conceitos envolvidos com VANTs; AGs e IFA. A
relao entre IFA, AP e MOSA com os sensores e atuadores da aeronave foi estabelecida. Uma
breve descrio de alguns simuladores de voo existentes tambm foi apresentada. Todos esses
conceitos so importantes e do suporte para a compreenso dos captulos seguintes.
Ao fim desse captulo, foram descritos trabalhos relacionados a presente dissertao.
Esses trabalhos serviram de base para o desenvolvimento da modelagem matemtica e dos
mtodos para a soluo do problema de pouso emergencial abordado.
51
CAPTULO
3
PROBLEMA ABORDADO
Para qu preocuparmo-nos com a morte?

A vida tem tantos problemas que temos de
resolver primeiro.
Confcio
3.1 Introduo
O problema abordado ser descrito inicialmente em linhas gerais e ilustrado atravs de
um exemplo. Em seguida, uma formulao matemtica proposta para estabelecer os objetivos
e restries considerados neste trabalho.
3.2 Descrio do Problema

As caractersticas do problema abordado sero apresentadas a partir de um exemplo
descrito a seguir e ilustrado nas Figuras 9 e 10.
Misso: O Veculo Areo No Tripulado (VANT) inicia seu voo na pista A para executar
tarefas em uma misso previamente definida. O mesmo deve sobrevoar as florestas, desviando
das casas e do aeroporto. O destino de pouso a pista B. Ele deve permanecer dentro da regio
segura ao voo em toda a trajetria.
Planejamento de pouso emergencial: Durante a execuo da misso, a aeronave apresenta
problemas que so detectados pelo sistema supervisor In-Flight Awareness (IFA). O sistema
supervisor decide abortar a trajetria atual e executa um replanejamento da rota visando um
pouso emergencial. A nova rota ser obtida atravs da minimizao de possveis danos a pessoas,
propriedades e a prpria aeronave. Nesse exemplo, a nova rota leva o VANT a pousar na pista
C.
A Figura 9 (a) apresenta as reas dentro do cenrio (mapa) considerado: duas reas
povoadas, florestas, rvores, montanhas, um aeroporto para aeronaves tripuladas e trs pistas para
VANTs. A Figura 9 (b) ilustra um possvel tratamento das regies como obstculos, representados
52 Captulo 3. Problema Abordado
Figura 9 Cenrio geral do problema abordado.
(a) Cenrio ilustrativo. (b) Modelagem das regies.
por poliedros no espao tridimensional (polgonos no espao bidimensional). Por exemplo, O

VANT no pode sobrevoar regies povoadas e aeroportos. Logo, os respectivos poliedros na
Figura 9 (b) tem uma altura infinita (h[]), representando assim a impossibilidade de voo.
Florestas e montanhas podem ser sobrevoadas, logo, o poliedro assume a altura da maior rvore
ou do maior pico naquelas regies. A Figura 10 apresenta uma possvel rota replanejada, onde o
VANT forado a pousar na regio C.
3.2.1 Conjunto de Regies Modeladas

Vrias regies podem ser mapeadas previamente para a execuo da misso. Isso per-
mite que sejam separadas em conjuntos de acordo com suas caractersticas. Esses conjuntos,
representados por , foram estabelecidos e definidos de acordo com a probabilidade desejada de
pouso da aeronave nas regies. Um total de quatro conjuntos foram definidos neste trabalho.
1. Conjunto No Navegvel (n ): A aeronave no pode sobrevoar e pousar nas regies

deste conjunto. As regies dentro deste conjunto podem ser representadas por aeroportos,
bases militares, regio povoadas e outras reas com restries ao voo. A penalizao por
sobrevoar essas regies altssima.
2. Conjunto Navegvel com Penalizao ( p ): O VANT pode sobrevoar regies deste

conjunto, mas no desejvel que o mesmo pouse sobre elas. As regies deste conjunto
podem representar florestas, montanhas, lagos, entre outras, onde o voo de aeronaves
permitido, mas o seu pouso deve ser evitado. As consequncias devido queda nessas
regies so relevantes, podendo acarretar prejuzos financeiros ou acidentes envolvendo
3.2. Descrio do Problema 53
Figura 10 Cenrio para o planejamento de misso com replanejamento de rota em caso de situao crtica.
pessoas. Por isso, haver uma penalizao considervel no caso de pouso nessas regies.
As regies desse conjunto sero ao longo do texto chamadas de regio penalizadora.
3. Conjunto Navegvel e Bonificador (b ): O VANT pode sobrevoar e desejado que

ele pouse numa das regies deste conjunto. As regies so planas e adequadas ao pouso
como campos gramados ou reas com plantaes rasteiras. A pista de origem e destino da
aeronave tambm pertencem a este conjunto. O pouso em uma dessas regies representa
a grande chance do veculo areo ser salvo. Neste caso, h uma bonificao ao invs
de penalizao. As regies desse conjunto sero ao longo do texto chamadas de regio
bonificadora.
4. Conjunto Remanescente (r ): A aeronave pode sobrevoar e pousar nessa regio. Este

conjunto representa as reas restantes que no foram classificadas para o pouso. No
h restries ao voo ou pouso nessas regies, mas no h informao suficiente para
classific-los em um dos conjuntos p e b .
Os trs primeiros tipos de regies dos conjuntos definidos acima (n , p e b ) foram

modelados atravs de polgonos convexos. A cada uma dessas regies foi atribudo um peso
associado penalizao/bonificao do pouso forado do VANT em tais lugares. A regio r
descreve um espao no convexo. Neste trabalho, a regio onde a aeronave pousou ser denotada
por ? com ? {n , p , b , r }.
3.2.2 Situaes Crticas Modeladas

Algumas situaes crticas operao da aeronave foram definidas com base no levanta-
mento de dados descrito na Seo 2.2.1.3. O algoritmo de replanejamento deve ser informado
sobre o tipo de limitao imposta aeronave pelo problema detectado. Neste trabalho, algumas
situaes crticas foram consideradas, representadas por , e so descritas a seguir:
1. Problema no Motor (m ): O motor m apresenta problemas e para de funcionar. Neste

caso, uma regio adequada para o pouso tem que ser encontrada enquanto a aeronave paira.
Foi assumido uma perda total do motor, ou seja, no possvel aceler-la. Logo, o VANT
deve pousar rapidamente.
2. Problema na Bateria (b ): A bateria b apresenta um superaquecimento. Todos os con-

troles continuam funcionando, mas o VANT deve pousar o mais rpido possvel. Caso
o pouso demore, a bateria pode incendiar ou os componentes eletrnicos podem parar,
levando a aeronave a uma queda imediata. Um outro tipo de problema associado a bateria
a perda de potncia, sendo assim, o VANT deve pousar rapidamente.
3. Problema nas Superfcies Aerodinmicas tipo 1 (s1 ): A aeronave apresenta uma falha
em uma semi-asa s1 que a torna capaz de virar apenas para a esquerda. A principal
causa geralmente est associada a danos nas superfcies de controle aileron, leme ou
respectivos atuadores. Essa falha caracterizada pela perda do controle ltero-direcional
com incapacidade de apontamento e realizao de curvas para direita.
4. Problema nas Superfcies Aerodinmicas tipo 2 (s2 ): A aeronave apresenta uma falha
em uma semi-asa s2 que a torna capaz de virar apenas para a direita. A principal causa
disto geralmente est associada a danos nas superfcies de controle aileron, leme ou
respectivos atuadores. Essa falha caracterizada pela perda do controle ltero-direcional
com incapacidade de apontamento e realizao de curvas para esquerda.
5. Nenhum Problema ( ): A aeronave no apresenta nenhuma falha, logo, todos os

controles funcionam. Dessa maneira, o problema se transforma em uma simples rota de
pouso sem nenhuma avaria.
A situao crtica a que foi submetida a aeronave, durante o voo, ser representada por
? , onde ? {m , b , s1 , s2 , }.
3.3. Modelagem Restrita do Problema 55
3.2.3 Consideraes Sobre as Condies de Voo e Ambiente

Vamos assumir um cenrio no qual o VANT inicia seu voo e ganha certa altitude a uma
taxa constante, passando a executar a trajetria em determinada velocidade de cruzeiro. As
situaes crticas, por hiptese, iro ocorrer somente quando o voo est em cruzeiro e sero
consideradas apenas aquelas descritas na Seo 3.2.2.
Duas modelagem diferentes so apresentadas: uma modelagem restrita e outra completa.
A modelagem restrita efetua apenas o planejamento horizontal e assume uma taxa constante de
descida para o VANT. A modelagem completa efetua todo o planejamento da aeronave num
ambiente tridimensional. Aps o VANT atingir uma altitude ideal ao final da rota de pouso, ser
considerado que o paraquedas foi aberto e seu deslocamento horizontal ser nulo. Tambm pode
ser assumido que, ao final do ltimo waypoint da rota de pouso, um algoritmo assume o controle
e aterrissa a aeronave.
Algumas outras condies assumidas neste trabalho so: a velocidade do vento (ar)
igual a zero; a densidade do ar no muda com a altitude; a constante de resistncia do ar no
muda com o ngulo da aeronave; todos os cenrios (mapas) so carregados na memria do
VANT; os mapas so todos estticos, ou seja, no mudam com o tempo.
Os algoritmos envolvidos na etapa de decolagem no so tratados neste trabalho. A
misso envolvida no momento do voo cruzeiro tambm no tratada, ou seja, o problema
de pouso emergencial independente de misso. A presente dissertao possui como foco o
tratamento do pouso a partir do momento em que houve alguma falha na aeronave. Todas as
hipteses consideradas tem como objetivo definir o escopo do problema considerado.
3.3 Modelagem Restrita do Problema

Uma formulao matemtica restrita apresentada para descrever de forma resumida os
aspectos do problema abordado. A modelagem restrita no sentido de que apenas modelado o
planejamento horizontal do VANT. A dimenso altitude determinada atravs de uma queda
constante. Essa formulao vem de uma modelagem semelhante, descrita em Blackmore, Ono e
Williams (2011), para o planejamento de caminho com alocao de riscos. A hiptese de decai-
mento linear da altitude ser utilizada como base no desenvolvimento dos mtodos: Heurstica
Gulosa (HG), Algoritmo Gentico (AG) e Algoritmo Gentico Multi-Populacional (AGMP).
A seguir, encontram-se alguns parmetros e variveis de deciso utilizados na formulao
matemtica.
Parmetros:
1 , Z2 . . . Z |l |
l = {Zl l l
}: Conjunto de regies com l {n, p, b, r};
i : i-sima regio do conjunto l ;

Z l
|l |: Nmero de regies no conjunto l ;
Cl : Custo de pousar no conjunto l ;
T : Nmero de passos de tempo para pousar o VANT;
: Probabilidade do VANT violar uma regio no conjunto n ;
F : Funo de transio de estados para um determinado tipo de falha ;
t : Perturbao independente do estado, no instante t;
Q: Matriz 4 4 da covarincia associada a incerteza do ambiente;
x0 : Matriz 4 4 da covarincia associada a incerteza do VANT;
F d : Resistncia do ar ou fora do arrasto;
T : Discretizao do tempo com intervalo de tempo fixo.
Variveis de Deciso:
xt : Conjunto de estados do VANT (xt = [ptx pty vt t ] );
ptx : Posio no eixo x da aeronave no instante t;
pty : Posio no eixo y da aeronave no instante t;
vt : Velocidade horizontal do VANT no instante t;
t : ngulo horizontal do VANT no instante t;
ut : Conjunto de controles do VANT (ut = [at t ] );
at : Acelerao na horizontal do VANT no instante t;
t : Variao angular na horizontal do VANT no instante t.
Formulao Matemtica:
| p | |b |
i
Minimizar (C p Pr(xT Z p )) (Cb Pr(xT Zi b )) (3.1)
i=1 i=1
sujeito a:
xt+1 = F (xt , ut ) + t t = 0, 1, 2 . . . T (3.2)

3.3. Modelagem Restrita do Problema 57
n

T |
^ ^|
i
Pr xt
/ Z n 1 (3.3)
t=0 i=1
Uma discretizao do horizonte de planejamento T assumida com t = 0, 1, 2 . . . T . A

varivel de deciso xt representa o estado do VANT no instante t que dado por sua coordenada
no plano cartesiano (ptx , pty ), velocidade (vt ) e direo angular nesse plano (t ). A varivel ut
representa os controles aplicados na aeronave em t, onde temos a acelerao (at ) e a variao
angular (t ).
A funo objetivo (3.1) minimiza danos ao executar um pouso de emergncia. Ela
formada por duas partes: penalizao e bonificao. A primeira parte tem as penalidades (C p )
para uma rota que pousa a aeronave no ltimo passo de tempo (t = T ) dentro do conjunto de
i ). A segunda parte tem as recompensas (C ) para uma rota que
regies penalizadoras (xT Z p b
pousa a aeronave dentro das regies bonificadoras (xT Z i ). A funo Pr(.) utilizada nesta
b
formulao representa a probabilidade da aeronave no estado xt pertencer ou no a uma regio

particular em l .
Assim, como proposto em Blackmore, Ono e Williams (2011), assumido que as incerte-
zas e pertubaes (t ) seguem uma distribuio Gaussiana com rudo branco t N (0, Q) com
mdia zero e matriz de covarincia Q. Nessa modelagem, considera-se a incerteza da posio
como sendo constante ao longo do tempo. Tambm assumido que o estado inicial segue uma
distribuio Gaussiana com mdia x0 e matriz de covarincia x0 , ento x0 N (x0 , x0 ). Alm
disso, o estado futuro tambm segue uma distribuio Gaussiana e xt uma varivel aleatria.
As restries (3.2) descrevem as transies de estados do VANT, onde a dinmica dos
estados do VANT no tempo t + 1 definida a partir de posies e controles aplicados no instante
t mais a incerteza t causada por fatores externos. A funo F depende de cada tipo de situao
crtica ocorrida (). Os modelos de dinmica desenvolvidos consideram um VANT de asa fixa
com sistema de decolagem e aterrizagem convencional sobre pistas (CTOL). A expresso geral
que representa as mudanas de estados do VANT dada por:

x
pt+1 ptx + vt cos(t ) T + at cos(t ) (T )2 /2
y y
pt + vt sen(t ) T + at sen(t ) (T )2 /2

pt+1
xt+1 = F (xt , ut ) = d
(3.4)
vt + at T Fmt T
v
t+1
t+1 t + t T
Esse sistema no linear F (xt , ut ) define as transies de estados. As novas posies

x , py ) dependem apenas de dados do estado corrente (px , py , v , ) e do controle de
(pt+1 t+1 t t t t
acelerao (at ). O novo valor da velocidade ser dado pela velocidade do estado corrente (vt ),
pelo controle de acelerao do estado atual (at ) e pela resistncia do ar. Isso est representado na
varivel F d (veja a Equao (3.5)), tambm conhecida como equao do arrasto. Por fim, o novo
valor da direo apontada pelo aeronave ser dado pelo valor do estado corrente (t ) e por uma
nova variao angular dada por (t ).
A equao do arrasto (Ftd ) em um dado tempo apresentada na Equao (3.5) que
possui como parmetros: coeficiente de arrasto (Cd ), que especfico para cada aeronave, massa
especfica do fluido () e rea de referncia (A ) (STUDART; DAHMEN, 2006).
1
Ftd = Cd A vt2 (3.5)
2
A seguir so apresentadas as funes de transio de estado de acordo com cada uma das
situaes crticas.

x
pt+1 ptx + vt cos(t ) T
y y
pt + vt sen(t ) T

pt+1
xt+1 = Fm (xt , ut ) = d
(3.6)
vt Fmt T
v
t+1
t+1 t + t T

x
y y

pt+1
xt+1 = Fs1 (xt , ut ) = d
(3.7)
vt + at T Fmt T
v
t+1
t+1 t + max{0, t } T

x
y y

pt+1
xt+1 = Fs2 (xt , ut ) = d
(3.8)
vt + at T Fmt T
v
t+1
t+1 t + min{0, t } T
A primeira modelagem apresentada F (Equao (3.4)) equivalente a aeronave voando

sem falha associada F . O modelo que representa o problema no motor Fm (Equao (3.6))
no possui o componente do controle de acelerao, onde foi assumido que o motor deixou de
funcionar. No caso de problemas relacionados superfcie aerodinmica 1 Fs1 (Equao (3.7)),
o VANT no pode efetuar manobra direita. No problema da superfcie aerodinmica 2 Fs2
(Equao (3.8)), o veculo areo no pode efetuar manobra esquerda. A expresso do problema
na bateria no apresentada j que durante tal falha todos os componentes funcionam (funo
de transio completa). Porm, a aeronave penalizada proporcionalmente ao seu tempo de voo,
caso continue a voar com problema na bateria.
Devido as incertezas associadas a localizao do VANT e ao risco de se desviar de sua
rota, atingindo uma regio no navegvel, um limite para esse risco deve ser considerado durante
o planejamento de trajetria. Logo, a Restrio (3.3) descreve a probabilidade (1 ) do VANT
3.4. Modelagem Completa do Problema 59
estar fora de regies que pertencem ao conjunto n . Dessa forma, representa a probabilidade
do VANT violar regies no navegveis.
Ao executar um mtodo que minimize a Equao (3.1), uma soluo contendo uma rota
e um local de pouso ser obtida. A trajetria final ser retornada, representada por , contendo
um conjunto de waypoints para a rota de pouso emergencial (veja Equao (3.9)). O local de
pouso da aeronave representado por ? conforme descrito na Equao (3.10).
= {(px0 , py0 ), (px1 , py1 ), (px2 , py2 ), . . . (pxT , pyT )} (3.9)
? = { {n , p , b , r } i {1, 2, 3 . . . ||} | (pxT , pyT ) Z

i
} (3.10)
Figura 11 Representao de regies factveis. Cada regio factvel foi aproximado por um tringulo e por um
conjunto de restries lineares. (a) regio factvel fora do obstculo. (b) regio factvel dentro do
obstculo.
Fonte: Adaptada de Ono, Williams e Blackmore (2013).
A Figura 11 mostra dois exemplos simples de como tratar as questes de pertencer ou

no a um determinado polgono. A situao de estar fora de um obstculo Figura 11 (a), utiliza
W
o operador que indica o OR lgico, onde a aeronave deve estar fora de uma ou mais retas.
Assim, ela estar fora do obstculo. Uma outra situao possvel permanecer dentro de uma
V
rea passvel de voo Figura 11(b), onde o operador representa o AND lgico, e para que a
aeronave esteja dentro dessa regio ento deve estar dentro de todas as retas. Ambas as situaes
podem ser descritas como regies factveis aproximadas atravs de restries lineares.
3.4 Modelagem Completa do Problema

Nesta seo, uma formulao matemtica para sumarizar todos os aspectos do problema
abordado apresentada, usando Programao Linear Inteira Mista (PLIM). Essa formulao
similar a modelagem descrita em Blackmore, Ono e Williams (2011), porm o modelo aqui
proposto incorpora o pouso de VANTs diante de uma situao crtica. A varivel de deciso xt
tambm representa o estado do VANT no momento t, mas fornecendo agora sua coordenada
no plano cartesiano (ptx , pty , ptz ) e sua velocidade (vtx , vty , vtz ). A varivel de deciso ut define os
controles aplicados sobre a aeronave em t, representado agora pelas aceleraes (atx , aty , atz ).
Na presente modelagem, a incerteza da posio aumenta atravs do horizonte de tempo
como descrito em Ono, Williams e Blackmore (2013) e ilustrado na Figura 12. As perturbaes
so adicionadas em cada instante de tempo.
Figura 12 Ilustrao do modelo de planejamento com incremento da incerteza em cada instante de tempo.
Fonte: Ono, Williams e Blackmore (2013).
A seguir so definidos os ndices, parmetros e variveis de deciso utilizados no modelo.

ndices:
t = 0, 1, 2 . . . T : ndice do horizonte de planejamento;
l {n, p, b, r}: ndice para os tipos de regies do mapa;
j = 1, 2, 3 . . . |l |: ndice para as regies do tipo l ;
i = 1, 2, 3 . . . |lj |: ndice para as arestas da regio lj ;
k = 1, 2, 3 . . . |G|: ndice para as arestas do polgono G.
Parmetros:
x0 : Estado inicial esperado do VANT, onde x0 := [px0 py0 pz0 vx0 vy0 vz0 ] ;
A: Matriz 6 6 para a mudana do estado do VANT;
B: Matriz 6 3 para os controles associados ao VANT;
t : Matriz 6 6 da covarincia associada a incerteza do VANT;
: Nmero de arestas das regies dos mapas;
min : Delimitao do tempo mnimo de voo;

max : Delimitao do tempo mximo de voo;
vhmax : Velocidade horizontal mxima permitida para o VANT;
vvmax : Velocidade vertical mxima permitida para o VANT;
vhmin : Velocidade horizontal mnima permitida para o VANT;
vvmin : Velocidade vertical mnima permitida para o VANT;
ahmax : Acelerao horizontal mxima permitida para o VANT;
avmax : Acelerao vertical mxima permitida para o VANT;
h : Incerteza associada a posio da aeronave na horizontal;
v : Incerteza associada a posio da aeronave na vertical;
: Fator de crescimento da incerteza a cada instante de tempo;
ak : Vetor normal aresta k;
a ji : Vetor normal aresta i do polgono j;
b ji : Valor constante da aresta i do polgono j;
G: Poliedro/polgono usado na linearizao;
: Nmero de arestas do polgono G usado na linearizao;
Gvmax : Hiperplanos das faces externas do polgono das velocidades;
Gvmin : Hiperplanos das faces internas do polgono das velocidades;
Gamax : Hiperplanos das faces externas do polgono dos controles;
h j : Altitude da regio j;
h[v]: Altitude de uma regio qualquer do mapa, onde v representa a altura.
Variveis de deciso [Contnuas]:
xt : Estado esperado do VANT no instante t, onde xt := [ptx pty ptz vtx vty vtz ] ;
ptx : Posio no eixo x do VANT no instante t;
pty : Posio no eixo y do VANT no instante t;
ptz : Posio no eixo z do VANT no instante t;

vtx : Velocidade no eixo x do VANT no instante t;
vty : Velocidade no eixo y do VANT no instante t;
vtz : Velocidade no eixo z do VANT no instante t;
ut : Controles esperados do VANT, no instante t, onde ut := [atx aty atz ] ;
atx : Acelerao no eixo x do VANT no instante t;
aty : Acelerao no eixo y do VANT no instante t;
atz : Acelerao no eixo z do VANT no instante t;

b
Pj : Probabilidade do VANT pousar na regio bonificadora j;
b
Lj : Controla o pouso em apenas uma regio bonificadora j;
St : Possui o valor 1 apenas no instante exato que o VANT pousou;
jtn : Risco associado coliso com os lados da regio no navegvel j no instante t;
jtp : Risco associado coliso com os lados da regio penalizadora j no instante t;
b : Risco associado violao do hiperplano i da regio bonificadora j no instante t.

jit
Variveis de deciso [Binrias]:
Ht : 1 indica VANT em voo, 0 indica pouso do VANT;
Wkt : 1 indica superar o limite inferir de velocidade no hiperplano k no instante t;

b
Y jt : 1 queda do VANT na j-sima regio de b no instante t;
n n
Z
jit : 1 indica estar fora do hiperplano i da j-sima regio de no instante t;
p p
Z
jit : 1 indica estar fora do hiperplano i da j-sima regio de no instante t.
Matrizes da dinmica e covarincia:

1 0 0 T 0 0

0 1 0 0 T 0
0 0 1 0 0 T
A=

0 0 0 1 0 0

0 0 0 0 1 0

0 0 0 0 0 1

1 2
2 T 0 0

0 1 2

2 T 0

0 1 2
0 2 T

B=

T
0 0

0 T 0

0 0 T

(th )2 0 0 0 0 0
(th )2

0 0 0 0 0

0 0 (tv )2 0 0 0
t =

0 0 0 0 0 0

0 0 0 0 0 0

0 0 0 0 0 0
Funo objetivo:
A funo objetivo (3.11) minimiza o quadrado dos controles da aeronave. Devido ao fato
ut
de ut ser no linear, esse valor ser aproximado atravs de um polgono de faces. Uma
bonificao ser dada ao VANT que conseguir pousar em alguma das regies bonificadoras. Uma
segunda funo objetivo (3.12) foi definida e semelhante a primeira, no entanto, penaliza por
tempo de voo e, em geral, faz com que solues mais rpidas sejam retornadas. As duas verses
de funes objetivos sero testadas e comparadas nesse trabalho.
T 1 |b |
b
Minimizar (ut ut ) Cb Pj (3.11)
t=0 j=1
T 1 |b | T
t max b t max
Minimizar ut ut 2 10 Cb Pj +Cb St 2 10 (3.12)
t=0 j=1 t=1
Restries:
A seguir apresentado um conjunto de restries que descrevem as diversas caractersti-
cas consideradas neste problema.
Equao de dinmica
A dinmica de voo seguida pela aeronave dada pelas restries (3.13), sendo ativada
quando a varivel Ht ocorre (VANT em voo). Essas restries estabelecem uma dinmica linear,
enquanto a Equao 3.4 do modelo restrito apresentava uma dinmica no linear.
Ht xt+1 = Axt + But t = 0, 1, 2 . . . T 1 (3.13)
Estado inicial
A trajetria de pouso determinada a partir do estado inicial como descrito na Restri-

o (3.14). O parmetro x0 caracteriza a posio e as velocidades desempenhadas pela aeronave
no instante da situao crtica. No contexto deste problema, tais informaes seriam fornecidas
pelo sistema IFA.
x0 = x0 (3.14)
Definindo o horizonte de planejamento

O conjunto de restries (3.15)-(3.20) determina o comportamento da varivel que define
o estado do VANT no horizonte de planejamento. A aeronave parte inicialmente do estado
voando e deve estar no solo ao final do horizonte de planejamento. Os parmetros min e max
delimitam, respectivamente, o tempo mnimo e mximo de voo, sendo assim, a aeronave no
poder atingir o solo antes de min e nem depois de max . A notao t omite o intervalo, assim,
ser considerado que t varia no intervalo t = 0, 1, 2 . . . T .
Ht = 1 (caso t = 0) (3.15)
Ht = 0 (caso t = T ) (3.16)
Ht Ht1 t (3.17)
Ht = 1 t < min (3.18)
Ht = 0 t > max (3.19)
0 Ht 1 min t max (3.20)
Limites superiores de velocidade

As restries (3.22), (3.23) e (3.24) limitam superiormente a velocidade da aeronave.
Nota-se que as restries de velocidade somente se aplicam caso a aeronave esteja voando
(Ht ativado). Os valores assumidos por ak nas equaes (3.21) determinam um polgono de
faces. Os trs primeiros valores so iguais a zero (0) em ak , indicando que no produto
vetorial com o vetor xt apenas as componentes das velocidade em x e y importam. Assim, as
restries (3.22) limitam a velocidade do VANT a estar dentro desse polgono de velocidades. A
Figura 13 ilustra como a limitao superior da velocidade na aeronave. Na restries citadas,
Gvmax representa apenas as faces externas do poliedro da Figura 13 ("circulo"mais externo). A
expresso ak xt vhmax garante que a velocidade horizontal seja sempre menor que o valor limite
vhmax definido.
h 2k 2k i
ak = 0 0 0 cos sen 0 k Gvmax (3.21)

Ht ak xt vhmax t, k Gvmax (3.22)
Ht xtz vvmax t (3.23)
Ht xtz vvmin t (3.24)
Existem outras formas de fazer o clculo da velocidade horizontal desenvolvida pela

aeronave como (x.vtx )2 + (x.vty )2 vhmax , onde x.vtx representa a velocidade no eixo x e x.vty
p
representa a velocidade no eixo y ambos no instante t, no entanto, ao usar tal expresso teramos
um modelo no linear. Por se tratar de um modelo baseado em PLIM todas as expresses
desenvolvidas so lineares ou foram linearizadas atravs de algum mtodo.
Figura 13 Formato dos limitantes das velocidades para o modelo matemtico. Em (a), (b) e (c) so apresentados
diferentes vises do mesmo poliedro/polgono das velocidades. Esse polgono aproximado atravs de
faces.
(a) y (c)
(b)
z
vvmax
vvmax z
vhmax vhmin
h y v h x x
v min
min
vvmin vvmin
x vhmax
vhmax
Limites inferiores de velocidade

As restries (3.26) definem um limitante inferior para a velocidade da aeronave. A
varivel Wkt garante que a aeronave esteja fora de um dos hiperplanos em todos os instantes de
voo estabelecidos nas restries (3.27). Os valores assumidos por ak nas equaes (3.25) definem
um polgono de faces, usado para definir a disjuno no espao. A Figura 13 apresenta o
formato dos limitantes superiores e inferiores da velocidade da aeronave. Nessas restries, Gvmin
representa apenas as faces internas do poliedro da Figura 13 ("circulo"mais interno).
h 2k 2k i
ak = 0 0 0 cos sen 0 k Gvmin (3.25)

Wkt ak xt vhmin t, k Gvmin (3.26)
Wkt Ht t (3.27)
kGvmin
Limites dos controles

As restries (3.29), (3.30) e (3.31) estabelecem os limites aplicados aos controles do
VANT. Tais limites tambm so aproximados por um polgono de faces. A Equao (3.28)
descreve os hiperplanos do polgono. A Figura 14 mostra o formato dos limitantes superiores dos
controles (aceleraes). Observe que que no existem limites inferiores. Nas restries citadas,
Gamax representa as faces externas do poliedro da Figura 14 ("circulo"mais externo).
h 2k 2k i
ak = cos sen 0 k Gamax (3.28)

Ht ak ut ahmax t = 0, 1, 2 . . . T 1, k Gamax (3.29)
Ht utz avmax t = 0, 1, 2 . . . T 1 (3.30)
Ht utz avmin t = 0, 1, 2 . . . T 1 (3.31)
O fato de definirmos um limite inferior para a velocidade horizontal indica que o VANT
no pode tentar voar abaixo desse valor, caso contrrio a aeronave cairia. O fato de no haver um
limite inferior para as aceleraes horizontais indica que o VANT pode voar sem aceleraes,
desde que, tenha velocidade horizontal maior que o valor mnimo.
Figura 14 Formato dos limitantes das aceleraes para o modelo matemtico. Em (a), (b) e (c) so apresentados
diferentes vises do mesmo poliedro/polgono das aceleraes. Esse polgono aproximado atravs de
faces.
(a) y (c)
(b)
z
avmax avmax z
y x ahmax x
v
avmin a min
x a h
max
ahmax

Capturando instante de pouso

A aeronave ir efetuar o pouso no instante em que existir diferena entre os estados
como definido pelas restries (3.32). As restries (3.33) fazem com que, se o VANT pousou
b
(St ativado), a varivel binria Y jt seja ativada em apenas um instante e numa nica regio
bonificadora.
As restries (3.34) garantem que o avio, ao pousar sobre uma regio bonificadora, no
atinja o topo da mesma e mantenha uma margem de segurana. A notao indica a negao
da varivel binria Ht . A funo dt (.) retorna uma distncia de segurana do topo da regio
bonificadora, onde a aeronave dever permanecer a cada instante t com 10% do valor do risco
(). Essa distncia garante que as solues do modelo no iro colidir com o topo das regies
bonificadoras.
St = Ht1 Ht t (3.32)
|b |
b
St Y jt t (3.33)
j=1
|b |
b
Ht xtz h j Y jt = dt (0, 1 ) t (3.34)
j=1
Funo de alocao de risco

Na Equao (3.35), temos a funo c jit ( ) que aloca o risco de coliso na varivel no
instante t com o hiperplano i do obstculo j. Apesar da funo inversa do erro (er f 1 (.)) ser
no linear, uma aproximao linear por partes utilizada como definido em Arantes, Toledo e
Williams (2016).
q
c jit ( ) = er f 1 (1 2 ) 2aji t a ji (3.35)
A Expresso (3.38) descreve o parmetro aji que representa o vetor normal ao hiperplano
i do obstculo j. A matriz t descreve a incerteza da posio nos eixos horizontais e verticais.
Neste trabalho, consideramos um crescimento da incerteza de forma semelhante ao trabalho de
Ono, Williams e Blackmore (2013). Dessa forma, esse crescimento ao longo do eixo horizontal
ocorre seguindo a Equao 3.36. No foi considerado crescimento da incerteza ao longo do eixo
vertical, como demonstra a Equao 3.37. Os valores dos parmetros h e v utilizados esto
definidos na seo de resultados 5.3.1.
t 2
th h
= 1+ (3.36)
T
tv = v (3.37)
Coliso com regies no navegveis

As restries (3.39) garantem que a aeronave em voo fique fora de pelo menos um dos
hiperplanos das regies no navegveis. |nj | indica a quantidade de arestas (hiperplanos) da
j-sima regio no navegvel. O valor de aji xt b ji nas restries (3.40) estabelece que o
VANT no instante t esteja fora da aresta i do obstculo j. Ao somar o valor de c jit (.), estamos
garantindo uma margem de segurana (risco) entre a aeronave e o obstculo. A Expresso (3.38)
descreve os parmetros aji e b ji que formam os hiperplanos i dos obstculos no navegveis j.
Os valores representados por a1ji , a2ji e a3ji indicam nmeros que fazem com que aji seja normal a
aresta i do polgono j. A funo c jit (.) na Restrio (3.40) efetua a alocao do risco, na varivel
jtn , para cada hiperplano i da regio no navegvel j e em cada instante t.
aji = [a1ji a2ji a3ji 0 0 0] , b ji j n , i nj (3.38)
|nj |
n
Z jit Ht t, j n (3.39)
i=1
n n
Z
jit a ji xt b ji + c jit ( jt ) t, j n , i nj (3.40)
Coliso com regies penalizadoras

De forma semelhante coliso com regies no navegveis, a regio penalizadora
tambm possui limitao de pouso. Todavia, a aeronave pode sobrevoar tal regio. As restri-
es (3.42) definem que, caso a aeronave tenha pousado (St ativo), a mesma deve estar fora dos
hiperplanos das regies penalizadoras. As restries (3.43) alocam o risco para o pouso prximo
regies penalizadoras. Os parmetros aji e b ji nesse caso delimitam as regies penalizadoras
conforme mostra a Expresso 3.41.
aji = [a1ji a2ji a3ji 0 0 0] , b ji j p , i pj (3.41)
p
| j |
p
Z jit St t, j p (3.42)
i=1
p p
Z
jit a ji xt b ji + c jit ( jt ) t, j p , i pj (3.43)
Alocao dos riscos

A Restrio (3.44) garante que o risco total na rota planejada no ultrapasse o limite
estabelecido . Dessa forma, durante toda a rota de pouso a aeronave se manter a uma certa
distncia das regies no navegveis.
T |n |
jtn (3.44)
t=0 j=1
Pousar em regio bonificadora ou remanescente

A Restrio (3.45) garante que o pouso ocorra no mximo em uma regio bonificadora.
As restries (3.46) definem que, se o VANT pousar em uma regio bonificadora, ento uma
b
varivel Y jt ser usada para alocar o risco durante o pouso nas restries (3.47). O fato de
c jit (.) ser negativo indica que a aeronave deve estar dentro da j-sima regio bonificadora
(b j ), mantendo uma certa distncia das arestas dessa regio. Logo, deve estar mais ao centro
dessa regio. As restries (3.48) determinam a probabilidade de sucesso no pouso em regies
b b
bonificadoras pela varivel Pj . Por fim, as restries (3.49) fazem com que a varivel Y jt no
seja ativada quando a aeronave estiver em voo. Esse conjunto de restries garante que o pouso
ocorra apenas nas regies bonificadoras ou em regies remanescentes.
|b |
b
Lj 1 (3.45)
j=1
T
b b
Y jt = Lj j b (3.46)
t=0
b
Y jt aji xt b ji c jit ( jit
b
) t, j b , i bj (3.47)
b
T | j |
b b
Lj 1 jitb = Pj j b (3.48)
t=0 i=1
|b |
b
Ht 1 Y jt t (3.49)
j=1
Tratamentos das Situaes Crticas:

O modelo matemtico para o problema descrito at o presente momento um modelo ge-
ral, onde no esto sendo considerados falhas especficas na aeronave. A seguir so apresentadas
os tratamentos das situaes crticas.
Problema no motor (m )
No caso da aeronave apresentar um problema no motor, foi definido que o VANT desceria
com velocidade praticamente constante e teria uma velocidade horizontal tambm prxima a um
valor constante. Logo, as restries (3.23) e (3.24) devem ser substitudas pelas restries (3.50)
e (3.51) no modelo para melhor controlar a velocidade de descida. Essas restries garantem
que o VANT desa com velocidade vertical quase constante, entre vvm e vvm + metros por
segundo, onde representa um valor relativamente pequeno.
Ht xzv vvm + t (3.50)
Ht xzv vvm t (3.51)
Para garantir que o VANT desenvolva uma velocidade horizontal praticamente constante.
A Restrio (3.22), que trata o limite superior da velocidade, deve ser substituda pela Restri-
o (3.52). A Restrio (3.26), que trata o limite inferior de velocidade, deve ser substituda pela
Restrio (3.53) de forma anloga ao caso anterior. Atravs desses reajustes dos parmetros da
velocidade horizontal mxima (vhm + ) e mnima (vhm ), o veculo areo desenvolver uma
velocidade prxima de vhm .
Ht ak xt vhm + t, k Gvmax (3.52)
Wkt ak xt vhm t, k Gvmin (3.53)
Problema na bateria (b )
O problema na bateria, conforme descrito na Seo 3.2.2, indica uma falha em potencial
como perda de potncia ou superaquecimento. Todos os controles funcionam, mas se deve
pousar a aeronave o mais rapidamente possvel. Quando ocorrer essa falha, a funo de avaliao
utilizada no ser a funo objetivo (3.11), mas a funo objetivo (3.12). A nova funo possui
a mesma bonificao que a funo anterior em caso de queda em regio bonificadora. Uma
t max
penalizao exponencial (2 10 ) no tempo de voo aplicada aos controles e ao tempo de voo.
Dessa forma, apresenta melhor valor de objetivo as solues que gastem menos waypoints.
Problema na superfcie aerodinmica tipo 1 (s1 )
Nessa falha de superfcie, a aeronave capaz de girar somente para esquerda. A fim de
descrever tal limitao, deve-se adicionar as restries (3.56) e (3.57). No entanto, precisamos
definir antes o parmetro giro mximo permitido (N) seguindo a Equao (3.54). Assumimos
que = 32 e = 45o = 0, 785 radianos, sendo assim, temos o valor de N = 4. O valor de N
indicar o nmero de faces do polgono que poderemos saltar. O vetor para transformao de
rotao em 90o (vetor perpendicular a Wkt ) dado pela Equao (3.55).

N= (3.54)
2
h 2k 2k i
ak = 0 0 0 sen cos 0 k Gvmin (3.55)

N
Wkt Ht+1 W(k+ j)% ,t+1 t, k Gvmin (3.56)
j=0
Wkt v ak (xt+1 xt ) 0 t, k Gvmin (3.57)

kGmin
Figura 15 Exemplo da modelagem da curva efetuada a esquerda.
t=5 t=6 Girar

Esquerda
k=3 k=2 k=3 k=2
Wkt=1
k=4 k=1 k=4 k=1
Wkt=1 Wkt=0
(k+j)%
Onde
= 10
k=5 k=0 k=5 k=1 k=0
j=2
k=6 k=9 k=6 k=9
(a) k=7 k=8 (b) k=7 k=8
A Restrio (3.56) garante que o VANT curve somente para a esquerda. Caso Wkt
esteja ativa, no prximo instante de voo, o valor dessa varivel (W(k+ j)% ,t+1 ) em algum dos
j-simos perodos estar ativo tambm. W(k+ j)% ,t+1 indica uma posio esquerda da varivel
Wkt . Podemos entender o valor da varivel Wkt ativa como sendo a direo k mais prxima ao
deslocamento do VANT.
A Figura 15 ilustra o comportamento da varivel Wkt em t = 5 e t = 6, usando um
polgono de = 10 faces. Os ndices k representam as faces do polgono numeradas no sentido
horrio. Na Figura 15 (a), a varivel Wkt ativada possui k = 1. A Figura 15 (b) mostra que o
valor de Wkt ativado est sobre k = 3, que se encontra esquerda de k = 1, fazendo assim o giro
somente para esse lado.
A Restrio (3.57) complementa a primeira e tambm visa garantir que o VANT vire
somente para a esquerda. Dado um Wkt ativo, o produto escalar entre o vetor perpendicular ao
Wkt , representado por ak , e o deslocamento, representado por xt+1 xt , deve ser positivo. Isso
garante que a aeronave gire para a esquerda.
Problema na superfcie aerodinmica tipo 2 (s2 )
Nesse problema, a aeronave capaz de girar somente para direita. Logo, deve-se adicionar
as seguintes restries (3.58) e (3.59) ao modelo, de forma anloga ao problema s1 .
N
Wkt Ht+1 W(k j+ )% ,t+1 t, k Gvmin (3.58)
j=0
Wkt v ak (xt+1 xt ) 0 t, k Gvmin (3.59)

kGmin
Figura 16 Exemplo da modelagem da curva efetuada a direita.
t=5 t=6 Girar

Direita
k=3 k=2 k=3 k=2
k=4 k=1 k=4 k=1

Wkt=1 Wkt=0
k=5 k=0 k=5 Wkt=1 k=0

(k-j+)%
Onde
= 10
k=1
j=1
k=6 k=9 k=6 k=9
(a) k=7 k=8 (b) k=7 k=8
A Restrio (3.58) garante que o VANT curve somente para a direita, de forma semelhante
Restrio 3.56. A Figura 16 ilustra o comportamento da varivel Wkt neste caso. Na Figura 16
(a), a varivel Wkt ativada a que possui k = 1. A Figura 16 (b) mostra que o valor de Wkt ativado
est sobre k = 0, que se encontra a direita de k = 1, fazendo assim o giro somente para esse lado.
A Restrio (3.59) complementa a primeira, de maneira semelhante a Restrio 3.57,
garantindo que o VANT virar somente para a direita. Dado um Wkt ativo, o produto escalar entre
o vetor perpendicular ao Wkt , representado por ak , e o deslocamento, representado por xt+1 xt ,
deve ser negativo, ou seja, girar para a direita.
3.5 Concluso
Este captulo descreveu o problema abordado em maiores detalhes, onde um exemplo
de planejamento de misso com situao crtica foi descrito e foram definidos os conjuntos de
regies mapeados e os tipos de situaes crticas a serem tratados.
Baseado nesse problema, duas formulaes matemticas foram propostas: uma restrita e
outra completa. A primeira formulao modela apenas o pouso sobre duas dimenses e considera
que a altitude cai linearmente com o tempo. Essa formulao ser utilizada como base para o
3.5. Concluso 73
desenvolvimento dos mtodos HG, AG e AGMP, considerando a incerteza da posio constante

ao longo do tempo. A segunda formulao efetua o pouso para o planejamento da rota em trs
dimenses. Essa formulao ser utilizada no mtodo PLIM e trata o crescimento da incerteza
da posio ao longo do tempo. Os dois modelos tratam a alocao do risco em sua formulao.
75
CAPTULO
4
METODOLOGIA
A imaginao mais importante que a cin-

cia, porque a cincia limitada, ao passo
que a imaginao abrange o mundo in-
teiro.
Albert Einstein
4.1 Introduo
O presente captulo da dissertao apresenta a metodologia seguida no desenvolvimento
deste trabalho. Inicialmente mostrada a codificao do problema bem como sua funo objetivo.
Quatro algoritmos planejadores de rotas propostos so descritos: Heurstica Gulosa (HG), Algo-
ritmo Gentico (AG), Algoritmo Gentico Multi-Populacional (AGMP) e Programao Linear
Inteira Mista (PLIM). Por fim, mostrada a arquitetura do sistema planejador, as estratgias de
pouso, algumas consideraes sobre o problema e o framework utilizado.
4.2 Codificao do Problema

A codificao do problema uma etapa importante no desenvolvimento do mtodo, pois
uma boa representao da soluo afeta diretamente a qualidade da rota gerada. Os mtodos
devem encontrar os controles da aeronave de forma a lev-la para um local de pouso seguro,
minimizando danos. Para isso, uma codificao real foi definida, onde os controles so elementos
de acelerao e variao angular suportados pelo VANT.
A soluo do problema codificada com valores reais para os controles ut = [at t ]
aplicados aeronave, onde at e t representam a acelerao e a variao angular (direo) no
instante t. A codificao dos indivduos representada por vetores do tamanho do horizonte
de planejamento T , ou seja, caso T = 60, o vetor teria tamanho 60 com 120 variveis a serem
determinadas pelo algoritmo planejador de rota. A Figura 17 exemplifica tal codificao.
76 Captulo 4. Metodologia
Figura 17 Codificao e decodificao dos controles na rota da aeronave utilizada na modelagem restrita.
codicao
at a1 a2 a3 a4 aT
ut =
t 1 2 3 4 T
Xt+1=F(xt, ut)
p xt
decodicao
p x1 p x2 p x3 p x4 p xT
y
x t= p t p y1 p y2 p y3 p y4 p yT
vt v1 v2 v3 v4 vT
t 1 2 3 4 T
p xt
t= y waypoint
pt
Rota
Tal codificao traduzida como uma rota a partir da decodificao dos controles em um
conjuntos de waypoints do VANT. A funo de transio F (xt , ut ) usada para decodificar os
controles. Essa funo descreve o movimento de um VANT de asa fixa no espao bidimensional.
Dado que xt uma varivel aleatria (xt N (xt , t )), os autores em Blackmore, Ono
e Williams (2011) mostram que o prximo estado esperado (xt+1 ) depende apenas do estado
esperado atual (xt ) e dos controles nominais aplicadas (ut ), assim a funo de transio pode
ser utilizada para calcular todos os prximos estados esperado (xt+1 = F (xt , ut )). No entanto, a
incerteza t em todo estado esperado xt cresce a cada instante de tempo.
Os autores em Ono, Williams e Blackmore (2013) apresentam uma abordagem de
controle close-loop para definir entradas de controle a partir de uma entrada de controle nominal
ut . Nela aplicada uma correo que diminui o crescimento da incerteza t . Na modelagem
restrita, assumimos que a incerteza t a qualquer tempo t constante (t = Q). Sabe-se que a
incerteza no estado xt a qualquer momento t dada por xt N (xt , t ), sendo possvel calcular a
4.2. Codificao do Problema 77
funo de probabilidade Pr(xt Z i ) usando uma tabela para a distribuio Gaussiana. A matriz
de covarincia utilizada neste trabalho dada pela Equao (4.1), onde = 10 metros.

2 0 0 0
0 2

0 0
t = Q = (4.1)

0 0 0 0

0 0 0 0
O processo de decodificao descrito retornar o conjunto com todos os waypoints

necessrios para pousar o VANT como descrito na Restrio (3.2) da Seo 3.3. A Figura 17
mostra um exemplo da soluo obtida, aps a decodificao dos controles pela funo de
transio citada. possvel pousar a aeronave sem gastar todos os passos de tempo disponvel,
assim se pode pousar em um tempo K tal que 0 < K T .
4.2.1 Funo Objetivo

A funo objetivo utilizada pelos mtodos propostos HG, AG e AGMP baseada na
Expresso (3.1) da modelagem matemtica restrita do problema. Porm, foram adicionados mais
alguns elementos que ajudam a trabalhar com as falhas associadas a aeronave. A Equao (4.2)
descreve tal funo objetivo.
Funo objetivo:
f itness = fPousob + fPouso p + fPousoEVoon + fCurvas + fDistVANTb + fViolouT + fb (4.2)
Expresses usadas:
A Equao (4.3) define recompensa em caso de pouso em regies bonificadoras.
|b |
i
fPousob = Cb (Pr(xK Z b )) (4.3)
i=1
A Equao (4.4) define punio em caso de pouso em regies penalizadoras.
| p |
fPouso p = C p (Pr(xK Zi p )) (4.4)
i=1
A Equao (4.5) penaliza o pouso ou voo da aeronave sobre regies no navegveis.
n

K |
^ ^|
i
fPousoEVoon = Cn max 0, 1 Pr xt
/ Zn (4.5)
t=0 i=1
A Equao (4.6) prioriza rotas que evitem fazer curvas desnecessrias.
K
1
fCurvas = |t | (4.6)
|max | t=0
A Equao (4.7) d mais chance a rotas com menores distncias das regies bonificadoras.
fDistVANTb = menorDist(xK , b ) (4.7)
Se a aeronave tem velocidade final maior do que o seu valor mnimo, no ocorre de fato
um pouso. Dessa maneira, a Equao (4.8) evita rotas em que o VANT no consegue pousar,
mesmo que atinja uma regio bonificadora.
(
Cb , caso vK vmin > 0
fViolouT = (4.8)
0 , caso contrrio
Se houver um problema na bateria, a Equao (4.9) adicionada funo de fitness. O

objetivo reduzir o tempo de voo, assim a aeronave buscar regies para pouso mais prximas
de sua localizao no momento onde ocorreu a pane.
(KT )
(
Cb 2 10 , caso ? = b
fb = (4.9)
0 , caso contrrio
4.3 Heurstica Gulosa

A Heurstica Gulosa (HG) uma estratgia de pouso desenvolvida com o objetivo de ser
um mtodo simples o suficiente para chegar a uma soluo dentro de um curto espao de tempo.
Essa abordagem pode ser til para o pouso diante de situaes crticas, quando uma tomada de
deciso rpida necessria e uma soluo vivel se torna mais interessante do que a obteno de
solues prximas ao timo. O Algoritmo 1 descreve a HG mostrando suas entradas, sadas e
funcionamento.
O HG possui como entrada o mapa contendo informaes do cenrio, enquanto a sada
a melhor rota para pouso encontrada. O funcionamento bsico dessa heurstica gerar uma
soluo candidata para cada uma das regies bonificadoras (mapa.|b |). Essa soluo candidata
(gerada pelo mtodo inicializar(...) na linha 4) determinada rotacionando-se a aeronave at que
a mesma esteja direcionada para uma regio bonificadora (mapa.Z i ). Em seguida, calcula-se
b
uma trajetria em linha reta at que ela pouse nessa regio. A rotao ocorre para o lado com
menor ngulo entre o VANT e uma linha reta para uma regio bonificadora. Isto ilustrado na
Figura 18 atravs dos ngulos 1 < 1 para a regio b1 , onde a rotao ocorre em direo ao
ngulo 1 .
4.3. Heurstica Gulosa 79
Algoritmo 1: Heurstica Gulosa.

Entrada: Mapa: mapa
Sada: RotaPouso: melhorRota
1 incio
2 RotaPouso rota[] instncia RotaPouso()[mapa.|b |];
3 para i = 1 at mapa.|b | faa
4
i );
inicializar(rota[i], mapa.Z b
5 avaliar(rota[i]);
6 RotaPouso melhorRota obtemMelhorRota(rota);
7 retorna melhorRota;
Figura 18 Rotas candidatas usando a estratgia Heurstica Gulosa.
As solues candidatas so avaliadas de acordo com o seu desempenho na Equao (4.2).

A melhor trajetria definida entre todas as regies bonificadoras retornada pela HG. Na
Figura 18, a melhor soluo a que pousa na regio b3 que a regio mais prxima ao VANT. A
soluo que pousa em b1 tem desempenho inferior, visto que possui uma distncia maior; j a
soluo que pousa em b2 viola a restrio de no navegabilidade, por isso tem baixa qualidade.
A estratgia gulosa pode ser utilizada como um operador de inicializao para criar
indivduos no AGMP. Nesse caso, uma regio bonificadora selecionada aleatoriamente pelo
HG e uma trajetria construda. Os controles definidos para essa trajetria sero codificados
como um indivduo no AGMP.
importante lembrar que esse algoritmo na etapa de inicializao no leva em conta
a condio de no navegabilidade. Caso a rota gerada para uma determinada regio viole tal
condio, ela ter um valor alto de penalizao de forma a torn-la invivel. A HG implementada
possui garantia de convergncia, no entanto, no possui garantia de otimalidade da soluo. Esse

mtodo possui comportamento determinstico e retorna em geral solues dentro de um curto
espao de tempo na ordem de 0, 07 segundo.
4.4 Algoritmo Gentico

Os mtodos de computao evolutiva so metaheursticas baseadas em populao de
solues. As tcnicas para gerar e testar solues, explorando e intensificando a busca no espao
de solues do problema, so inspiradas na teoria da evoluo de Darwin. Novas solues so
criadas e adicionadas populao pela aplicao de operadores de seleo, recombinao e
mutao. Tais mtodos tm sido aplicados em vrios problemas de otimizao nas mais diversas
reas Jong (2006), Jin (2011), onde os principais mtodos so os Algoritmos Genticos (AGs),
Programao Gentica (PG), Estratgia Evolutiva (EE) e Programao Evolutiva (PE) (EIBEN;
SMITH, 2003). No contexto desta dissertao, pretende-se desenvolver um mtodo para o
planejamento de rotas em situao crtica baseado em AGs.
AGs foram inicialmente propostos por Holland (1975) e seguem o princpio da seleo
natural. O conceito de seleo natural foi proposto por Charles Darwin em 1859 em seu livro
A Origem das Espcies. A ideia principal consiste em que espcies com caractersticas mais
adaptadas ao meio onde vivem tendem a sobreviver, enquanto espcies pouco adaptadas tendem
a ser extintas.
Um AG inicialmente define uma populao de indivduos, onde cada indivduo uma
representao (codificao) de uma soluo do problema em questo. Essa populao tem
seus indivduos inicializados de forma aleatria. Um lao (estrutura de repetio) executado,
onde a populao de indivduos evoluda durante um certo nmero de geraes ou outro
critrio de parada. O processo de evoluo comea pela seleo de indivduos da populao
para realizao de cruzamento ou crossover, onde novos indivduos so gerados. Em seguida, os
novos indivduos tem certa probabilidade de sofrer mutaes em sua codificao. Finalmente,
um segundo processo de seleo define quais indivduos, entre os existentes e aqueles gerados,
sero selecionados para a prxima gerao.
Um Algoritmo Gentico (AG) foi desenvolvido como alternativa HG proposta inicial-
mente. Esse mtodo, ao contrrio da HG, no determinstico e, assim como a HG, no garante
a otimalidade da soluo. O Algoritmo 2 descreve o seu funcionamento.
Inicialmente cria-se a populao de rotas que avaliada conforme Expresso (4.2). Em
seguida, o processo evolutivo ocorre enquanto no houver convergncia. Para isso, um total de
taxaCross tamPop indivduos so gerados atravs dos operadores crossover e mutao a cada
repetio. A seleo dos indivduos para cruzamento utiliza o operador torneio. A convergncia
ocorre quando nenhum novo indivduo inserido na populao. Caso tenha convergido, a
populao ser reiniciada sendo mantido apenas o melhor indivduo (melhor soluo). Esse
4.4. Algoritmo Gentico 81
Algoritmo 2: Algoritmo Gentico.

Entrada: Critrio: critrioDeParada; Inteiro: tamPop, taxaCross; Mapa: mapa
1 incio
2 criarPopulao(rotas);
3 inicializar(rotas);
4 avaliar(rotas, mapa);
5 enquanto noAtingir(critrioDeParada) faa
6 enquanto noConvergir() faa
7 para i = 1 at taxaCross tamPop faa
8 selecionar(pais);
9 filho crossover(pais);
10 mutao(filho);
11 avaliar(filho, mapa);
12 adicionar(filho);
13 reiniciar(rotas);
14 RotaPouso melhorRota obtemMelhorRota(rotas);
processo repetido at um certo nmero de avaliaes do fitness ser atingido (critrio de parada).
A seguir so descritos os operados de inicializao, crossover e mutao utilizados tanto
no AG quanto no AGMP.
Operadores de Inicializao:
Os operadores de inicializao criados para as estratgias evolutivas so:
Inicializao Aleatria: a inicializao aleatria gera valores com distribuio uniforme

representado por U[in f ; sup], onde in f e sup representam, respectivamente, o valor
inferior e superior da distribuio. Assim, os valores da acelerao e variao angular so
dados por at U[amin ; amax ] e t U[min ; max ].
Inicializao Curva Curta: o operador curva curta gera valores para at U[amin ; amax ],
mas gera valores reduzidos para a variao angular com t U[ 14 min ; 41 max ]. Esse
operador d maior chance de se aplicar controles mais suaves para as mudanas de direo
na aeronave. O valor 41 foi determinado de forma arbitrria.
Inicializao Acelerao Curta: o operador acelerao curta faz o contrrio, ou seja,

gera t U[min ; max ] e at U[ 14 amin ; 14 amax ]. Esse operador d maior chance de se
aplicar controles de aceleraes mais suaves a aeronave, fazendo a aeronave pousar mais
rapidamente.
Inicializao Gulosa: a inicializao gulosa aplica a HG, explicada na Seo 4.3, para
gerar um conjunto de controles que garantem atingir regies bonificadoras.
Operadores de Crossover:
Os operadores de crossover implementados para lidar com a codificao real, descritos
em Eshelman e Schaffer (1992), Michalewicz e Schoenauer (1996), Eiben e Smith (2003),
Herrera, Lozano e Snchez (2005) e utilizados pelo AG e AGMP, so listados a seguir:
Crossover Mdia: os controles do indivduo filho so formados pela mdia aritmtica

dos controles dos pais.
Crossover Aritmtico: os controles do indivduo filho so formados pela mdia ponde-

rada dos controles dos pais.
Crossover Geomtrico: os controles do indivduo filho so formados pela mdia geom-

trica dos controles dos pais.
Crossover OX: os controles do indivduo filho so compostos pelos controles de ambos

os pais, tomados aleatoriamente.
f ilho
Crossover BLX-: os controles do indivduo filho so submetidos a expresso: ui =
uipai1 + (uipai1 uipai2 ), onde i = 1, 2, . . . T e = U(, 1 + ).
Operadores de Mutao:
Os operadores de mutao, descritos em Michalewicz e Schoenauer (1996), Eiben e
Smith (2003), Herrera, Lozano e Snchez (2005), so listados a seguir:
Mutao Uniforme: este operador sorteia aleatoriamente algum controle e aleatoriamente

estabelece novos valores para acelerao e direo.
Mutao Limite: o operador Limite aleatoriamente sorteia um par de controles. Em

seguida, um valor 0 ou 1 aleatoriamente escolhido, fazendo com que as variveis dos
controles seja ajustadas no seu limite mximo ou mnimo, respectivamente.
Mutao Creep: este operador adiciona ao controle um pequeno valor aleatrio, causando
uma pequena pertubao no controle.
Os diversos tipos de operadores de inicializao, recombinao e mutao so seleciona-

dos de forma aleatria, cada vez que o respectivo operador executado no AG e no AGMP.
4.5 Algoritmo Gentico Multi-Populacional

Uma outra estratgia evolutiva utilizada neste trabalho o AGMP. Esse mtodo similar
ao AG descrito na seo anterior, entretanto, ele trabalha com multi-populaes, migraes entre
4.5. Algoritmo Gentico Multi-Populacional 83
Algoritmo 3: Algoritmo Gentico Multi-Populacional.

Entrada: Critrio: critrioDeParada; Inteiro: numPopulaes, numIndivduos, taxaCross;
Mapa: mapa
1 incio
2 repita
3 para i = 1 at numPopulaes faa
4 para j = 1 at numIndivduos faa
5 inicializar(pop(i).ind(j));
6 avaliar(pop(i).ind(j), mapa);
7 estruturar(pop(i));
8 repita
9 para j = 1 at taxaCross numIndivduos faa
10 selecionar(pais);
11 filho crossover(pais);
12 mutao(filho);
13 avaliar(filho, mapa);
14 adicionar(filho, pop(i));
15 estruturar(pop(i));
16 at convergir(pop(i));
17 para i = 1 at numPopulaes faa
18 migrar(pop(i));
19 at atingir(critrioDeParada);
20 RotaPouso melhorRota obtemMelhorRota(pop);
as populaes e indivduos organizados em forma de rvore. O Algoritmo 3 descreve o AGMP

proposto que baseado no trabalho de Toledo et al. (2009).
A populao inicializada e todos os indivduos so avaliados (conforme Expres-
so (4.2)). Em seguida, esses indivduos so estruturados em rvore como ilustrado pela Figura 19.
A hierarquia representada pela posio dos indivduos (ns) nos clusters da rvore. H um lder
em cada cluster que o indivduo com melhor valor de fitness. O melhor indivduo da populao
representado pelo n raiz e os piores indivduos so os ns folha.
O processo de evoluo seleciona aleatoriamente dois indivduos para reproduo que
so sempre um n lder e um dos seus seguidores. O novo indivduo gerado substitui o pior pai,
caso ele possua um melhor valor de fitness. Aps a nova insero de indivduos, a populao
hierarquicamente reestruturada, onde os melhores indivduos se tornam lderes em seus clusters.
A populao converge se nenhum indivduo for inserido em taxaCross numIndividuos tentati-
vas. Quando todas as populaes convergem, um operador de migrao executado e elas so
reinicializadas, exceto pelo melhor indivduo de cada populao e os indivduos que migraram.
O operador migrao envia uma cpia do melhor indivduo da populao i para a populao
Figura 19 Estrutura hierrquica em rvore usada no AGMP.
Migrao Migrao
Migrao
i + 1. O critrio de parada dado pelo nmero de avaliaes do fitness. Ao alcanar o critrio de

parada, o algoritmo retorna a melhor soluo (rota) encontrada.
Tanto o AG quanto o AGMP implementados no possuem garantia de convergncia,
sendo assim, a soluo retornada aps o mtodo atingir um nmero de avaliaes. Por se tratar
de uma metaheurstica, tais mtodos no garantem a otimalidade da soluo e sua execuo
no determinstica. De forma geral, tanto o AG quanto o AGMP retornam solues relativamente
rpidas na ordem de 1 segundo.
4.6 Programao Linear Inteira Mista

Esta seo apresenta o mtodo usado para resolver o problema a partir do modelo baseado
em Programao Linear Inteira Mista (PLIM). O solver de otimizao usado para resolver esse
modelo foi IBM ILOG CPLEX. Internamento esse solver executa um algoritmo Branch and Cut
(B&C) para resolver o modelo. Esse mtodo caracteriza-se por retornar solues timas para o
modelo e ser determinstico, no entanto, suas solues demandam alto tempo de processamento.
Primeiramente, apresentada a forma como o modelo de PLIM foi implementado. Finalmente,
uma estratgia para resolver o problema usando rotas pr-processadas proposta.
importante ressaltar que o mtodo baseado em PLIM no ser embarcado em aeronave
real e nem ser testado em simulaes, devido ao seu alto custo computacional. A definio e
utilizao de tal mtodo visa fornecer uma comparao para os outros mtodos propostos. Por
4.6. Programao Linear Inteira Mista 85
exemplo, a resoluo exata do problema permitir fornecer um limitante superior para a taxa de
sucesso no pouso da aeronave.
O Algoritmo 4 descreve a implementao desse modelo. A funo objetivo definida
no campo Funo Objetivo, atravs da funo minimizar() que ser minimizada pelo solver. O
argumento utilizado nas funes indica o nmero da funo objetivo. Dependendo do tipo de
situao crtica tratada, a funo objetivo poder ser alterada como ser descrito a seguir. No
campo Sujeito a so adicionadas as restries do modelo pelo comando adicionar(). No campo
Situao Crtica, esto as mudanas que devem ser acrescentadas ao modelo de forma a simular
cada uma das respectivas falhas. Por exemplo, na falha do motor (m ), deve-se adicionar ao
modelo as restries (3.50) a (3.53). Por outro lado, a falha da bateria (b ) demanda a remoo
da funo objetivo (3.11), atravs do comando remover(), e a incluso da funo objetivo (3.12)
pelo comando minimizar(). Por fim, o solver resolve o modelo PLIM e o mtodo retorna a
melhor rota de pouso emergencial.
Os experimentos sero realizados a partir de dois modelos. O primeiro modelo, chamado
de PLIM1, considera o Algoritmo 4 usando a funo objetivo (3.11). O segundo modelo, chamado
de PLIM2, assume a funo objetivo (3.12). Essa comparao permitir estudar o comportamento
das solues ao se enfatizar a minimizao do tempo gasto para realizar o pouso via funo
objetivo (3.12).
Os resultados computacionais descritos na prxima seo revelam que solues exatas
obtidas a partir do modelo de PLIM2 gastam em mdia entre 32 a 444 segundos, ou seja, alto
custo computacional. Dependendo do tipo de aplicao, esse tempo de processamento para
replanejamento de rota pode inviabilizar a realizao do pouso emergencial. Por isso, ser
descrita uma abordagem que permite utilizar a soluo exata, mas atravs do processamento
prvio de um subconjunto de rotas alternativas para pouso.
A Figura 20 exemplifica um cenrio no qual o VANT parte do ponto Incio e executa
sua misso que termina no ponto Fim (rota na cor verde). No momento do planejamento da rota
principal, rotas emergenciais tambm so previamente calculadas. Para isso, a rota principal
subdividida em vrios pontos-chave. Para cada ponto-chave, uma rota de pouso emergencial
calculada para cada possvel situao crtica (rotas na cor vermelho). Essas rotas ficaro
armazenadas na aeronave e, caso uma determinada falha ocorra, a aeronave passa a seguir os
waypoints da rota de pouso emergencial mais prxima desse local. A Figura 20 ilustra como
seriam os possveis casos de rota de pouso para as situaes crticas m , b , s1 e s2 .
importante reparar que parte das rotas podero levar o VANT at uma regio bonificadora e
outras rotas, no entanto, apenas conseguiro pousar na regio remanescente.
Algoritmo 4: Algoritmo do Modelo PLIM.

Input: Modelo: modelo; TipoModelo: tipoModelo; SituaoCrtica: tipoFalha; Mapa: mapa
Output: RotaPouso: melhorRota
1 begin
2 Funo Objetivo:
3 {
4 caso (tipoModelo = TipoModelo.PLIM1)
5 modelo.minimizar(3.11)
6 caso (tipoModelo = TipoModelo.PLIM2)
8 }
9 Sujeito a:
10 {
11 modelo.adicionar(3.13 - 3.20)
17 }
18 Situao Crtica:
19 {
20 caso (tipoFalha = m )
22 caso (tipoFalha = b )
23 modelo.remover(3.11)
25 caso (tipoFalha = s1 )
27 caso (tipoFalha = s2 )
29 }
30 modelo.resolve()
31 melhorRota modelo.obtemMelhorRota()
32 return melhorRota
4.7 Arquitetura Proposta

Esta seo mostra a arquitetura proposta para o algoritmo planejador de rota de pouso
com todas as suas entradas e sadas. Neste trabalho quatro mtodos planejadores de rotas foram
desenvolvidos que so: HG, AG, AGMP e PLIM. A arquitetura busca encontrar rotas seguras
para pouso e utiliza como entrada algumas informaes fornecidas pelo sistema supervisor da
aeronave IFA. Isso resulta em uma sada contendo um conjunto de waypoints, local do pouso,
probabilidade de pouso e valor do objetivo. A Figura 21 apresenta essa arquitetura.
O sistema IFA acessa uma srie de informaes como sensores da aeronave, situaes
crticas, mapa, modelo de dinmica do VANT, entre outras informaes relevantes. O algoritmo
planejador acionado no momento em que o IFA detecta a falha e usa os parmetros de entrada
4.7. Arquitetura Proposta 87
Figura 20 Esquema das rotas emergenciais para a misso definida para as falhas m , b , s1 e s2 , respectiva-
mente.
m b
F
i im F
i im
Incio Incio
S1 S2
F
i im Fim
Incio Incio
descritos a seguir:
1. Estado Inicial: o estado inicial do VANT contm dados como posio cartesiana (px ,
py , pz ), velocidade (vx , vy , vz ), que sero obtidas por sensores GPS, e velocmetro, quando
integrados a um sistema real;
2. Mapa: o mapa (Z e C ) foi obtido atravs do IFA que tem acesso a todas as informaes
do cenrio mapeado;
3. Modelo de Dinmica: o modelo de dinmica descreve a forma como o VANT se desloca

no espao. dado atravs das matrizes A e B do modelo, ou ainda, atravs da funo de
transio de estados F ;
4. Falha: a falha obtida pelo sistema IFA atravs do monitoramento da aeronave;

Figura 21 Arquitetura do planejador de rota de pouso proposto.
Planejador
Intrada Mtodo Sada
Estado Algoritmo Conjunto de
Sistema Supervisor da Aeronave
Inicial Planejador Waypoints

px, py, pz
vx, vy, vz de Rota
Mapa HG Local de
, C Pouso
Modelo de AG
IFA
Dinmica
A, B Probabilidade
AGMP de Pouso
Falha
P
PLIM
Con g. Objetivo
T, T, W
5. Config.: configuraes do planejador obtidas pelo sistema IFA, por exemplo, tempo
mximo de voo (T ), discretizao do tempo (T ) e a probabilidade da aeronave violar
regies no navegveis ( ).
O algoritmo planejador usar esse conjunto de informaes de entrada e obter como

sada as seguintes informaes:
1. Conjunto de Waypoints (): o sistema planejador retornar a melhor rota encontrada,

representada por , para a situao crtica ocorrida;
2. Local de Pouso (? ): o planejador estimar o local de pouso mais provvel, que

representado por ? ;
3. Probabilidade de Pouso (P ): o planejador estimar a probabilidade de pouso sobre a

regio ? ;
4. Objetivo (W ): o algoritmo planejador calcular um custo associado a queda da aeronave

(objetivo ou fitness) para a situao crtica ocorrida, representado por W .
4.8 Gerao Manual de Mapas

A estratgia usada para construo manual de mapas descrita nesta seo. Inicialmente,
a modelagem das regies bonificadoras (b ), regies penalizadoras ( p ) e regies no navegveis
4.8. Gerao Manual de Mapas 89
(n ) foi definida como regies convexas. A construo de regies no convexas feita atravs
da superposio de duas ou mais regies convexas.
A Figura 22 mostra as etapas seguidas na construo dos mapas. A primeira etapa a
aquisio dos mapas e, nesse caso, utilizou-se um mapa obtido pelo Google Earth (Campus II da
USP de So Carlos) que representa a regio onde o VANT deve sobrevoar. A prxima etapa a
ser executada a definio de regies de interesse nesse mapa. Sendo assim, foram delimitadas
regies penalizadoras, representando reas construdas; regies bonificadoras, representadas
por regies planas e sem construes; regies no navegveis, delimitadas sobre as florestas
densas; regio restante, considerada como sendo as demais reas remanescentes do mapa. Na
ltima etapa, tem-se a eliminao de detalhes da imagem do cenrio de voo. Dessa forma, apenas
as regies mapeadas (polgonos) sero utilizados pela aeronave. Isso economiza memria e
processamento, evitando um processamento de imagem como foi realizado nos trabalhos de
Saripalli, Montgomery e Sukhatme (2002), Li (2013), Zhao e Pei (2012), Kim et al. (2013),
Hermansson et al. (2010), Masuko et al. (2010).
Figura 22 Estratgia para construo manual de mapas contendo regies de interesse.
Acima foi apresentado um exemplo, com base na Figura 22, de como poderia ser gerado
o mapa para a misso do VANT. Entretanto, o processo de construo desse mapa bastante
lento por ser totalmente manual. A seguir ser descrita uma forma automatizada de gerao de
mapas que tambm ser utilizada neste trabalho.
4.9 Gerao Automtica de Mapas

O conjunto de mapas (cenrios) a serem utilizados nas simulaes e a forma como
so gerados uma etapa importante neste trabalho. Esses cenrios sero usados para efetuar a
validao do planejador de rotas de pouso. O gerador automtico de mapas implementado ser
discutido nesta seo.
Inicialmente, buscando atingir uma maior compreenso de como os cenrios foram
criados, algumas categorias de mapas possveis so definidas. Nesta etapa inicial, no foi
considerada a topologia do terreno com relevos 3D, ou seja, considera-se apenas cenrios com
topologias planas 2D.
4.9.1 Classificao dos Mapas

O gerador de mapas capaz de criar cenrios com diferentes nveis de dificuldades e
reas de cobertura. A seguir, so apresentadas duas classificaes criadas para os mapas. Um dos
principais fatores que caracteriza a dificuldade do mapa a proporo entre os diferentes tipos
de regies. Trs nveis de dificuldade so definidos.
Nvel de Dificuldade dos Mapas:
1. Mapa Fcil: Esta categoria de mapa considerada a mais simples de ser resolvida. Neste
tipo de cenrio, pretende-se colocar um nmero maior de regies do tipo bonificadora (b )
(facilitando assim o pouso nessas regies), uma quantidade mediana do tipo penalizadora
( p ) e poucas no navegveis (n ).
2. Mapa Normal: Nesta categoria de mapa, a dificuldade considerada mediana. Mapas

dessa categoria foram projetados buscando um equilbrio na proporo das regies do tipo
n , p e b .
3. Mapa Difcil: Esta categoria a que possui a maior complexidade de soluo. H um nvel
maior de regies do tipo n (dificultando as solues), um nvel mediano do tipo p e
poucas b .
Neste trabalho, quando se afirma que um mapa possui um nvel maior de regies de
determinado tipo, significa que ela aparece em maior quantidade naquele mapa.
Uma outra classificao considerada nos cenrios est relacionada s reas de cobertura
(densidade das regies). A rea de cobertura representa uma parcela da rea total do mapa.
rea de Cobertura dos Mapas:
1. Cobertura 25%: Esta categoria de mapa considerada mais esparsa, ou seja, possui um
nvel menor de rea coberta em relao ao total. Isso retrata um cenrio onde h pouca
informao a respeito das regies de interesse.
4.9. Gerao Automtica de Mapas 91
2. Cobertura 50%: Este tipo de mapa considerada mais denso, j que possui um nvel maior
de informaes sobre a rea de cobertura. Em geral, representa um cenrio com muitas
regies de interesse mapeadas.
Figura 23 Exemplos de mapas gerados automaticamente.
(a) Cobertura 25% e fcil. (b) Cobertura 50% e fcil. (c) Cobertura 25% e normal.
(d) Cobertura 50% e normal. (e) Cobertura 25% e difcil. (f) Cobertura 50% e difcil.
A Figura 23 exemplifica um total de seis tipos de mapas gerados de acordo com as

combinaes das classificaes descritas anteriormente.
4.9.2 Algoritmo de Gerao de Mapas

O algoritmo para gerao automtica de mapas implementado ser descrito nesta seo.
O Algoritmo 5 mostra, de forma geral, que a gerao dos mapas aleatrios feita sem interseo
de regies diferentes. Esse algoritmo baseado no trabalho de Blackmore, Ono e Williams
(2011). Por isso, foi definido que os polgonos seriam inicialmente apenas quadrados por questes
de maior simplicidade, mas o gerador poderia ser facilmente modificado para polgonos em
geral.
Algoritmo 5: Algoritmo Gerador Automtico de Mapas.

Entrada: Numrico: taxaOcupaorea, dimXMap, dimYMap
Sada: Mapa: mapa
1 incio
2 listaPolgono ;
3 ocupao 0;
4 enquanto (ocupao < taxaOcupaorea) faa
5 repita
6 posX posXRegioAleatrio();
7 posY posYRegioAleatrio();
8 comprimento comprimentoRegioAleatrio();
9 ngulo nguloRegioAleatrio();
10 polgono criarPolgono(posX, posY, comprimento, ngulo);
11 at (noTerIntercesso(listaPolgono, polgono));
12 listaPolgono.adiciona(polgono);
13 ocupao ocupao +comprimento2 /(dimXMap dimY Map);
14 mapa criarMapa(listaPolgono);
15 retorna mapa;
Inicialmente o algoritmo recebe como entrada a taxa de ocupao da rea total e as

dimenses x e y do mapa. A sada do mesmo um mapa aleatrio gerado. Uma lista de polgonos
que representar o cenrio criada. Em seguida, a varivel ocupao guardar a taxa de ocupao
atual do mapa, iniciada como zero quando o ambiente est vazio. Logo aps, inicia-se uma
estrutura de repetio at que a taxa de ocupao desejada seja atingida. Dentro dessa estrutura,
executa-se outra repetio onde so gerados novos polgonos que no tenham interseo com
aqueles da lista anterior. A seguir, adiciona-se o polgono na lista de polgonos. Atualiza-se a
taxa de ocupao do cenrio e, por fim, cria-se um mapa atravs da lista de polgonos.
4.9.3 Configuraes Usadas na Gerao dos Mapas

As especificaes das configuraes dos mapas utilizados em cada uma das categorias
propostas dada na Tabela 4. Essas configuraes foram utilizadas para gerar um conjunto de
mapas aleatrios que sero utilizados nos experimentos para validar o algoritmo planejador.
Observando essa tabela, percebe-se a relao existente entre os diferentes tipos de regies. Por
exemplo, os cenrios do tipo Mapa Fcil possuem 20% de cobertura por regies do tipo n , 30%
do tipo p e 50% do tipo b . Tal porcentagem de cobertura ocorre sobre a porcentagem cadas-
trada do mapa. Um processo anlogo feito para as outras categorias chamadas Mapa Normal
e Mapa Difcil. Um total de 100 cenrios para cada configurao foi gerado automaticamente,
assim ao todo foi gerado 600 mapas.
Neste trabalho foi considerado que cada mapa teria como dimenses 1000m 1000m.
Os experimentos assumem que a situao crtica do VANT ocorreu no centro do mapa, assim a
4.9. Gerao Automtica de Mapas 93
Tabela 4 Configuraes do gerador de mapas para cada tipo de categoria.
Dificuldade
rea de Regio Mapa Fcil Mapa Normal Mapa Difcil
Cobertura
25% n 20% 30% 50%
p 30% 30% 30%
b 50% 40% 20%
n 20% 30% 50%
50%
p 30% 30% 30%

b 50% 40% 20%
Fonte: Dados da pesquisa.
aeronave ter um grau maior de liberdade e poder ir para cada uma das direes possveis. A
Tabela 5 apresenta a notao para descrio das instncias utilizadas nos experimentos. Todos os
mapas esto disponveis para download no site1 .
Tabela 5 Notao utilizada em cada instncia com sua descrio.
Instncia Notao Descrio

I1 MF25% Mapa fcil com 25% de cobertura
I2 MF50% Mapa fcil com 50% de cobertura
I3 MN25% Mapa normal com 25% de cobertura
I4 MN50% Mapa normal com 50% de cobertura
I5 MD25% Mapa difcil com 25% de cobertura
I6 MD50% Mapa difcil com 50% de cobertura
4.9.4 Mapeamento de Cenrios 2D para 3D

Os mapas tridimensionais utilizados neste trabalho foram adaptados dos 600 mapas bidi-
mensionais gerados. O mtodo para transformao dos mapas bidimensionais em tridimensionais
ilustrado na Figura 24.
No mapeamento ilustrado, as regies no navegveis possuem altitude infinita indicada
pela notao h[]. As regies penalizadoras possuem altitudes que variam no intervalo [5; 25]
com incremento (inc p ) de 5. Por exemplo, a primeira regio penalizadora id = 1 possui altitude
5m indicada por h[5], j a segunda regio penalizadora id = 2 tem altitude 10m representado por
h[10]. De forma anloga, as regies bonificadoras possuem altitude que variam no intervalo de
[1; 5] com incremento (incb ) de 1. Exemplificando, a primeira regio bonificadora id = 1 tem
altitude de 1m (h[1]), a segunda possui altitude 2m (h[2]) e a terceira possui altitude 3m (h[3]).
As regies remanescente possuem uma altitude de 0m indicado por h[0]. Ao se atingir o intervalo
1 http://lcrserver.icmc.usp.br/projects/uav/wiki/Wiki
Figura 24 Mapeamento dos cenrios 2D para 3D. (a) mapa de origem 2D. (b) mapa de destino mapeado em 3D.
(a) (b) Legenda:

Regio bonicadora
Regio penalizadora
1
Regio no navegvel
Regio remanescente
2 h[]
1
h[]
1 h[5]
h[]
2 h[2] h[1]
h[10] h[0]
3
3 h[3]
2
superior das regies a operao mdulo (%) ser aplicada conforme a Equao 4.10, onde ub
indica o upper bound da regio e inc representa o fator de incremento. A Tabela 6 destaca os
valores dos parmetros inc e ub usados nas regies bonificadoras e penalizadoras. Ser sempre
considerado neste trabalho que no momento da situao crtica o VANT estaria a uma altitude
padro de 100m.
h = (((id 1) inc)%ub) + inc (4.10)
Tabela 6 Parmetros e valores das alturas das regies no mapa 3D.
Regio Incremento Valor Upper Bound Valor Altura

b incb 1 ubb 5 h[1, 2, 3, 4, 5]
p inc p 5 ub p 25 h[5, 10, 15, 20, 25]
4.10 Estratgias de Pouso

A seguir feita uma descrio de como foi desenvolvida as estratgias de pouso 2D e
pouso 3D.
4.10.1 Estratgia para Pouso em mapas 2D

Na estratgia de pouso bidimensional, o algoritmo planejador de rota delibera apenas
sobre a posio horizontal, ou seja, coordenadas (x, y) da aeronave. Todavia, uma estratgia
sobre o pouso do VANT deve levar em conta no apenas as latitudes e longitudes, mas tambm as
altitudes. A abordagem utilizada foi considerar que a altitude do VANT cai constantemente com
4.10. Estratgias de Pouso 95
o tempo, assim, torna-se possvel saber quando ele chegar ao solo. O algoritmo planejador do
pouso no precisa levar em conta a dimenso altitude, apenas latitude e longitude. A altitude pode
ser calculada posteriormente, atravs de um processo simples a partir do nmero de waypoints e
da altura inicial da aeronave. Essas informaes permitem estimar os valores dos pontos no eixo
z em cada waypoints. Os mtodos HG, AG e AGMP usam essa estratgia.
A Figura 25 mostra como foi assumida a estratgia de pouso para duas dimenses, onde
o ngulo de descida da aeronave foi considerado constante e a altura cai linearmente. O valor do
ngulo de descida depende do tempo de voo at o pouso. Por isso, foi considerado que a altitude
em que o VANT estava no momento da situao crtica era de 100 metros e o tempo mximo at
o pouso de 60 segundos. Estimou-se a distncia mxima alcanada pela aeronave aps a falha
como sendo 1020 metros, obtida a partir da velocidade da mesma.
Figura 25 Estratgia de pouso 2D para diferentes tempos gastos no pouso.
Tempo
0s 10 s 20 s 30 s 40 s 50 s 60 s
100 m
min
mdio
max
80 m
Altitude
60 m
40 m
20 m
max mdio min

0m
0m 170 m 340 m 510 m 680 m 850 m 1020 m
Distncia
Os valores dos ngulos so dados pela seguinte equao: = arctan( dh ), onde h repre-
senta a altura do VANT no momento da falha e d a distncia percorrida at o pouso. A distncia
percorrida dada por: d = (v0 +v
2
K)
K, onde v0 , vK e K representam respectivamente a velocidade
inicial, velocidade final e tempo gasto at o pouso. Considerando tais fatores foi calculado o
ngulo de descida mnimo (min ), mximo (max ) mdio (medio ).
Os valores obtidos para os ngulos foram:

h 100 2
min = arctan = arctan = 5, 6o (4.11)
d (24 + 11) 60

h 100 2
medio = arctan = arctan = 8, 4o (4.12)
d (24 + 11) 40

h 100 2
max = arctan = arctan = 15, 0o (4.13)
d (24 + 11) 22
Na Equao (4.11), desejamos encontrar o valor do menor ngulo de pouso com h =

100m, v0 = 24m/s, vK = 11m/s e K = 60s. Calculando o arco tangente, obteremos o valor
do ngulo que de 5, 6o . Na Equao (4.12), o tempo mdio de pouso para as vrias falhas
consideradas foi de 40 segundos (veja Tabela 11). Nesse caso o valor do ngulo encontrado foi
de 8, 4o . O valor do maior ngulo dado pela Equao (4.13), onde foi considerado que a taxa
de descida mais forte para o problema no motor. Assim o tempo mdio de descida de K = 22
(veja Tabela 11), o valor do ngulo encontrado de 15, 0o .
Observando o valor do ngulo min = 5, 6o e medio = 8, 4o , percebemos que eles esto
dentro do intervalo de ngulo de pouso seguro encontrado na literatura entre 4, 64o e 9, 21o para
aeronaves de grande porte (EASA, 2012). O valor do ngulo obtido para o caso de problema no
motor de max = 15, 0o que corresponde a um valor acima dos ngulos encontrados. Todavia,
por se tratar de um VANT, esse valor pode ser admitido uma vez que aeronaves pequenas fazem
curvas mais bruscas que uma aeronave de grande porte.
4.10.2 Pouso 3D
Uma outra estratgia de pouso desenvolvida a tridimensional, onde o algoritmo pla-
nejador de rota define em conjunto as coordenadas (x, y, z) da aeronave. O modelo baseado em
PLIM usa essa estratgia.
A Figura (26) exemplifica essa estratgia de pouso, onde o cenrio possui um terreno
plano contendo trs regies povoadas, um aeroporto e um campo de futebol abandonado. O
modelo PLIM decide toda a rota de pouso e aqui no considerado o decaimento linear da
altitude do VANT. Essa estratgia faz a alocao da altitude da melhor forma, baseado no modelo
de dinmica e no risco envolvido nas colises laterais e sobre o topo dos obstculos.
4.11 Consideraes Gerais

Esta seo faz algumas consideraes sobre o VANT, os experimentos realizados e os
pesos atribudos s regies.
4.11.1 Consideraes Sobre o VANT

O veculo areo possui um conjunto geral de sensores os quais o sistema IFA acessa
e que podem ser utilizados por outros sistemas embarcados como o MOSA. Por sua vez, o
sistema supervisor da aeronave (IFA) possui um conjunto especfico de sensores para auxlio na
descoberta de situaes crticas. Abaixo, encontra-se a descrio desses sensores.
4.11. Consideraes Gerais 97
Figura 26 Estratgia de pouso 3D em terreno plano
Conjunto Geral de Sensores da Aeronave:
GPS: sensor capaz de obter a localizao;
Velocmetro: sensor capaz de retornar a velocidade;
Altmetro: sensor capaz de descobrir a altitude do local;
Giroscpio: sensor capaz de obter a orientao.
Conjunto Especfico de Sensores do IFA:
Termmetro: sensor que obtm a temperatura da bateria e, caso ultrapasse um determi-

nado limiar, o IFA aciona o algoritmo de pouso emergencial;
Nvel da Bateria: sensor que verifica a carga atual da bateria e, se estiver abaixo de um
threshold, o IFA aciona o algoritmo de pouso emergencial;
Tacmetro: sensor que indica a velocidade de rotao do motor e, caso haja pouca ou
nenhuma rotao, o sistema IFA aciona o mecanismo de pouso;
Verificador de Problemas na Asa: algoritmo capaz de verificar problemas na asa, dado

o histrico do conjunto de sensores da aeronave. Esse verificador capaz de fazer a
identificao de falhas nos controles ltero-direcionais. Em caso de falhas associadas, o
IFA dispara um mtodo para pous-la ou, em ltimo recurso, aciona um paraquedas.
Esse conjunto de sensores importante para que a aeronave tenha o aparato suficiente
para descobrir as falhas e as informaes necessrias do estado atual do VANT. Sem os sensores
do IFA, o VANT no saberia da ocorrncia da falha e sem seus sensores gerais ele no teria
informaes suficientes para decidir onde pousar.
4.11.2 Consideraes Sobre os Experimentos Realizados
Esta seo apresenta as ideias contidas por trs dos trs tipos de experimentos realizados
nesta dissertao. As condies das simulaes e as diferenas entre elas so aqui elucidadas. A
Figura 27 retrata os experimentos efetuados que aqui so chamados offline, online e real. Os dois
primeiros experimentos foram totalmente simulados e o terceiro utiliza um VANT real.
No experimento offline, o mtodo planejador de rotas considera um simulador simples
que retrata apenas as informaes bsicas relacionadas ao ambiente (mapa). Assim, os dados de
entrada do algoritmo so sempre parmetros fixos definidos para a posio, velocidade e direo.
Os dados relacionados aos tipos, quantidades e posicionamento dos obstculos que podem
variar de uma simulao para a outra.
No experimento online, tem-se uma aeronave executando uma misso no simulador
FlightGear. Durante o voo, ocorre uma situao crtica e, nesse momento, as informaes dos
sensores a bordo da aeronave so passados ao algoritmo planejador de rota. Logo, como a
aeronave estava simulando a execuo de uma misso, os parmetros de posio, velocidade e
direo so obtidos diretamente da aeronave. Em seguida, uma rota calculada pelo algoritmo
planejador, a misso em curso abortada e o pouso emergencial executado.
Um Piloto Automtico (AP) foi utilizado para fazer o veculo areo seguir a rota. Esse AP
usa um controlador Proporcional Integral Derivativo (PID) e est integrado ao ambiente de testes
AutoFG. Esse ambiente foi desenvolvido pelo grupo de pesquisa localizado no LCR/ICMC/USP
(HOSSOMI, 2015). A simulao online mais realista por considerar uma misso em curso,
podendo contar com diferentes condies de vento e direo.
O ltimo tipo de experimento ocorre em um voo real com um VANT. Nesse caso, a rota
previamente calculada na estao de controle, usando a simulao offline. Em seguida, a rota
carregada no VANT que a executa no mundo real. Nessa execuo, um AP (ardopilot) controla a
aeronave para seguir os waypoints gerados pelo mtodo de pouso.
4.11. Consideraes Gerais 99
Figura 27 Tipos de experimentos realizados.
Experimento Simulado
Oine Online
Mtodo Mtodo Simulador
Planejador Planejador FlightGear
de Rotas de Rotas
Simulador Simulador Ambiente
Simples Simples
Experimento Real
Real
Estao de Controle
VANT
Mtodo
Planejador AutoPilot
de Rotas
Simulador
Simples Ambiente
4.11.3 Consideraes Sobre os Pesos das Regies

As equaes (3.1), (4.3), (4.4) e (4.5) possuem como parmetros os pesos associados a
queda e voo do VANT sobre algumas regies. Esta seo tem por objetivo discutir os valores
utilizados para esses parmetros. Os pesos das regies foram baseados em custo financeiro da
aeronave e das regies de pouso ou navegabilidade. A Tabela 7 mostra os valores dos pesos das
regies usadas em todas as simulaes efetuadas.
Tabela 7 Configuraes dos pesos de cada regio do mapa.
Parmetro Valor
Cb $2.000,00
C p $8.000,00
Cn $100.000,00
Cr $0,00
Observando a Tabela 7, nota-se que o custo de se pousar o VANT em uma regio

bonificadora (Cb ) de $2.000,00 unidades financeira. Esse valor pode ser interpretado como o
custo de uma aeronave que foi salva (valor negativo nas equaes que utilizam Cb ) ao pousar
nessa regio. O prejuzo associado ao pouso do VANT em uma regio penalizadora (C p )
de $8.000,00. Tal valor representa uma despesa associada ao dano estimado aeronave e ao
ambiente. O custo correspondente ao pouso e voo sobre a regio no navegvel (Cn ) indica
uma penalizao de $100.000,00. Com relao a esse valor difcil fazer uma associao com
prejuzos financeiros, assim, a alta penalizao faz com que os mtodos escolham no sobrevoar
nem pousar em regies no navegveis. Por fim, o custo da regio remanescente (Cr ) zero
indicando assim que a aeronave ao cair nessa regio no ter nenhum prejuzo associado. Deve-se
ressaltar que o fato de no se penalizar tal regio uma forma de no coloc-la no modelo, visto
que, essa regio no convexa.
4.12 Consideraes Sobre a Constante de Arrasto

A modelagem da dinmica de voo depende de uma srie de fatores, onde um deles a
resistncia do ar. Algumas dedues matemticas so realizadas nesta seo para determinar um
valor adequado para a constante de arrasto que se ajuste ao VANT Tiriba usado neste trabalho.
Seja a equao do arrasto (4.14):
1
Ftd = Cd A vt2 (4.14)
2
com os parmetros: coeficiente de arrasto Cd , massa especfica do fluido e a rea de referncia
A . Seja Kd uma constante de arrasto associada a cada aeronave dada pela equao (4.15).
Kd = Cd A /2 (4.15)
Assim, a equao de arrasto pode ser reescrita pela equao (4.16).
Ftd = Kd vt2 (4.16)
A unidade de medida de Kd kg/m. O problema em determinar o valor de Kd ocorre por

no ser conhecido o valor de A e Cd associado ao VANT.
A Figura 28 mostra uma aeronave e as foras envolvidas na mesma. A primeira fora
aerodinmica a T que indica a trao produzida pelos motores. A segunda fora S a fora de
sustentao da aeronave. A terceira o arrasto R, contrria ao movimento da trao T . A ltima
fora dada pelo peso P da aeronave e aponta sempre para baixo. Para uma aeronave em voo de
cruzeiro, as foras T = R e S = P, ou seja, a aeronave est em equilbrio.
Usando a expresso T = R, pode-se encontrar a constante Kd que faz com que a aeronave
no consiga ultrapassar a velocidade terminal, representada por vterm . Para isso, basta fazer Tmax =
Rmax com Tmax = m amax , onde os parmetros Tmax , m e amax representam, respectivamente, a
trao mxima, a massa e a acelerao mxima que a aeronave consegue manter. Tem-se tambm
2 . Desenvolvendo as expresses e substituindo pelos dados do VANT Tiriba
que Rmax = Kd vterm
temos:
Tmax = Rmax (4.17)

4.12. Consideraes Sobre a Constante de Arrasto 101
Figura 28 Anlise das foras envolvidas na aeronave.
Fonte: Adaptada de Studart e Dahmen (2006).
2
m amax = Kd vterm (4.18)
m amax
Kd = 2
(4.19)
vterm
3, 7 2, 0
Kd = = 0, 007925 (4.20)
30, 52
A Expresso (4.20) mostra o valor de Kd para o Tiriba, onde os dados de massa, acelera-
o mxima e velocidade terminal para essa aeronave so dados na Tabela 1.
A Figura 29 apresenta um grfico ilustrando a modelagem feita para o Tiriba. A mudana
de velocidade do Tiriba observada, partindo do repouso e com acelerao mxima. Aps o
instante 31, a velocidade da aeronave satura, ou seja, atingiu a velocidade terminal. O valor da
contante Kd = 0, 007925 ser utilizado em todos os experimentos desta dissertao.
Figura 29 Mudana de velocidade do VANT partindo do repouso e com acelerao constante.

4.13 Framework ProOF

Esta seo visa descrever o framework de otimizao utilizado no desenvolvimento
dos mtodos de planejamento de rota. O ProOF (Professional Optimization Framework) um
ambiente desenvolvido para auxiliar a gerao de cdigos para mtodos aplicados a problemas
de otimizao mono e multi-objetivo. Esse framework permite ao usurio tanto a incluso
de mtodos quanto problemas. O ProOF tambm oferece suporte para o desenvolvimento de
mtodos exatos, heursticos, metaheursticos e hbridos (ARANTES, 2014).
A Figura 30 apresenta a interface grfica do ambiente de otimizao ProOF. A interface,
aps carregar o problema e os mtodos programados, permite ao usurio definir a configurao
dos parmetros utilizados nos experimentos.
Figura 30 Framework ProOF utilizado no desenvolvimento dos mtodos.
Todos os mtodos de planejamento de rota utilizados nesta dissertao foram programa-

dos dentro desse framework em linguagem Java. Uma das grandes vantagens desse ambiente o
fato de possuir uma srie de mtodos de otimizao e problemas j definidos. Outra vantagem
a facilidade de fazer testes com diferentes parmetros de forma automatizada, o que acelera a
gerao de resultados.
4.14 Concluso
O captulo apresentou a codificao do problema e a definio da funo objetivo. Os
mtodos propostos para o planejamento da rota HG, AG, AGMP e PLIM so descritos com seus
4.14. Concluso 103
respectivos pseudocdigos. A arquitetura do sistema desenvolvida com suas entradas e sadas foi
apresentada.
Esse captulo mostrou tambm a forma como so criados os mapas e as estratgias
de pouso 2D e 3D. Algumas consideraes so feitas a respeito dos sensores do VANT, os
experimentos realizados, a definio dos pesos das regies e a deduo da constante de arrasto.
Por fim, mencionado o framework ProOF utilizado para facilitar o desenvolvimento dos
mtodos.
105
CAPTULO
5
RESULTADOS
Voc nunca sabe que resultados viro da

sua ao. Mas se voc no fizer nada, no
existiro resultados.
Mohandas Karamchand Gandhi
5.1 Introduo
Este captulo apresenta os resultados obtidos pela presente dissertao de mestrado. A
prxima seo descreve os experimentos efetuados para a Heurstica Gulosa (HG), Algoritmo
Gentico (AG) e Algoritmo Gentico Multi-Populacional (AGMP) usando a modelagem restrita.
Em seguida, os experimentos para o modelo de Programao Linear Inteira Mista (PLIM) usando
a modelagem completa so apresentados. Por fim, os resultados envolvendo simulador de voo e
um voo real so mostrados.
5.2 Experimentos da Modelagem Restrita

A seguir so apresentados os resultados obtidos pelos mtodos propostos usando a
modelagem restrita. Dessa forma, os mtodos HG, AG e AGMP foram avaliados usando a
estratgia de pouso 2D.
5.2.1 Configuraes Utilizadas

Uma srie de experimentos foi feita para analisar e decidir os melhores parmetros,
as configuraes e o comportamento dos mtodos. As configuraes gerais do mapa, VANT,
modelo e pesos das regies utilizadas esto definidas na Tabela 8. Os valores dos pesos foram
definidas conforme a Tabela 7 discutida anteriormente. Alguns valores dos parmetros relativos
ao VANT foram definidos conforme a Tabela 1 baseados em dados do Tiriba.
Observando a Tabela 8 temos que a posio da aeronave no momento da falha o
centro do mapa na coordenada (0, 0); a velocidade inicial de v0 = 24m/s; o ngulo do VANT
106 Captulo 5. Resultados
Tabela 8 Configuraes do mapa, VANT, modelo e pesos das regies usados.
Categoria Descrio do Parmetro Smbolo Valor Unidade

Dimenso no eixo X - 1000 metros (m)
Mapa
Dimenso no eixo Y - 1000 metros (m)
Posio inicial (px0 , py0 ) (0, 0) metros (m)
Velocidade inicial v0 24 m/s
ngulo inicial 0 90 graus (o )
Velocidade mnima vmin 11, 1 m/s
VANT Velocidade mxima vmax 30, 5 m/s
Velocidade angular mnima min 3 o /s
Velocidade angular mxima max 3 o /s
Acelerao mnima amin 0, 0 m/s2

Acelerao mxima amax 2, 0 m/s2
Horizonte de planejamento T 60 segundos (s)
Modelo Discretizao do tempo T 1 segundos (s)
Probabilidade de violar n 0, 001 -
Custo bonificadora Cb 2.000 $
Custo penalizadora C p 8.000 $
Pesos
Custo no navegvel Cn 100.000 $
Custo remanescente Cr 0 $
de 0 = 90o , ou seja, voando em direo ao norte; a mudana de direo est limitada a

3o /s 3o /s; a acelerao est limitada ao intervalo 0, 0m/s2 a 1, 1m/s2 . O valor do
peso C p indica uma penalizao de $8.000,00 quando associada a queda da aeronave na regio
do tipo penalizadora. Vale relembrar que o peso Cb de $2.000,00 no indica penalizao nas
equaes, mas sim um bnus. Os experimentos apresentados a seguir foram executados em um
computador com as especificaes da Tabela 9.
Tabela 9 Configuraes do computador utilizado nos experimentos.
Atributo Configurao
Sistema Operacional Linux - Ubuntu 13.10
Processador Intel(R) Core(TM) i5-3337U
Conjunto de Instrues 64 bits
Nmero de Ncleos 4
Frequncia 1.80 GHz
Memria RAM 4 GB
5.2.2 Anlise da Distribuio do Fitness dos Indivduos

A anlise da distribuio do fitness dos indivduos importante, pois nos informa como
esto agrupados os indivduos da populao em funo do fitness. Fazer essa anlise em diferentes
5.2. Experimentos da Modelagem Restrita 107
geraes tambm revela como os indivduos evoluem atravs das geraes. Dois experimentos
foram efetuados para capturar essas informaes considerando a primeira e a ltima gerao.
O algoritmo utilizado nesses experimentos foi o AGMP e a configurao utilizada foi:
todos os operadores de inicializao, cruzamento e mutao; tamanho da populao de 10.000
indivduos; nmero de avaliaes de 100.000; estrutura em rvore com fator de ramificao 3;
taxa de crossover de 1, 5; taxa de mutao de 0, 75.
Figura 31 Resultados da distribuio do fitness dos indivduos, aps a primeira gerao. Os mapas foram escolhidos
arbitrariamente.
(a) Mapa arbitrrio da instncia I1. (b) Mapa arbitrrio da instncia I2.
(c) Mapa arbitrrio da instncia I3. (d) Mapa arbitrrio da instncia I4.
(e) Mapa arbitrrio da instncia I5. (f) Mapa arbitrrio da instncia I6.
A Figura 31 apresenta a distribuio do fitness aps a primeira gerao do algoritmo.

Percebe-se uma grande variao nas distribuies geradas para cada um dos mapas de categorias
distintas, isto ocorre pelo fato dos mapas terem caractersticas bem diferentes e o mtodo ser
estocstico. A diversidade de fitness dos indivduos ocorre pela natureza do AGMP implementado,
que inicialmente procura gerar solues com caractersticas aleatrias.
Pode-se perceber alguns picos (Figura 31) nas distribuies no incio do grfico (fitness
prximo de 4 a 130) que indica queda em uma regio bonificadora. Essas solues em regies
bonificadoras foram obtidos provavelmente pelo inicializador guloso. O segundos pico percebido,
nos grficos (a), (b), (c) e (e), indica solues que sobrevoaram provavelmente algumas regies
no navegveis, mas no caram em tal regio. Isso indicado pelo alto valor de fitness, mas
abaixo do custo da penalizao Cn = $100.000, 00. O restante das regies dos grficos, com
custo acima de $100.000,00, so solues que provavelmente sobrevoaram e pousaram em regio
no navegvel (n ).
A Figura 32 apresenta as distribuies, aps a ltima gerao. H uma relevante melhoria
na distribuio dos indivduos, onde se nota um agrupamento maior de indivduos no incio do
grfico (fitness prximo a 2 a 200). Isso indica maior queda em regio bonificadora. Um outro
agrupamento de indivduos ocorre prximo ao fitness 2000 relacionado a queda da aeronave em
uma regio remanescente. As solues restantes (indivduos da populao) esto distribudos
de forma bastante esparsa pelo grfico. Isso ocorre j que, mesmo estando na ltima gerao,
indivduos com fitness podem ocorrer na populao dada a caracterstica do mtodo, onde
operadores de mutao e crossover podem gerar indivduos "ruins".
5.2.3 Anlise de Sensibilidade do AG e AGMP
Esta seo apresenta uma anlise de sensibilidade dos parmetros do AG e do AGMP.

A Tabela 10 contm o conjunto de parmetros analisados pelo algoritmo. Por exemplo, o
nmero de populaes testado varia de {1; 2; 3; 4; 5}, j os operadores de mutao foram
{Uni f orme; Limite; Creep; Todos}. Neste caso, Todos indica que os operadores anteriores
citados estavam ativados, onde o mtodo aplica um deles ao indivduo via seleo aleatria.
Essa tabela apresenta tambm alguns valores j utilizados na literatura (coluna PL ). A coluna P*
mostra os melhores parmetros encontrados na anlise de sensibilidade efetuada. A ordem dos
testes tambm importante, visto que, para cada variao feita, fixou-se os demais parmetros
analisados. O valor no conjunto sublinhado foi fixado para efetuar os demais experimentos.
Assim, quando se encontrou os melhores resultados para (P* ), este valor passou a ser utilizado e
ento se prosseguiu avaliando os demais parmetros, seguindo a ordem estabelecida na tabela.
As condies em que foram realizados o ajuste dos parmetros so as seguintes: selecionou-
se arbitrariamente um mapa de cada conjunto de instncia (I1, I2, . . . I6), totalizando seis mapas,
sendo um para cada categoria. Um total de 50 execues foi realizado para cada mapa e o algo-
ritmo para aps executar 10.000 avaliaes. O AGMP replaneja a rota de pouso sem considerar
uma falha associada, assim se procurou descobrir os melhores parmetros independente de
situao crtica.
Figura 32 Resultados da distribuio do fitness dos indivduos, aps a ltima gerao. Os mapas utilizados foram
os mesmos do experimento anterior.
(a) Mapa da instncia I1. (b) Mapa da instncia I2.
(c) Mapa da instncia I3. (d) Mapa da instncia I4.
(e) Mapa da instncia I5. (f) Mapa da instncia I6.
A mtrica utilizada, em caso de empate estatstico dos parmetros, usar o valor padro
da literatura e prosseguir os experimentos. Esse critrio foi especificado devido ao grande
nmero de empates entre os parmetros. Esse empate ocorre dada a considervel complexidade
do problema tratado, indicando que o mtodo se comporta de forma parecida independente dos
valores aqui testados para os parmetros. Isso tambm se explica pela complexa curva do fitness
(veja Seo 5.2.2).
Analisando a Tabela 10 na coluna P* e a linha do No de Ramificao, nota-se a escolha
de 3L . Esse tipo de resultado indica que houve empate entre os diferentes parmetros, entretanto,
Tabela 10 Anlise de sensibilidade de parmetros do AGMP e AG.
Mtodo Ordem Parmetro Analisado Variaes dos Parmetros PL P*

1 No de Ramificao {2; 3; 4} 3 3L
2 No de Populaes {1; 2; 3; 4; 5} 3 3L
3 No de Indivduos {6; 13; 20; 27; 34} 13 13L
AGMP 4 Taxa de Crossover {0, 5; 1, 0; 1, 5; 2, 0; 2, 5} 1,5 0, 5
5 Taxa de Mutao {0, 0; 0, 25; 0, 5; 0, 75; 1, 0} 0,75 0, 75L
6 Operad. de Crossover {Aritmetico;

M edia;
Geometrico; OX; BLX-; Todos} - Todos
7 Operad. de Mutao {Uni f orme; Limite; Creep; Todos} - Todos
8 Operad. de Inicializao {Aleat orio;
CurvaCurta; Aceler.Curta; Gulosa; Todos} - Todos
9 No de Indivduos {13; 39} - 39
AG
10 Tamanho do Torneio {2; 3; 4; 5} - 3
usou-se como desempate o valor 3 usado tambm por outros trabalhos da literatura.
Os resultados da anlise de sensibilidade foram executados primeiramente para o AGMP
e depois para o AG. Assim, os melhores parmetros encontrados no multi-populacional foram
tambm usados no AG. Contudo, o nico parmetro que ocorria no AG e no havia equivalente
no AGMP foi o tamanho do torneio. Devido a estrutura de populao diferenciada do AG em
relao ao AGMP, dois experimentos medindo nmero de indivduos ocorreram em paralelo. O
primeiro a ser testado verifica o tamanho do torneio para uma populao de 13 indivduos. O
segundo experimento toma o nmero de indivduos igual a 39 e verifica o tamanho do torneio.
importante ressaltar que nesse experimento tambm houve empate e foi selecionado o nmero de
indivduos igual a 39 e tamanho do torneio de 3. Todos os resultados da anlise de sensibilidade
de parmetros esto disponveis no site1 .
5.2.4 Exemplo de Solues para Situaes Crticas

Esta seo apresenta alguns exemplos de solues obtidas para diferentes situaes
crticas em um mesmo mapa. Tais exemplos, ajudam a avaliar o comportamento do VANT para
cada uma das situaes enfrentadas. Ao todo foram realizadas cinco simulaes diferentes, onde
em quatro delas ocorreram problemas associados aeronave e em uma simulao foi efetuado o
pouso sem situao crtica.
O propsito ilustrar as rotas seguidas pela aeronave, assim o AGMP foi utilizado. A
Tabela 11 apresenta os resultados obtidos para um mapa do conjunto de instncias. Por exemplo,
na segunda linha dessa tabela h informaes sobre o pouso, dado o problema no motor (m ),
onde o fitness associado a soluo foi de 21, 00. A quantidade de tempo gasto (K) at o pouso
foi de 22 segundos e o local de pouso do VANT foi uma regio bonificadora (b ).
A Figura 33 mostra as trajetrias seguidas nos pousos para cada uma das situaes
crticas. Inicialmente o veculo areo parte da posio Incio e ao chegar ao centro do mapa
1 http://lcrserver.icmc.usp.br/projects/uav_critical_situation/wiki
Tabela 11 Resultado obtido para diferentes situaes crticas enfrentadas pelo VANT.
Fitness K Local Pouso

m 21,00 22 b
b 344,10 34 b
s1 37,80 60 b
s2 28,10 48 b
13,40 34 b
Mdia 88,88 40 b
(rota na cor verde) ocorre uma falha que lhe obriga a efetuar o pouso emergencial. Na Figura 33
(a), percebe-se que a aeronave pousou rapidamente devido ao problema no motor e alcanou uma
regio bonificadora (rota na cor vermelho). J na Figura 33 (b), o veculo areo com problema
na bateria percorreu uma distncia maior at chegar na regio b . Nesse caso, seu fitness foi
penalizado em relao ao problema no motor por percorrer uma maior distncia. Na Figura 33
(c), o VANT consegue encontrar uma trajetria at uma regio bonificadora, mesmo com a
restrio de girar somente para a esquerda. E por fim, a Figura 33 (d) indica que a aeronave
capaz de pousar em uma regio b , apesar da restrio de somente conseguir girar para a direita.
Observa-se que, devido a essa restrio de manobra, o VANT teve que efetuar um lao para
pousar.
As sees seguintes apresentaro os resultados obtidos para cada um dos mtodos
implementados. Todavia, algumas consideraes precisam ser feitas. Quando se fala que uma
soluo (rota) factvel significa que ela no violou trs restries importantes: Pouso (b ),
Velocidade (vmin ) e Risco ( ). As Restries de Pouso estabelecem que o VANT deve encontrar
uma regio bonificadora e conseguir pousar nela; as restries de Velocidade verificam se a
aeronave no conseguiu pousar no ltimo instante, pois estava acima da velocidade mnima; as
restries de Risco avaliam se o risco foi violado, ou seja, a aeronave invadiu o espao areo no
navegvel (n ).
5.2.5 Heurstica Gulosa

Esta seo, apresenta os resultados obtidos pela Heurstica Gulosa (HG) que podem ser
vistos na Tabela 12. As condies iniciais em que os experimentos foram submetidos so: todos
os 600 mapas criados (I1, I2, . . . I6) foram avaliados uma vez pela HG; todas as situaes crticas
modeladas foram avaliadas, conforme apresentado na tabela.
A Tabela 12 mostra o tempo mdio (em segundos) para cada tipo de instncia. As colunas
indicadas por Pousou b e Pousou r apresentam a quantidade de solues que pousaram em
regies bonificadoras e remanescente com segurana. A coluna Infactvel indica a quantidade
de solues que violou uma ou mais das seguintes restries: condio de no navegabilidade;
Figura 33 Exemplos de rotas para cada uma das situaes crticas.
(a) Situao crtica m . (b) Situao crtica b .
(c) Situao crtica s1 . (d) Situao crtica s2 .
pouso em regio penalizadora; condio de velocidade mnima para o pouso. Como para cada
tipo de instncia h 100 mapas, o somatrio das colunas Pousou b , Pousou r e Infactvel
totaliza 100. Por exemplo, para a situao crtica a instncia I1 obteve o melhor resultado
com 99% solues que levam a rotas seguras de voo, pousando em regies bonificadoras. Nessa
mesma situao, a instncia I5 obteve o pior resultado com 67% das solues nessas condies.
importante observar que o tempo gasto na execuo do algoritmo inferior a 0, 120
segundo, em geral, sendo aproximadamente 0, 071 segundo. Ressalta-se que a taxa de sucesso
de 77, 83%, considerando todas as situaes de pouso descritas. A HG no satisfatria em
13, 27% dos mapas testados. O baixo custo computacional justifica sua utilizao antes de outras
Tabela 12 Resultado obtido para a HG, para todos as situaes crticas e todas as instncias.
Instncias Tempo Pousou b Pousou r Infactvel

I1 0,041 99 0 1
I2 0,091 97 0 3
I3 0,037 93 3 4

I4 0,085 98 0 2
I5 0,025 67 5 28
I6 0,065 83 0 17
Mdia 0,057 89,50 1,33 9,17
I1 0,067 79 21 0
I2 0,111 92 6 2
I3 0,059 58 39 3
m
I4 0,104 86 12 2
I5 0,042 30 52 18
I6 0,088 62 28 10
Mdia 0,079 67,83 26,33 5,83
I1 0,041 99 0 1
I2 0,092 97 0 3
I3 0,037 93 3 4
b I4 0,087 98 0 2
I5 0,024 67 5 28
I6 0,065 83 0 17
Mdia 0,058 89,50 1,33 9,17
I1 0,067 81 8 11
I2 0,120 88 0 12
I3 0,061 68 16 16
s1
I4 0,113 82 1 17
I5 0,042 41 23 36
I6 0,095 56 0 44
Mdia 0,083 69,33 8,00 22,67
I1 0,066 90 4 6
I2 0,117 90 0 10
I3 0,060 70 20 10
s2
I4 0,109 87 1 12
I5 0,038 40 17 43
I6 0,091 61 3 36
Mdia 0,080 73,00 7,50 19,50
Mdia Final 0,071 77,83 8,90 13,27
tcnicas mais complexas e que eventualmente gastem um tempo maior para retornar uma rota.
A Figura 34 mostra trs exemplos de rotas geradas pela HG. Na Figura 34 (a), nota-se que
o veculo areo conseguiu chegar at a regio bonificadora. J na Figura 34 (b), a aeronave no
conseguiu chegar a b2 devido a sua longa distncia. As regies b1 e b3 no foram escolhidas,
pois violariam a restrio de no navegabilidade, caso o VANT tentasse alcan-las. O resultado
da Figura 34 (c) revela que houve um voo sobre a regio no navegvel n6 indicando uma
soluo ruim, mesmo que tenha pousado em regio bonificadora (b1 ). Esses resultados para a
HG foram reportados em Arantes et al. (2015).
5.2.6 Algoritmo Gentico

Os resultados obtidos pelo Algoritmo Gentico (AG) esto agrupados na Tabela 13. O
critrio de parada do algoritmo ocorre aps 10.000 avaliaes. Duas verses diferentes do AG
Figura 34 Exemplos de rotas obtidas pela HG.
(a) Pouso em regio bonificadora (b) Pouso em regio remanes- (c) Pouso em regio bonificadora
sem violao de restrio de cente sem violao de restri- com violao de restrio de
no navegabilidade. o de no navegabilidade. no navegabilidade.
foram criadas sem e com a inicializao gulosa, sendo chamadas de AG1 e AG2, respectivamente.
Essas verses foram criadas para mostrar a robustez da inicializao gulosa.
Analisando os dados da Tabela 13, percebe-se que o AG1 teve um desempenho seme-
lhante HG resolvendo 77, 96% dos mapas. O AG com o operador de inicializao guloso (AG2)
teve um desempenho melhor ao resolver 89, 86% das instncias. Assim, o AG2 define rotas para
cerca de 12, 0% mais mapas que o AG1. No quesito tempo gasto, as duas verses acabaram
gastando tempos semelhantes na ordem de 0, 955 e 0, 912 segundo. Comparando o tempo gasto
do AG2 com a HG, percebe-se que HG 12 vezes mais rpido que o mtodo evolutivo.
Figura 35 Exemplos de rotas obtidas pelo AG.
(a) Pouso em regio bonificadora (b) Pouso em regio bonificadora (c) Pouso em regio bonificadora
sem violao de restrio de sem violao de restrio de com violao de restrio de
no navegabilidade. no navegabilidade. no navegabilidade.
Alguns exemplos de rotas gerados pelo AG so ilustrados na Figura 35. Na Figura 35

(a), percebe-se que a aeronave conseguiu chegar at uma regio bonificadora e pous-la com
Tabela 13 Resultado obtido para o AG1 e AG2, para todos as situaes crticas e todas as instncias.
AG1 AG2
Instncias Tempo Pousou b Pousou r Infactvel Tempo Pousou b Pousou r Infactvel
I1 0,718 100 0 0 0,650 100 0 0
I2 0,791 98 1 1 0,734 99 0 1
I3 0,804 96 1 3 0,682 99 0 1

I4 0,932 97 0 3 0,801 99 0 1
I5 0,901 81 18 1 0,777 97 3 0
I6 1,239 66 15 19 0,996 94 4 2
Mdia 0,897 89,67 5,83 4,50 0,773 98,00 1,17 0,83
I1 0,789 81 19 0 0,739 90 10 0
I2 0,751 88 11 1 0,783 96 3 1
I3 0,831 59 39 2 0,788 71 28 1
m
I4 0,822 81 18 1 0,808 95 5 0
I5 0,916 34 65 1 0,905 40 60 0
I6 0,982 59 31 10 0,960 81 16 3
Mdia 0,848 67,00 30,50 2,50 0,830 78,83 20,33 0,83
I1 1,059 96 3 1 0,921 100 0 0
I2 1,097 99 0 1 1,002 99 0 1
I3 1,068 91 7 2 0,928 98 1 1
b I4 1,141 96 1 3 1,072 99 0 1
I5 1,107 68 31 1 1,024 95 5 0
I6 1,301 62 17 21 1,191 96 2 2
Mdia 1,129 85,33 9,83 4,83 1,023 97,83 1,33 0,83
I1 0,773 91 6 3 0,846 92 6 2
I2 0,888 88 0 12 0,888 95 0 5
I3 0,894 77 17 6 0,926 86 9 5
s1
I4 1,028 81 2 17 1,001 90 0 10
I5 1,045 49 43 8 1,021 73 22 5
I6 1,338 39 25 36 1,224 78 5 17
Mdia 0,994 70,83 15,50 13,67 0,984 85,67 7,00 7,33
I1 0,709 93 5 2 0,786 99 0 1
I2 0,759 94 1 5 0,885 94 2 4
I3 0,811 78 16 6 0,813 92 5 3
s2
I4 0,968 83 8 9 1,014 94 0 6
I5 0,912 65 31 4 0,979 78 20 2
I6 1,286 49 17 34 1,203 77 3 20
Mdia 0,908 77,00 13,00 10,00 0,947 89,00 5,00 6,00
Mdia Final 0,955 77,96 14,93 7,10 0,912 89,86 6,96 3,16
segurana. J na Figura 35 (b), no se conseguiu alcanar a regio b1 , pousando assim na regio

remanescente. Na Figura 35 (c), houve uma pequena sobreposio do VANT sobre a regio no
navegvel n12 e pouso em b2 .
5.2.7 Algoritmo Gentico Multi-Populacional

Os resultados obtidos com o Algoritmo Gentico Multi-Populacional (AGMP) esto na
Tabela 14. O critrio de parada do algoritmo tambm definido como 10.000 avaliaes. Esse
algoritmo evolutivo tambm teve duas verses sem e com inicializao gulosa chamadas de
AGMP1 e de AGMP2, respectivamente.
A taxa de mapas solucionados foi de 89, 53% com a verso AGMP2 contra 80, 13% do
AGMP1. O tempo mdio gasto no AGMP2 foi de 0, 874 segundo que foi ligeiramente menor
Tabela 14 Resultado obtido para o AGMP1 e AGMP2, para todos as situaes crticas e todas as instncias.
AGMP1 AGMP2
Instncias Tempo Pousou b Pousou r Infactvel Tempo Pousou b Pousou r Infactvel
I1 0,787 100 0 0 0,723 100 0 0
I2 0,875 99 0 1 0,810 99 0 1
I3 0,865 95 3 2 0,846 96 4 0

I4 1,015 98 0 2 1,046 96 1 3
I5 1,014 85 15 0 0,762 99 0 1
I6 1,258 77 13 10 0,890 100 0 0
Mdia 0,969 92,33 5,17 2,50 0,846 98,33 0,83 0,83
I1 0,741 81 19 0 0,642 90 10 0
I2 0,716 92 7 1 0,665 96 3 1
I3 0,770 60 39 1 0,671 71 28 1
m
I4 0,736 84 16 0 0,717 96 4 0
I5 0,875 36 64 0 0,732 40 60 0
I6 0,866 60 33 7 0,819 82 15 3
Mdia 0,784 68,83 29,67 1,50 0,708 79,17 20,00 0,83
I1 1,044 100 0 0 0,870 100 0 0
I2 1,107 99 0 1 0,921 99 0 1
I3 1,064 94 5 1 0,866 99 0 1
b I4 1,144 99 0 1 1,012 100 0 0
I5 1,157 73 27 0 0,976 94 6 0
I6 1,310 68 17 15 1,178 95 2 3
Mdia 1,138 88,83 8,17 3,00 0,970 97,83 1,33 0,83
I1 0,938 90 8 2 0,830 91 7 2
I2 1,059 89 0 11 0,922 93 0 7
I3 1,057 76 18 6 0,917 86 8 6
s1
I4 1,160 84 3 13 1,013 89 0 11
I5 1,195 49 46 5 1,039 67 28 5
I6 1,443 46 23 31 1,221 78 4 18
Mdia 1,142 72,33 16,33 11,33 0,990 84,00 7,83 8,17
I1 0,859 94 4 2 0,691 99 0 1
I2 0,931 95 1 4 0,792 95 1 4
I3 0,956 79 16 5 0,755 92 5 3
s2
I4 1,113 83 8 9 0,901 94 0 6
I5 1,080 62 35 3 0,880 74 24 2
I6 1,373 57 13 30 1,109 76 4 20
Mdia 1,052 78,33 12,83 8,83 0,855 88,33 5,67 6,00
Mdia Final 1,017 80,13 14,43 5,43 0,874 89,53 7,13 3,33
do que o AGMP1 (1, 017 segundo). Ainda nessa tabela, percebe-se que o problema no motor
(m ) possui o pior resultado em termos de pouso sobre b , enquanto os melhores resultados so
obtidos ao tratar o pouso com problema na bateria (b ).
Uma outra anlise verificou a existncia de mapas infactveis. Observou-se que apenas
oito mapas de um total de 600 no foram resolvidos por nenhum dos trs algoritmos (HG, AG e
AGMP). Isso no prova que esses oito mapas no tenham soluo, porm se pode afirmar que a
maior parte (592 mapas) factvel. Assim, ao se combinar os trs mtodos anteriores, cerca de
98, 66% dos mapas podem ser resolvidos.
Alguns exemplos de rotas alcanados pela estratgia multi-populacional so apresentadas
na Figura 36. Na Figura 36 (a), nota-se que a aeronave conseguiu chegar at uma regio
bonificadora e pousar a aeronave. No entanto, na Figura 36 (b), a aeronave no conseguiu chegar
at b1 , pousando na regio remanescente. A Figura 36 (c) mostra que houve violao da no
Figura 36 Exemplos de rotas obtidas pelo AGMP.
(a) Pouso em regio bonificadora (b) Pouso em regio bonificadora (c) Pouso em regio bonificadora
sem violao de restrio de sem violao de restrio de com violao de restrio de
no navegabilidade. no navegabilidade. no navegabilidade.
navegabilidade sobre a regio n12 semelhantemente ao AG. Os resultados apresentados para o

AGMP tambm foram reportados em Arantes et al. (2015).
5.2.8 Experimentos Online

Os testes simulados utilizaram o simulador FlightGear (FG) por ser facilmente configu-
rvel e multiplataforma. Esse simulador tambm apresenta realismo, variedade de aeronaves,
aeroportos, comunicao via sockets e facilidade de aprendizado.
Para a validao das rotas emergenciais, um Piloto Automtico (AP) capaz de seguir a
rota no FlightGear foi desenvolvido de forma a viabilizar voos autnomos. Logo, a simulao no
foi realizada por um piloto humano. Esse controlador (AP) recebe os dados da rota e retornam
os controles da aeronave. A Figura 37 mostra a estrutura que integra o FG, o AP e o AGMP. No
lado esquerdo dessa figura, tem-se uma linha verde indicando o caminho original executado pela
aeronave, e o trajeto vermelho o caminho obtido pelo replanejamento do pouso emergencial.
Ainda nessa figura, no lado direito, aparece o simulador de voo executando a misso de pouso
emergencial.
Algumas simplificaes foram assumidas nos testes com simulador. Uma vez que h
poucos VANTS disponveis no FG e aqueles existentes so pouco realsticos, a aeronave de
grande porte Cessna 172 foi utilizada para atuar como VANT. Como os mapas gerados nos
testes anteriores estavam projetados para aeronave de pequeno porte, os testes em uma aeronave
maior como o Cessna 172 demandaram adaptaes naqueles mapas. Isso foi realizado atravs
de uma ampliao das dimenses originais do mapa e da rota em 10 vezes. O sistema de AP
desenvolvido segue a rota em duas dimenses e decresce linearmente a altitude do VANT at
chegar no ltimo waypoint.
Figura 37 Simulao usando o FlightGear para seguir a rota gerada pelo AGMP.
A Figura 38 mostra quatro exemplos de rotas geradas pelo AGMP e como foi o percurso
executado pela aeronave. importante notar que a rota seguida pela aeronave bastante fiel
a rota gerada pelo AG. Alguns vdeos com essas simulaes esto disponveis no site2 e no
site3 . As rotas divergem um pouco da rota original pelo fato do ambiente ser mais complexo e
de algumas limitaes do controlador desenvolvido. Apesar dessas limitaes, as equaes de
dinmica desenvolvidas so bastante fieis dinmica suportada pela aeronave, j que a aeronave
consegue seguir a rota gerada.
Ainda na Figura 38, as simulaes so feitas para dois mapas distintos: um do grupo I3 e
outro do grupo I6. Durante o voo, foi assumido um problema na bateria (b ). As Figuras 38 (a)
e (c) mostram os caminhos quando h ventos de 10 knots durante a simulao de voo, enquanto
as Figuras 38 (b) e (d) apresentam ventos de 50 knots. Os ventos trazem distrbios que no
permitem seguir exatamente a rota do AGMP em ambos os mapas. Como esperado, a diferena
entre o caminho do AGMP e o caminho executado pelo AP maior sob ventos fortes. No entanto,
a aeronave fica longe das regies no navegveis durante todo o caminho do AGMP para ambos
os mapas.
5.2.9 Estudo das Solues do HG e AGMP

A seguir mostrado um estudo do comportamento das solues geradas pela HG e AGMP.
Para isso, foi fixado um mapa da categoria MF50% (instncia I2) e todos os comportamentos
analisados foram para a aeronave sem problema ( ).
A Figura 39 apresenta o conjunto de todas as rotas obtidas pela HG. O mapa considerado
2 https://youtu.be/P7t_CSSmbMs
3 https://youtu.be/zJfiV-aWDHU
Figura 38 Simulao no FlightGear usando o AGMP. Em verde tem as rotas percorridas pela Cessna e em
vermelho as geradas pelo AGMP. (a) e (c) ventos de 10 knots. (b) e (d) ventos de 50 knots. Direo do
vento: oeste.
(a) Velocidade do vento 10 Knots - Instncia I3 (b) Velocidade do vento 50 Knots - Instncia I3
O L O L
(c) Velocidade do vento 10 Knots - Instncia I6 (d) Velocidade do vento 50 Knots - Instncia I6
O L O L
possui um total de 15 regies bonificadoras o que explica a HG gerar 15 rotas de pouso. Essas
rotas podem ser visualizadas na cor vermelha. O mtodo HG percorre um espao de busca
proporcional a quantidade de regies bonificadoras, onde apenas a melhor rota retornada.
Tambm h algumas solues que violam a restrio de no navegabilidade sobre n , no entanto,
so penalizadas pela funo objetivo.
Como o comportamento do AGMP semelhante ao AG, no foram avaliadas as solues
obtidas pelo AG. A Figura 40 mostra como esto distribudas as rotas do AGMP a medida que
se aproxima o critrio de parada (10.000 avaliaes de fitness). As rotas esto representadas na
cor verde.
Figura 39 Todas as rotas obtidas pela HG. A melhor rota retornada pela HG.
Nessa figura, tem-se um total de 100 rotas desenhadas em todas as imagens. Na Figura 40
(a), temos os 100 primeiros indivduos criados. Nas Figuras 40 (b), (c), (d), (e) e (f), temos as
rotas dos ltimos 100 indivduos at um total de avaliaes de 600, 1.200, 2.500, 5.000 e 10.000,
respectivamente. Os indivduos esto melhor distribudos no espao nas primeiras imagens
e tendem a se concentrar ao longo das regies bonificadoras. Isso ocorre a medida que mais
avaliaes so executadas, ou seja, a medida que as geraes passam e as rotas (representadas
por indivduos) evoluem. Por exemplo, na Figura 40 (a), vrias rotas navegam sobre n , mas
apenas duas rotas navegam sobre essa regio na Figura 40 (f).
Uma ltima anlise de dados feita com relao a posio final ao longo de todas as
10.000 solues geradas pelo AGMP. Devido ao grande nmero de indivduos, toda a rota no foi
impressa para cada um deles. Apenas o local de pouso (ltimo waypoint da rota) apresentado
na Figura 41.
Pode-se perceber a diversidade de solues obtidas pela estratgia evolutiva ao longo
das 10.000 solues geradas. Repare que h pousos em todas as categorias de regies. As nicas
regies nas quais no ocorreram pouso foram p4 e n4 . Os locais de pouso dessa simulao
foram coletados e esto transcritos na Tabela 15. Nota-se que houve um total de 54, 9% de pouso
em regies bonificadoras, 40, 1% sobre remanescente, 4% em penalizadora e apenas 1% de
5.3. Experimentos com Modelagem Completa 121
Figura 40 Conjunto de rotas obtidas pelo AGMP. Esto plotados as 100 ltimas rotas geradas at o nmero da
avaliao indicado.
(a) Nmero da avaliao 100. (b) Nmero da avaliao 600. (c) Nmero da avaliao 1200.
(d) Nmero da avaliao 2500. (e) Nmero da avaliao 5000. (f) Nmero da avaliao 10000.
pouso sobre a regio no navegvel. Esse resultado mostra que a funo objetivo guia bem o
mtodo para evitar pousar em regies no navegveis e penalizadoras.
Tabela 15 Dados do local de pouso das 10.000 rotas gerados pelo AGMP.
Local de Pouso Quantidade Porcentagem

Pouso b 5485 54,9%
Pouso r 4016 40,1%
Pouso p 401 4,0%
Pouso n 98 1,0%
5.3 Experimentos com Modelagem Completa

A seguir so apresentados os resultados obtidos a partir da resoluo exata via modelo
de PLIM. Nestes experimentos foi considerada a modelagem completa, ou seja, a estratgia de
pouso 3D.
Figura 41 Conjunto de todos os locais de pouso obtido pelo AGMP em 10.000 avaliaes efetuadas.
5.3.1 Configuraes Utilizadas

A Tabela 16 contm as principais configuraes definidas para os parmetros do mapa,
VANT, modelo matemtico e solver CPLEX.
Um exemplo de configurao do mapa a dimenso 1000m1000m. Na configurao do
VANT, vemos que a posio inicial dele o centro do mapa localizado a uma altitude padro de
100 metros e a velocidade inicial do VANT 24m/s com orientao para o norte. Como exemplo
de configurao do modelo, temos o valor mximo do risco de violar zonas no navegveis ( ) e
o tamanho do horizonte de planejamento (T ).
O valor de foi o mesmo utilizado nos experimentos usando HG, AG e AGMP, j o valor
de T foi menor, pois o modelo aumenta sua complexidade em funo do tamanho do horizonte.
Nessa tabela temos tambm dois parmetros do solver: limite de tempo de execuo e o limite
de gap que define a proximidade da soluo encontrada da soluo tima. O Gap definido na
Equao (5.1), onde ub indica o upper bound e lb indica o lower bound da soluo encontrada
pelo solver CPLEX. Observe que o critrio de parada, limite do Gap, igual a 0, 0001 indicando
que as solues retornadas pelo solver devem estar bastante prximas ao valor timo.
CPLEX ub CPLEX lb
Gap(%) = 100 (5.1)
CPLEX ub
Os experimentos foram realizados em um cluster contendo 6 computadores com as confi-

guraes mostradas na Tabela 17, possuindo um HD compartilhado entre todos os computadores.
Tabela 16 Configuraes do mapa, VANT, modelo, solver e pesos usados.
Categoria Descrio do Parmetro Smbolo Valor Unidade

Dimenso no eixo X - 1000 metros (m)
Mapa Dimenso no eixo Y - 1000 metros (m)
Faces do polgono dos mapas 4 -
Posio inicial (px0 , py0 , pz0 ) (0, 0, 100) metros (m)
Velocidade inicial (vx0 , vy0 , vz0 ) (0, 24, 0) m/s
Velocidade horizontal mnima vhmin 11, 1 m/s
Velocidade horizontal mxima vhmax 30, 5 m/s
VANT Velocidade vertical mnima vvmin 10 m/s
Velocidade vertical mxima vvmax 10 m/s
Velocidade horizontal no prob. motor vhm 24 m/s
Velocidade vertical no prob. motor vvm 6 m/s
Acelerao horizontal mnima h
amin 0 m/s2
Acelerao horizontal mxima ahmax 5 m/s2
Acelerao vertical mnima avmin 5 m/s2
Acelerao vertical mxima avmax 5 m/s2
Horizonte de planejamento T 30 segundos (s)
Tempo mnimo para voo min 10 segundos (s)
Tempo mximo para voo max 30 segundos (s)
Probabilidade de violar n 0, 001 -
Modelo
Incerteza do VANT na horizontal h 3 m
Incerteza do VANT na vertical v 1 m
Fator de crescimento da incerteza 1 -
Faces do polgono da linearizao 32 -
1
Velocidade de folga na falha no motor 2 m/s
Limite de Tempo - 3600 segundos (s)
Solver
Limite de Gap - 0, 0001 -
Pesos Custo bonificadora Cb 2000 $
5.3.2 Anlise do Modelo
A Figura 42 compara a quantidade mdia de variveis binrias, contnuas e restries em

cada categoria de instncia. Analisando as instncias I2, I4 e I6, que possuem densidade 50%,
em relao as instncias I1, I3 e I5, que possuem densidade 25%, nota-se que houve em torno do
dobro de variveis binrias e restries. O nmero de variveis contnuas cerca de 2, 5 vezes
maior. Isso ocorre, pois ao dobrar a densidade (regies), dobra-se as variveis do modelos que
so indexadas pelas regies.
O nmero mdio de variveis binrias gira em torno de 5.000, enquanto a quantidade
mdia de variveis contnuas atinge 75.000. A quantidade de restries em mdia de 26.900.
Tabela 17 Configuraes do computador utilizado nos experimentos.
Atributo Configurao
Sistema Operacional Linux - Debian 8.2
Processador Intel(R) Core(TM) i7
Nmero de Ncleos 8
Frequncia 1.6 GHz
Memria RAM 32 GB
Figura 42 Anlise do nmero de variveis contnuas e binrias e nmero de restries.
5.3.3 Experimentos Offline

Esta seo descreve os testes realizados de forma offline, ou seja, sem validao no
simulador de voo. Os resultados foram obtidos atravs do modelo PLIM1 e esto sintetizados na
Tabela 18, onde aparecem separados por tipo de situao crtica e por conjunto de instncia.
Os dados coletados dizem respeito ao tipo de soluo obtida pelo solver: tima, factvel,
infactvel e desconhecida. A soluo tima indica a melhor soluo possvel encontrada dentro do
limite de gap. Factvel indica que a soluo possvel, entretanto no foi provada a otimalidade
da mesma. Infactvel simboliza que no existe soluo para a instncia. Desconhecida indica
que, durante o tempo de execuo, no foi encontrada soluo. Tambm so apresentados os
valores mdio da funo objetivo (W ) e do tempo de simulao, alm da quantidade de pouso
em regies do tipo b e r .
A Tabela 18 indica que o maior nmero de rotas timas foi encontrado para a situao
crtica problema na bateria (b ) com 99, 67% dos 600 mapas. Em apenas um dos mapas foi
retornada uma soluo factvel. Tambm em apenas um dos mapas no houve soluo encontrada
(infactvel), ou seja, o solver no conseguiu definir uma rota de pouso em regio bonificadora ou
em regio remanescente. O desempenho do solver, quando o modelo est ajustado para tratar
b , bastante superior aquele obtido para as demais falhas. O solver retorna rotas em mdia 24
Tabela 18 Resultados obtidos para o modelo PLIM1 para todas as situaes crticas e todas as instncias.
Instncias tima Factvel Infactvel Desconhecida W Tempo Pousou b Pousou r

I1 89 11 0 0 -758,12 450,06 44 56
I2 66 31 3 0 -699,04 1228,88 41 56
I3 89 9 2 0 -408,09 357,45 25 73
m
I4 58 31 11 0 -573,40 1339,70 32 57
I5 95 5 0 0 -119,30 213,65 10 90
I6 49 26 23 2 -143,81 1348,50 11 64
Mdia 74,33 18,83 6,50 0,33 -458,51 789,22 27,17 66,00
I1 100 0 0 0 -1309,41 9,32 100 0
I2 100 0 0 0 -1240,47 48,99 95 5
I3 100 0 0 0 -1038,44 12,02 89 11
b I4 100 0 0 0 -1115,36 56,13 90 10
I5 100 0 0 0 -412,34 7,98 59 41
I6 98 1 1 0 -396,07 60,61 51 48
Mdia 99,67 0,17 0,17 0,00 -918,68 32,51 80,67 19,17
I1 70 29 1 0 -1690,64 1237,92 91 8
I2 67 32 1 0 -1571,51 1516,75 84 15
I3 73 26 1 0 -1307,17 1149,11 71 28
s1
I4 55 44 1 0 -1347,47 1790,44 74 25
I5 59 40 1 0 -708,93 1743,52 39 60
I6 43 54 3 0 -660,36 2263,23 39 58
Mdia 61,17 37,50 1,33 0,00 -1215,97 1613,68 66,33 32,33
I1 61 38 1 0 -1637,22 1570,83 88 11
I2 56 43 1 0 -1555,43 1773,33 83 16
I3 63 36 1 0 -1341,98 1428,63 73 26
s2
I4 50 49 1 0 -1408,01 1933,46 77 22
I5 60 39 1 0 -782,30 1553,70 43 56
I6 40 55 3 2 -715,46 2195,83 40 55
Mdia 55,00 43,33 1,33 0,33 -1243,59 1739,15 67,33 31,00
Mdia Final 72,54 24,96 2,33 0,17 -959,19 1043,64 60,38 37,13
vezes mais rpido em b do que ao tratar m , 49 vezes mais rpido do que ao tratar o problema
s1 e 53 vezes mais rpido do que s2 . Isso pode ser explicado pelo fato da funo objetivo
penalizar a quantidade de waypoints alocados no caso de problema na bateria. Assim, o pouso
imediato torna-se uma prioridade nesse tipo de situao crtica.
A falha com pior desempenho no pouso foi o problema no motor, onde a aeronave foi
levada at uma regio bonificadora em apenas 27, 17% dos mapas. Nessa tabela, vale lembrar
que o somatrio da quantidade de solues timas, factveis, infactveis e desconhecida sempre
100 para cada linha da Tabela 18. O somatrio da quantidade de Pouso b , r , infactvel tambm
sempre igual a 100.
Na Tabela 19, esto reportados os resultados obtidos pelo modelo PLIM2. Essa tabela
est organizada da mesma forma que a Tabela 18. O comportamento nos dois modelos propostos
(PLIM1 e PLIM2) no difere no caso de problema na bateria j que ambos usam a mesma funo
objetivo. Assim, a anlise ser sempre em relao as outras trs falhas implementadas (m , s1
e s2 ).
O tempo computacional ficou em mdia 4 vezes mais rpido usando o PLIM2. Isso se
explica pela menor alocao de waypoints no PLIM2. A menor ativao de waypoints, induzida
pela funo objetivo (3.12), leva a uma rota mais curta o que impacta num menor nmero de
restries ativadas para descrever o voo da aeronave.

O fato de ter trocado a funo objetivo (Equao (3.11)) por outra que possui mais
penalizaes (Equao (3.12)) justifica o valor em W ter aumentado na Tabela 19. No entanto,
interessante observar que a quantidade das solues que pousam na regio bonificadora e
remanescente praticamente no se alterou.
Tabela 19 Resultados obtidos para o modelo PLIM2 para todas as situaes crticas e todas as instncias.
Instncia tima Factvel Infactvel Desconhecida W Tempo Pousou b Pousou r

I1 99 1 0 0 -69,55 63,06 44 56
I2 93 4 3 0 -31,16 263,08 41 56
I3 98 0 2 0 306,09 35,69 25 73
m
I4 88 1 11 0 91,84 185,74 32 57
I5 98 2 0 0 615,19 105,88 10 90
I6 73 3 23 1 529,46 220,60 11 65
Mdia 91,50 1,83 6,50 0,17 231,35 141,57 27,17 66,17
I1 100 0 0 0 -1309,41 9,32 100 0
I2 100 0 0 0 -1240,47 48,99 95 5
I3 100 0 0 0 -1038,44 12,02 89 11
b I4 100 0 0 0 -1115,36 56,13 90 10
I5 100 0 0 0 -412,34 7,98 59 41
I6 98 1 1 0 -396,07 60,61 51 48
Mdia 99,67 0,17 0,17 0,00 -918,68 32,51 80,67 19,17
I1 93 7 0 0 -1059,11 446,75 90 10
I2 93 6 1 0 -1036,45 402,33 84 15
I3 97 2 1 0 -661,40 201,98 71 28
s1
I4 86 12 1 1 -770,88 645,32 73 25
I5 96 3 1 0 -87,68 229,79 39 60
I6 88 9 3 0 -170,53 486,76 39 58
Mdia 92,17 6,50 1,17 0,17 -632,72 402,37 66,00 32,67
I1 90 9 1 0 -1015,80 426,70 86 13
I2 88 11 1 0 -1013,14 523,16 83 16
I3 92 7 0 1 -712,05 460,62 73 26
s2
I4 86 13 1 0 -872,56 591,68 78 21
I5 91 7 1 1 -187,27 369,07 43 55
I6 90 5 3 2 -249,02 291,18 41 54
Mdia 89,50 8,67 1,17 0,67 -679,06 444,81 67,33 30,83
Mdia Final 93,21 4,29 2,25 0,25 -499,78 255,31 60,29 37,21
O tempo mdio total 1043 segundos (17 minutos) utilizando o modelo PLIM1 e 255
segundos (4 minutos) com o PLIM2. Nos dois modelos, 60% das solues conseguiram pousar
em regies bonificadoras e 37% pousaram em regies remanescentes. O restante das solues se
mostra infactvel ou desconhecida. O PLIM2, por rodar mais rapidamente, conseguiu provar a
otimalidade das solues em aproximadamente 93% das instncias, j o PLIM1 provou apenas
em 72% das instncias.
A Figura 43 descreve como ocorreu a evoluo do valor do objetivo no problema do
motor nas seis categorias de instncias executando o modelo PLIM1. Conforme a descrio da
Tabela 5, as instncias I1 e I2 so mais fceis, uma vez que encontram logo de incio uma rota
com valor baixo para a funo objetivo. As instncias I3 e I4 apresentam dificuldade mdia e as
instncias I5 e I6 so consideradas mais difceis, por terem um valor objetivo mais alto. A soluo
melhorada rapidamente o que pode ser observado pela alta queda da funo objetivo, seguida
por pequenos ajustes. Comportamentos similares so observados nos grficos das Figuras 44, 45,
46 para as demais situaes crticas.
Figura 43 Evoluo do objetivo em funo do tempo para o problema no motor no modelo PLIM1.
Figura 44 Evoluo do objetivo em funo do tempo para o problema na bateria no modelo PLIM1.
A Figura 47 compara a mdia dos objetivos para diferentes situaes crticas e o tempo
para a obteno das solues. H uma proximidade entre as falhas s1 e s2 , uma vez que as
duas se distinguem apenas nas trocas de sinas e desigualdades nas restries. Percebe-se uma
queda mais acentuada nas curvas do problema no motor e na bateria com pequenos ajustes
efetuados ao longo do tempo. J nos problemas s1 e s2 uma queda mais suave no valor do
objetivo ao longo do tempo ocorre, indicando que o mtodo leva mais tempo para encontrar as
solues do problema.
Resultados semelhantes aos apresentados so mostrados na Figura 48 para o modelo
PLIM2. Na Figura 48 (a) temos o resultado para o m , (b) b , (c) s1 e (d) s2 . Nesse modelo,
nota-se uma queda ligeiramente mais brusca no valor do objetivo, isso ocorre devido ao seu
melhor desempenho em termos de tempo. Percebe-se tambm que houve uma piora no valor do
objetivo, pois essa funo possui mais termos penalizados.
Figura 45 Evoluo do objetivo em funo do tempo para o problema na superfcie aerodinmica tipo 1 no modelo
PLIM1.
Figura 46 Evoluo do objetivo em funo do tempo para o problema na superfcie aerodinmica tipo 2 no modelo
PLIM1.
No tipo de problema abordado nesta dissertao, estamos lidando com uma situao
crtica e necessitamos de uma trajetria rpida para o pouso emergencial. Logo, uma soluo
factvel obtida rapidamente pode ser mais relevante que uma soluo tima que demande maior
tempo computacional. Uma possvel forma de se obter uma soluo rpida parar a execuo do
mtodo exato aps encontrada a primeira soluo factvel.
A Tabela 20 apresenta os resultados, onde se pode comparar o tempo que o modelo
PLIM2 leva para chegar a primeira e ltima soluo factvel. O desvio padro e intervalo
de confiana do tempo tambm foram mensurados. O intervalo de confiana dessa tabela foi
calculado com 95% de confiabilidade.
Analisando a Tabela 20, percebemos que no problema do motor (m ) e na instncia I1 a
mdia de tempo para achar a primeira soluo de 4, 76 segundos com um desvio padro de 1, 34.
H um intervalo de confiana entre 4, 4 e 5, 0 segundos, ou seja, uma soluo consideravelmente
rpida. O tempo para encontrar a ltima soluo factvel de 63, 06 segundos e possui um
intervalo de confiana entre 58, 9 e 67, 1 segundos.
Figura 47 Evoluo do objetivo em funo do tempo para as falhas m , b , s1 e s2 no modelo PLIM1.
Figura 48 Evoluo do objetivo em funo do tempo para diferentes falhas no modelo PLIM2.
Para a utilizao do intervalo de confiana necessitamos que os dados sigam uma

distribuio normal. Assim, foi feita uma anlise considerando a distribuio do tempo para
encontrar a primeira soluo, ilustrada na Figura 49 (a). Podemos perceber que essa curva se
aproxima de uma distribuio normal com mdia 7, 44 e desvio padro 0, 10. Vemos tambm
que tal distribuio ainda mais conservadora que a normal. Essa anlise foi desenvolvida
aps 5.000 execues do mtodo PLIM2 em 5.000 mapas gerados do tipo MF25% . Como a
distribuio do tempo se aproxima de uma distribuio normal, de forma conservativa, ento
todas as concluses sobre o intervalo de confiana so tambm vlidas para a Tabela 20 (colunas
Tabela 20 Anlises dos experimentos do PLIM2 para todas as situaes crticas e todas a instncias em relao ao
tempo para a primeira e ltima soluo factvel.
Tempo para Primeira Soluo Tempo para ltima Soluo

Instncia Tempo Tempo Intervalo de Confiana Tempo Tempo Intervalo de Confiana
I1 4,76 1,34 [4,4 5,0] 63,06 20,90 [58,9 67,1]
I2 12,36 1,34 [12,1 12,6] 263,08 220,93 [219,7 306,3]
I3 3,67 0,29 [3,6 3,7] 35,69 13,48 [33,0 38,3]
m
I4 15,54 2,55 [15,0 16,0] 185,74 200,02 [146,5 224,9]
I5 4,66 0,59 [4,5 4,7] 105,88 36,82 [98,6 113,1]
I6 34,44 8,24 [32,8 36,0] 220,60 108,67 [199,3 241,9]
Mdia 11,61 1,64 [11,2 11,9] 141,44 47,95 [132,0 150,8]
I1 5,79 0,44 [5,7 5,8] 9,32 1,28 [9,0 9,5]
I2 19,68 2,73 [19,1 20,2] 48,99 11,47 [46,7 51,2]
I3 7,61 1,08 [7,4 7,8] 12,02 3,21 [11,3 12,6]
b I4 23,20 2,68 [22,6 23,7] 56,13 22,07 [51,8 60,4]
I5 6,41 0,80 [6,2 6,5] 7,98 1,04 [7,7 8,1]
I6 19,83 2,16 [19,4 20,2] 60,61 34,71 [53,8 67,4]
Mdia 13,74 0,93 [13,5 13,9] 32,46 9,87 [30,5 34,4]
I1 28,37 21,52 [24,1 32,5] 446,75 358,90 [376,4 517,1]
I2 28,61 2,90 [28,0 29,1] 402,33 91,68 [384,3 420,3]
I3 14,66 2,27 [14,2 15,1] 201,98 102,58 [181,8 222,0]
s1
I4 35,50 5,45 [34,4 36,5] 645,32 168,40 [612,3 678,3]
I5 10,64 2,28 [10,2 11,0] 229,79 103,23 [209,5 250,0]
I6 35,02 5,95 [33,8 36,1] 486,76 128,85 [461,5 512,0]
Mdia 25,42 4,08 [24,6 26,2] 401,53 55,47 [390,6 412,4]
I1 9,50 1,13 [9,2 9,7] 426,70 151,38 [397,0 456,3]
I2 23,45 7,31 [22,0 24,8] 523,16 170,76 [489,6 556,6]
I3 20,72 5,51 [19,6 21,8] 460,62 122,77 [436,5 484,6]
s2
I4 49,18 19,54 [45,3 53,0] 591,68 164,82 [559,3 623,9]
I5 10,72 2,38 [10,2 11,1] 369,07 119,36 [345,6 392,4]
I6 60,11 10,73 [58,0 62,2] 291,18 266,81 [238,8 343,4]
Mdia 28,77 2,78 [28,2 29,3] 444,90 72,99 [430,5 459,2]
Tempo para Primeira Soluo).

No entanto, a Figura 49 (b) apresenta uma distribuio que no se aproxima de uma
distribuio normal. Dessa maneira, as informaes sobre o intervalo de confiana na Tabela 20
(colunas Tempo para ltima Soluo) podem no ser vlidas. Essa anlise nos apresenta uma
informao importante: o mtodo exato fornece a sua primeira soluo em uma distribuio de
tempo bem comportada, contudo, no existe garantias de quando ser encontrado a soluo final
pelo mtodo.
A Tabela 21 apresenta os resultados do valor da funo objetivo da primeira e ltima
soluo factvel, seu desvio padro e intervalo de confiana. O intervalo de confiana foi
mensurado com 95% de confiabilidade. No problema do motor, o valor mdio encontrado para a
primeira soluo nos grupos I1 at I6 sempre positivo, ou seja, h penalizao indicando que
a maioria das solues pousaram sobre a regio remanescente. Enquanto a soluo final, em
mdia, recai em zonas bonificadoras em I1 e I2 sinalizada pelo custo negativo. O problema na
bateria apresentou um bom resultado j na primeira soluo do PLIM2, visto que, em todas as
instncias o custo foi negativo. J nas falhas s1 e s2 houve em mdia um custo negativo nas
instncias fcil e normal ainda na primeira soluo.
Figura 49 Anlise de distribuio do tempo.
(a) Para a primeira soluo. (b) Para a ltima soluo.
Um estudo sobre o formato da distribuio do objetivo para a primeira soluo tambm

foi feito. Os dados seguem uma distribuio normal como apresentado na Figura 50 (a). Embora
menos conservador do que a distribuio do tempo, pode-se considerar uma distribuio similar
a normal. Nesse caso, a mdia foi de 885, 68 e o desvio padro foi de 17, 78. A Figura 50
(b) mostra a distribuio do objetivo para a ltima soluo. H uma distribuio altamente
conservadora em relao a normal. Pela caracterstica dos formatos da distribuio do objetivo,
as concluses sobre o intervalo de confiana utilizadas nessa tabela podem ser consideradas
vlidas.
Figura 50 Anlise de distribuio do objetivo.
(a) Para a primeira soluo. (b) Para a ltima soluo.
Alguns exemplos de rotas geradas pelo PLIM1 so mostradas na Figura 51. Essas rotas
descrevem o comportamento da aeronave para diferentes situaes crticas. Para facilitar a
visualizao, as rotas so apresentadas em um cenrio bidimensional. A Figura 52 exemplifica a
mesma rota da Figura 51 (c) no cenrio tridimensional.
Uma etapa importante efetuar a validao das rotas geradas pelo modelo, mostrando
assim, que uma aeronave consegue segui-las e efetuar o pouso com segurana. Uma forma de se
efetuar tal anlise atravs de um simulador de voo como descrito a seguir.
Tabela 21 Anlises dos experimentos do PLIM2 para todas as situaes crticas e todas a instncias em relao ao
objetivo para a primeira e ltima soluo factvel.
Objetivo para Primeira Soluo Objetivo para ltima Soluo

Instncia W W Intervalo de Confiana W W Intervalo de Confiana
I1 123,03 97,55 [103,9 142,1] -69,55 123,85 [-93,8 -45,2]
I2 119,62 170,51 [86,2 153,0] -31,16 252,96 [-80,7 18,4]
I3 372,35 123,06 [348,2 396,4] 306,09 114,97 [283,5 328,6]
m
I4 147,37 210,24 [106,1 188,5] 91,84 204,80 [51,7 131,9]
I5 620,52 79,57 [604,9 636,1] 615,19 80,65 [599,3 631,0]
I6 613,06 91,25 [595,1 630,9] 529,46 94,24 [510,9 547,9]
Mdia 325,28 73,95 [310,7 339,7] 232,06 90,19 [214,3 249,7]
I1 -948,45 204,33 [-988,5 -908,4] -1309,41 8,84 [-1311,1 -1307,6]
I2 -935,30 96,69 [-954,2 -916,3] -1240,47 62,65 [-1252,7 -1228,2]
I3 -689,49 188,97 [-726,5 -652,4] -1038,44 108,07 [-1059,6 -1017,2]
b I4 -814,55 122,42 [-838,5 -790,5] -1115,36 88,38 [-1132,6 -1098,0]
I5 -66,14 143,26 [-94,2 -38,0] -412,34 170,18 [-445,6 -378,9]
I6 -303,47 152,71 [-333,4 -273,5] -396,07 146,75 [-424,8 -367,3]
Mdia -626,77 70,86 [-640,6 -612,8] -919,55 54,00 [-930,1 -908,9]
I1 -242,20 230,79 [-287,4 -196,9] -1059,11 133,25 [-1085,2 -1033,0]
I2 -578,46 192,48 [-616,1 -540,7] -1036,46 88,61 [-1053,8 -1019,0]
I3 -37,51 179,38 [-72,6 -2,3] -661,40 87,22 [-678,4 -644,3]
s1
I4 -183,83 134,80 [-210,2 -157,4] -770,88 75,11 [-785,6 -756,1]
I5 377,21 109,23 [355,8 398,6] -87,68 188,13 [-124,5 -50,8]
I6 73,10 245,35 [25,0 121,1] -170,53 263,58 [-222,1 -118,8]
Mdia -99,29 69,39 [-112,8 -85,6] -633,05 80,70 [-648,8 -617,2]
I1 -420,83 270,43 [-473,8 -367,8] -1015,80 174,32 [-1049,9 -981,6]
I2 -626,96 113,28 [-649,1 -604,7] -1013,14 147,23 [-1041,9 -984,2]
I3 -173,96 225,27 [-218,1 -129,8] -712,05 133,01 [-738,1 -685,9]
s2
I4 -440,39 152,16 [-470,2 -410,5] -872,56 165,82 [-905,0 -840,0]
I5 100,66 122,70 [76,6 124,7] -187,27 117,92 [-210,3 -164,1]
I6 13,87 95,65 [-4,8 32,6] -249,02 133,11 [-275,1 -222,9]
Mdia -260,39 117,80 [-283,4 -237,3] -678,69 84,57 [-695,2 -662,1]
5.3.4 Experimentos Online
Os experimentos desta seo utilizaram o simulador FlightGear (FG). A Figura 53

mostra um voo utilizando o FG a esquerda e a direita um mapa com a rota da aeronave. Todos os
experimentos conduzidos nesta seo so relativos ao PLIM2.
Conforme j mencionado, a aeronave Cessna 172 foi utilizada para atuar como VANT e
os mapas gerados nos testes anteriores foram ampliados 25 vezes para se adequarem dinmica
da aeronave. Um mapa de cada conjunto de instncia foi selecionado, totalizando assim 6 mapas.
Para cada mapa, uma falha diferente foi simulada permitindo executar 24 diferentes experimentos
com o FG. A Tabela 22 apresenta os resultados obtidos como o tempo gasto em segundos na
h
simulao, o erro horizontal mdio em metros (Emedio h
) e o desvio padro do erro ( Emedio )
tambm medido em metros. Ainda nessa tabela comparamos os desvios da rota com simulaes
sem vento e com vento, onde nesse caso o vento estava orientado no sentido norte.
A Figura 54 (a) mostra um exemplo da rota de pouso, onde a posio da aeronave dada
por Pt . O prximo waypoint da rota Wt e o waypoint anterior da rota Wt1 . Esses waypoints
so utilizados pelo controlado (AP) da aeronave. A Figura 54 (b) fornece maiores detalhes da
Figura 51 Rotas de pouso obtidas para o modelo PLIM2.
regio destacada em (a), onde temos a projeo de Pt sobre o seguimento formado por Wt e
Wt1 . Essa projeo formalizada na Equao (5.2), onde os vetores ~Rt e U
~ t esto definidos nas
equaes (5.3) e (5.4).
~ t ~Rt
U
~t =
Qt = pro j~Rt U ~Rt (5.2)
||~Rt ||2
~Rt = Wt Wt1 (5.3)
~ t = Pt Wt1
U (5.4)
Figura 52 Rota obtida na situao crtica s1 em ambiente tridimensional.
Figura 53 Simulao usando o FlightGear seguindo uma rota gerada pelo mtodo PLIM.
Ainda na Figura 54 (b), temos o erro horizontal Eth em um dado instante t, definido
na Equao 5.6, que calculado atravs da distncia entre a posio da aeronave (Pt ) e a sua
projeo na rota emergencial (Pt ). Por fim, o erro horizontal mdio (Emedio
h ), Equao (5.7),
dado pela mdia dos erros horizontais em cada instante de tempo (T ).
Pt = Wt1 + Qt (5.5)
Eth = dist(Pt , Pt ) = ||Pt Pt || (5.6)
h 1 T h
Emedio = Et (5.7)
T t=1
Tabela 22 Resultados obtidos nos experimentos utilizando simulador de voo com o modelo PLIM2.
Sem Vento Com Vento [10 knots]

Mapa Tempo (T) h
Emedio h
Emedio h
Tempo (T) Emedio h
Emedio
I1-18 161 19,57 14,06 156 22,46 16,78
I2-13 199 21,68 9,48 178 24,78 9,46
I3-08 162 19,02 12,84 161 24,41 13,93
m
I4-20 212 15,12 12,36 166 21,89 17,06
I5-24 172 12,10 13,98 168 25,27 12,80
I6-31 187 9,31 8,63 163 27,39 12,62
Mdia 182,17 16,13 - 165,33 24,37 -
I1-18 121 18,52 14,96 130 18,52 15,36
I2-13 229 7,80 10,78 221 24,50 14,26
I3-08 88 15,63 14,79 89 34,89 19,71
b
I4-20 133 21,58 20,22 133 23,79 27,72
I5-24 213 13,46 11,43 224 22,91 13,21
I6-31 151 8,61 9,31 161 27,89 11,57
Mdia 155,83 14,27 - 159,67 25,42 -
I1-18 149 8,00 8,80 152 28,53 11,33
I2-13 229 8,16 11,22 222 24,72 14,49
I3-08 91 15,56 14,23 92 36,01 18,67
s1
I4-20 113 11,02 11,14 115 33,37 14,34
I5-24 81 19,85 20,21 76 38,07 25,54
I6-31 151 8,00 8,57 162 28,18 12,01
Mdia 135,67 11,76 - 136,50 31,48 -
I1-18 119 18,55 14,28 130 27,96 15,29
I2-13 82 21,96 20,27 88 29,23 24,01
I3-08 74 25,25 22,14 76 34,03 25,14
s2
I4-20 139 19,74 15,98 140 21,10 21,77
I5-24 211 13,30 11,36 224 22,77 13,06
I6-31 100 25,26 19,81 100 25,74 29,09
Mdia 120,83 20,68 - 126,33 26,81 -
Mdia Final 148,63 15,71 - 146,96 27,02 -
A Figura 54 (c) apresenta a rota calculada pelo mtodo (rota na cor preta), a rota seguida
pela aeronave (rota na cor verde) e os erros horizontais em cada instante. Esses erros so dados
pelas distncias entre essas rotas (seguimentos de reta na cor vermelha).
Com base nessas mtricas, podemos compreender melhor a Tabela 22. Nessa tabela, o
mapa I1-18 indica que se trata do 18o mapa do grupo de instncia I1. Analisando o problema no
motor (m ) nesse mapa, sem a ocorrncia de vento, percebemos que o voo durou 161 segundos
com um erro horizontal mdio de 19, 57 metros.
Analisar o resultado da mesma simulao de falha, mas com vento associado, o tempo
de voo foi de 156 segundos. O erro horizontal mdio aumentou, passando de 19, 57 metros para
22, 46 metros. Em geral, os erros horizontais sem vento foram sempre menores ou iguais aos
erros das simulaes com vento. Esse resultado corrobora com o senso comum, onde a existncia
de vento causa uma pertubao na posio da aeronave que proporcional a sua intensidade.
Figura 54 Clculo do erro horizontal da aeronave em relao a rota gerada.
y y y
P't Wt
Eht
Wt
Wt-1 Pt
Pt
Wt-1
x x x
(a) Rota e posio do VANT. (b) Projeo da aeronave na rota. (c) Erros em toda a rota.
O tempo de voo com e sem vento so bastante similares, com um resultado mdio de 148, 63
segundos sem vento e 146, 96 segundos com vento.
A Figura 55 (a) apresenta a distribuio do erro horizontal obtido nas simulaes sem
vento. Essa distribuio se comporta de forma conservadora em relao a distribuio Gaussiana.
Nessa distribuio, um erro positivo indica um deslocamento da aeronave a direita da rota
planejada, j um erro negativo indica um deslocamento a esquerda da rota.
A Figura 55 (b) mostra o formato da distribuio do erro com vento. Nessa simulao, o
deslocamento horizontal da aeronave no segue a distribuio normal. Uma das premissas bsicas
deste trabalho, baseada em Blackmore, Ono e Williams (2011), que a posio da aeronave
segue uma distribuio Gaussiana com N (0, Q) com mdia zero e matriz de covarincia Q. No
entanto, esse experimento revelou que a presena de ventos pode violar tal condio.
Um estudo mais apurado sobre o comportamento da aeronave diante a presena de ventos,
com diferentes intensidades e direes, ainda se faz necessrio. Apesar disso, os experimentos
conseguiram gerar resultados satisfatrios, conforme reportado nas sees anteriores. Essas
distribuies foram obtidas a partir do processamento do erro em todas as 24 simulaes da
Tabela 22.
Na Figura 56, so apresentados dois exemplos de rotas obtidos nos experimentos. Mesmo
aps ampliar essas imagens, no h grandes erros horizontais em relao a rota original. Observe
que as duas rotas planejadas e executadas esto sobrepostas. Dois vdeos com as simulaes
realizadas esto disponveis no site4 e no site5 .
Os voos utilizando o simulador de voo mostram a robustez das rotas geradas pelo mtodo
PLIM, uma vez que a aeronave conseguiu seguir as rotas e manter um erro horizontal reduzido.
4 https://youtu.be/rRJVArhk77c
5 https://youtu.be/RBZBMkYsCqM
Figura 55 Distribuio do erro horizontal obtidos nas simulaes.
(a) Simulao sem vento. (b) Simulao com vento.
5.3.5 Experimentos com Rotas Pr-Processadas

Esta seo descreve os experimentos considerando que as rotas para possveis pousos
emergenciais foram previamente definidas conforme descrito na Seo 4.6. Definiu-se que a
misso efetuada pela aeronave seria subdividida em 20 pontos-chave, onde para cada um desses
pontos foi avaliada a melhor rota emergencial dada uma situao crtica na aeronave.
A Figura 57 (a) mostra um conjunto de resultados de pouso emergencial no caso de
problema na bateria (b ). As rotas foram calculadas para cada um dos pontos-chave marcados
em vermelho. O solver CPLEX conseguiu atingir a soluo tima para cada um dos pontos-chave,
pousando sempre em regio bonificadora em 20 das 20 simulaes dessa falha. A quantidade
mdia de waypoints gastos foram de 11, 5 para definir a rota emergencial. O tempo gasto pelo
mtodo foi de 28 minutos para processar todas as 20 rotas definidas.
A Figura 57 (b) mostra o caso do problema na superfcie aerodinmica tipo 1 (s1 ). O
modelo conseguiu pousar a aeronave em uma regio bonificadora nas 18 das 20 simulaes de
falha grave. A quantidade mdia de waypoints usados foi de 15, 8 e o tempo gasto foi de 83
minutos. O resultado para o problema na superfcie aerodinmica tipo 2 (s2 ) mostrado na
Figura 57 (c). Nessa figura, tem-se que cinco solues caram em regio remanescente. Essas
solues partem do 6o , 7o , 8o , 18o e 19o ponto-chave, respectivamente. O tempo gasto nesse
processamento foi de 197 minutos. Em mdia foram alocados 18, 1 waypoints at o pouso da
aeronave.
O caso de falha motor foi o mais problemtico, onde em apenas 5 pontos-chave foi
possvel trazer a aeronave ao solo e pousar em regio bonificadora. Esse resultado pode ser visto
na Figura 57 (d). Os outros 15 pontos-chave pousaram em regio remanescente. O tempo gasto
pelo mtodo foi de 339 minutos. A quantidade de waypoints usados foram de 16, 4. Estudando as
solues que pousaram em regio remanescente, observa-se que h um crescimento da incerteza
at atingir b1 . Ao partir dos pontos-chave nessas rotas, a incerteza da posio cresceu muito ao
se aproximar da regio bonificadora. As rotas nas figuras mostram apenas a posio esperada do
Figura 56 Exemplos de rotas obtidas nos experimentos no FlightGear. (a) e (b) rotas em diferentes mapas com
falhas na bateria. Em (c) tem-se a rota (a) ampliada. Em (d) tem-se a rota (b) ampliada.
a) b)
c) d)
VANT, no est sendo mostrado o crescimento da incerteza da aeronave.

A Tabela 23 mostra uma sntese dos resultados obtidos usando o modelo PLIM2 para as
rotas pr-processadas. Essa tabela mostra para cada falha o local de pouso, tempo de processa-
mento, valor do objetivo entre outra informaes.
Tabela 23 Resultados obtidos para as rotas pr-processadas pelo modelo PLIM2.
tima Factvel Infactvel Desconhecida W Tempo Pousou b Pousou r

m 16 4 0 0 -408,99 339 min 5 15
b 20 0 0 0 -1373,54 28 min 20 0
s1 20 0 0 0 -1655,57 83 min 18 2
s2 17 3 0 0 -1368,27 197 min 15 5
Mdia 18,25 1,75 0,00 0,00 -1201,59 161 min 14,50 5,50

5.4. Experimentos Usando SCADE 139
Figura 57 Resultados das simulaes pr-processadas em uma srie de pontos-chave da rota.
(a) Situao crtica b . (b) Situao crtica s1 .
(c) Situao crtica s2 . (d) Situao crtica m .
5.4 Experimentos Usando SCADE

Uma implementao preliminar da HG usando SCADE foi realizada em parceria com
o pesquisador Andr Pierre. Esse mtodo foi escolhido por ter uma implementao simples e
possuir um baixo tempo de processamento. O SCADE uma ferramenta da empresa Esterel para
desenvolvimento baseado em modelo para softwares crticos (ESTEREL, 2015). Essa ferramenta
capaz de gerar cdigo para a linguagem C atravs de modelos. O mesmo pode ser integrado
com outras aplicaes, usado em prototipagem, simulao, verificao, validao e gerador de
cdigo certificado com DO-178B (SCADE, 2015).
A Figura 59 mostra um diagrama de estados da implementao efetuada. Nesse diagrama,

cada estado representa um operador que, por sua vez, podem ser compostos por outros operadores.
H cinco estados principais que so Setup, RouteCalc, compareFit, Error e End. De forma
geral, o estado Setup fornece as configuraes e parmetros de entrada para o mtodo; o estado
RouteCalc o principal responsvel pelo funcionamento da HG, calculando e avaliando a rota;
o estado compareFit o responsvel pela comparao dos fitness e retorna a melhor rota; o
estado Error processa possveis erros de rotas, em geral, rotas que excedem o total de waypoints;
e o estado End indica o trmino do processamento na mquina de estados.
Na implementao em SCADE, algumas simplificaes foram feitas nessa verso prelimi-
nar da HG. No foram consideradas regies penalizadoras, apenas no navegveis e bonificadoras.
O nmero de regies bonificadoras e no navegveis foi limitado a quatro. Os polgonos esto
restritos a quadrados e o nmero de waypoints foi limitado a 20. No foi includa a incerteza
associada a aeronave e apenas as equaes (4.3), (4.5) e (4.7) da funo de avaliao desenvolvida
foram implementadas.
Figura 58 Exemplo de rotas obtidas pelo SCADE.
(a) Pouso na regio b1 . (b) Pouso na regio b2 .
A Figura 58 apresenta alguns exemplos de rotas obtidas com a implementao em

SCADE. Aps a avaliao dessas duas rotas, a melhor escolhida pelo mtodo. Nesse exemplo,
rota da Figura 58 (b) foi selecionada j que a menor e leva a uma regio bonificadora, sem violar
zonas no navegveis. As configuraes iniciais da simulao so velocidade inicial 10m/s e
posio inicial de (125, 0). Um total de oito simulaes foram efetuadas usando essa ferramenta.
Assim, uma validao preliminar da HG foi conduzida variando os parmetros de velocidade
inicial e posio inicial da aeronave.
Esses experimentos efetuados abrem caminho para a implementao embarcada, uma
vez que o SCADE destinado a aplicaes embarcadas.
5.4. Experimentos Usando SCADE 141
Figura 59 Mquina de estados implementada usando o SCADE.
Fonte: Elaborada pelo pesquisador Andr Pierre.

5.5 Experimentos com Voo Real

Alguns experimentos preliminares envolvendo um hexacptero foram conduzidos. A
Figura 60 (a) mostra o cenrio, modelado no Google Earth, que foi utilizado no voo real. As
regies em cinza representam zonas no navegveis, em laranja temos regies penalizadoras e
em azul regies bonificadoras. A rota de fato seguida pela aeronave est destacada em verde.
A Figura 60 (b) exibe as regies do mapa projetadas na Figura 60 (a). A trajetria que
a aeronave deveria seguir, retornada pelo Algoritmo Gentico Multi-Populacional (AGMP)
desenvolvido, tambm descrita. A rota definida pelo AGMP realiza o pouso considerando uma
falha simulada no hexacptero, ou seja, essa falha no ocorreu de fato. Nessa falha, suposto
que a aeronave consegue fazer curvas somente para a esquerda s1 . O mtodo AGMP com
inicializao gulosa (AGMP2) foi o mtodo escolhido nesse experimento por apresentar bons
resultados, no entanto, os outros mtodos poderiam tambm ser utilizados.
Figura 60 Experimento com voo real usando um Hexacptero.
Fim
Incio
(a) Cenrio modelado e voo do hexacptero. (b) Trajetria definida pelo AGMP.
Ao analisar as rotas das Figuras 60 (a) e (b), a aeronave capaz de seguir de forma
bastante aproximada a trajetria definida pelo AGMP. Os erros da trajetria, em geral, so devido
a incertezas associadas posio da aeronave, obtidas pelo sensor GPS.
Esse experimento foi realizado utilizado um VANT de asa rotativa (hexacptero), no
entanto, o modelo de dinmica foi construdo para um VANT de asa fixa. Apesar disso, tal
experimento pode ser justificado, pois um hexacptero consegue simular a dinmica de um
VANT de asa fixa, embora o contrrio no seja verdade.
5.6. Sntese dos Resultados 143
5.6 Sntese dos Resultados

Uma sntese dos resultados gerais obtidas nesta dissertao descrita nesta seo. A
Tabela 24 agrupa as solues obtidas pelos diferentes mtodos desenvolvidos. Os resultados so
subdivididos em duas categorias de acordo com a modelagem restrita e completa. De forma geral,
esto sintetizados os resultados mdios dos experimentos. A coluna Tempo est em segundos
(s), a coluna Pouso b apresenta a porcentagem de pouso sobre regies bonificadoras, a coluna
tima lista os mtodos que retornam solues timas, a coluna Determinstico lista aqueles com
tal caracterstica e a coluna Tipo contem informaes sobre os algoritmos implementados.
Tabela 24 Sntese dos resultados para todos os mtodos desenvolvidos na modelagem restrita e completa.
Modelagem Mtodo Tempo Pousou b tima Determinstico Tipo

HG 0,071 77,83 No Sim Heurstico
AG1 0,955 77,96 No No Metaheurstico
Restrita AG2 0,912 89,86 No No Metaheurstico
AGMP1 1,017 80,13 No No Metaheurstico
AGMP2 0,874 89,53 No No Metaheurstico
PLIM1 1043,64 60,38 Sim Sim Exato
Completa
PLIM2 255,31 60,29 Sim Sim Exato
Os resultados obtidos nessa dissertao formam tambm sintetizados atravs de grficos,

onde consegue-se melhor visualizar as informaes a respeito dos mtodos. A Figura 61 agrupa
os resultados obtidos para a modelagem restrita do problema. J na Figura 62 esto reunidos
os resultados da modelagem completa do problema. De forma geral, na modelagem restrita,
percebe-se o ganho de tempo pela HG, j em termos de qualidade de soluo tem-se um melhor
desempenho pelos mtodos que incorporam a inicializao gulosa (AG2 e AGMP2). Em geral, na
modelagem completa, houve um ganho de tempo pelo PLIM2, no entanto, no quesito qualidade
da soluo houve um empate entre o mtodo PLIM1 e PLIM2.
5.7 Concluso
Este captulo apresentou os resultados obtidos nesta dissertao. De forma geral, a HG
apresentou o melhor resultado em termos de tempo computacional, mas o pior em termos de
qualidade de soluo. Ocorreu um desempenho bastante similar entre os mtodos AG e AGMP.
Portanto, a ideia de ter mltiplas populaes e migrao entre elas no auxilia na melhoria da
qualidade das solues. No entanto, investir em diferentes operadores pode dar bons resultados
como mostrado pela inicializao gulosa.
O mtodo baseado em PLIM apresentou um custo elevado em termos de tempo computa-
cional. Porm, uma melhoria no seu desempenho foi alcanada ao mudar a funo objetivo para
Figura 61 Sntese dos resultados para a modelagem restrita do problema.
(a) Comparao da qualidade da soluo em (b) Comparao da qualidade da soluo em

termos de pouso em regio bonificadora. termos de tempo de processamento.
Figura 62 Sntese dos resultados para a modelagem completa do problema.
(a) Comparao da qualidade da soluo em (b) Comparao da qualidade da soluo em

termos de pouso em regio bonificadora. termos de tempo de processamento.
reduzir a alocao de waypoints. Apesar da melhoria alcanada, por se tratar de uma aplicao
crtica, resultados em baixo tempo computacional so necessrios. Nesse sentido, a ideia de
calcular antecipadamente as rotas usando a estratgia exata foi proposta.
Devido as diferentes formas de tratar a dinmica da aeronave na modelagem restrita e
completa, no se pode fazer uma comparao direta entre a abordagem exata e a abordagem
heurstica.
145
CAPTULO
6
CONSIDERAES FINAIS
O futuro depender daquilo que fazemos

no presente.
Mohandas Karamchand Gandhi
6.1 Concluses
Este trabalho apresentou um problema de replanejamento de caminho para pousar um
Veculo Areo No Tripulado (VANT) com algum tipo de falha nos equipamentos, denominada
aqui como situao crtica. Assume-se que a aeronave executa uma misso dentro de um cenrio
a partir do qual uma situao crtica acontece. Logo, um algoritmo planejador de rotas acionado
com o propsito de estabelecer uma rota que minimize danos e aumente a segurana durante o
pouso emergencial.
Quatro estratgias para o planejador de rotas foram apresentadas: uma Heurstica Gulosa
(HG), duas metaheursticas evolutivas, Algoritmo Gentico (AG) e Algoritmo Gentico Multi-
Populacional (AGMP), e um abordagem exata a partir de um modelo de Programao Linear
Inteira Mista (PLIM). Duas verses para cada mtodo evolutivo foram criadas que se diferenciam
por ativar ou no um operador de inicializao dos indivduos atravs da HG. HG, AG e
AGMP utilizam uma modelagem restrita do problema ao efetuarem o pouso. PLIM utiliza a
modelagem completa. Duas verso do modelo PLIM utilizando diferentes funes objetivo
foram desenvolvidas. Um conjunto de 600 mapas foram gerados com o objetivo de definir alguns
nveis de dificuldade e avaliar os mtodos propostos diante de diferentes cenrios. A modelagem
da dinmica do VANT diante de algumas situaes crticas tambm foi efetuada.
A estratgia de superviso dos estados da aeronave, chamada In-Flight Awareness, foi
aplicada neste trabalho. O IFA fornece ao algoritmo planejador informaes importantes sobre
as condies da situao crtica encontrada, o conjunto de estados da aeronave no momento da
falha e o cenrio do voo. Essas informaes so utilizadas pelo mtodo que planeja a trajetria
para encontrar uma rota de pouso emergencial.
146 Captulo 6. Consideraes Finais
Os resultados obtidos com a HG mostram que no pior caso de situao crtica (problema
no motor), ainda assim, consegue-se efetuar o pouso em regio bonificadora em cerca de 67% dos
mapas. No melhor caso, problema na bateria, consegue-se efetuar o pouso em 89% dos mapas.
O tempo mdio para execuo da HG de 0,07 segundo. Esses resultados em termos de tempo
computacional revelam a viabilidade de se tentar embarcar a HG em um VANT real. A facilidade
de implementao da HG tambm auxiliaria nesse processo. Por isso, alguns experimentos
utilizando a ferramenta SCADE para o embarque da HG foram iniciados.
Os mtodos AG e AGMP obtiveram melhores resultados do que a HG em termos de
qualidade de soluo. O AG1 e AGMP1 apresentaram resultados similares pousando o VANT em
regio bonificadora em aproximadamente 78% e 80% dos mapas, respectivamente. Os mtodos
AG2 e AGMP2 efetuaram ambos o pouso sobre essas regies em 89% dos mapas. Logo, as
abordagens que utilizam a inicializao gulosa (AG2 e AGMP2) so melhores que as que no o
utilizam (AG1 e AGMP1). Em termos de tempo computacional, tanto o AG e AGMP gastaram
na ordem de 1 segundo para encontrar a soluo. Devido a grande semelhana, em termos de
resultados, pode-se considerar equivalentes as duas abordagens evolutivas. No entanto, ambos os
mtodos evolutivos, ao utilizar a inicializao gulosa, possuem melhores qualidades da soluo
que a abordagem HG. Considerando o tempo computacional, a HG foi cerca de 14 vezes mais
rpida do que as metaheursticas evolutivas. Apesar do tempo de resposta do AG e AGMP serem
maiores, ainda assim, essa estratgia poderia ser embarcada em um VANT.
Os resultados para a modelagem completa foram gerados atravs de duas estratgias.
A primeira estratgia (PLIM1) utiliza uma funo objetivo que no penaliza a quantidade de
waypoints alocados. Os resultados para o PLIM1 gastaram, em geral, cerca de 1043 segundos
( 17 minutos) e conseguiram pousar o VANT em regio bonificadora em 60% dos mapas.
A estratgia PLIM2 leva cerca de 255 segundos ( 4 minutos) para gerar uma soluo com
qualidade similar a PLIM1. Sendo assim, a estratgia PLIM2 se mostrou bem mais promissora.
Apesar dessa melhoria, esse tempo de processamento ainda muito alto ao se tratar uma
aplicao crtica. Assim, a estratgia PLIM no poderia ser embarcada em um VANT real. Afim
de contornar essa situao, um estudo envolvendo um conjunto de rotas pr-calculadas para
pousar o VANT foi realizado. Dessa forma, apenas as rotas emergenciais previamente calculadas
seriam embarcadas no VANT, o que tornaria a estratgia exata adequada a aplicao crtica
tratada.
Alguns resultados envolvendo simulador de voo foram efetuados tanto para o AGMP e
PLIM. Esses resultados mostraram que as trajetrias de pouso geradas podem ser seguidas por
uma aeronave de grande porte como o Cessna 172. Nesses experimentos, diferentes condies
de vento foram testadas e, mesmo assim, os controladores da aeronave conseguiram traar a rota
dentro da margem de segurana especificada.
Por fim, um pequeno experimento de voo real foi efetuado em um hexacptero. O voo
mostrou a viabilidade de executar as trajetrias definidas no trabalho nesse tipo de aeronave. Isso
6.2. Artigos 147
mostra que, apesar das rotas planejadas nesta dissertao serem inspiradas em uma VANT de asa
fixa, uma aeronave de asa rotativa poderia ser utilizada.
6.2 Artigos
Durante a elaborao desta dissertao os seguintes artigos foram escritos:
A Multi-Population Genetic Algorithm for UAV Path Re-Planning under Critical Situa-
tion: Publicado no ICTAI - International Conference on Tools with Artificial Intelligence
em 2015. Qualis A2.
A Hybrid Multi-Population Genetic Algorithm for UAV Path Planning: Publicado no

GECCO - Genetic and Evolutionary Computation Conference em 2016. Qualis A1.
A Mathematical Formulation for UAV Path Re-Planning under Critical Situation: A ser
submetido em peridico internacional em 2016.
6.3 Trabalhos Futuros

Como trabalhos futuros pretende-se avanar em experimentos usando Hardware-In-the-
Loop (HIL). E tambm obter avanos em experimentos evolvendo aeronaves reais, afim de
validar melhor os algoritmos propostos. Nesse sentido, almeja-se embarcar os algoritmos de
pouso propostos, o sistema supervisor IFA e o sistema de monitoramento da misso MOSA no
projeto de doutorado do autor.
Um outro trabalho a ser realizado o desenvolvimento da HG, AG e AGMP para o
modelo completo utilizando a mesma equao de dinmica. Dessa forma, uma comparao mais
direta desses mtodos poderiam ser efetuadas. Trabalhos envolvendo mapas mais complexos
contendo relevos, uma diversidade maior de regies e com formatos diversos poderiam ser
tambm efetuados.
149
REFERNCIAS
AGX. AGX Tecnologia. http://www.agx.com.br/n2/pages/index.php?opt=airplanehistory: [s.n.],

2014. Citado na pgina 38.
ANAC. Instruo Suplementar - IS: IS n 21-002 Reviso A. [S.l.], 2012. 21 p. Citado na
pgina 37.
. Proposta de Instruo Suplementar, Intitulada Emisso de Certificado de Autoriza-
o de Voo Experimental para Sistemas de Veculo Areo No Tripulado. [S.l.], 2012. 5 p.
Citado na pgina 37.
ARANTES, J. d. S.; ARANTES, M. d. S.; TOLEDO, C. F. M.; WILLIAMS, B. C. A multi-
population genetic algorithm for uav path re-planning under critical situation. In: Tools with
Artificial Intelligence (ICTAI), 2015 IEEE 27th International Conference on. [S.l.: s.n.],
2015. p. 486493. ISSN 1082-3409. Citado 2 vezes nas pginas 113 e 117.
ARANTES, M. d. S.; TOLEDO, C. F. M.; WILLIAMS, B. C. Improving encoding and solution
approaches for the chance-constrained non convex path planning problem. In: No Publicado.
[S.l.: s.n.], 2016. Citado na pgina 67.
ARANTES, M. N. Hybrid Qualitative State Plan Problem e o Planejamento de Misso com
VANTs. Tese (Qualificao de Doutorado) Universidade de So Paulo (USP), set 2015. So
Carlos, SP. Citado na pgina 32.
ARANTES, M. S. Ambiente para desenvolvimento de mtodos aplicados a problemas de
otimizao. Dissertao (Mestrado) Universidade de So Paulo (USP/ICMC), 2014. Citado
na pgina 102.
ASTUTI, G.; CALTABIANO, D.; GIUDICE, G.; LONGO, D.; MELITA, D.; MUSCATO, G.;
ORLANDO, A. hardware in the loop tuning for a volcanic gas sampling uav. In: Valavanis K.
P. (Ed). Advances in Unmanned Aerial Vehicles. Springer, v. 33, p. 473493, 2007. Citado
na pgina 44.
BANKS, J. Discrete event simulation. In: Winter Simulation Conference. [S.l.: s.n.], 2000.
Citado na pgina 43.
BESADA-PORTAS, E.; TORRE, L. D. L.; MORENO, A.; RISCO-MARTN, J. L. On the
performance comparison of multi-objective evolutionary uav path planners. Inf. Sci., Elsevier
Science Inc., New York, NY, USA, v. 238, p. 111125, jul 2013. ISSN 0020-0255. Disponvel
em: <http://dx.doi.org/10.1016/j.ins.2013.02.022>. Citado 2 vezes nas pginas 32 e 48.
BLACKMORE, L.; ONO, M.; WILLIAMS, B. C. Chance-Constrained Optimal Path Plan-
ning with Obstacles. 2011. IEEE Press. Citado 10 vezes nas pginas 32, 34, 46, 49, 55, 57, 59,
76, 91 e 136.
BRAGA, R. T. V.; BRANCO, K. R. L. J. C.; JNIOR, O. T.; GIMENES, I. M. S. Evolving
tiriba design towards a product line of small electric-powered uavs. In: Brazilian Conference
on Critical Embedded Systems. [S.l.: s.n.], 2011. p. p. 6772. Citado na pgina 39.
150 Referncias
BRANCO, K.; PELIZZONI, J.; NERIS, L. O.; TRINDADE, O.; OSRIO, F.; WOLF, D. Tiriba
- a new approach of uav based on model driven development and multiprocessors. In: ICRA.
[S.l.]: IEEE, 2011. p. 14. ISSN 1050-4729. Citado na pgina 39.
BURIOL, L.; FRANCA, P. M.; MOSCATO, P. A new memetic algorithm for the asymmetric
traveling salesman problem. Journal of Heuristics, Kluwer Academic Publishers, Hingham,
MA, USA, v. 10, n. 5, p. 483506, set 2004. ISSN 1381-1231. Disponvel em: <http://dx.doi.
org/10.1023/B:HEUR.0000045321.59202.52>. Citado na pgina 49.
CENIPA. FCA 58-1: Panorama Estatstico da Aviao Civil Brasileira. Braslia, DF, Brasil,
2012. 81 p. Citado na pgina 34.
DRONEWARS. Drone Crash Database - Drone Wars UK. http://dronewars.net/drone-crash-

database/: [s.n.], 2016. Citado 2 vezes nas pginas 40 e 41.
DRURY, J. L.; RIEK, L.; RACKLIFFE, N. A decomposition of uav-related situation awareness.

In: Proceedings of the 1st ACM SIGCHI/SIGART Conference on Human-robot Interac-
tion. New York, NY, USA: ACM, 2006. (HRI 06), p. 8894. ISBN 1-59593-294-1. Disponvel
em: <http://doi.acm.org/10.1145/1121241.1121258>. Citado na pgina 42.
EASA. Acceptable Means of Compliance (AMC) and Guidance Material (GM) to Part
SPA. European, 2012. 109 p. Citado na pgina 96.
EIBEN, A. E.; SMITH, J. E. Introduction to Evolutionary Computing. [S.l.]: SpringerVerlag,

2003. ISBN 3540401849. Citado 2 vezes nas pginas 80 e 82.
ENDSLEY, M. R. Design and evaluation for situation awareness enhancement. Human Fac-
tors and Ergonomics Society Annual Meeting Proceedings, Human Factors and Ergonomics
Society, p. 97101, 1988. ISSN 1071-1813. Disponvel em: <http://www.ingentaconnect.com/
content/hfes/hfproc/1988/00000032/00000002/art00021>. Citado na pgina 42.
ENDSLEY, M. R.; JONES, G. D. Designing for Situation Awareness: An Approach to User-

Centered Design. 2. ed. [S.l.]: CRC Press, 2006. 396 p. Citado na pgina 42.
ESHELMAN, L. J.; SCHAFFER, J. D. Real-coded genetic algorithms and interval-schemata. In:

WHITLEY, L. D. (Ed.). FOGA. Morgan Kaufmann, 1992. p. 187202. ISBN 1-55860-263-1.
Disponvel em: <http://dblp.uni-trier.de/db/conf/foga/foga1992.html#EshelmanS92>. Citado na
pgina 82.
ESTEREL. SCADE Suite. http://www.esterel-technologies.com/products/scade-suite/: [s.n.],

FAA. FAA Modernization and Reform Act of 2012. Washington, DC, USA, 2012. 296 p.
Citado na pgina 31.
FIGUEIRA, M. N. Arranjos de sensores orientados a misso para a gerao automtica de

mapas temticos em VANTs. Tese (Tese de Doutorado) Universidade de So Paulo (USP),
nov 2015. So Carlos, SP. Citado na pgina 32.
FIGUEIRA, N.; TRINDADE, O.; MATTEI, A. L. P.; NERIS, L. Mission oriented sensor arrays
an approach towards uas usability improvement in practical applications. In: 5th European
Conference for Aeronautics and Space Sciences (EUCASS). [S.l.: s.n.], 2013. Citado 2 vezes
nas pginas 32 e 42.
Referncias 151
FLIGHTGEAR. FlightGear Flight Simulator. http://www.flightgear.org/: [s.n.], 2014. Citado

na pgina 44.
. FlightGear Wiki. http://wiki.flightgear.org/: [s.n.], 2014. Citado na pgina 43.
. OpenGL - FlightGear Wiki. http://wiki.flightgear.org/OpenGL: [s.n.], 2014. Citado na
pgina 44.
. SimGear - FlightGear Wiki. http://wiki.flightgear.org/SimGear: [s.n.], 2014. Citado na
pgina 43.
. TerraGear - FlightGear Wiki. http://wiki.flightgear.org/TerraGear: [s.n.], 2014. Citado
na pgina 43.
FONSECA, E.; MATTEI, A. L. P.; CUNHA, W. C. Adaptative integration systems using fpga
cots devices. In: 5th European Conference for Aeronautics and Space Sciences (EUCASS).
Munich: [s.n.], 2013. Citado na pgina 32.
FRANCA, P. M.; MENDES, A.; MOSCATO, P. A memetic algorithm for the total tardiness
single machine scheduling problem. European Journal of Operational Research, v. 132, n. 1,
p. 224 242, 2001. ISSN 0377-2217. Disponvel em: <http://www.sciencedirect.com/science/
article/pii/S0377221700001405>. Citado na pgina 48.
GISA. Grupo de Interesse em Sistemas Autnomos e Aplicaes. www.gisa.icmc.usp.br:
[s.n.], 2015. Citado na pgina 38.
HERMANSSON, J.; GISING, A.; SKOGLUND, M.; SCHON, T. B. Autonomous landing of an
unmanned aerial vehicle. In: Reglermote (Swedish Control Conference), Sweden. [S.l.: s.n.],
2010. Citado 2 vezes nas pginas 47 e 89.
HERRERA, F.; LOZANO, M.; SNCHEZ, A. M. Hybrid crossover operators for real-coded
genetic algorithms: an experimental study. Soft Comput., v. 9, n. 4, p. 280298, 2005. Disponvel
em: <http://dblp.uni-trier.de/db/journals/soco/soco9.html#HerreraLS05>. Citado na pgina 82.
HOLLAND, J. H. Adaptation in Natural and Artificial Systems. Ann Arbor, MI, USA: Uni-
versity of Michigan Press, 1975. Citado na pgina 80.
HOSSOMI, M. Y. B. Framework para Desenvolvimento de Ambientes de Simulao e
Controle. Dissertao (Monografia de Graduao) Universidade de So Paulo (USP), nov
2015. So Carlos, SP. Citado na pgina 98.
ICAO, I. C. A. O. Doc 9859: Safety Management Manual (SMM). Edition 3. [S.l.], 2013. 251
p. Citado na pgina 31.
JIN, Y. Surrogate-assisted evolutionary computation: Recent advances and future challenges.
Swarm and Evolutionary Computation, v. 1, n. 2, p. 6170, 2011. Disponvel em: <http:
//dblp.uni-trier.de/db/journals/swevo/swevo1.html#Jin11>. Citado na pgina 80.
JONG, K. A. D. Evolutionary computation - a unified approach. [S.l.]: MIT Press, 2006.
I-IX, 1-256 p. ISBN 978-0-262-04194-2. Citado na pgina 80.
KIM, H.; KIM, M.; LIM, H.; PARK, C.; YOON, S.; LEE, D.; CHOI, H.; OH, G.; PARK,
J.; KIM, Y. Fully autonomous vision-based net-recovery landing system for a fixed-wing uav.
Mechatronics, IEEE/ASME Transactions on, v. 18, n. 4, p. 13201333, Aug 2013. ISSN
1083-4435. Citado 2 vezes nas pginas 47 e 89.
152 Referncias
LEITE, O. Projeto de Lei No 5942. [S.l.], 2013. 11 p. Citado na pgina 37.
LI, H. X. Kongming: A Generative Planner for Hybrid Systems with Temporally Extended
Goals. Tese (237 p.) Massachusetts Institute of Technology, 2010. Citado 4 vezes nas pginas
32, 34, 46 e 49.
LI, P.; CHEN, X.; LI, C. Emergency landing control technology for uav. In: Guidance, Naviga-
tion and Control Conference (CGNCC), 2014 IEEE Chinese. [S.l.: s.n.], 2014. p. 23592362.
Citado 2 vezes nas pginas 35 e 47.
LI, X. A software scheme for uavs safe landing area discovery. {AASRI} Procedia, v. 4, p.
230 235, 2013. ISSN 2212-6716. 2013 {AASRI} Conference on Intelligent Systems and Con-
trol. Disponvel em: <http://www.sciencedirect.com/science/article/pii/S221267161300036X>.
Citado 3 vezes nas pginas 35, 47 e 89.
MASUKO, K.; TAKAHASHI, I.; OGAWA, S.; WU, M.-H.; OOSEDO, A.; MATSUMOTO,
T.; GO, K.; SUGAI, F.; KONNO, A.; UCHIYAMA, M. Autonomous takeoff and landing of
an unmanned aerial vehicle. In: System Integration (SII) 2010 IEEE SICE International
Symposium on. [S.l.: s.n.], 2010. p. 248253. Citado na pgina 89.
MATTEI, A. L. P. Conscincia situacional em voo de sistemas areos no tripulados. Tese

(Tese de Doutorado) Universidade de So Paulo (USP), ago 2015. So Carlos, SP. Citado 3
vezes nas pginas 31, 32 e 41.
MATTEI, A. L. P.; CUNHA, A. M.; DIAS, L. A. V.; EUPHRASIO, P. C. S.; TRINDADE, O.;
TOLEDO, C. M. Ifa2s in-flight awareness augmentation systems. In: Information Technology
- New Generations (ITNG), 2015 12th International Conference on. [S.l.: s.n.], 2015. p. 95
MATTEI, A. L. P.; FONSECA, E.; FIGUEIRA, N. M.; TRINDADE, O.; VAZ, F. Uav in-flight
awareness: A tool to improve safety. In: 5th European Conference for Aeronautics and Space
Sciences (EUCASS). Munich: [s.n.], 2013. Citado 2 vezes nas pginas 32 e 41.
MEULEAU, N.; NEUKOM, C.; PLAUNT, C.; SMITH, D. E.; SMITH, T. The emergency
landing planner experiment. In: 21st International Conference on Automated Planning and
Scheduling. [S.l.: s.n.], 2011. Citado 2 vezes nas pginas 35 e 47.
MEULEAU, N.; PLAUNT, C.; SMITH, D. E.; SMITH, T. B. An emergency landing planner for
damaged aircraft. In: HAIGH, K. Z.; RYCHTYCKYJ, N. (Ed.). IAAI. AAAI, 2009. Disponvel
em: <http://dblp.uni-trier.de/db/conf/iaai/iaai2009.html#MeuleauPSS09>. Citado 4 vezes nas
pginas 35, 46, 47 e 49.
MICHALEWICZ, Z.; SCHOENAUER, M. Evolutionary algorithms for constrained parameter

optimization problems. Evolutionary Computation, v. 4, p. 132, 1996. Citado na pgina 82.
MICROSOFT. Microsoft Flight. http://www.microsoft.com/games/flight/: [s.n.], 2014. Citado

2 vezes nas pginas 44 e 45.
MORTIMER, G. sUAS News: Schiebel S-100 crash kills engineer in South Ko-
rea. http://www.suasnews.com/2012/05/15515/schiebel-s-100-crash-kills-engineer-in-south-
korea: [s.n.], 2012. Citado na pgina 33.
Referncias 153
MOSCATO, P.; MENDES, A.; BERRETTA, R. Benchmarking a memetic algorithm for ordering
microarray data. Biosystems, v. 88, n. 1-2, p. 5675, 2007. Disponvel em: <http://dblp.uni-trier.
de/db/journals/biosystems/biosystems88.html#MoscatoMB07>. Citado na pgina 49.
NATO, N. A. T. O. STANAG 4671: UAV Systems Airworthiness Requirements (USAR) for

North Atlantic Treaty Organization (NATO) Military UAV Systems. 1. ed. [S.l.], 2007. 205
p. Citado na pgina 31.
NIKOLOS, I. K.; TSOURVELOUDIS, N. C.; VALAVANIS, K. P. Evolutionary algorithm based

path planning for multiple uav cooperation. Springer, v. 33, p. 310340, 2007. Citado na pgina
48.
OGLOBO. Uma queda drone e bater um corredor, seu operador evoca pirata-
ria. http://oglobo.globo.com/mundo/eua-registram-mais-de-400-acidentes-com-drones-militares-
12950003: [s.n.], 2014. Citado na pgina 33.
ONO, M.; WILLIAMS, B. C.; BLACKMORE, L. Probabilistic planning for continuous dynamic
systems under bounded risk. J. Artif. Int. Res., AI Access Foundation, USA, v. 46, n. 1, p. 511
577, jan 2013. ISSN 1076-9757. Disponvel em: <http://dl.acm.org/citation.cfm?id=2512538.
2512551>. Citado 8 vezes nas pginas 32, 34, 46, 49, 59, 60, 67 e 76.
PEHLIVANOGLU, Y. V. A new vibrational genetic algorithm enhanced with a voronoi diagram

for path planning of autonomous uav. Aerospace Science and Technology, v. 16, n. 1, p. 47
55, 2012. ISSN 1270-9638. Disponvel em: <http://www.sciencedirect.com/science/article/pii/
S1270963811000356>. Citado 2 vezes nas pginas 32 e 47.
RICHARDS, A.; HOW, J. P. Aircraft trajectory planning with collision avoidance using mixed
integer linear programming. In: American Control Conference (ACC). [S.l.: s.n.], 2002. v. 3,
p. 19361941 vol.3. Citado na pgina 32.
RODRIGUES, D.; PIRES, R. de M.; ESTRELLA, J.; MARCONATO, E.; TRINDADE, O.;
BRANCO, K. Using soa in critical-embedded systems. In: Internet of Things (iThings/CPS-
Com), 2011 International Conference on and 4th International Conference on Cyber, Phy-
sical and Social Computing. [S.l.: s.n.], 2011. p. 733738. Citado na pgina 31.
RODRIGUES, L. E. M. J. Fundamentos da Engenharia Aeronutica Aplicaes ao Projeto

SAE - Aerodesign. [S.l.]: 1 ed, 2011. v. 2. Citado 2 vezes nas pginas 39 e 40.
SARIPALLI, S.; MONTGOMERY, J.; SUKHATME, G. Vision-based autonomous landing of an

unmanned aerial vehicle. In: Robotics and Automation, 2002. Proceedings. ICRA 02. IEEE
International Conference on. [S.l.: s.n.], 2002. v. 3, p. 27992804. Citado 2 vezes nas pginas
47 e 89.
SCADE. Technical Data Sheet - SCADE System R16. [S.l.], 2015. 5 p. Citado na pgina 139.
SEPPNEN, H.; MKEL, J.; LUOKKALA, P.; VIRRANTAUS, K. Developing shared situati-
onal awareness for emergency management. In: Safety Science. [S.l.: s.n.], 2013. v. 55, p. 19.
Citado na pgina 42.
SMARTDRONES. Suca: um operador de rob foi morto por sua prpria uni-
dade. http://www.smartdrones.fr/pt/Operador-su%C3%AD%C3%A7o-de-um-drone-tinha-sido-
morto-por-sua-pr%C3%B3pria-unidade/00921: [s.n.], 2014. Citado na pgina 33.
154 Referncias
. Um jovem morto por seu prprio rob. http://www.smartdrones.fr/pt/morto-por-seu-

pr%C3%B3prio-rob%C3%B4-em-um-parque-no-Brooklyn/001266: [s.n.], 2014. Citado na
pgina 33.
. Uma queda drone e bater um corredor, seu operador evoca pirataria.
http://www.smartdrones.fr/pt/zang%C3%A3o-%C3%A9-acidente-pode-sempre-dizer-
que-ele-era-Hacke/002771: [s.n.], 2014. Citado na pgina 33.
STUDART, N.; DAHMEN, S. R. A fsica do voo na sala de aula. In: Fsica na Escola. [S.l.:
s.n.], 2006. v. 7, n. 2, p. 17. Citado 2 vezes nas pginas 58 e 101.
TAVAKKOLI-MOGHADDAM, R.; GHOLIPOUR-KANANI, Y.; CHERAGHALIZADEH, R. A
genetic algorithm and memetic algorithm to sequencing and scheduling of cellular manufacturing
systems. International Journal of Management Science and Engineering Management, p.
119130, 2008. Citado na pgina 49.
TOLEDO, C.; FRANCA, P.; KIMMS, A.; MORABITO, R. A multi-population genetic algorithm
approach to solve the synchronized and integrated two-level lot sizing and scheduling problem.
International Journal of Production Research, v. 47, p. 30973119, 2009. ISSN 0020-7543.
Citado na pgina 83.
TOLEDO, C. F. M.; ARANTES, M.; OLIVEIRA, R. R. R. de; ALMADA-LOBO, B. Glass
container production scheduling through hybrid multi-population based evolutionary algorithm.
Appl. Soft Comput., v. 13, n. 3, p. 13521364, 2013. Disponvel em: <http://dblp.uni-trier.de/
db/journals/asc/asc13.html#ToledoAOA13>. Citado 2 vezes nas pginas 48 e 49.
TOLEDO, C. F. M.; LIMA, J. M. G.; ARANTES, M. da S. A multi-population genetic algorithm
approach for pid controller auto-tuning. In: ETFA. [S.l.: s.n.], 2012. p. 18. Citado na pgina
49.
TUNCER, A.; YILDIRIM, M. Dynamic path planning of mobile robots with improved genetic
algorithm. Comput. Electr. Eng., Pergamon Press, Inc., Tarrytown, NY, USA, v. 38, n. 6, p. 1564
1572, nov 2012. ISSN 0045-7906. Disponvel em: <http://dx.doi.org/10.1016/j.compeleceng.
2012.06.016>. Citado 2 vezes nas pginas 32 e 47.
VARELA, G.; NO, P. C.; ORJALES, F.; DEIBE, A.; NA, F. L.-P.; DURO, R. J. Autonomous uav
based search operations using constrained sampling evolutionary algorithms. Neurocomputing,
v. 132, n. 0, p. 54 67, 2014. ISSN 0925-2312. Disponvel em: <http://www.sciencedirect.com/
science/article/pii/S0925231213010904>. Citado 2 vezes nas pginas 32 e 48.
WIKIPDIA. FlightGear - Wikipdia, a enciclopdia livre.
http://pt.wikipedia.org/wiki/FlightGear: [s.n.], 2014. Citado na pgina 43.
. Microsoft Flight - Wikipdia, a enciclopdia livre.
http://en.wikipedia.org/wiki/Microsoft_Flight: [s.n.], 2014. Citado na pgina 45.
. Veculo areo no tripulado - Wikipdia, a enciclopdia livre.
https://pt.wikipedia.org/wiki/Veculo_areo_no_tripulado: [s.n.], 2014. Citado na p-
gina 38.
X-PLANE. Plane Maker App Manual. [S.l.], 2013. 105 p. Citado na pgina 44.
. FAA-Certified X-Plane. http://www.x-plane.com/pro/certified/: [s.n.], 2014. Citado na
pgina 44.
Referncias 155
. World Editor Manual - X-Plane. http://developer.x-plane.com/manuals/wed/: [s.n.],

. X-Plane 10 Global. http://www.x-plane.com/desktop/home/: [s.n.], 2014. Citado na

pgina 44.
ZHANG, X.; DUAN, H. An improved constrained differential evolution algorithm for unmanned
aerial vehicle global route planning. In: . [S.l.: s.n.], 2015. p. 270284. Citado 2 vezes nas
pginas 32 e 48.
ZHAO, Y.; PEI, H. An improved vision-based algorithm for unmanned aerial vehicles autono-
mous landing. Physics Procedia, v. 33, p. 935 941, 2012. ISSN 1875-3892. 2012 International
Conference on Medical Physics and Biomedical Engineering (ICMPBE2012). Disponvel em:
<http://www.sciencedirect.com/science/article/pii/S1875389212014708>. Citado 2 vezes nas
pginas 47 e 89.
157
CAPTULO
7
GLOSSRIO
Aeronave de Asa Fixa: aeronave capaz de voar usando a asa fixada em seu chassi. Alguns
exemplos dessas aeronaves so: Tiriba, Ararinha, Arara M1, BQM-1BR e avies em geral.
Aeronave de Asa Fixa: aeronave capaz de voar usando a asa fixada em seu chassi. Alguns
exemplos dessas aeronaves so: Tiriba, Ararinha, Arara M1, BQM-1BR e avies em geral.
Aeronave de Asa Rotativa: aeronave em que sua asa representada por hlices que giram em
torno de um eixo vertical. Alguns exemplos dessas aeronaves so: helicpteros, autogiros,
quadricpteros, hexacpteros e multicpteros.
Conventional Take-off and Landing (CTOL): aeronave que possui sistema de decolagem e
aterrissagem convencional efetuado sobre pistas. Alguns exemplos desse tipo de voo so
os efetuados por avies tradicionais.
Vertical Take-off and Landing (VTOL): veculo areo que possui sistema de decolagem e
aterrissagem na vertical. Alguns exemplos de tal tipo de pouso so helicpteros, quadri-
cpteros, autogiros e bales a gs.
Roll: representa a rotao do VANT ao redor do eixo longitudinal da aeronave.
Pitch: representa a rotao do VANT ao redor do eixo lateral da aeronave.
Yaw: representa a rotao do VANT ao redor do eixo vertical da aeronave.
Aileron: componente da aeronave, sendo o principal responsvel pela rotao roll.
Profundor: componente da aeronave, sendo o principal responsvel pela rotao pitch.
Leme: componente da aeronave, sendo o principal responsvel pela rotao yaw.
Populao: Conjunto de indivduos que representam vrias solues possveis para o problema.
158 Captulo 7. Glossrio
Indivduo: Um simples membro da populao. Um indivduo representa uma soluo para o

problema proposto.
Fitness: Tem por finalidade avaliar as solues encontradas pelos indivduos, associando a
cada um deles um valor de acordo com sua qualidade.
Seleo: Seleciona indivduos durante o processo de cruzamento ou para definir quais integram
a populao na prxima gerao. Os operadores de seleo se baseiam no valor do fitness
dos indivduos como critrio para sua escolha.
Crossover: Dois indivduos so selecionados para cruzamento, ou seja, realiza-se uma troca
entre as informaes codificadas nestes indivduos gerando novos indivduos.
Mutao: um operador que altera de forma randmica parte da informao codificada no

indivduo. Isso pode levar a maior variabilidade na populao, impedindo que a explorao
do espao de busca das solues fique estagnada em um mnimo local.
Critrio de Parada: Critrio estabelecido para finalizao da execuo do algoritmo. Alguns

exemplos desses critrios so: nmero de avaliaes, nmero de geraes, convergncia
da populao e tempo.
Geraes: Nmero de vezes que uma nova populao ser gerada.
Elitismo: A ideia do elitismo manter as melhores solues na gerao seguinte, assim, uma
cpia dos melhores indivduos feita para compor a prxima gerao. Estratgias elitistas
podem garantir que no ocorra perda de informaes relevantes na representao da melhor
soluo.
Simulao Online: simulaes que ocorrem quando o algoritmo planejador de rotas est sendo
executado junto a um simulador de voo.
Simulao Offline: simulaes em que os algoritmos responsveis pelo pouso da aeronave no

esto sendo executados juntamente com o simulador de voo.

Planejamento de Rotas para Vant

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Planejamento de Rotas para Vant

Transféré par

Droits d'auteur :

Formats disponibles

Planejamento de rota para VANTs em caso de

situao crtica: uma abordagem baseada em

Jesimar da Silva Arantes

Jesimar da Silva Arantes

Planejamento de rota para VANTs em caso de situao

Dissertao apresentada ao Instituto de Cincias

1 Trabalho realizado com auxlio da FAPESP processo nmero 2014/12297-0

Arantes, Jesimar da Silva

Dissertao (Mestrado - Programa de Ps-Graduao

1. Planejamento de Rota. 2. Veculo Areo No

Route planning for UAVs with risk of critical failure: a

Master dissertation submitted to the Instituto de

2 Trabalho realizado com auxlio da FAPESP processo nmero 2014/12297-0

Universidade de So Paulo (USP) e ao Instituto de Cincias Matemticas e de Compu-

George Bernard Shaw

Palavras-chave: Planejamento de Rota, Veculo Areo No Tripulado, Otimizao, Computao

Figura 1 Relao desse trabalho com trabalhos do grupo de pesquisa. . . . . . . . . . 33

Algoritmo 1 Heurstica Gulosa. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79

Tabela 1 Detalhes tcnicos da aeronave Tiriba. . . . . . . . . . . . . . . . . . . . . . 39

IE Inteligncia de Enxame (Swarm Intelligence)

Regio do mapa cadastrada ( = {n , p , b , r })

C j Custo de pousar no conjunto j

ut Controles da aeronave no tempo t no espao 2D (ut = [at t ])

ak Vetor normal aresta k

5.3.2 Anlise do Modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123

6 CONSIDERAES FINAIS . . . . . . . . . . . . . . . . . . . . . . . 145

No se espante com a altura do voo.

pesquisa. Uma ferramenta o ambiente de simulao AutoFG desenvolvido pelo ex-aluno de

Autor: Andr Mattei Autor: Nina Figueira Autor: Marcelo Hossomi

Tese-Doutorado Dissertao-Mestrado Dissertao-Mestrado

Autor: Mrcio Arantes Autor: Jesimar Arantes Autor: Mrcio Arantes

Fonte: Elaborada pelo autor.

1.2 Motivao e Justificativas

Desenvolver modelos matemticos que representem os controles, os estados e a dinmica

Avaliar e implementar uma srie de algoritmos planejadores de rotas como Heurstica

Avaliar o desempenho e comportamento dos algoritmos implementados em experimentos

1.5 Contribuies e Limitaes

Captulo 1: apresentou a contextualizao do problema, trazendo as motivaes, justifi-

Captulo 2: expe uma reviso bibliogrfica dos principais conceitos envolvidos em

Captulo 3: define o problema a ser estudado, apresenta a descrio, a modelagem

Captulo 4: apresenta a metodologia a ser utilizada, detalhando os algoritmos utilizados

Captulo 5: mostra os resultados obtidos nesta dissertao como: gerador automtico de

Captulo 6: encerra esta dissertao mostrando as concluses, contribuies e possveis

Se fui capaz de ver mais longe, porque

2.2 Conceitos Importantes

2.2.1 Veculos Areos No Tripulados

realizao da misso, a estao de pilotagem remota, os meios para comunicaes e controle,

2.2.1.1 Histrico de VANTs no ICMC

O Instituto de Cincias Matemticas e Computao da Universidade de So Paulo (ICMC-

Figura 2 Veculos Areos No Tripulados Arara M1, Tiriba e Ararinha.

(a) Arara M1. (b) Tiriba. (c) Ararinha.

Um projeto iniciado em 2013, totalmente nacional, o Ararinha. Trata-se de uma

Tabela 1 Detalhes tcnicos da aeronave Tiriba.

2.2.1.2 Componentes da Aeronave e Sistemas de Coordenadas

A aeronave possui um conjunto de componentes, controles e movimentos associados.

2.2.1.3 Situaes Crticas em VANTs

Existem poucas fontes que divulgam as causas de acidentes envolvendo aeronaves no

Figura 3 Eixos da aeronave e superfcies de controle da aeronave.

Fonte: Adaptada de Rodrigues (2011).

Figura 4 Sistemas de coordenadas da aeronave e do mundo.

Fonte: Elaborada pelo autor.

Tabela 2 Detalhes de acidentes envolvendo VANT militares.

Identificao da falha Ano de ocorrncia (Quantidade)