Um algoritmo PSO-ABC aprimorado para planejamento de rotas de VANTs baseado na construção da topologia do espaço aéreo urbano com dados GIS reais

Céus mais seguros para drones urbanos

Drones de entrega e robôs de inspeção prometem pacotes mais rápidos e cidades mais inteligentes, mas operá‑los sobre ruas movimentadas e prédios altos é arriscado. Este estudo mostra como construir “rodovias invisíveis” no céu acima de uma cidade chinesa real e como um novo algoritmo de computador pode orientar veículos aéreos não tripulados (VANTs) por rotas que são ao mesmo tempo seguras para as pessoas no solo e eficientes para as aeronaves.

Transformando uma cidade real em um mapa de voo 3D

Os autores começam com dados detalhados de sistema de informação geográfica (GIS) de uma área de 5 por 5 quilômetros no distrito de Changqing, em Jinan, China, incluindo as localizações exatas e as alturas dos edifícios. Em vez de tratar o ar acima da cidade como um único grande espaço, eles o fatiam em nove camadas de altitude finas, cada uma com 5 metros de altura, do nível do solo até 40 metros. Em cada camada, eles sobrepõem um tabuleiro xadrez de quadrados de 100 por 100 metros. Empilhar esses quadrados cria uma grade 3D de pequenas caixas, ou voxels, cada uma representando um possível volume de céu que um drone poderia ocupar.

Equilibrando o ar livre com as pessoas e propriedades abaixo

Para decidir quais voxels são realmente utilizáveis, a equipe combina duas ideias simples, porém poderosas. Primeiro, a “disponibilidade do espaço aéreo” mede quão facilmente um drone poderia se mover de um quadrado da grade para outro sem colidir com edifícios ou outros obstáculos. Se um quadrado se conecta a muitos outros por corredores abertos, ele recebe uma pontuação alta. Segundo, o “risco no solo” mede quanto dano um drone em queda poderia causar abaixo, com base na densidade populacional local, no tráfego e na presença de estruturas valiosas. O modelo distingue entre mortes ou ferimentos de pedestres e ocupantes de veículos e danos a edifícios e infraestrutura.

Classificando a cidade em zonas de drone melhores ou piores

Cada localização na grade recebe duas pontuações: uma para disponibilidade do espaço aéreo e outra para risco no solo. Os autores então usam um diagrama em quadrantes para agrupar os trechos de ar em quatro tipos: alta disponibilidade com baixo risco (ideal), alta disponibilidade com alto risco (centros urbanos movimentados), baixa disponibilidade com baixo risco (poucas pessoas, mas muitos obstáculos) e baixa disponibilidade com alto risco (o pior dos dois mundos). Valores de limiar definem o que conta como “alto” ou “baixo”. A maior parte do espaço aéreo estudado—cerca de 64%—cai na melhor categoria, com bastante espaço para manobra e perigo relativamente baixo para pessoas e propriedades. Uma etapa mais avançada de “ordenação de Pareto” então ranqueia as melhores células trocando maior abertura por menor risco, mantendo a metade superior como a rede preferida de corredores aéreos seguros.

Ensinando drones a escolher rotas mais inteligentes

Uma vez construída essa rede 3D segura, o desafio é encontrar uma rota específica de um ponto de partida próximo ao solo até um destino mais elevado, obedecendo regras rígidas: os drones devem evitar zonas de exclusão marcadas acima de edifícios, permanecer dentro das faixas de altitude permitidas, limitar subidas e descidas íngremes e manter distância segura do terreno e das estruturas. Para isso, os autores combinam duas técnicas de busca bem conhecidas inspiradas na natureza. Um método de otimização por enxame de partículas (PSO) age como um bando de pássaros explorando todo o espaço em busca de rotas promissoras, enquanto um método de colônia artificial de abelhas (ABC) se comporta como abelhas que se concentram em refinar as melhores fontes de néctar. O PSO realiza uma busca global ampla e, em seguida, o ABC faz um ajuste local cuidadoso ao redor das rotas candidatas mais promissoras. Finalmente, a cadeia bruta de waypoints é suavizada usando uma curva matemática para que um drone real possa voá‑la sem curvas bruscas e irrealistas.

Rotas urbanas mais rápidas, suaves e seguras

Os pesquisadores testam sua abordagem PSO-ABC combinada contra três alternativas comuns: um algoritmo genético padrão, PSO sozinho e ABC sozinho. Em simulações realistas usando a configuração real dos edifícios de Changqing, seu método encontra consistentemente trajetórias de voo mais suaves que evitam todas as zonas de exclusão e áreas densas no solo. Ele também converge para boas soluções muito mais rapidamente—usando aproximadamente metade das iterações que os outros métodos—reduzindo o tempo e a energia computacional desperdiçados. Para um não especialista, a conclusão é clara: ao modelar cuidadosamente tanto o céu quanto a cidade abaixo, e ao usar uma mistura inteligente de estratégias de busca semelhantes a pássaros e abelhas, este trabalho oferece uma forma prática de guiar drones por ambientes urbanos complexos, mantendo pessoas e propriedades mais seguras.

Citação: Liu, Y., Dong, H., Liu, H. et al. An improved PSO-ABC path planning algorithm for UAVs based on a construction of urban airspace topology with actual GIS data. Sci Rep 16, 5048 (2026). https://doi.org/10.1038/s41598-026-35958-9

Palavras-chave: roteamento de drones urbanos, planejamento de rotas de VANT, segurança do espaço aéreo, otimização heurística, espaço aéreo baseado em GIS