Um espetáculo de luzes terminou em uma cascata de falhas quando cinquenta drones colidiram em pleno voo. As autoridades e os técnicos suspeitam que a fumaça gerada por um efeito pirotécnico saturou os sensores de proximidade. Para confirmar, iniciou-se uma reconstrução forense que combina fotogrametria aérea e simulação em tempo real, buscando replicar o erro de oclusão dentro de um gêmeo digital do evento.
Reconstrução de trajetórias com RealityCapture e Pix4D 🚁
O primeiro passo foi capturar o espaço do show por meio de múltiplas tomadas aéreas e terrestres. O RealityCapture processou as imagens para gerar uma nuvem de pontos densa do ambiente, incluindo a posição exata de cada drone no instante anterior ao impacto. Paralelamente, o Pix4D foi utilizado para calcular os vetores de voo individuais a partir dos dados de telemetria, corrigindo derivações e alinhando as rotas com o modelo 3D. Esse processo permitiu identificar as zonas de maior densidade de partículas de fumaça, onde os sensores de oclusão falharam ao não detectar a proximidade das aeronaves vizinhas. A fusão de ambos os programas produziu um mapa de calor de colisões potenciais, sinalizando os pontos exatos onde a cadeia de erros se propagou.
Simulação no Unreal Engine 5: a fumaça como variável crítica 🎮
Com o gêmeo digital pronto, as trajetórias reconstruídas foram importadas para o Unreal Engine 5. Lá, executou-se uma simulação que replicava as condições lumínicas e de partículas do show original. Ao ativar o efeito de fumaça volumétrica, os sensores virtuais dos drones mostraram uma perda de precisão na detecção de objetos próximos, validando a hipótese do erro de oclusão. A visualização dos vetores de voo e dos pontos de impacto em tempo real confirmou que a saturação do sensor LiDAR pelas partículas em suspensão foi a causa raiz da reação em cadeia, oferecendo uma lição técnica para futuros projetos de enxames em ambientes com interferências físicas.
Como modelar corretamente em um gêmeo digital 3D a propagação de fumaça e a oclusão de sensores para prever colisões em cadeia durante um espetáculo de drones em condições de visibilidade reduzida?
(PS: Simular trajetórias é como jogar sinuca, mas sem ter que limpar a mesa depois.)