Sistema de planejamento de voo autônomo utilizando inteligência artificial

Abstract

Com o aumento no uso de Veículos Aéreos não Tripulados (UAVs/Drones) (SADHU; ZONOUZ; POMPILI, 2020), o desenvolvimento de técnicas para detecção e identificação de falhas em tempo real vem sendo cada vez mais necessário para que se possa ter o devido controle e a recuperação do veículo em um cenário potencial de colisão. As causas da colisão podem estar relacionadas à falhas no sistema de sensoriamento/atuação, à falhas de componentes estruturais - como por exemplo birdstrikes (JHA; SATHYAMOORTHY; PRAKASH, 2019) ou quebra de hélices -, ou ainda ataques cibernéticos ao sistema do veículo (BEST et al., 2020). Neste aspecto, adotando-se técnicas de Aprendizagem de Máquina, criou-se uma arquitetura geral para tomada de decisão no pré-voo (previsão de dados climáticos) e planejamento de missão em tempo real do voo (detecção e classificação de operações incorretas do drone). A arquitetura proposta deve ser capaz de aprender a dinâmica temporal do sistema de modo automático utilizando os dados brutos. Os resultados empíricos devem mostrar que a solução proposta aqui será capaz de detectar e classificar os principais tipos de comportamento inadequado do sistema.

With the increase in the use of Unmanned Aerial Vehicles (UAVs/Drones) (SADHU; ZONOUZ; POMPILI, 2020), the development of techniques for detecting and identifying faults in real time is becoming increasingly necessary so that you can have proper control and recovery of the vehicle in a potential collision scenario. The causes of collisions may be related to sensors/actuators failures, components structural failures - such as birdstrikes (JHA; SATHYAMOORTHY; PRAKASH, 2019) or breaking propellers -, or even cyber attacks on vehicle’s system (BEST et al., 2020). In this aspect, by adopting Machine Learning techniques, a general architecture was created for a pre-flight decision making (climate data forecast) and a real-time flight mission planning (detection and classification of incorrect drone operations). The proposed architecture must be able to learn the temporal dynamics of the system automatically using raw data. The empirical results must show that the solution proposed here will be able to detect and classify the main types of system misbehavior.