UAV architecture for persistent environmental monitoring: wind-informed sweep path planning and autonomous landing on tree branches

Abstract

Veículos Aéreos Não Tripulados (VANTs) têm se mostrado uma alternativa valiosa ao monitoramento ambiental realizado por humanos, devido à sua flexibilidade e à capacidade de cobrir áreas amplas, remotas ou perigosas. No entanto, a implantação eficaz desses veículos permanece um desafio complexo, exigindo estratégias coordenadas para garantir cobertura eficiente da área, otimização energética e operação autônoma de longo prazo. O monitoramento de áreas requer uma sequência de pontos de passagem (waypoints) que o VANT deve visitar para cobrir completamente a Área de Interesse (AI). Encontrar este caminho é conhecido como o problema de Planejamento de Caminho de Cobertura (CPP), classificado como NP-Difícil em termos de complexidade computacional. Um único VANT geralmente não consegue cobrir grandes áreas sem recarga ou substituição da bateria. Nesses casos, múltiplos VANTs podem ser utilizados para dividir a tarefa. No entanto, isso introduz complexidade adicional, pois é necessário particionar a AI de maneira equilibrada entre os veículos, ao mesmo tempo que se otimizam os trajetos individuais. Além disso, mesmo com vários VANTs, o monitoramento de longo prazo pode exigir que drones permaneçam estacionários em determinados momentos, funcionando temporariamente como sensores estáticos. Uma revisão sistemática da literatura revelou que nenhum dos estudos analisados considerou os efeitos do vento no planejamento, apesar de seu impacto conhecido sobre a estabilidade de voo, o consumo de energia e a confiabilidade da missão. Essa omissão representa uma lacuna significativa e uma oportunidade para aprimorar o realismo e a robustez nas estratégias de planejamento de trajetórias. Esta tese propõe uma arquitetura na qual uma frota de VANTs de longo alcance, com alta capacidade de carga, é utilizada para realizar missões de vigilância em larga escala sobre regiões de interesse como florestas, pomares e plantações comerciais. Esses VANTs de longo alcance são capazes de lançar drones menores para o monitoramento sob a copa das árvores. Esta arquitetura foi parcialmente alcançada nesta dissertação. Primeiro, foi desenvolvido um método leve para CPP com múltiplos VANTs, considerando explicitamente os consumos energéticos adicionais causados pelo vento no voo. O método, denominado Planejamento de Varredura Considerando o Vento (WISP), utiliza um variante de K-Means com restrições para garantir uma divisão justa da AI e aplica uma Árvore Geradora Mínima (MST) para encontrar os caminhos de cobertura em cada sub-região. Em um segundo estudo, foi desenvolvido um sistema de pouso autônomo em galhos de árvores. A abordagem emprega inteligência artificial para detectar galhos e aplica princípios de visão estéreo, utilizando apenas uma câmera monocular, permitindo que o VANT pouse e atue como sensor estático, reduzindo o consumo de energia. Os resultados demonstraram que o WISP superou os métodos K-Nearest Neighbors (KNN), Simulated Annealing (SA) e abordagens gananciosas (Greedy) em critérios como tempo de computação, uso de memória e consumo de energia no caminho. Já o sistema de pouso autônomo obteve sucesso em cenários controlados. No entanto, como o WISP foi avaliado apenas em simulação, estudos futuros devem validar sua eficácia em condições reais.

Abstract: Unmanned Aerial Vehicles (UAVs) have emerged as a valuable alternative to human-based environmental monitoring due to their flexibility and ability to cover large, remote, or hazardous areas. However, the effective deployment of UAVs remains a complex challenge, requiring coordinated strategies to ensure efficient area coverage, energy optimization, and long-term autonomous operation. Area monitoring requires a sequence of waypoints that the UAV must visit to fully cover the Area of Interest (AOI). Computing such a path is known as the Coverage Path Planning (CPP) problem, which is NP-Hard in terms of computational complexity. A single UAV is often unable to cover large areas without recharging or replacing its battery. In such cases, multiple UAVs can be deployed to share the task. However, this introduces additional complexity, as it becomes necessary to partition the AOI among the UAVs in a balanced manner while also optimizing the individual coverage paths. Moreover, even with multiple UAVs, long-term monitoring may still be required, where drones might remain stationary at times and temporarily function as static sensors. A systematic review of the literature revealed that wind effects on CPP have been neglected in the reviewed studies, despite their well-documented impact on flight stability, energy consumption, and overall mission reliability. This omission highlights a significant gap and presents an opportunity to enhance the realism and robustness of UAV path planning strategies. This thesis proposes an architecture in which a fleet of long-range UAVs, equipped with large payload capacities, is deployed to perform wide-area surveillance missions over regions of interest such as forests, orchard fields, and commercial timber plantations. These high-endurance UAVs are able to deploy smaller UAVs for long-term monitoring tasks beneath the canopy layer. Together, these components support efficient and persistent monitoring in challenging environments. This objective is partially attained in this thesis. First, a lightweight method for multi-UAV CPP was developed, explicitly considering the additional energy consumption caused by wind. The method, named Wind-Informed Sweep Planner (WISP), builds on K-Means Constrained clustering to ensure a fair division of the AOI, and uses a Minimum Spanning Tree (MST) to compute the coverage path within each subdivided region. In a second study, a system for autonomous landing on tree branches was developed. This approach uses Artificial Intelligence (AI) to detect branches and applies stereo vision principles, using only a monocular camera, to enable landings. When landed, the UAV can operate as a static sensor while significantly reducing power consumption. The results showed that WISP outperformed K-Nearest Neighbors (KNN), Simulated Annealing (SA), and the Greedy approaches across all evaluated criteria: computation time, memory usage, and energy consumption during path execution. Additionally, the autonomous landing system successfully performed landings in controlled scenarios. These findings indicate that the proposed approach makes a solid contribution to multi-UAV monitoring. However, since WISP was only evaluated in simulation, future work should focus on validating whether the generated routes reduce energy consumption in real-world conditions.