Banca de DEFESA: ISRAEL DA SILVA BARROS

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
STUDENT : ISRAEL DA SILVA BARROS
Date: 25/11/2025
TIME: 14:00
LOCAL: https://conferenciaweb.rnp.br/sala/carlos-kamienski
TITLE:

Aprendizado por Reforço para Controle Autônomo de Drones e Evasão de Colisões em Serviços de Entregas Aéreas

 

PAGES: 65
BIG AREA: Engenharias
AREA: Engenharia Elétrica
SUMMARY:

Com o avanço das tecnologias 5G e 6G, os veículos aéreos não tripulados (VANTs), popularmente conhecidos como drones, têm assumido um papel cada vez mais relevante em setores como agricultura, logística, monitoramento ambiental e aplicações militares. Essa expansão destaca a necessidade de métodos eficazes para controle autônomo e prevenção de colisões, especialmente em ambientes de alta densidade de tráfego aéreo.

Este trabalho propõe um modelo de aprendizado por reforço profundo baseado nas técnicas Proximal Policy Optimization (PPO) e Advantage Actor-Critic (A2C), voltado ao controle de voo e à prevenção de colisões em cenários urbanos de entrega de pacotes. A abordagem integra o framework ML-Agents ao simulador tridimensional FluteSim, ambos desenvolvidos na plataforma Unity, permitindo a aplicação de técnicas de Deep Reinforcement Learning em um ambiente dinâmico.

O desenvolvimento do modelo foi estruturado em duas etapas principais: (i) treinamento em ambiente controlado, utilizando a estratégia de Curriculum Learning para promover uma progressão gradual de dificuldade e acelerar a convergência da política; e (ii) inferência em um ambiente urbano de 0,81 km², com lançamentos de drones seguindo uma distribuição de Poisson para representar diferentes níveis de densidade de tráfego aéreo.

Os resultados demonstram que os modelos estudados atingiram uma taxa de colisão de 1,30%, apresentando uma redução de até 81,94% em relação ao método geométrico SingleDrone, considerado o mais eficiente. Além disso, foram realizados experimentos híbridos combinando técnicas de aprendizado por reforço e métodos geométricos, que resultaram em melhorias expressivas, alcançando uma taxa de colisão de apenas 1,10%. Esses resultados evidenciam que as técnicas de aprendizado de máquina, bem como sua integração com abordagens determinísticas, podem reduzir de forma significativa o número de colisões e aumentar a robustez global do sistema.

Dessa forma, modelos de aprendizado de máquina demonstraram elevada capacidade de adaptação, estabilidade e generalização em cenários de alta densidade, configurando-se como uma solução promissora para controle autônomo de drones em aplicações urbanas de entrega inteligente.

COMMITTEE MEMBERS:
Presidente - Interno ao Programa - 2196309 - CARLOS ALBERTO KAMIENSKI
Membro Titular - Examinador(a) Interno ao Programa - 1603840 - JOAO HENRIQUE KLEINSCHMIDT
Membro Titular - Examinador(a) Externo à Instituição - FRANCISCO AIRTON SILVA
Membro Suplente - Examinador(a) Interno ao Programa - 2566275 - GUSTAVO SOUSA PAVANI
Membro Suplente - Examinador(a) Externo ao Programa - 1673092 - RONALDO CRISTIANO PRATI