Controle Seguro e Evasão de Colisões em Tráfego Denso de Drones via Aprendizado por Reforço

• Henrique J. Felisardo dos Santos UFABC
• Israel da S. Barros UFABC https://orcid.org/0009-0001-9046-118X
• Luiz F. Bittencourt UNICAMP https://orcid.org/0000-0001-6305-9059
• Carlos A. Kamienski UFABC https://orcid.org/0000-0002-3087-9234
• Fabíola M. C. de Oliveira UFABC https://orcid.org/0000-0001-8531-4559

DOI: https://doi.org/10.5753/courb.2026.23126

Resumo

A expansão de drones em metrópoles exige navegação segura em alta densidade, na qual métodos determinísticos falham em evitar colisões. Este artigo propõe os modelos LiDAR e Aprendizado por Reforço para Agentes de Leve Resolução e Maior Resolução (LiARA-LR e MR), usando Proximal Policy Optimization, Aprendizado Curricular e validação Simulador-para-Simulador. Em cenários críticos de tráfego (12 drones/min), o LiARA-MR reduziu a taxa de colisões para 0,43%, superando de forma estatisticamente significativa a taxa de falha de 7,0% da melhor abordagem geométrica e de 1,77% de um modelo base de aprendizado, atestando que a arquitetura refinada com percepção de alta resolução proposta viabiliza operações aéreas autônomas escaláveis e seguras.

Referências

AlMousa, A., B. H. Sababha, N. Al-Madi, A. Barghouthi, e R. Younisse (2019). UTSim: A framework and simulator for UAV air traffic integration, control, and communication. In: vol. 16. 5, pp. 1–19.

Barros, I. d. S., F. M. C. de Oliveira, L. F. Bittencourt, e C. Kamienski (2026). Collision-Aware UAV Delivery via Learning-Based Autonomous Control. SSRN Electronic Journal. Em revisão.

Bengio, Y., J. Louradour, R. Collobert, e J. Weston (2009). Curriculum learning. In: Proceedings of the 26th Annual International Conference on Machine Learning. ICML ’09. Montreal, Quebec, Canada: Association for Computing Machinery, pp. 41–48.

Jang, K., Y. Pant, A. Rodionova, e R. Mangharam (Oct. 2020). Learning-to-Fly RL: Reinforcement Learning-based Collision Avoidance for Scalable Urban Air Mobility. In: pp. 1–10.

Jeon, A., J. Kang, B. Choi, N. Kim, J. Eun, e T. Cheong (2021). Unmanned Aerial Vehicle Last-Mile Delivery Considering Backhauls. In: vol. 9. IEEE, pp. 85017–85033.

Kong, F., J. Li, B. Jiang, H. Wang, e H. Song (2023). Trajectory Optimization for Drone Logistics Delivery via Attention-Based Pointer Network. In: vol. 24. 4, pp. 4519–4531.

Lu, L., G. Fasano, A. Carrio, M. Lei, H. Bavle, e P. Campoy (2023). A comprehensive survey on non-cooperative collision avoidance for micro aerial vehicles: Sensing and obstacle detection. In: n/a.

Oliveira, F. M. C. de, L. Bittencourt, R. Bianchi, e C. Kamienski (2022). Drones na Cidade Grande: Reduzindo Colisões em Entregas Aéreas. In: Anais do VI Workshop de Computação Urbana. Fortaleza: SBC, pp. 84–97.

Oliveira, F. M. C. de, L. Bittencourt, e C. Kamienski (2021). Prevenção de Colisões em Serviços de Entregas por Drones em Cidades Inteligentes. In: Anais do V Workshop de Computação Urbana. Uberlândia: SBC, pp. 182–195.

Oliveira, F. M. C. de, L. F. Bittencourt, R. A. C. Bianchi, e C. A. Kamienski (2024). Drones in the Big City: Autonomous Collision Avoidance for Aerial Delivery Services. IEEE Trans. Intell. Transp. Syst. 25:5, pp. 4657–4674.

Park, J.-W., H.-D. Oh, e M.-J. Tahk (2008). UAV collision avoidance based on geometric approach. In: 2008 SICE Annual Conference, pp. 2122–2126.

Schulman, J., F. Wolski, P. Dhariwal, A. Radford, e O. Klimov (2017). Proximal policy optimization algorithms. arXiv preprint arXiv:1707.06347.

Seo, J., Y. Kim, S. Kim, e A. Tsourdos (2017). Collision Avoidance Strategies for Unmanned Aerial Vehicles in Formation Flight. In: vol. 53. 6, pp. 2718–2734.

Unity Technologies (2021). Unity Machine Learning Agents (ML-Agents). Version 2.0.1. Acessado em 19 de março de 2026. San Francisco, CA.

Unity Technologies (2022). Unity. Version 2022.3.22f1. Game development and 3D simulation platform. Acessado em 19 de março de 2026. San Francisco, CA.

Whiteson, S., B. Tanner, M. E. Taylor, e P. Stone (2011). Protecting against evaluation overfitting in empirical reinforcement learning. In: 2011 IEEE Symposium on Adaptive Dynamic Programming and Reinforcement Learning (ADPRL), pp. 120–127.

Wu, Y., K. H. Low, B. Pang, e Q. Tan (2021). Swarm-Based 4D Path Planning For Drone Operations in Urban Environments. In: vol. 70. 8, pp. 7464–7479.

Yasin, J., S. A.S. Mohamed, H. Haghbayan, J. Heikkonen, H. Tenhunen, e J. Plosila (June 2020). Unmanned Aerial Vehicles (UAVs): Collision Avoidance Systems and Approaches. In: vol. 8, pp. 105139–105155.

Yin, H., S. Su, Y. Lin, et al. (June 17, 2024). Multi-AGV Path Planning Using Deep Reinforcement Learning with Internal Curiosity. In: Preprint.

Zhang, J., H. Zhang, J. Zhou, M. Hua, G. Zhong, e H. Liu (2023). Adaptive Collision Avoidance for Multiple UAVs in Urban Environments. In: vol. 7. 8.

Zhao, P., H. Erzberger, e Y. Liu (2021). Multiple-aircraft-conflict resolution under uncertainties. In: vol. 44. 11. American Institute of Aeronautics e Astronautics, pp. 2031–2049.