Método de planejamento de rotas para VANTs policiais baseado em PSO aprimorado usando AFS e HJS

Olhos mais inteligentes nos céus

Forças policiais recorrem cada vez mais a pequenos veículos aéreos não tripulados — drones policiais — para monitorar ruas movimentadas, procurar pessoas desaparecidas e responder a emergências. Mas para um drone, “para onde voar a seguir” não é uma pergunta simples: ele precisa visitar vários locais rapidamente, evitar zonas de exclusão aérea e economizar bateria, tudo isso em um espaço aéreo urbano congestionado. Este estudo apresenta uma nova forma de planejar automaticamente esses trajetos de voo para que drones policiais possam cumprir suas tarefas mais rápido e com mais segurança, mesmo em ambientes urbanos complexos.

O desafio de achar uma rota melhor

Imagine um carro de patrulha que pode pular engarrafamentos e prédios — isso é mais ou menos o que um drone policial pode fazer. Ainda assim, sua rota precisa ser escolhida com cuidado. Métodos de planejamento de rotas da robótica e da inteligência artificial podem ajudar, mas cada um traz compensações. Alguns buscam bem, porém demoram demais; outros são rápidos, mas ficam presos em rotas medíocres. O trabalho policial adiciona complicações extras: o drone pode ter de visitar muitos alvos, contornar espaços aéreos restritos e adaptar‑se a situações mutáveis. Os autores focam nessa versão especial do problema de planejamento de rotas e a chamam de problema de planejamento de rotas para VANTs policiais, ou PU3P.

Pegando ideias de bandos de pássaros

Para enfrentar o PU3P, os pesquisadores constroem sobre um método popular de otimização chamado Particle Swarm Optimization. Nessa abordagem, muitas “partículas” virtuais simples percorrem um espaço de busca como pássaros em um bando que se espalham por um campo em busca de alimento. Cada partícula lembra seu melhor ponto até então e presta atenção ao melhor ponto encontrado pelo grupo. Ao longo de várias iterações, o enxame tende a convergir para regiões promissoras, que aqui correspondem a bons trajetos de voo. Versões clássicas desse método, no entanto, foram projetadas principalmente para problemas contínuos e suaves, não para sequências discretas de pontos de passagem que definem a rota de um drone. Elas também podem se acomodar cedo demais em soluções medianas.

Dois ajustes para uma busca mais afiada

O artigo introduz dois ajustes fundamentais para afiar essa busca em estilo de bando. O primeiro, chamado estratégia do fator adaptativo, altera gradualmente com que intensidade as partículas carregam seu movimento anterior para o próximo passo. No início, isso incentiva a exploração ampla; depois, favorece o refinamento em torno de bons candidatos. O segundo ajuste, batizado de estratégia de salto parcial, periodicamente empurra algumas partículas parcialmente em direção às melhores posições vistas até então, em vez de deixá‑las vagar inteiramente por conta própria. Juntas, essas estratégias criam um enxame aprimorado, chamado AFS‑HJS‑PSO, que pode tanto explorar amplamente quanto convergir rapidamente. Os autores então adaptam esse enxame melhorado para lidar com as sequências passo a passo de visitas a alvos no PU3P, definindo uma função de aptidão que captura a distância total percorrida por um drone policial ao visitar todos os locais atribuídos.

Testando o novo método

Para verificar se a abordagem realmente compensa, a equipe contrapõe o AFS‑HJS‑PSO a vários concorrentes conhecidos: um método de enxame padrão, um algoritmo genético inspirado na evolução, recozimento simulado (simulated annealing) emprestado da metalurgia e um solucionador clássico de otimização não linear. Primeiro eles testam todos em 20 problemas matemáticos-padrão usados comumente para avaliar algoritmos de busca. Na maioria desses testes, o novo enxame alcança respostas melhores, as alcança mais rápido ou o faz de maneira mais consistente. Em seguida, voltam‑se ao problema real de roteamento de drones policiais, executando cada método 30 vezes sobre o mesmo conjunto de locais‑alvo. O enxame aprimorado novamente encontra rotas médias mais curtas e demonstra velocidade e confiabilidade competitivas em comparação com as outras técnicas.

O que isso significa para drones policiais no futuro

De forma simples, o estudo mostra que ensinar um bando virtual a ajustar seu comportamento em tempo real e a dar meio‑passos inteligentes em direção a boas soluções pode produzir planos de voo melhores para drones policiais. O método aprimorado não é perfeito — ainda há espaço para torná‑lo mais estável e menos consumidor de recursos —, mas nas condições testadas ele supera várias ferramentas consolidadas. À medida que drones se tornam mais comuns na segurança pública, avanços no planejamento de rotas como este podem ajudá‑los a responder mais rápido, passar menos tempo no ar e reduzir riscos em céus lotados.

Citação: Wang, D., Qian, X. Police UAV path planning method based on improved PSO using AFS and HJS. Sci Rep 16, 12417 (2026). https://doi.org/10.1038/s41598-026-40670-9

Palavras-chave: drone policial, planejamento de rotas de VANT, otimização por enxame, algoritmos de planejamento de rotas, vigilância urbana