Determinação de Rota Otimizada para Fiscalização Ambiental por Veículo

Aéreo não Tripulado Utilizando Informações de Relevo

Diego Rodrigues Moreira Totte, Diego Nunes Brandão, Laura Silva de Assis
Centro Federal de Educação Tecnológica Celso Suckow da Fonseca – CEFET/RJ
Programa de Pós-graduação em Ciência da Computação – PPCIC
R. General Canabarro, 485, Maracanã, Rio de Janeiro - RJ
diego.totte@aluno.cefet-rj.br,
{diego.brandão,laura.assis}@cefet-rj.br

RESUMO
A preservação ambiental é uma questão fundamental para garantir o crescimento eco-
nômico e sustentável do país. Contudo a fiscalização e controle das diversas áreas ambientais com
objetivo de evitar o desmatamento e identificar queimadas, não é uma tarefa simples. O advento
e posterior democratização dos veículos aéreos não tripulados (VANTs) possibilitou a realização
desta tarefa de maneira eficiente e abrangente. VANTs permitem fiscalizar áreas amplas, de difícil
acesso e com custo baixo quando comparado às abordagens tradicionais. Este trabalho descreve
uma abordagem para otimização das rotas de VANTs baseada no algoritmo de Dijkstra, permitindo
encontrar o melhor trajeto entre a base de lançamento, o ponto de fiscalização e retornar ao local de
decolagem. Experimentos computacionais foram realizados com instâncias de tamanhos distintos
considerando oito cenários. Tais cenários contemplam variações no relevo e alcance da rota. Os
resultados obtidos demonstram a viabilidade da metodologia proposta e a qualidade das soluções
obtidas.

PALAVRAS CHAVE. Otimização de Rotas. Fiscalização Ambiental. VANT.

Tópicos (PO na Agricultura e Meio Ambiente, Simulação, Outras aplicações em PO)

ABSTRACT
Environmental preservation is a fundamental issue to guarantee the nation’s economic
growth. Nonetheless, the supervision and control of the various environmental areas to avoid de-
forestation and to identify fires is not a simple work. The advent and subsequent democratization
of the unmanned aerial vehicles (UAVs) enabled this task to be realized in a more efficient and
em-bracing manner. UAVs allow covering large areas, difficult to access, and with a lower cost
when compared to traditional approaches. This work describes a solution approach for route opti-
mization of UAVs based on the Dijkstra algorithm, allowing to find optimized routes between the
launch base, the region with inspection demand, and the origin return. Computational experiments
were performed with instances of different sizes, considering eight case studies. Such case studies
include variations in the relief and reach of the route. The results indicate quality solutions to the
addressed problem. The results indicate quality solutions to the addressed problem.

KEYWORDS. Route Optimization. Environmental Inspection. UAV.

Paper topics (OR in Agriculture and Environment, Simulation, Other OR Application)

1. Introdução
O Brasil é um país de extensão continental, com uma área maior que 8, 5 milhões de
quilômetros quadrados [IBGE, 2020]. Seu território é composto por uma série de biomas com di-
versas áreas de preservação ambiental, grande parte delas composta de mata fechada e áreas de
difícil acesso, tendo como destaque o bioma Amazônico. A Amazônia é o maior bioma brasileiro,
nele vivem mais de um-terço das espécies sobre o planeta Terra [Ministério do Meio Ambiente,
2020]. Segundo dados do Ministério brasileiro do Meio Ambiente (MMA), o desmatamento na
Amazônia diminuiu drasticamente entre os anos de 2005 e 2014. No entanto, voltou a crescer nos
últimos anos [INPE, 2019], gerando preocupação e comoção mundial, inclusive com avisos de cor-
tes de investimentos em fundos ambientais, como os anunciados pela Alemanha e Noruega [Negrão,
2019]. Ações intencionais de destruição do meio ambiente, como incêndios criminosos, extração
de madeira e garimpo ilegais, dentre outras, são os principais responsáveis pelo desmatamento [Fel-
let e Costa, 2019]. Acrescido a estas ações, a redução dos investimentos realizados pelo governo
brasileiro para a fiscalização e preservação ambiental associados à extensão territorial deste bioma,
tornam o problema ainda mais grave [Gesisky, 2018].
A popularização de VANTs, comumente chamados de drones, decorrente dos avanços
tecnológicos recentes, tornaram viáveis a utilização destes equipamentos em apoio à fiscalização
ambiental em áreas de difícil acesso, inclusive pela população local [Teixeira, 2020].
Apesar da possibilidade de utilização desses equipamentos para a realização do monitora-
mento ambiental, deve-se observar que aqueles de maior autonomia de voo, além de terem um custo
consideravelmente maior, requerem um especialista para operá-los e uma licença especial junto à
órgãos governamentais. Desta forma, torna-se mais interessante a utilização de um tipo mais co-
mum de VANT, com autonomia média de voo entre 20 e 60 minutos. Contudo, com uma autonomia
considerada baixa, dependendo da região que deseja-se monitorar, uma solução de rota otimizada
torna-se imprescindível para garantir a segurança e a viabilidade na realização de uma operação de
monitoramento.
No contexto de monitoramento ambiental com VANTs, uma outra característica que deve
ser observada é o quanto o relevo pode impactar no tempo de autonomia do voo, já que os VANTs
são mais lentos voando verticalmente do que horizontalmente, como informado no manual de ins-
trução desses equipamentos. Caso seja necessário aumentar ou diminuir a altitude de voo, o tempo
necessário para alcançar os pontos de fiscalização pode se tornar maior que o previsto navegando
apenas horizontalmente. Tal fato traz incertezas ao cumprimento da missão e até mesmo riscos de
perda do VANT. O relevo também pode ser uma barreira para o alcance do controle remoto, o que
também causaria a perda do VANT. Uma alternativa, seria o VANT seguir a rota programada por
algum tempo até restabelecer contato. Assim, poderiam ser evitados acidentes e gastos indevidos
de bateria, por retornos à pontos de comunicação.
O problema de otimização de rotas pode ser abordado por uma representação baseada em
grafos [Moura et al., 2010]. No problema específico de determinação de rota para VANT, a base de
lançamento, o ponto de fiscalização e regiões intermediárias no território podem ser representados
por vértices do grafo, enquanto que transições entre locais distintos (vértices) representam suas
arestas. Assim, dado um grafo G(V, E), onde V é o conjunto de vértices que representa uma região
de monitoramento e E é o conjunto de arestas, as rotas são definidas por uma sequência de vértices
v1 , v2 , · · · , vj tal que (vi , vi+1 ) ∈ E, sendo que 1 ≤ i ≤ j − 1, e essa rota é um caminho do local
representado pelo vértice 1 até o local representado pelo vértice j.
A principal contribuição deste trabalho é o desenvolvimento de um modelo que considera
dados de relevo das regiões em estudo, para otimização de rotas por meio da operação de VANTs,
utilizando para tanto a representação do problema por meio da teoria de grafos. A metodologia
de solução apresentada para o problema descrito é baseada nos conceitos do algoritmo de Dijks-
tra [Cormen et al., 2009]. Os resultados obtidos mostram que a abordagem proposta é capaz de
encontrar soluções que permitam ao VANT completar sua missão, isto é, partir da base de lança-
mento até o ponto de fiscalização e retornar ao ponto de origem, desviando de elevadas altitudes,
caso seja necessário.
Este trabalho está organizado da seguinte forma. Uma breve revisão da literatura é apre-
sentada na Seção 2. A descrição do problema e sua modelagem matemática são apresentadas na
Seção 3. A abordagem de solução proposta para o problema de roteamento por VANTs é apresen-
tada na Seção 4. A Seção 5 mostra os resultados obtidos para alguns estudos de caso realizados.
Por fim, as considerações finais e trabalhos futuros são discutidos na Seção 6.
2. Trabalhos Relacionados
O problema de planejamento de rota (PPR) é um problema bem estabelecido na litera-
tura [Galceran e Carreras, 2013], tendo aplicações nas áreas de robótica, agricultura, medicina,
dentre outras [Huang e Summers, 2009; Krukhmalev e Pshikhopov, 2017; Campo et al., 2020].
No contexto de VANTs, o PPR pode ser abordado de diferentes maneiras, sendo uma
das mais utilizadas a versão baseada no tradicional problema de caminho mínimo (shortest path
problem) [Pehlivanoglu, 2012; Galceran e Carreras, 2013]. Decorrente dessa abordagem, diversas
técnicas têm sido utilizadas para solucionar o PPR, destacando-se os algoritmos de Dijkstra, A∗ e
algoritmo de Floyd-Warshall [Soto et al., 2007; Liu e Wong, 2011; Pehlivanoglu, 2012; Fu et al.,
2018; Campo et al., 2020]. Trabalhos utilizando técnicas de inteligência computacional, como
algoritmos genéticos, enxame de partículas, redes neurais artificiais e colônia de formigas também
foram desenvolvidos [Zheng et al., 2003; Li et al., 2006; Tavoosi et al., 2020].
A maioria das abordagens desenvolvidos sobre o PPR visa determinar a melhor rota en-
volvendo as restrições energéticas e a otimização da área de cobertura [Soto et al., 2007; Campo
et al., 2020]. Alguns trabalhos acrescentam ainda aspectos de relevo, vegetação ou edificações
ao PPR, considerando-os como obstáculos para o VANT [Fu et al., 2018; Tenezaca et al., 2020].
Abordagens mais robustas reconstroem o relevo a partir do modelo 3D do ambiente [Pehlivanoglu,
2012], todavia acabam requerendo um elevado poder computacional e no caso de VANTs de baixo
custo tornam-se inviáveis.
A busca de trabalhos relacionados não identificou abordagens que associem ao modelo
as características do relevo, com baixo custo computacional e além disso, que permitam ao VANT
escolher entre desviar das regiões de diferentes relevos, que poderiam impactar a sua rota.
3. Descrição e Modelagem do Problema
Para alcançar o objetivo de determinar a melhor rota para um VANT, a partir da base
de lançamento até o ponto de fiscalização em um território, devem ser consideradas informações
inerentes ao território e ao VANT. As informações sobre as características físicas e mecânicas do
VANT foram obtidas em [Silva, 2016; Carneiro e Neto, 2017; Liu e Wong, 2011].
A representação de um mapa de relevo pode ser realizada através dos conceitos de teoria
de grafos. Neste contexto, define-se um grafo ponderado e com atributos G(V, E), no qual V é o
conjunto dos n vértices e E é o conjunto das m arestas. Nesta representação, um vértice i ∈ V
representa um local, no território definido de três formas distintas: (i) base de lançamento, (ii) ponto
de fiscalização e (iii) pontos intermediários. Uma aresta (i, j) ∈ E representa um trajeto possível
do local i ∈ V até o local j ∈ V . A Figura 1 ilustra as etapas de geração do grafo a partir do mapa
de uma determinada região. A Figura 1a apresenta o relevo da região em estudo. A Figura 1b ilustra
a determinação dos locais da base de lançamento e do ponto de fiscalização. Os vértices do grafo
que representam a região em estudo são distribuídos em malha sobre a mesma, como ilustrado na
Figura 1c. O conjunto de arestas é então adicionado como mostra a Figura 1d e por fim a Figura 1e
apresenta o grafo resultante correspondente ao mapa da Figura 1a.

(a) Mapa de relevo de uma região. (b) Marcação da base de lançamento e ponto de fiscaliza-
ção.

(c) Criação de vértices intermediários. (d) Criação de arestas entre pares de vértices próximos.

(e) Representação do mapa por grafo.

Figura 1: Etapas de transformação de um mapa de relevo em grafo.

Cada vértice i ∈ V possui como atributos os valores de suas coordenadas geográficas

(xi , yi ) e a altitude do local correspondente hi . Conhecendo as coordenadas dos nós (xi , yi ) ∀ i ∈ V
é possível calcular a distância euclidiana entre cada par de nós do grafo, definida pela Equação (1),
onde dei,j é o valor da distância euclidiana do vértice i ao vértice j.
q
dei,j = (xj − xi )2 + (yj − yi )2 . (1)

Cada aresta (i, j) ∈ E do grafo possui um valor wi,j associado. Para o problema em
estudo considerou-se uma medida de distância para ponderação de cada aresta, sendo denominada
de distância relativa. A distância relativa trata da distância entre um par de nós levando em consi-
deração a altura dos relevos e a razão entre a velocidade horizontal máxima e velocidade vertical
máxima do VANT. Tal distância é definida pela Equação (2).
 h
r e v
di,j = di,j + |hi − hj | × , (2)
vv
onde hi e hj são a altitude do relevo na posição i e j da região em estudo, respectivamente. v h é a
velocidade máxima horizontal do VANT e v v sua velocidade máxima vertical.
A razão entre as velocidades máximas e a diferença entre os relevos são definidos como
os principais fatores de impacto para o roteamento, considerando que o VANT é operado somente
em condições favoráveis de clima, temperatura e ventos.
4. Metodologia
O método de solução para determinação de rotas para fiscalização ambiental por VANTs
proposto neste trabalho é apresentado no Algoritmo 1.
O Algoritmo 1 recebe como parâmetros de entrada o grafo G(V, E) que representa a
região de fiscalização em estudo, conforme apresentado na Seção 3, o local de lançamento (xs , ys )
do VANT, o local de fiscalização (xf , yf ), e as velocidades máximas, na horizontal v h e na vertical
v v , do equipamento em uso. O primeiro ciclo do algoritmo (linhas 1 – 4) calcula o valor das
distâncias euclidiana e relativa (ver Seção 3) a partir das informações do grafo e das velocidades.
Com tais distâncias calculadas, o algoritmo de Dijkstra é executado tendo como origem o vértice
que representa o local de lançamento do VANT (linha 5). O algoritmo de Dijkstra pode ser utilizado
devido sua adequação ao problema abordado: baixa complexidade e ausência de pesos negativos. O
algoritmo de Djikstra retorna dois vetores: (i) predecessor, e (ii) custo, ambos de tamanho n. Com
essas informações é possível determinar a rota de menor custo a partir da origem até o ponto de
fiscalização. Na variável Raux é armazenada a rota otimizada do ponto de fiscalização f , até o local
de lançamento s, do VANT. Já a variável cR armazena o custo total da rota. A Rota começa com o
local de fiscalização (linha 7) e seu restante é obtido percorrendo o vetor de predecessores (linhas 10
– 13) até chegar ao ponto de lançamento (rota invertida). Obtém-se a rota no sentido desejado, i.e.
do ponto de lançamento até o local de fiscalização (linhas 16-19). Por fim, a rota ótima e seu custo
são retornados (linha 20).
Ao final do Algoritmo 1, temos informações da rota otimizada entre a base de lançamento
e o local de fiscalização, o tempo de percorrimento da rota e o seu custo, sendo este o somatório das
distâncias relativas entre os vértices que determinam a rota otimizada.
5. Experimentos Computacionais
Os experimentos descritos neste trabalho foram realizados em computador Intel Core i7−
8565U , 1.8GHz com 8GB de RAM e sistema operacional Windows 10 Home 64 bits. Os algorit-
mos apresentados foram implementados na linguagem R, versão 3.6.2, no RStudio versão 1.2.5033.
5.1. Dados de Entrada
Os arquivos de entrada possuem dados para criação do grafo que descrevem o mapa da
região que se deseja monitorar, a base de lançamento, o ponto de fiscalização e as informações de
velocidades máximas do VANT. Estes dados estão dispostos na seguinte ordem no arquivo:

1. vh e vv : velocidade máxima horizontal vh e velocidade máxima vertical vv do VANT a ser

utilizado;

2. n: número de vértices;

3. m: número de arestas;
Algoritmo 1 : Otimização de Rota para VANT (G(V, E), (xs , ys ), (xf , yf ), v h , v v )
1: for all (i, j) ∈ E do
2: dei,j ← calculeDistEuclidiana((i, j))
3: dri,j ← calculeDistRelativa(dei,j , v h , v v )
4: end for
5: (π, c) ← Djikstra(G(V, E), (xs , ys ))
6: Raux ← ∅
0
7: Raux ←f
1
8: Raux ← πf
9: cR ← cf + cπf
10: for i = 2; i < n; i + + do
11: i
Raux ← πi−1
12: cR ← cR + cπi−1
13: end for
14: R ← ∅
15: j ← 0
16: for i = n − 1; i > 0; i − − do
17: Rj ← Raux i

18: j++
19: end for
20: return R, cR

4. (xs , ys ): coordenadas do vértice da base de lançamento;

5. (xf , yf ): coordenadas do vértice do ponto de fiscalização;

6. (xi , yi ) e hi : uma lista de tamanho n, sendo que xi e yi são as coordenadas do vértice i e hi

é a altitude em que o vértice i se encontra;

7. (i, j): uma lista de tamanho m com as informações das adjacências entre os nós, ou seja o
conjunto de arestas.

Foram geradas 40 instâncias em uma malha retangular, onde o posicionamento dos vér-
tices consideram perturbações aleatórias em suas coordenadas com o objetivo de não ficarem uni-
formemente posicionados para se assemelhar, tanto quanto possível, a um cenário real. Existem
4 grupos, possuindo 10 instâncias cada, os quais se diferenciam pelo tamanho representativo do
terreno, assim como pela quantidade de vértices e arestas, sendo eles:

• Grupo A: Instâncias com 512 vértices e 976 arestas;

• Grupo B: Instâncias com 976 vértices e 2788 arestas;

• Grupo C: Instâncias com 1024 vértices e 1984 arestas;

• Grupo D: Instâncias com 1984 vértices e 5767 arestas.

5.2. Especificação dos Cenários
Foram definidas 8 posições distintas para bases de lançamento e pontos de fiscalização
sendo as posições 1 a 4 para bases de lançamento e as posições 5 a 8 para pontos de fiscalização.
As posições geográficas são:
1. Coordenadas x e y próximas ao limite à esquerda e superior da área;
2. Coordenadas x e y próximas ao limite à esquerda e região central da área;
3. Coordenadas x e y próximas à zero;
4. Coordenadas x e y próxima à região central e limite inferior;
5. Coordenada x e y próxima ao limite à direita e ao limite inferior da área;
6. Coordenada x e y próxima ao seu limite à direita e à metade da área;
7. Coordenadas x e y próximas ao seus limites à direita e superior da área;
8. Coordenada x e y próxima à metade da região e ao seu limite superior da área.
A Figura 2 ilustra o posicionamento dos locais de base de lançamento e de pontos de
fiscalização supracitados.

Figura 2: Posições de base de lançamento (preto) e de pontos de fiscalização (azul).

Dadas as posições de lançamento e fiscalização foram realizados testes em 10 cenários,

como mostrados na Figura 3. Considerando as posições de base de lançamento 1, 2 e 3, e as posições
de ponto de fiscalização 5, 6 e 7, todas as possíveis combinações foram exploradas, resultando em
9 cenários distintos. Os cenários C1 , C2 e C3 são ilustrados na Figura 3a. Os cenários C4 ,C5 e C6 ,
são mostrados na Figura 3b. Por fim, os cenários C7 , C8 e C9 podem ser observados na Figura 3c.
As posições 4 e 8 formam o cenário C10 , mostrado na Figura 3d.
5.3. Determinação das Velocidades
Para as velocidades máximas, foram escolhidos três modelos comuns de VANTs e dispo-
níveis atualmente, de duas marcas distintas. A Tabela 1 apresenta os fabricantes, modelos e valores
das velocidades máximas, importantes neste experimento computacional. Os dados tiveram ori-
gem nos manuais de instrução dos modelos, localizados nos sites de seus fabricantes [DJI, 2017a,b;
Parrot, 2019]. A partir destes três modelos, chegou-se à uma medida aproximada das velocidades
máximas. Para simplificação, este trabalho utilizou v h = 50Km/h para velocidade máxima na ho-
rizontal e v v = 10Km/h para a velocidade máxima na vertical (ver Seção 3 - Equação (2)). Alguns
modelos, na vertical, possuem velocidades distintas entre ascender e descender. Como a variação,
quando existente, é pequena, considerou-se uma única velocidade máxima vertical neste trabalho.
 (a) Cenários 1, 2 e 3. (b) Cenários 4, 5 e 6.

(c) Cenários 7, 8 e 9. (d) Cenário 10.

Figura 3: Definições dos cenários de bases de lançamento e pontos de fiscalização a partir de um

mapa de relevo.

Tabela 1: Informações sobre marcas e modelos de VANTs.

Fabricante DJI DJI Parrot
Média
Modelo Mavic PRO Spark Anafi
v h (km/h) 65,00 50,00 55,00 56,70
v v (km/h) 10,80 10,80 14,40 12,00

5.4. Apresentação dos Resultados

Foram realizados testes com os 10 cenários utilizando as 10 instâncias dos 4 grupos defi-
nidos (Seção 5.1). Sendo que a instância 1 de cada grupo de instâncias foi utilizada para execução
do cenário C1 . A instância 2 de cada grupo foi utilizada para execução do cenário C2 , e assim
sucessivamente. Para cada execução foi registrado o custo da rota e o tempo. A informação Custo
corresponde à distância relativa total (Equação (2)) da melhor rota e a informação Tempo ao período
de tempo em segundos que o processo levou para localizar a melhor rota, excluindo o tempo de car-
regamento e armazenamento dos dados. Os resultados destes testes são apresentados na Tabela 2.
Observando os resultados obtidos apresentados nas Figuras 4 e 5 é possível perceber o
comportamento do método proposto principalmente de duas formas:

(a) o algoritmo determina uma rota para o VANT diretamente, entre a base de lançamento e o
ponto de fiscalização. Tal rota representa o menor caminho caso não exista obstáculos de
relevo;

(b) o algoritmo propõe uma rota para o VANT desviando de relevos com elevadas ou baixas
altitudes existentes entre a base de lançamento e o ponto de fiscalização. Tal rota é proposta
porque o custo para ascender ou descender e ultrapassar o relevo é alto. Portanto, mesmo
com o desvio, o VANT consegue chegar mais rápido ao local de fiscalização.
 Tabela 2: Resultados de custo da melhor rota por cenários e instâncias de diferentes tamanhos.
Grupo
Cenário A B C D
Custo Tempo(s) Custo Tempo(s) Custo Tempo(s) Custo Tempo(s)
C1 6321,51 1,08 5816,54 4,06 6545,59 4,95 1273,41 27,62
C2 9553,87 1,02 7163,51 4,09 6854,09 4,79 7618,47 27,87
C3 5892,62 0,80 9909,55 4,13 7791,89 4,85 6969,76 28,17
C4 8487,03 0,79 6441,49 4,03 10909,94 4,54 9515,76 28,06
C5 8820,55 0,84 7210,37 4,07 9562,75 4,78 7634,80 28,08
C6 8945,09 0,96 8950,08 3,96 10358,00 4,51 9354,18 27,86
C7 9713,72 0,76 7909,72 4,08 11346,85 4,47 10125,80 28,65
C8 10134,84 0,79 6941,17 4,01 7849,05 4,70 7040,70 28,58
C9 7313,69 0,88 6640,06 4,08 6508,78 4,74 5489,06 28,62
C10 2554,04 0,96 3351,36 4,01 5778,21 4,57 6892,31 28,49

A Figura 4 mostra exemplos do comportamento semelhante ao descrito no item (a) para

os 4 grupos de instâncias em estudo.

(a) Instância 1 do Grupo A - Cenário C1 . (b) Instância 4 do Grupo B - Cenário C4 .

(c) Instância 3 do Grupo C - Cenário C3 . (d) Instância 2 do Grupo D - Cenário C2 .

Figura 4: Rotas diretas entre a base de lançamento e o ponto de fiscalização.

A Figura 5 mostra exemplos semelhantes ao comportamento descrito no item (b), para os

4 grupos de instâncias em estudo. Através das legendas é possível observar que quanto mais escura
a cor do vértice, mais alta é a altitude do relevo da região que ele representa. É possível observar
que nas imagens apresentadas na Figura 5 todas as rotas propostas tiveram algum desvio, evitando
que o VANT trafegue em uma região de altitude elevada ou, de forma mais assertiva, evitando que
haja alterações desnecessárias entre relevos.
 (a) Instância 8 do Grupo A - Cenário C8 . (b) Instância 3 do Grupo B - Cenário C3 .

(c) Instância 6 do Grupo C - Cenário C6 . (d) Instância 10 do Grupo D - Cenário C10 .

Figura 5: Rotas com desvios devido à altitudes no relevo entre a base de lançamento e o ponto de
fiscalização.

6. Conclusão

Este trabalho apresenta um método de solução para determinação de rota otimizada para
VANTs com objetivo de auxiliar operações de fiscalização ambiental. Após a representação do
mapa de relevos de um território por grafo, a partir do processo de indicação da base de lançamento
do VANT, do ponto de fiscalização e indicação das velocidades médias do VANT, é possível iden-
tificar a melhor rota. Foram testadas em tempos computacionais viáveis 40 instâncias com grupos
variando entre 512 vértices e 976 arestas a 1984 vértices e 5767 arestas. Como a velocidade do
VANT na vertical é menor que na horizontal, em alguns terrenos, a melhor rota determinada ocorre
por um caminho aparentemente mais longo, devido à proposta de desvio do relevo com alta ou baixa
altitudes ao invés de transpassá-lo como inicialmente pode aparentar ser o ideal. Tal fato ocorre pois
o custo da rota é menor.
A abordagem apresentada neste trabalho não prevê impactos das condições atmosféricas
e impactos na aceleração e desaceleração para mudança de relevo. Sobre as condições atmosféricas,
os VANTs disponíveis a custos acessíveis possuem indicação de não funcionamento em condições
atmosféricas adversas como ventos e temperaturas abaixo ou acima de um limite preestabelecido e
com precipitações. Não há informação do funcionamento destes em condições adversas pelos fabri-
cantes. Também não é comum informação de aceleração e desaceleração indicada pelos fabricantes.
Assim, para tais informações, torna-se necessários testes empíricos ou através de simuladores. To-
davia, apesar das simplificações, o método proposto apresenta resultados importantes e coerentes.
Tais especificações e aprofundamentos podem ser abordados em trabalhos e modelos futuros para o
problema em estudo.
Referências
Campo, L. V., Ledezma, A., e Corrales, J. C. (2020). Optimization of coverage mission for
lightweight unmanned aerial vehicles applied in crop data acquisition. Expert Systems with Ap-
plications, 149.

Carneiro, F. B. e Neto, L. L. d. S. (2017). Utilização de Drones Não-Especializados nas Operações

de Inteligência: Possibilidades, Limitações e Emprego na Fiscalização de Pedreiras e Paióis em
Apoio ao Serviço de Fiscalização de Produtos Controlados do Exército. Trabalho de conclusão
de curso, Escola de Aperfeiçoamento de Oficiais (ESAO).

Cormen, T. H., Leiserson, C. E., Rivest, R. L., e Stein, C. (2009). Introduction to algorithms. MIT
press.

DJI (2017a). MAVIC PRO: Manual do usuário. https://dl.djicdn.com/downloads/

mavic/pro/Mavic%20Pro%20User%20Manual%20v1.6%7B_%7DPT.pdf. Aces-
sado: 2020-06-10.

DJI (2017b). SPARK: Manual do usuário. https://dl.djicdn.com/downloads/Spark/

20180720/SparkUserManualV1.2{_}PB.pdf. Acessado: 2020-06-10.

Fellet, J. e Costa, C. (2019). Imagens mostram avanço do garimpo ilegal na Amazônia em 2019.
https://www.bbc.com/portuguese/brasil-49053678. Acessado: 2019-01-29.

Fu, Z., Yu, J., Xie, G., Chen, Y., e Mao, Y. (2018). A Heuristic Evolutionary Algorithm of UAV
Path Planning. Wireless Communications and Mobile Computing.

Galceran, E. e Carreras, M. (2013). A survey on coverage path planning for robotics. Robotics and
Autonomous Systems, 61(12):1258–1276.

Gesisky, J. (2018). Estudo revela como União, estados e municí-

pios gastam com meio ambiente. www.wwf.org.br/informacoes/
noticias{_}meio{_}ambiente{_}e{_}natureza/?63822/
uniao-estados-municipios-orcamento-meio-ambiente. Acessado: 2020-
06-10.

Huang, A. e Summers, R. M. (2009). Chapter 48 - computer processing methods for virtual en-
doscopy. In Bankman, I. N., editor, Handbook of Medical Image Processing and Analysis (Se-
cond Edition), p. 833 – 845. Academic Press, Burlington, second edition edition. ISBN 978-
0-12-373904-9. URL http://www.sciencedirect.com/science/article/pii/
B9780123739049500593.

IBGE (2020). Áreas Territoriais. https://www.ibge.gov.br/

geociencias/organizacao-do-territorio/estrutura-territorial/
15761-areas-dos-municipios.html?={&}t=o-que-e. Acessado: 2020-06-10.

INPE (2019). Taxas de Desmatamento - Amazônia Legal - Estados. http://terrabrasilis.

dpi.inpe.br/app/dashboard/deforestation/biomes/legal{_}amazon/
rates. Acessado: 2020-06-10.
 Krukhmalev, V. e Pshikhopov, V. (2017). Chapter Four - Genetic Algorithms Path Planning. In
Pshikhopov, V. B. T. P. P. f. V. O. i. U. D. E., editor, Path Planning for Vehicles Operating in
Uncertain 2D Environments, p. 137–184. Butterworth-Heinemann.

Li, S., Sun, X., e Xu, Y. (2006). Particle Swarm Optimization for Route Planning of Unmanned
Aerial Vehicles. In 2006 IEEE International Conference on Information Acquisition, p. 1213–
1218.

Liu, L. e Wong, R. C.-w. (2011). Finding Shortest Path on Land Surface. SIGMOD, p. 433–444.

Ministério do Meio Ambiente (2020). Institucional. https://www.mma.gov.br/

institucional.html. Acessado: 2020-06-10.

Moura, L., Ritt, M., e Buriol, L. S. (2010). Estudo Experimental de Algoritmos em Tempo Real de
Caminho Mínimo Ponto a Ponto em Grafos Dinâmicos. SBPO, 42.

Negrão, H. (2019). Após Alemanha, Noruega também bloqueia repasses para Amazô-
nia. https://brasil.elpais.com/brasil/2019/08/15/politica/
1565898219{_}277747.html. Acessado: 2020-06-10.

Parrot (2019). ANAFI: User Guide v2.6.2. https://www.parrot.com/files/

s3fs-public/firmware/anafi{_}user{_}guide{_}v2.6.2.pdf. Acessado:
2020-06-10.

Pehlivanoglu, Y. V. (2012). A new vibrational genetic algorithm enhanced with a Voronoi diagram
for path planning of autonomous UAV. Aerospace Science and Technology, 16(1):47–55.

Silva, L. d. O. (2016). Aplicação de VANTs na Logística Humanitária: Procedimento para Distri-

buição e Roteamento de Veículos. Dissertação de mestrado, Instituto Militar de Engenharia.

Soto, M., Nava, P., e Alvarado, L. (2007). Drone Formation Control System Real-Time Path Plan-
ning. Collection of Technical Papers - 2007 AIAA InfoTech at Aerospace Conference, 1.

Tavoosi, V., Marzbanrad, J., e Golnavaz, M. (2020). Optimized path planning of an unmanned
vehicle in an unknown environment using the PSO algorithm. IOP Conference Series: Materials
Science and Engineering, 671(1).

Teixeira, F. (2020). Tribo indígena remota monitora floresta amazônica com drones. https:
//br.reuters.com/article/idBRKBN20S29S-OBRIN. Acessado: 2020-06-10.

Tenezaca, B. D., Canchignia, C., Aguilar, W., e Mendoza, D. (2020). Implementation of Dubin
Curves-Based RRT* Using an Aerial Image for the Determination of Obstacles and Path Plan-
ning to Avoid Them During Displacement of the Mobile Robot. Smart Innovation, Systems and
Technologies, 152:205–215.

Zheng, C., Ding, M., e Zhou, C. (2003). Real-time route planning for unmanned air vehicle with an
evolutionary algorithm. International Journal of Pattern Recognition and Artificial Intelligence,
17(1):63–81.

Powered by TCPDF (www.tcpdf.org)