Pesquisadores criam drone que navega como abelha e retorna para casa sem GPS nem mapas

Um drone minúsculo aprendeu a voar centenas de metros para longe de sua base e retornar com precisão de meio metro — sem GPS, sem mapas tridimensionais e sem computadores potentes a bordo.

A façanha foi descrita em estudo publicado pela revista Nature, desenvolvido por pesquisadores da Universidade Técnica de Delft, nos Países Baixos. O trabalho representa um salto qualitativo na navegação de robôs de pequeno porte.

O sistema, batizado de Bee-Nav, imita o comportamento das abelhas melíferas durante os chamados voos de aprendizado — breves excursões circulares que o inseto realiza antes de partir para longas viagens de forrageamento. Nesses voos, a abelha memoriza visualmente a paisagem ao redor da colmeia, o que lhe permite retornar em linha reta mesmo após percursos tortuosos de vários quilômetros.

No experimento, o drone realiza um voo de aprendizado em uma área circular de até 10 metros de raio ao redor do ponto de partida. Durante esse percurso, uma minúscula rede neural — com apenas 868 parâmetros e 3,4 kilobytes de memória — é treinada para associar imagens panorâmicas captadas por uma câmera omnidirecional a vetores que indicam direção e distância até a base. O processo é autossupervisionado: os alvos de treinamento são gerados pelo próprio sistema de odometria do drone, sem qualquer infraestrutura externa.

Após o aprendizado, o drone parte em missão usando integração de trajetória — o equivalente robótico do sentido de direção dos insetos — para estimar sua posição enquanto voa. Ao retornar, percorre em linha reta o caminho de volta usando esse mesmo sistema, e quando chega à vizinhança da base, a rede neural assume o controle e corrige o desvio acumulado pela odometria, guiando o aparelho com precisão milimétrica.

Os resultados práticos são expressivos. Em voos de 30 a 110 metros em ambientes internos e externos, o drone retornou a menos de 0,5 metro da base em 100% das tentativas.

Em voos de 200 a 600 metros em campo aberto com rajadas de vento acima de 10 metros por segundo, a taxa de sucesso foi de 70%. O maior voo documentado cobriu mais de 600 metros de distância real, com retorno ao ponto de origem após um trajeto de 150 metros em linha reta.

A eficiência computacional é o que torna o sistema revolucionário para drones leves. Os sistemas convencionais de navegação autônoma baseados em mapas tridimensionais detalhados exigem centenas de megabytes de memória e processadores de alto desempenho — inviáveis para aeronaves compactas. O Bee-Nav opera com redes de 3,4 a 42,3 kilobytes e roda em um Raspberry Pi 4, um computador de placa única de baixo custo e consumo energético reduzido.

A comparação com o melhor sistema anterior é reveladora: o recorde anterior para navegação autônoma em drones minúsculos era de uma área de apenas 4 por 5 metros, usando 500 kilobytes de memória em um chip de inteligência artificial de baixo consumo. O Bee-Nav navega em áreas centenas de vezes maiores com memória dez vezes menor, três ordens de grandeza abaixo do estado da arte.

As simulações realizadas pelos pesquisadores mostram que, mesmo com o nível de imprecisão odométrica do drone real, a rede neural precisa cobrir apenas 3,84% da área total de voo para garantir o retorno seguro em 99% dos casos. Com sistemas de odometria mais precisos — como os que utilizam magnetômetro para estimativa de direção, inspirados no uso da luz polarizada do céu pelos insetos —, essa fração cai para menos de 0,25%.

O estudo também lança luz sobre questões em aberto da neurociência dos insetos. Os pesquisadores demonstraram matematicamente que o aprendizado baseado em integração de trajetória imperfeita gera trajetórias de retorno com tortuosidade característica. Esse padrão corresponde ao comportamento real de abelhas melíferas em dados biológicos recoletados — sugerindo que o mecanismo proposto pelo Bee-Nav pode refletir, ao menos parcialmente, o funcionamento real do sistema nervoso das abelhas.

As aplicações práticas são imediatas para enxames de drones leves em ambientes controlados. Os pesquisadores citam monitoramento de cultivos em estufas e rastreamento de inventário em armazéns como casos de uso prioritários. A segurança passiva dos drones leves — que causam danos mínimos em colisões — é essencial para ambientes com trabalhadores humanos, e o código completo do sistema está disponível publicamente no repositório da equipe no GitHub.

Leia também: Sistema de navegação magnética promete superar precisão do GPS em ambientes críticos