Published: Dec 2, 2025
Veículos aéreos não tripulados quadricópteros (isto é, drones de quatro rotores) tornaram-se ferramentas indispensáveis em diversos setores da sociedade moderna. Sua capacidade de voo estável, pairagem e acesso a áreas de difícil alcance permite empregar esses drones em atividades que vão desde segurança e vigilância até agricultura de precisão e resposta a desastres naturais. De fato, drones quadricópteros vêm sendo utilizados extensivamente em aplicações de patrulhamento de segurança, monitoramento de tráfego, inspeção de linhas de transmissão elétrica, sensoriamento remoto ambiental, entre outras.
Considerando todo esse panorama, fica evidente que a integração de drones quadricópteros com técnicas avançadas de IA, em especial o Aprendizado por Reforço Profundo, desponta como um campo de grande relevância e potencial prático. Espera-se que agentes inteligentes treinados por reforço possam controlar quadricópteros de forma autônoma e eficiente, habilitando funcionalidades como navegação adaptativa em ambientes incertos, cooperação em enxames de drones e execução segura de missões complexas sem intervenção humana direta.
Nesse contexto, este projeto investigou o uso de técnicas de Aprendizado por Reforço Profundo (Deep Reinforcement Learning – DRL) no controle de voo de um quadricóptero com seis graus de liberdade (6 DOF), por meio de modelagem e simulação em MATLAB/Simulink. A dinâmica completa do veículo é obtida a partir do formalismo de Newton–Euler e de ângulos de Euler, parametrizada com as características físicas do micro-drone Crazyflie 2.1+. Os resultados de simulação mostram que o controlador baseado em DRL apresenta desempenho comparável, e em diversos cenários superior, ao PID de referência, sobretudo quanto à adaptação a perturbações e a diferentes condições iniciais.