Resumo – Esta dissertação descreve o desenvolvimento do ARGUS (Adaptive Route Guidance and Update System), um framework de apoio ao planeamento de missões para Unmanned Ground Vehicles (UGVs) em ambientes táticos. O sistema converte informação geoespacial, dados de ameaças e prioridades do comandante em trajetórias executáveis, equilibrando tempo de percurso e risco de deteção.
A avaliação de risco baseia-se numa formulação probabilística que incorpora a incerteza espacial das ameaças e a largura da formação, gerando uma superfície de custo representativa do risco do terreno. Para o modo mais exigente — minimização do risco sob orçamento temporal — é proposto o algoritmo APULSE (A* Pulse), que combina orientação heurística do tipo A*, poda agressiva inspirada em Pulse e redução do espaço de estados por discretização temporal. O protótipo, implementado em Python com interface operacional, foi validado em experiências com grafos densos derivados de terreno real e numa demonstração de interoperabilidade em exercício de campo, com exportação de rotas para o QGroundControl.
I. Introdução
A condução de operações terrestres em ambientes saturados por sensores e efeitos de guerra eletrónica impõe uma exigência crescente sobre a mobilidade tática: torna-se imperativo adotar uma deslocação rápida, discreta e adaptativa [1]. Os UGVs permitem reduzir a exposição de militares, aumentar a persistência de vigilância e executar tarefas em áreas de risco elevado, mas a sua utilidade operacional depende de mecanismos de planeamento que traduzam as necessidades da missão em ações executáveis e ajustáveis em tempo útil [2].
O problema central abordado nesta dissertação é, por isso, mission‑centric: como planear trajetórias que minimizem a exposição à deteção, respeitando simultaneamente restrições temporais e limitações de mobilidade impostas pelo terreno. A solução proposta materializa-se no ARGUS, um pipeline modular que integra dados geoespaciais, inteligência probabilística e modos de otimização orientados à missão, incluindo um mecanismo de replaneamento local para responder a eventos imprevistos.
II. Estado da Arte
a. Representação do Mundo e Procura em Grafos
A discretização do ambiente operacional em grafos ponderados é uma abordagem consolidada em planeamento de caminhos. Tipicamente, o terreno é convertido numa grelha regular onde cada célula representa um nó, enriquecido com camadas como altitude, declive e tipo de cobertura do solo. As arestas entre células vizinhas recebem custos aditivos que traduzem travessabilidade e tempo. Neste enquadramento, algoritmos como Dijkstra e A* fornecem garantias de optimalidade, com ganhos de desempenho significativos quando existe boa orientação heurística [3].
b. RCSPP e Otimização com Restrições
Em cenários militares, é frequente existir uma função objetivo (por exemplo, minimizar risco) sujeita a uma restrição de recurso (por exemplo, tempo máximo de missão). Esta classe de problemas é formalizada como Resource‑Constrained Shortest Path Problem (RCSPP), conhecida por ser NP‑hard. Solvers exatos baseados em labels podem sofrer de explosão combinatória em grafos grandes e densos [4]. Técnicas modernas combinam pesquisa best‑first, poda agressiva e redução controlada do espaço de estados para obter desempenho operacional.
c. Replaneamento Dinâmico e Procura Incremental
A hipótese de ambiente estático raramente se verifica em operações reais. Atualizações do posicionamento e características das ameaças e o surgimento de obstáculos podem invalidar planos precomputados, tornando ineficiente recomputar do zero. Algoritmos incrementais, como o D* e LPA*, reparam localmente uma solução existente ao propagar atualizações apenas na zona afetada, reduzindo drasticamente o esforço computacional [5]. Esta linha de trabalho fundamenta a capacidade de adaptação dinâmica incorporada no ARGUS.
d. Modelação de Probabilidade de Deteção
Modelos de deteção derivados da teoria de radar descrevem a probabilidade de deteção como função da distância, tipicamente com perfil sigmoidal. Embora modelos físicos completos sejam demasiado pesados para uso em tempo real, aproximações paramétricas conseguem reproduzir o comportamento essencial (zona de deteção certa, decaimento e corte), permitindo calibração com dados e interpretação doutrinária. A lacuna identificada na literatura prende-se com a tradução consistente destes modelos para um custo aditivo compatível com procura em grafos, bem como com o tratamento explícito da incerteza espacial e da pegada física de uma formação de UGVs [6].
Comportamento sigmoidal da Probabilidade de Deteção em relação à distância
III. Metodologia ARGUS
a. Arquitetura do Sistema e Fluxo de Dados
O ARGUS organiza-se como um pipeline modular: pré-processamento do terreno, incorporação dos dados provenientes da inteligência militar (características das ameaças e zonas de provável localização), avaliação de risco por célula, construção de grafo multi‑custo e otimização segundo um modo de missão. Um módulo adicional executa reparação local quando surgem eventos dinâmicos, evitando recalcular o plano global.
Diagrama do Modelo ARGUS
b. Modelação do Mundo e Construção do Grafo
A área de operações é discretizada numa grelha regular; cada nó representa o centróide de uma célula. A cada aresta é atribuído um custo temporal:
Onde a velocidade depende da cobertura do solo e do declive. Para garantir viabilidade física, declives acentuados e sequências de ascensão prolongada são penalizados ou podados durante a procura.
c. Modelo Probabilístico de Risco
Cada ameaça i é representada por um prior espacial que expressa a probabilidade de a ameaça estar presente em cada célula. A probabilidade de deteção esperada resulta de uma convolução discreta entre o prior e uma função paramétrica dependente da distância. Assumindo independência entre ameaças, as probabilidades combinam-se por composição de sobrevivência. O risco por célula é então calculado como , onde I codifica a consequência local. Para capturar a largura de uma formação, aplica-se agregação conservadora por máximo numa vizinhança dependente da largura especificada pelo comandante.
d. Transformação para Custo Aditivo
Para compatibilizar a acumulação probabilística de sobrevivência com algoritmos de custo aditivo, o ARGUS aplica a transformação .
A soma de ℓ ao longo do caminho equivale a maximizar a probabilidade de sobrevivência do percurso, mantendo interpretação probabilística e permitindo otimização eficiente.
e. Modos de Planeamento Orientados à Missão
O ARGUS operacionaliza a intenção do comandante através de três modos: (i) modo balanced, que minimiza uma combinação convexa de tempo e risco; (ii) modo fast-within-risk, que minimiza tempo sob um limite de risco por célula; (iii) modo safe-within-time, que minimiza risco sujeito a orçamento temporal total. O terceiro modo corresponde a um RCSPP e exige uma abordagem altamente eficiente.
f. Mecanismo de Reparação Local
Quando surgem novas ameaças ou obstáculos, o ARGUS restringe o replaneamento a uma janela local patch definida pelo alcance da ameaça, metade da largura de formação e uma margem de segurança. Um parâmetro de folga temporal controla a amplitude do desvio admissível. Dentro desta janela, são avaliadas soluções pelos algoritmos APULSE, D* e LPA*, sendo selecionado o caminho com menor risco global, obtendo-se ganhos substanciais face a um replaneamento completo.
IV. Algoritmo APULSE
a. Formulação do Problema
No modo safe-within-time, pretende-se minimizar o somatório de risco dos nós visitados, sujeito a um orçamento de tempo B sobre as arestas. Esta formulação enquadra-se no RCSPP e mostrou-se impraticável com abordagens multi‑objetivo que constroem explicitamente a fronteira de Pareto em grafos densos de grande escala.
b. Desenho Híbrido: Heurística, Poda e Bucketing
Foi desenhado especificamente para este usecase o APULSE que integra três mecanismos complementares. Primeiro, calcula mapas de custo reversos a partir do objetivo: primeiro, tempo mínimo até ao objetivo e risco mínimo até ao objetivo, usados como limites inferiores admissíveis; segundo, executa uma pesquisa best‑first guiada pelos custos calculados anteriormente; terceiro, aplica técnicas de poda em três níveis:
- viabilidade (se o tempo atual somado ao tempo previsto até ao objetivo não excede o orçamento de tempo);
- optimalidade (se o custo de risco atual somado ao custo de risco previsto não excede o custo já obtido para solução previamente calculadas);
- e dominância por discretização do tempo em buckets.
Para cada estado (v,b), retém-se apenas a rota com menor risco acumulado, reduzindo crescimento de labels e memória.
Representação ilustrativa do funcionamento do método de time bucketing
O algoritmo atualiza a melhor solução incumbente sempre que alcança o objetivo com risco inferior, terminando quando a fila de prioridade esgota. A discretização temporal introduz um compromisso controlado entre precisão e desempenho; na validação experimental, observou-se comportamento near‑optimal com desvios residuais negligenciáveis face ao ótimo em praticamente todas as configurações.
c. Implementação e Demonstração Operacional
A interface do ARGUS foi desenhada para ser simples e operacional, guiando o utilizador por um fluxo claro e sequencial: carregamento da informação necessária, seleção do modo de missão e ajuste dos parâmetros relevantes, configuração da largura de formação e definição visual dos pontos de partida e chegada.
A ferramenta permite ainda configurar a simulação para ir de encontro às necessidades específicas da missão, através de parâmetros como limites temporais, tetos de risco e margens de folga para desvios, assegurando que o planeamento reflete a intenção do comandante.
Após a execução, são apresentados outputs de apoio à decisão, incluindo mapas 2D de risco e de cobertura do solo, perfis de altitude, métricas de exposição e indicadores como o Closest Point of Approach (CPA) a cada ameaça, facilitando a validação do percurso proposto. Por fim, a interoperabilidade foi demonstrada em exercício de campo, com exportação da rota em formato .waypoints e importação no QGroundControl, confirmando a ligação direta entre planeamento e execução em contexto operacional.
V. Validação Experimental
a. Avaliação ao Nível de Missão
A avaliação em cenário de terreno real demonstrou que os três modos de missão geram trajetórias distintas e coerentes: caminhos mais longos e evasivos aumentam a probabilidade de sobrevivência, enquanto rotas diretas reduzem o tempo à custa de exposição. A parametrização do comandante permite explorar explicitamente o trade‑off entre rapidez e segurança.
b. Replaneamento Dinâmico
Em cenários com introdução de novas ameaças a meio do percurso, o módulo de reparação local produziu desvios que reduziram risco e aumentaram a probabilidade de sobrevivência, com aumento controlado de duração, governado pelo parâmetro de folga temporal. O resultado evidencia que a adaptação local é determinante para manter viabilidade de missão em ambientes dinâmicos.
c. Benchmark de Desempenho do APULSE
O APULSE foi comparado com três solvers de referência do estado da arte [7] (um unidirecional e duas variantes bidirecionais) em três escalas de instância e múltiplos níveis de folga orçamental. Observou-se que, em escalas pequenas-médias, solvers de referência podem ser mais rápidos por overhead reduzido, mas a partir de instâncias médias-grandes o APULSE apresenta melhor escalabilidade e robustez, mantendo convergência quando variantes bidirecionais deixam de resolver sob orçamentos mais folgados.
Benchmark comparativo do tempo de execução dos algoritmos nas múltiplas instâncias
VI. Conclusão
A dissertação apresentou o ARGUS, um framework orientado à missão para planeamento de rotas de UGVs com consciência de risco, integrando dados geoespaciais, inteligência probabilística e intenção do comandante. O contributo central inclui (i) um modelo probabilístico de risco com incerteza espacial e pegada de formação, (ii) modos de planeamento que formalizam prioridades operacionais, (iii) o algoritmo APULSE para minimização de risco sob restrição temporal em grafos densos, e (iv) um protótipo interoperável demonstrado em exercício.
Trabalho futuro inclui enriquecer o modelo de deteção com efeitos de oclusão e propagação dependente do terreno, incorporar fluxos de dados em tempo real, e estender a otimização para recursos adicionais (energia, comunicações e limitações de plataforma), mantendo desempenho operacional.
Fonte: A Mensagem, Boletim Informativo do Regimento de Transmissões, Ed. 2026, Porto
Ler o Paper de Dissertação para “Master of Science Degree in Military Electronic Engineering“ …
Supervisor: António Manuel Raminhos Cordeiro Grilo, Instituto Superior Técnico (IST), Universidade de Lisboa
Bibliografia
[1] N. S. a. T. O. (STO), Science and Technology Trends 2020–2040: Exploring the S&T Edge, 2020
[2] B. Cândido e N. Pessanha Santos, “2025 IEEE International Conference on Autonomous Robot Systems and Competitions (ICARSC),” Uncrewed Ground Vehicles in Military Operations: Lessons Learned from Experimental Exercises, 2025
[3] P. Hart, N. Nilsson e B. Raphael, “A Formal Basis for the Heuristic Determination of Minimum Cost Paths,” IEEE Transactions on Systems Science and Cybernetics, 1968
[4] L. Pugliese e F. Guerriero, “A survey of resource constrained shortest path problems: Exact solution approaches,” Networks, 2013
[5] M. Koenig, M. Sven e M. Likhachev, “D* Lite,” Proceedings of the AAAI Conference on Artificial Intelligence, 2002
[6] B. R. Mahafza e A. Z. Elsherbeni, MATLAB Simulations for Radar Systems Design, Chapman & Hall/CRC, 2003
[7] S. Ahmadi, G. Tack, D. Harabor, P. Kilby e M. Jalili, “Enhanced methods for the weight constrained shortest path problem,” Networks, 2024