Simple Science

Ciência de ponta explicada de forma simples

# Engenharia Eletrotécnica e Ciência dos Sistemas# Robótica# Sistemas e Controlo# Sistemas e Controlo

Drones autônomos melhoram a busca e resgate marítimo

Um novo método usa drones pra rastrear náufragos de forma eficaz em emergências marítimas.

Andreas Anastasiou, Savvas Papaioannou, Panayiotis Kolios, Christos G. Panayiotou

― 8 min ler


Rastreando Náufragos comRastreando Náufragos comDronesoperações de resgate marítimo.Novo método de VANT melhora as
Índice

O desenvolvimento de veículos aéreos não tripulados (UAVs) melhorou muito os esforços de busca e resgate, especialmente em acidentes marítimos onde náufragos precisam de ajuda. Este artigo discute um novo método para rastrear vários náufragos usando um UAV autônomo. Esse método usa tecnologia de computação avançada para seguir e localizar náufragos após incidentes no mar.

Contexto

Com o passar dos anos, o número de acidentes no mar levou muitas pessoas a se perderem ou ficarem isoladas. Embora o número total de incidentes tenha diminuído, a questão da migração e das viagens ilegais pelo mar manteve o número de náufragos alto. Isso representa um desafio significativo para as equipes de resposta a emergências. Os UAVs já foram utilizados para várias formas de resposta a emergências, como inspecionar estruturas danificadas e monitorar áreas de desastre. Este artigo sugere que os UAVs podem ter um papel importante na gestão de emergências marítimas e na melhoria da segurança.

Situação Atual

Dada a imensidão do oceano, rastrear alvos como náufragos pode ser difícil. O tamanho da área de busca muitas vezes resulta em dados escassos sobre suas localizações, dificultando saber quão longe eles estão. Os avanços recentes na tecnologia de UAVs podem ajudar a resolver esse problema. Neste artigo, propomos usar um sistema que combina um UAV com um radar de solo para rastrear vários náufragos no mar.

Método Proposto

O método proposto utiliza uma estratégia de controle conhecida como Controle Preditivo de Modelo (MPC). Essa estratégia ajuda o UAV a determinar a melhor forma de rastrear os náufragos ao longo de uma série de intervalos de tempo. O UAV recebe dados de localização inicial de um radar estacionário, que pode incluir alguns erros. O UAV então usa sua câmera a bordo para coletar informações mais precisas sobre os náufragos.

O UAV utiliza um sistema de rastreamento que considera quão incertas são as localizações previstas dos náufragos e tenta minimizar a distância entre o UAV e os náufragos. Assim, o UAV pode coletar imagens mais nítidas e obter melhores informações sobre a situação dos náufragos.

Contribuições Principais

  1. Estrutura de Rastreamento: Introduzimos uma estrutura de controle usando MPC que permite que um UAV autônomo siga vários náufragos. Isso envolve um programa matemático complexo para garantir que o UAV possa ajustar suas entradas de controle em tempo real.

  2. Análise de Detecção de Alvos: Estudamos como o UAV podia detectar alvos de diferentes altitudes usando dados do mundo real. Ao treinar programas de computador especializados, criamos uma forma de medir quão provável era o UAV avistar um náufrago com base na sua altura no ar.

  3. Novo Conjunto de Dados: Criamos um conjunto de dados de código aberto que inclui uma variedade de imagens aéreas de bóias aquáticas tiradas em diferentes alturas. Este conjunto de dados ajuda a treinar algoritmos de detecção para melhorar a identificação de náufragos em diversas condições marítimas.

Trabalho Relacionado

Pesquisas passadas analisaram diferentes abordagens para ajudar a localizar náufragos após acidentes. Algumas usaram métodos como Filtro de Kalman para prever as posições dos náufragos. Outras combinaram UAVs com barcos para aprimorar as operações de resgate.

Notamos que usar um UAV sozinho permite melhor manobrabilidade e ajustes mais rápidos em resposta a situações em mudança. Nosso trabalho também explora como usar múltiplos Filtros de Kalman para rastrear cada náufrago de forma mais eficaz.

Arquitetura do Sistema

O sistema proposto tem dois componentes principais: um radar costeiro para iniciar a missão e o UAV que assume o controle uma vez alertado pelo radar. Cada náufrago tem um Filtro de Kalman individual que estima sua posição com base nos dados do radar. O UAV ajusta seu comportamento com base em onde se espera que os náufragos estejam, garantindo que permaneça em uma posição para coletar os melhores dados possíveis.

A câmera do UAV tem um campo de visão limitado, o que pode afetar sua eficácia em detectar náufragos. Sempre que o UAV não consegue ver um náufrago, o Filtro de Kalman atualiza sua posição sem novas informações, levando a incertezas sobre sua localização exata. Para resolver isso, o UAV deve se mover mais perto para observar os náufragos, levando em conta que a probabilidade de avistá-los diminui à medida que voa mais alto.

Dinâmica do Agente e Modelo de Sensoriamento

O UAV pode se mover livremente em um espaço tridimensional. Seu movimento é controlado por um modelo dinâmico simples. O UAV carrega uma câmera que pode detectar náufragos e medir suas posições bidimensionais no mar.

A câmera tem uma área de sensoriamento definida por ângulos específicos, que determina quão longe pode ver horizontal e verticalmente. As medições que coleta podem ser incertas, o que é representado por uma distribuição de probabilidade.

Probabilidade de Detecção de Alvos

A probabilidade de detectar um alvo com a câmera do UAV não é constante; ela muda com base na altitude do UAV. Uma altitude maior pode reduzir a probabilidade de detecção. Criamos uma função em partes que ajuda a descrever como essa probabilidade varia com diferentes alturas.

Para validar essa função, coletamos imagens reais de bóias em várias condições marítimas. Ao analisar essas imagens com algoritmos de computador especializados, conseguimos confirmar que nossa função reflete com precisão as capacidades de detecção do UAV.

Modelo de Movimento dos Náufragos

O movimento de cada náufrago é influenciado por fatores como ondas e correntes. Usamos equações modificadas para simular como cada náufrago flutua na água. Ao entender seus padrões de movimento, podemos prever melhor onde eles estarão ao longo do tempo.

Abordagem Proposta

Nossa abordagem usa a probabilidade de detecção aprendida e emprega múltiplos Filtros de Kalman para rastrear náufragos de forma eficaz. Ao prever os movimentos dos náufragos e ajustar a posição do UAV de acordo, nosso objetivo é minimizar o ruído nas medições e melhorar a precisão do sistema.

A câmera a bordo do UAV coleta informações sobre a localização de cada náufrago e reduz a incerteza no rastreamento. Ao considerar as limitações do UAV e otimizar suas ações de controle ao longo de um horizonte de planejamento, melhoramos o desempenho geral do sistema de rastreamento.

Experimentos de Simulação

Para testar nossa abordagem, configuramos simulações que imitam condições da vida real. Geramos padrões de deriva para náufragos com base em vários cenários de ondas. Os movimentos do UAV foram restritos a limites operacionais realistas derivados de UAVs convencionais.

Durante as simulações, observamos como o UAV rastreava os náufragos em tempo real. Registramos o comportamento do UAV, analisando sua capacidade de coletar medições enquanto minimizava a incerteza nas posições dos náufragos.

Resultados e Insights

Através de várias simulações, descobrimos que o UAV conseguia rastrear vários náufragos com sucesso, mesmo sob condições desafiadoras. O UAV se movia de um alvo para outro para coletar as melhores informações possíveis. Os achados mostram que nosso controlador proposto reduz efetivamente a incerteza e mantém o rastreamento de múltiplos alvos simultaneamente.

Complexidade Computacional

Também medimos o tempo necessário para resolver os problemas de otimização envolvidos em nossa abordagem. A complexidade aumentou com o número de alvos e o comprimento do horizonte de planejamento, mas o sistema conseguiu fornecer soluções em tempo real.

Conclusão e Trabalho Futuro

Resumindo, desenvolvemos um método para que UAVs rastreiem com precisão vários náufragos durante emergências marítimas. Essa abordagem lida efetivamente com incertezas no rastreamento e se mostra confiável em várias condições.

A pesquisa futura se concentrará em estender esse método para incluir múltiplos UAVs trabalhando juntos para aumentar a eficácia das operações de busca e resgate. Ao projetar um sistema distribuído, esperamos melhorar as aplicações práticas dessa tecnologia, salvando vidas no mar.

Fonte original

Título: Model Predictive Control For Multiple Castaway Tracking with an Autonomous Aerial Agent

Resumo: Over the past few years, a plethora of advancements in Unmanned Areal Vehicle (UAV) technology has paved the way for UAV-based search and rescue operations with transformative impact to the outcome of critical life-saving missions. This paper dives into the challenging task of multiple castaway tracking using an autonomous UAV agent. Leveraging on the computing power of the modern embedded devices, we propose a Model Predictive Control (MPC) framework for tracking multiple castaways assumed to drift afloat in the aftermath of a maritime accident. We consider a stationary radar sensor that is responsible for signaling the search mission by providing noisy measurements of each castaway's initial state. The UAV agent aims at detecting and tracking the moving targets with its equipped onboard camera sensor that has limited sensing range. In this work, we also experimentally determine the probability of target detection from real-world data by training and evaluating various Convolutional Neural Networks (CNNs). Extensive qualitative and quantitative evaluations demonstrate the performance of the proposed approach.

Autores: Andreas Anastasiou, Savvas Papaioannou, Panayiotis Kolios, Christos G. Panayiotou

Última atualização: 2024-09-20 00:00:00

Idioma: English

Fonte URL: https://arxiv.org/abs/2409.13305

Fonte PDF: https://arxiv.org/pdf/2409.13305

Licença: https://creativecommons.org/licenses/by/4.0/

Alterações: Este resumo foi elaborado com a assistência da AI e pode conter imprecisões. Para obter informações exactas, consulte os documentos originais ligados aqui.

Obrigado ao arxiv pela utilização da sua interoperabilidade de acesso aberto.

Mais de autores

Artigos semelhantes