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