Explorando o Minecraft na Simulação de Sistemas Autoadaptativos: Um Estudo Baseado em Missões de Drones

• Gabryella Rodrigues UECE
• Kalil Rodrigues UECE
• Lucas Holanda UECE
• Vinicius dos Santos UECE
• Luis Gustavo Benevides UECE
• Matheus Chagas UECE
• Lucas Alves UECE
• Paulo Henrique Maia UECE

DOI: https://doi.org/10.5753/mssis.2025.16092

Resumo

Este artigo investiga o uso do Minecraft como uma plataforma alternativa para simulação de drones autônomos adaptativos. A proposta se baseia no desenvolvimento de um mod personalizado capaz de representar cenários críticos em um contexto de smart city. Utilizando o modelo GQM, foram definidas métricas para avaliar critérios como comportamento adaptativo, estabilidade e determinismo de execução, reprodutibilidade e realismo ambiental. Os resultados indicam que o Minecraft, mesmo com limitações no realismo físico, apresenta bom desempenho como ambiente de prototipação e ensino, oferecendo flexibilidade de uso e estabilidade em múltiplas simulações.

Referências

Afzal, A., Katz, D. S., Le Goues, C., and Timperley, C. S. (2021). Simulation for robotics test automation: Developer perspectives. In 2021 14th IEEE Conference on Software Testing, Verification and Validation (ICST), pages 263–274.

Alves, L., Pereira, J. D., Aragão, N., Chagas, M., and Maia, P. H. (2022). Dress-ml: a domain-specific language for modelling exceptional scenarios and self-adaptive behaviours for drone-based applications. In ICSE 2022, pages 56–66.

Choi, H., Crump, C., Duriez, C., Elmquist, A., Hager, G., Han, D., Hearl, F., Hodgins, J., Jain, A., Leve, F., et al. (2021). On the use of simulation in robotics: Opportunities, challenges, and suggestions for moving forward. Proceedings of the National Academy of Sciences, 118(1):e1907856118.

Christiansen, S. S. and Scirea, M. (2022). Space segmentation and multiple autonomous agents: a minecraft settlement generator. In 2022 IEEE Conference on Games (CoG), pages 135–142. IEEE.

Dimmig, C. A., Silano, G., McGuire, K., Gabellieri, C., Hšnig, W., Moore, J., and Kobilarov, M. (2024). Survey of simulators for aerial robots: An overview and in-depth systematic comparisons. IEEE Robotics & Automation Magazine.

Fonseca, A., Sousa, D., Chagas, M., Maia, P. H. M., Alves, L., Praxedes, V., and Junior, E. (2021). Dealing with iot defiant components. In SESoS/WDES 2021, pages 24–31. IEEE.

Maia, P. H., Vieira, L., Chagas, M., Yu, Y., Zisman, A., and Nuseibeh, B. (2019a). Cautious adaptation of defiant components. In ASE 2019, pages 974–985. IEEE.

Maia, P. H., Vieira, L., Chagas, M., Yu, Y., Zisman, A., and Nuseibeh, B. (2019b). Dragonfly: a tool for simulating self-adaptive drone behaviours. In SEAMS 2019, pages 107–113. IEEE.

Nebel, S., Schneider, S., and Rey, G. D. (2016). Mining learning and crafting scientific experiments: a literature review on the use of minecraft in education and research. Journal of Educational Technology & Society, 19(2):355–366.

Singh, M., Kapukotuwa, J., Gouveia, E. L. S., Fuenmayor, E., Qiao, Y., Murray, N., and Devine, D. (2025). Comparative study of digital twin developed in unity and gazebo. Electronics, 14(2):276.

Singh, R. and Kumar, S. (2025). A comprehensive insights into drones: History, classification, architecture, navigation, applications, challenges, and future trends.

Sørensen, J. V., Ma, Z., and Jørgensen, B. N. (2022). Potentials of game engines for wind power digital twin development: an investigation of the unreal engine. Energy Informatics, 5(Suppl 4):39.

Wang, Z., Cai, S., Liu, A., Jin, Y., Hou, J., Zhang, B., Lin, H., He, Z., Zheng, Z., Yang, Y., et al. (2024). Jarvis-1: Open-world multi-task agents with memory-augmented multimodal language models. IEEE Transactions on Pattern Analysis and Machine Intelligence.