Introdução ao Controle de Enxames (Multi-Robôs) — Construindo Agrupamento, Formação e Consenso

Contents — find the section you need

Quando centenas de drones reorganizam simultaneamente sua formação em um show de drones, ou quando uma frota de robôs de armazém se move sem colidir, não existe um único "centro de comando" computando cada movimento em tempo real. Na maioria dos casos, cada robô simplesmente observa informações limitadas sobre seu próprio entorno e segue regras simples — e, a partir disso, um comportamento ordenado e significativo emerge para o grupo como um todo. Este artigo explora a ideia de controle de enxame (controle de múltiplos robôs) — construir um todo complexo a partir de partes simples — sob três perspectivas: movimento de agrupamento, formação de consenso e controle de formação.

Vários robôs Kilobot em enxame dispostos no chão

Um robô em enxame no campo (Kilobot)

Imagem: Kilobot enxame de robôs (asuscreative, CC BY-SA 4.0), Wikimedia Commons. Um exemplo representativo de pesquisa em robótica de enxame que opera apenas com base em regras locais, e não nos drones ou robôs de armazém discutidos no texto.

0. O que este artigo aborda

Qual problema o controle de enxame busca resolver e por que um único robô não é suficiente
A relação entre as informações que cada robô pode obter (entrada) e a saída (comando de velocidade) gerada a partir delas
A diferença arquitetônica entre projetos centralizados e descentralizados
Como funciona o agrupamento baseado em regras locais, exemplificado pelos Boids
A matemática da formação de consenso por meio de algoritmos de consenso
As diferenças entre três abordagens de controle de formação: líder-seguidor, estrutura virtual e baseada em comportamento
Como as restrições de comunicação (latência, perda de dados, largura de banda) moldam o projeto de controle de enxame
Qual abordagem escolher para cada aplicação: shows de drones, robôs de armazém, busca em desastres e muito mais

1. Conclusão: O que é controle de enxame

Em uma frase: controle de enxame é uma estrutura de controle que produz um comportamento coletivo significativo para todo o grupo — alinhamento, manutenção da formação, consenso, divisão de trabalho — a partir das informações limitadas e das regras comportamentais simples mantidas por cada um dos muitos robôs.

O ponto crucial é que "ninguém necessariamente detém o projeto para o todo". Assim como um bando de pássaros não tem maestro, muitos algoritmos de controle de enxame são projetados de forma que cada robô utilize apenas informações sobre os outros robôs próximos (seus vizinhos) e, mesmo sem nunca conhecer o estado completo de todo o grupo, o enxame como um todo acaba se movendo como uma unidade coerente. Essa ideia — "construir ordem global a partir de informações locais" — é o que fundamentalmente distingue o controle de enxame do controle de robô individual.

2. Por que o Controle de Enxame é Necessário?

Se um problema pode ser resolvido por um único robô de alto desempenho, o controle de enxame não é necessário. O controle por enxame é escolhido na prática em situações onde uma única unidade, em princípio ou na prática, está em desvantagem — por exemplo:

Cobertura espacial: um único robô levaria muito tempo para vasculhar uma grande área atingida por um desastre ou um campo de uma extremidade à outra. Dividir o trabalho entre vários robôs reduz o tempo de busca aproximadamente na mesma proporção que o número de robôs.
Redundância e tolerância a falhas: com uma configuração de unidade única, uma falha interrompe toda a missão; um enxame composto por vários robôs pode continuar a missão com os restantes, mesmo que alguns falhem.
Trabalho simultâneo em múltiplos pontos: algumas missões exigem, inerentemente, estar em vários lugares ao mesmo tempo — formar figuras em um show de drones ou transportar mercadorias simultaneamente para vários locais em um armazém.
Custo por unidade: em vez de construir um robô de alto desempenho, usar muitos robôs simples e baratos pode ser vantajoso em termos de custo total e flexibilidade de implantação.
Para realmente concretizar esses benefícios, é preciso mais do que simplesmente aumentar o número de robôs — são necessárias leis de controle que impeçam a colisão entre os robôs, mantendo o comportamento coletivo alinhado ao objetivo. Essa é a função do controle de enxame.

3. Quais são as entradas?

As informações que cada robô pode usar para o controle de enxame podem ser classificadas da seguinte forma, dependendo da configuração de comunicação e sensoriamento:

Autoestado: a posição, velocidade e orientação do próprio robô. Geralmente obtidas via GPS, odometria ou um método de autolocalização como o VIO/LIO.
Informações relativas sobre robôs vizinhos: a posição e a velocidade relativas de robôs próximos, observadas diretamente com sensores como câmeras, LiDAR ou UWB (banda ultralarga).
Mensagens via comunicação: informações de posição, velocidade e intenção (para onde se dirigirá em seguida) enviadas explicitamente por outros robôs através de uma conexão sem fio.
(Em projetos centralizados) comandos de um nó central: posições-alvo ou atribuições de função distribuídas a robôs individuais por um computador central (uma estação terrestre, por exemplo) que monitora o estado de todo o enxame.

O ponto importante é que muitos algoritmos práticos de controle de enxame não exigem "o estado completo de todo o enxame" como entrada. Algoritmos que operam usando apenas informações relativas de alguns robôs próximos são a abordagem principal, o que impede que o volume de informações que cada robô precisa processar aumente exponencialmente à medida que o número de robôs cresce.

4. O que estamos buscando? Quais são as saídas?

O que o controle de enxame gera, em última análise, para cada robô, é como ele deve se mover no próximo instante (um comando de velocidade ou uma posição-alvo). O "estado desejável para o todo" que esta saída visa alcançar se divide nas seguintes categorias, dependendo do objetivo:

Consenso: convergência de alguma grandeza de estado (posição, velocidade ou uma estimativa) entre todos os robôs em direção a um único valor comum.
Formação: cada robô mantém continuamente uma relação posicional relativa específica com os outros (triângulo, linha, círculo, etc.).
Agrupamento: sem uma forma alvo explícita, o enxame se move como uma única massa coerente, evitando colisões enquanto iguala a velocidade com seus vizinhos.
Alocação de tarefas: decisão sobre qual das várias tarefas discretas — busca, transporte — cada robô individual deve assumir.

Todas essas categorias compartilham a estrutura de que "o acúmulo das saídas locais de cada robô satisfaz uma propriedade coletiva pretendida para o todo" — e o diagrama da arquitetura básica da próxima seção descreve esse ciclo de acúmulo.

Agrupamento: sem uma forma alvo explícita, o enxame se move como uma massa coerente, evitando colisões e mantendo a mesma velocidade que seus vizinhos.
Alocação de tarefas: decisão sobre qual das várias tarefas discretas — busca, transporte — cada robô individual deve executar.

Agrupamento: cada robô tem como referência esse ciclo de acúmulo. ## 5. Arquitetura Básica

O ciclo de processamento executado dentro de cada robô segue basicamente as mesmas quatro etapas, independentemente do algoritmo de controle do enxame.

Figura 1 — Cada robô individual executa um loop de alta frequência: coleta informações dos vizinhos, aplica regras locais, emite um comando de velocidade e alimenta o movimento resultante de volta na detecção do próximo ciclo.

Esse loop, executado simultaneamente por vários robôs, é o que permite que o enxame como um todo exiba um comportamento ordenado, mesmo que nenhum robô individual conheça todo o projeto. A decisão de projeto de "quem detém informações sobre o todo" dá origem à diferença arquitetônica discutida a seguir.

Figura 2 — Uma arquitetura centralizada é uma estrutura em estrela na qual um nó central conhece o estado de cada robô e envia comandos. Uma arquitetura descentralizada é uma estrutura em malha na qual os robôs trocam informações apenas com seus vizinhos, de modo que uma falha no nó central não paralisa todo o sistema.

6. Algoritmos Representativos

Boids — Construindo Movimento de Rebanho a partir de Regras Locais

Boids é um modelo proposto por Craig W. Reynolds em seu artigo de 1987 "Flocks, Herds, and Schools: A Distributed Behavioral Model", para reproduzir o movimento de rebanho de pássaros e peixes em computação gráfica. Cada indivíduo (boide) observa apenas seus vizinhos e se move em uma direção obtida pela ponderação e soma de três regras simples.

Separação: afasta-se de vizinhos que estejam muito próximos.
Alinhamento: iguala sua própria velocidade à direção média de seus vizinhos.
Coesão: move-se em direção à posição média de seus vizinhos.

\mathbf{v}_i^{\text{new}} = w_{\text{sep}}\, \mathbf{v}_{\text{sep}} + w_{\text{align}}\, \mathbf{v}_{\text{align}} + w_{\text{coh}}\, \mathbf{v}_{\text{coh}}

Em cada uma dessas regras, tudo o que um indivíduo sabe é a posição e a velocidade relativas de alguns vizinhos — ninguém rastreia explicitamente a forma ou o centro de todo o bando. E, no entanto, a partir da superposição dessas três regras, surge o movimento natural de bando: o grupo evita colisões enquanto se move junto como uma única massa. Esse fenômeno — "padrões globais complexos emergindo da superposição de regras locais simples" — é a ideia fundamental que permeia todo o campo do controle de enxames.

Campos Potenciais — Construindo Movimento a partir de Atração e Repulsão

O método de campo potencial artificial de Oussama Khatib, proposto em seu artigo de 1986 "Evitação de Obstáculos em Tempo Real para Manipuladores e Robôs Móveis", foi originalmente concebido para a evitação de obstáculos por um único robô, mas, ao combinar um potencial atrativo em direção ao objetivo com um potencial repulsivo de robôs vizinhos, ele se aplica naturalmente também ao controle de enxames.

U(\mathbf{p}_i) = U_{\text{att}}(\mathbf{p}_i) + \sum_{j \in \mathcal{N}_i} U_{\text{rep}}(\mathbf{p}_i, \mathbf{p}_j), \qquad \mathbf{v}_i = -\nabla U(\mathbf{p}_i)

Simplesmente mover-se na direção que desce o gradiente do potencial atrativo $U_{\text{att}}$ , que diminui à medida que você se aproxima do objetivo, e do potencial repulsivo $U_{\text{rep}}$ , que aumenta acentuadamente à medida que você se aproxima demais de um vizinho, produz um movimento que se dirige para o objetivo, evitando colisões com outros indivíduos. A regra de separação dos Boids é, em essência, a mesma ideia desse potencial repulsivo.

O Modelo de Vicsek e os Algoritmos de Consenso — A Matemática da Formação de Consenso

Enquanto os Boids surgiram de uma motivação de engenharia e visual — "reproduzir como os animais se movem" —, a física seguiu um caminho diferente, estudando o movimento de bandos por meio de um modelo matemático mais simplificado. O modelo de Vicsek, publicado por Tamás Vicsek e seus colegas na Physical Review Letters em 1995, é um modelo simples — quase como extrair apenas a regra de alinhamento dos Boids — no qual cada partícula se move a uma velocidade constante, seguindo a direção média de suas partículas vizinhas, além de ruído. Ele mostrou que, dependendo da intensidade desse ruído, o enxame passa por uma transição de fase entre uma fase ordenada, onde todo o grupo se move de forma coerente, e uma fase desordenada, onde o movimento é disperso.

A estrutura que formaliza rigorosamente essa ideia do modelo de Vicsek em termos de teoria de controle é o algoritmo de consenso. Na estrutura organizada pelo artigo de Reza Olfati-Saber e Richard M. Murray, publicado em 2004 no IEEE Transactions on Automatic Control, entre outros, o estado de cada robô $x_i$ (que pode ser qualquer coisa — posição, orientação, uma estimativa) é continuamente atualizado na direção que reduz a diferença em relação aos seus vizinhos.

\dot{x}_i = -\sum_{j \in \mathcal{N}_i} \left(x_i - x_j\right) = -\sum_{j \in \mathcal{N}_i} a_{ij}\left(x_i - x_j\right)

A coleta desses dados de todos os robôs resulta na forma $\dot{\mathbf{x}} = -L\mathbf{x}$ . $L$ é uma matriz chamada Laplaciano do grafo, que representa a própria estrutura da rede de comunicação — quem pode se comunicar com quem. Contanto que o grafo de comunicação esteja conectado (exista um caminho, direto ou indireto, entre cada par de robôs), essa simples regra de atualização, por si só, comprovadamente converge o estado de cada robô para um único valor comum. Este é o núcleo matemático dos algoritmos de consenso, aplicável a uma ampla gama de problemas além do alinhamento de enxames — sincronização de tempo, média distribuída de estimativas e muito mais.

Controle de Formação — Líder-Seguidor, Estrutura Virtual e Baseado em Comportamento

Quando se deseja manter uma formação geométrica explícita (triângulo, fila única, etc.), utiliza-se o controle de formação, uma estrutura mais concretamente direcionada. Existem três abordagens de projeto representativas.

Líder-seguidor: um robô (ou um subconjunto) atua como líder, e os outros o seguem, mantendo uma posição relativa em relação a ele. A estrutura apresentada por Jaydev P. Desai, James P. Ostrowski e Vijay Kumar na ICRA 1998, e posteriormente publicada no IEEE Transactions on Robotics and Automation em 2001, é um exemplo representativo, utilizando a teoria dos grafos para projetar explicitamente qual robô segue qual. É intuitivo e fácil de implementar, mas tem a desvantagem de que toda a formação tende a colapsar se o líder falhar.
Estrutura virtual: uma abordagem proposta por M. Anthony Lewis e Kar-Han Tan em seu artigo de 1997, "High Precision Formation Control of Mobile Robots Using Virtual Structures" (Controle de Formação de Alta Precisão de Robôs Móveis Usando Estruturas Virtuais), que trata toda a formação como uma estrutura rígida virtual e faz com que cada robô siga uma posição fixa nessa estrutura. Ela mantém alta precisão para a formação como um todo, mas alguém precisa calcular a trajetória alvo para toda a estrutura, o que dificulta a obtenção de um projeto totalmente descentralizado.
Baseado em comportamento: uma abordagem apresentada por Tucker Balch e Ronald C. Arkin na IEEE Transactions on Robotics and Automation em 1998, na qual vários comportamentos reativos — "manter a formação", "seguir em direção ao objetivo", "evitar obstáculos" — são calculados em paralelo e combinados com pesos para produzir o movimento real. Semelhante em espírito ao Boids, confere a cada robô alta autonomia e robustez, mas a precisão geométrica da formação tende a ser pior do que com as outras duas abordagens.

7. Como os Algoritmos Diferem

Método	Princípio	Precisão (Precisão da Formação)	Custo de Comunicação/Computação	Robustez (a Falhas Parciais/Perda de Comunicação)	Dificuldade de Implementação
Boids	Superposição das três regras: separação, alinhamento, coesão	Sem formação explícita (apenas coesão de grupo)	Baixa (apenas alguns vizinhos)	Alta (sem elemento central)	Baixa
Campo Potencial	Descida de gradiente em potenciais atrativos/repulsivos	Moderada (depende do equilíbrio local)	Baixa	Alta	Baixa
Consenso (família Vicsek/Olfati-Saber)	Regra de atualização que reduz a diferença com os vizinhos; Convergência garantida pelo Laplaciano do grafo	Converge exatamente, dependendo da quantidade acordada	Baixa (apenas comunicação entre vizinhos)	Alta se o grafo de comunicação for conectado	Moderada (requer conhecimento matemático de convergência)
Líder-Seguidor	Mantém a posição relativa ao líder	Alta (precisa em relação ao líder)	Moderada (a informação do líder deve ser propagada)	Baixa (vulnerável à perda do líder)	Baixa
Estrutura Virtual	Trata toda a formação como um corpo rígido	Muito alta	Alta (requer o cálculo da trajetória para toda a estrutura)	Moderada (o recálculo da estrutura é custoso)	Alta
Baseada em Comportamento	Composição ponderada de vários comportamentos reativos	Moderada (depende da relação de compromisso entre os comportamentos)	Baixa	Alta	Moderada (requer projeto e ajuste de comportamento)

Como tendência geral, quanto mais você prioriza a precisão geométrica da formação (estrutura virtual), mais compartilhamento de informações e custo computacional são necessários; Quanto mais se prioriza a descentralização e a robustez (Boids, baseados em comportamento), mais a precisão da formação é sacrificada. Os algoritmos de consenso representam um meio-termo teoricamente viável entre esses dois extremos, alcançando tanto "uma garantia de convergência matemática rigorosa" quanto "descentralização que requer apenas comunicação entre vizinhos".

8. Onde Encontra Dificuldades / Ambientes Difíceis

Muitas das dificuldades que o controle de enxames enfrenta na implementação e operação são problemas específicos do coletivo que não existem no controle de robôs individuais.

Latência e desconexão na comunicação: a maioria das garantias de convergência para algoritmos de consenso pressupõe que o grafo de comunicação esteja conectado. Em ambientes reais, a comunicação pode ser interrompida ou atrasada pelo alcance do rádio ou por obstruções, e quando essa premissa deixa de existir, surgem problemas — o consenso não converge ou converge para um valor incorreto.
Escalabilidade: em uma arquitetura centralizada, a carga computacional e os requisitos de largura de banda de comunicação do nó central aumentam drasticamente com o número de robôs e, além de um certo limite, o desempenho em tempo real não pode mais ser mantido. Mesmo em arquiteturas descentralizadas, a carga de sensoriamento e comunicação aumenta em ambientes densos com muitos vizinhos.
Mínimos locais e impasses: métodos de campo potencial podem deixar um robô preso em um "mínimo local", onde múltiplas forças repulsivas e atrativas se equilibram, impedindo-o de alcançar o objetivo (um exemplo típico é uma situação de congestionamento onde vários robôs tentam entrar em uma passagem estreita ao mesmo tempo).
Projeto com tolerância a falhas insuficiente: teoricamente, projetos descentralizados são considerados robustos a falhas parciais, mas, na prática, projetos com alguma assimetria inerente — como líder-seguidor — podem apresentar modos de falha mais frágeis do que o esperado.
Robôs e sensores heterogêneos mistos: em implantações reais onde os modelos de robôs e os sensores embarcados não são uniformes, a precisão e a frequência das informações que cada robô obtém diferem, e algoritmos baseados em um único modelo idealizado tendem a não funcionar bem como estão.

9. Escolhas Práticas

A escolha de um algoritmo de controle de enxame depende em grande parte de se a aplicação prioriza "precisão de formação" ou "robustez/descentralização".

Apresentações com drones: trajetórias e formações predeterminadas precisam ser expressas com extrema precisão, e muitos sistemas de produção adotam um design próximo à estrutura centralizada/virtual, distribuindo trajetórias pré-computadas para cada veículo (precisão e reprodutibilidade são priorizadas em relação à tomada de decisão autônoma em voo).
Frotas de robôs para armazéns/logística: muitos robôs de transporte precisam dividir tarefas que mudam dinamicamente (qual prateleira para qual destino), e um design híbrido centralizado/descentralizado é comum — um sistema de gerenciamento central lida com a alocação de tarefas, enquanto a geração de trajetória e a prevenção de colisões de robôs individuais são processadas de forma descentralizada. Consulte o Guia Introdutório de Planejamento de Trajetória para os fundamentos do planejamento de trajetória.
Busca em desastres, monitoramento agrícola e outras coberturas de ampla área: como a comunicação tende a ser instável nesses ambientes, abordagens descentralizadas com pouca dependência de um centro (agrupamento semelhante ao dos Boids ou cobertura baseada em consenso) são preferidas. As decisões de comportamento de robôs individuais são frequentemente combinadas com uma estrutura de planejamento de comportamento.
Robôs de enxame para pesquisa e educação em pequena escala: como se tratam de configurações experimentais com poucos robôs e comunicação estável, estruturas virtuais ou de líder-seguidor — que priorizam a precisão da formação — tendem a ser adotadas.

Independentemente da aplicação, responder a três perguntas — "quantos robôs serão operados?", "quão estável é o ambiente de comunicação?" e "qual é o requisito de intolerância a falhas, precisão da formação ou robustez?" — é o ponto de partida para a escolha de uma arquitetura de controle de enxame.

10. Resumo (Recapitulação em Três Linhas)

O controle de enxame é uma estrutura que produz comportamento ordenado para o grupo como um todo a partir de regras locais que utilizam apenas as informações limitadas de cada robô sobre seus vizinhos.
Os métodos de boids e de campo potencial realizam o movimento de agrupamento descentralizado, enquanto os algoritmos de consenso realizam a formação de consenso com uma garantia de convergência matematicamente estabelecida por meio do Laplaciano do grafo.
Os modelos líder-seguidor, estrutura virtual e controle de formação baseado em comportamento ocupam posições diferentes na relação entre precisão da formação e robustez/descentralização, e devem ser escolhidos de acordo com a aplicação.

Verifique seu entendimento

A prevenção de colisões locais garante a tarefa global do enxame?

A segurança local e a chegada ou cobertura global são diferentes. Avalie o alcance da comunicação, impasses e fragmentação.

Referências

What to read next

Review the backgroundIntrodução ao ArduPilot — Estimação de Estado, Controle e Projeto de Missão para um Piloto Automático Explore another aspect of this fieldPor que o ICP falha: inicialização, valores discrepantes e geometria simétrica.Explore another aspect of this fieldNav2 tem um caminho, mas não se move: um fluxo de trabalho de diagnóstico.

#Swarm Control #Multi-Robot #Consensus #Formation Control #Swarm Robotics #Fundamentos de robótica