Hybrid optimization-based control frameworks for autonomous surveillance with drone swarms

HE HAO

Key information

Authors:

HE HAO (HE HAO)

Supervisors:

Carlos Jorge Ferreira Silvestre (Carlos Jorge Ferreira Silvestre); Daniel de Matos Silvestre (Daniel de Matos Silvestre)

Published in

May 22, 2026

Abstract

Os incêndios florestais têm-se tornado cada vez mais severos e frequentes, impulsionados pelas alterações climáticas e pela atividade humana, exigindo uma consciência situacional rápida e fiável em áreas de grande dimensão. Satélites e aeronaves tripuladas fornecem alguma cobertura, mas carecem de capacidade de resposta e de persistência. Veículos aéreos não tripulados (UAVs), especialmente quando operados em formação, oferecem uma alternativa flexível e escalável. No entanto, a sua utilização eficaz levanta desafios críticos: grandes domínios devem ser monitorizados com capacidade limitada de computação e comunicação a bordo; os cenários de risco apresentam elevada não convexidade e são apenas parcialmente conhecidos; e as formações devem coordenar-se sob ligações pouco fiáveis, composição dinâmica e restrições severas de autonomia. Esta tese desenvolve uma estrutura integrada para vigilância de incêndios florestais que unifica o planeamento de alto nível, a execução em tempo real e a coordenação distribuída. Na fase de planeamento, a informação de risco de incendio e traduzida em políticas de movimento que garantem convergência rápida para distribuições de cobertura prescritas. Tal é conseguido através da conceção de cadeias de Markov com propriedades de mistura otimizadas, resolvidas via programação convexa e semidefinida. A abordagem e escalável por agregação regional e decomposição distribuída, permitindo execução descentralizada com comunicação mínima entre os agentes. Ao nível da execução, métodos determinísticos de otimização de primeira ordem são adaptados para gerar trajetórias suaves e viáveis em tempo real. Um esquema híbrido combina fluxos de gradiente adaptativos, refinamento por momento e atualizações coordenadas, produzindo referencias que podem ser seguidas de forma eficiente por controladores padrão. Em comparação com o controlo preditivo não linear baseado em modelos, o método atinge precisão semelhante ou superior sob restrições moderadas, a uma fração do custo computacional. Ao nível do enxame, uma arquitetura distribuída e independente de gradiente permite que os agentes operem apenas com medidas locais e comunicação limitada. Um mecanismo inovador de espiral ajustada por elipse possibilita aos UAVs amostrar de forma densa os picos de risco, escapar a áreas redundantes e partilhar resumos compactos entre grupos, reduzindo sobreposição e encurtando o tempo das missões. A estrutura e validada em cenários sintéticos e em estudos de caso regionais baseados em dados do Índice Meteorológico de Incêndios Florestais de Portugal, demonstrando rápida convergência do risco, trajetórias suaves, resiliência a falhas e uma relação favorável entre precisão e custo computacional. Em conjunto, estas contribuições estabelecem uma base escalável é pratica para a monitorização de incêndios florestais com UAVs. Wildfires are increasingly severe and frequent, driven by climate change and human activity, and demand rapid and reliable situational awareness across vast areas. Satellites and manned aircraft provide some coverage but lack responsiveness and persistence. Unmanned aerial vehicles (UAVs), particularly when deployed in swarms, offer a flexible and scalable alternative. Yet their effective use raises critical challenges: large domains must be monitored with limited onboard computation and communication; hazard landscapes are strongly nonconvex and only partially known; and swarms must coordinate under unreliable links, dynamic membership, and strict endurance limits. This thesis develops an integrated framework for wildfire surveillance that unifies high-level planning, real-time execution, and distributed coordination. At the planning stage, wildfire risk information is translated into motion policies that guarantee fast convergence to prescribed coverage distributions. This is achieved by designing Markov chains with optimized mixing properties, solved via convex and semidefinite programming. The approach scales through region aggregation and distributed decomposition, enabling decentralized execution with minimal communication. At the execution level, deterministic first-order optimization methods are adapted to generate smooth, feasible trajectories in real time. A hybrid scheme blends adaptive gradient flows, momentum refinement, and coordinate-wise updates, producing references that can be tracked efficiently by standard controllers. Compared with nonlinear model predictive control, the method achieves similar or superior accuracy under moderate constraints at a fraction of the computational cost. At the swarm level, a distributed, gradient-free architecture enables agents to operate with only local sensing and limited communication. A novel ellipse-fit spiral mechanism allows UAVs to sample peaks densely, escape redundant areas, and share compact summaries across flocks, reducing overlap and shortening mission times. The framework is validated in synthetic landscapes and regional case studies based on Portuguese Fire Weather Index data, demonstrating fast risk convergence, smooth trajectories, resilience to failures, and favorable accuracy–compute trade-offs. Together, these contributions establish a scalable and practical foundation for UAV-based wildfire monitoring.