Академический Документы
Профессиональный Документы
Культура Документы
Data de Depsito:
Assinatura: ______________________
USP So Carlos
Maio de 2016
USP So Carlos
May 2016
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].
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
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
LISTA DE SMBOLOS
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
REFERNCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
7 GLOSSRIO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
31
CAPTULO
1
INTRODUO
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
ICMC/USP
VANT Ferramenta
Tese-Doutorado Tese-Doutorado Monograa-Graduao
Conceitual
Usa o sistema IFA Usa a ferramenta
Usa a linearizao Usa a ferramenta
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;
Elaborar mapas para voo que contenham um conjunto de regies diversificadas ao voo e
pouso do VANT, atravs de um gerador automtico de mapas;
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.
1.6 Organizao
A organizao deste documento foi subdividida da seguinte forma:
CAPTULO
2
REVISO BIBLIOGRFICA
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.
Fonte: (a) Foto de AGX (2014). (b) Foto de AGX (2014). (c) Foto de GISA (2015).
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).
(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
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.
2.3.1 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
44 Captulo 2. Reviso Bibliogrfica
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.
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).
nome para Microsoft Flight e permaneceu em desenvolvimento at 2012, quando foi cancelado
(WIKIPDIA, 2014b).
Tabela 3 Comparaes entre os simuladores de voo: FightGear, X-Plane e Microsoft Flight Simulator.
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).
48 Captulo 2. Reviso Bibliogrfica
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
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
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.
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.
descreve um espao no convexo. Neste trabalho, a regio onde a aeronave pousou ser denotada
por ? com ? {n , p , b , r }.
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.
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
1 , Z2 . . . Z |l |
l = {Zl l l
}: Conjunto de regies com l {n, p, b, r};
Variveis de Deciso:
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:
n
T |
^ ^|
i
Pr xt
/ Z n 1 (3.3)
t=0 i=1
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
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
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 = Fs1 (xt , ut ) = d
(3.7)
vt + at T Fmt T
v
t+1
t+1 t + max{0, t } T
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 = Fs2 (xt , ut ) = d
(3.8)
vt + at T Fmt T
v
t+1
t+1 t + min{0, t } T
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).
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.
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.
Parmetros:
x0 : Estado inicial esperado do VANT, onde x0 := [px0 py0 pz0 vx0 vy0 vz0 ] ;
h j : Altitude da regio j;
xt : Estado esperado do VANT no instante t, onde xt := [ptx pty ptz vtx vty vtz ] ;
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
3.4. Modelagem Completa do Problema 63
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.
Estado inicial
64 Captulo 3. Problema Abordado
x0 = x0 (3.14)
Ht = 1 (caso t = 0) (3.15)
Ht = 0 (caso t = T ) (3.16)
Ht Ht1 t (3.17)
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)
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
h 2k 2k i
ak = 0 0 0 cos sen 0 k Gvmin (3.25)
66 Captulo 3. Problema Abordado
Wkt Ht t (3.27)
kGvmin
h 2k 2k i
ak = cos sen 0 k Gamax (3.28)
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
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
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
68 Captulo 3. Problema Abordado
tv = v (3.37)
|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)
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)
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
|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
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.
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 .
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
3.4. Modelagem Completa do Problema 71
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=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
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 )
72 Captulo 3. Problema Abordado
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
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
CAPTULO
4
METODOLOGIA
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.
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
Fonte: Elaborada pelo autor.
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
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
| p |
fPouso p = C p (Pr(xK Zi p )) (4.4)
i=1
n
K |
^ ^|
i
fPousoEVoon = Cn max 0, 1 Pr xt
/ Zn (4.5)
t=0 i=1
78 Captulo 4. Metodologia
K
1
fCurvas = |t | (4.6)
|max | t=0
A Equao (4.7) d mais chance a rotas com menores distncias das regies bonificadoras.
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
(KT )
(
Cb 2 10 , caso ? = b
fb = (4.9)
0 , caso contrrio
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
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 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 Gulosa: a inicializao gulosa aplica a HG, explicada na Seo 4.3, para
gerar um conjunto de controles que garantem atingir regies bonificadoras.
82 Captulo 4. Metodologia
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:
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 Creep: este operador adiciona ao controle um pequeno valor aleatrio, causando
uma pequena pertubao no controle.
Migrao Migrao
Migrao
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.
86 Captulo 4. Metodologia
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;
Planejador
Intrada Mtodo Sada
Estado Algoritmo Conjunto de
Sistema Supervisor da Aeronave
Dinmica
A, B Probabilidade
AGMP de Pouso
Falha
P
PLIM
Con g. Objetivo
T, T, W
Fonte: Elaborada pelo autor.
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 ( ).
(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).
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.
90 Captulo 4. Metodologia
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 ).
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.
(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.
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%
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 .
Figura 24 Mapeamento dos cenrios 2D para 3D. (a) mapa de origem 2D. (b) mapa de destino mapeado em 3D.
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.
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.
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
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
96 Captulo 4. Metodologia
h 100 2
max = arctan = arctan = 15, 0o (4.13)
d (24 + 11) 22
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.
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;
98 Captulo 4. Metodologia
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.
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
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
Parmetro Valor
Cb $2.000,00
C p $8.000,00
Cn $100.000,00
Cr $0,00
Fonte: Dados da pesquisa.
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.
Kd = Cd A /2 (4.15)
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.
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
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.
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
Fonte: Dados da pesquisa.
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.
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".
Figura 32 Resultados da distribuio do fitness dos indivduos, aps a ltima gerao. Os mapas utilizados foram
os mesmos do experimento anterior.
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,
110 Captulo 5. Resultados
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 .
Tabela 11 Resultado obtido para diferentes situaes crticas enfrentadas pelo VANT.
(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 ).
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
5.2. Experimentos da Modelagem Restrita 113
Tabela 12 Resultado obtido para a HG, para todos as situaes crticas e todas as instncias.
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).
(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.
(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.
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
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
5.2. Experimentos da Modelagem Restrita 117
(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.
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.
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.
120 Captulo 5. Resultados
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.
Figura 41 Conjunto de todos os locais de pouso obtido pelo AGMP em 10.000 avaliaes efetuadas.
CPLEX ub CPLEX lb
Gap(%) = 100 (5.1)
CPLEX ub
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
Fonte: Dados da pesquisa.
Tabela 18 Resultados obtidos para o modelo PLIM1 para todas as situaes crticas e todas as instncias.
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
126 Captulo 5. Resultados
Tabela 19 Resultados obtidos para o modelo PLIM2 para todas as situaes crticas e todas as instncias.
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
5.3. Experimentos com Modelagem Completa 127
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.
128 Captulo 5. Resultados
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.
5.3. Experimentos com Modelagem Completa 129
Figura 48 Evoluo do objetivo em funo do tempo para diferentes falhas no modelo PLIM2.
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.
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.
132 Captulo 5. Resultados
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.
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
~ t = Pt Wt1
U (5.4)
134 Captulo 5. Resultados
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)
h 1 T h
Emedio = Et (5.7)
T t=1
5.3. Experimentos com Modelagem Completa 135
Tabela 22 Resultados obtidos nos experimentos utilizando simulador de voo com o modelo PLIM2.
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.
136 Captulo 5. Resultados
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
5.3. Experimentos com Modelagem Completa 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.
a) b)
c) d)
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
Tabela 24 Sntese dos resultados para todos os mtodos desenvolvidos na modelagem restrita e completa.
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
144 Captulo 5. Resultados
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
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 Mathematical Formulation for UAV Path Re-Planning under Critical Situation: A ser
submetido em peridico internacional em 2016.
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.
EASA. Acceptable Means of Compliance (AMC) and Guidance Material (GM) to Part
SPA. European, 2012. 109 p. Citado na pgina 96.
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.
FAA. FAA Modernization and Reform Act of 2012. Washington, DC, USA, 2012. 296 p.
Citado na pgina 31.
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
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.; 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
100. Citado na pgina 41.
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.
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.
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.
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.
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
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.
Populao: Conjunto de indivduos que representam vrias solues possveis para o problema.
158 Captulo 7. Glossrio
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.
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.