AN AERIAL ROBOT COGNITIVE NETWORK ARCHITECTURE FOR SWARM APPLICATIONS DEVELOPMENT: ARCOG-NET

Abstract

This thesis proposes ARCog-NET, a distributed cognitive architecture for networked aerial robots designed to enable autonomous swarm coordination in dynamic and uncertain environments. By integrating perception, planning, decision-making, and adaptive learning, the architecture supports cooperative behavior among drones with or without human intervention, operating over an edge-fog-cloud computational model: edge nodes execute real-time local decisions, fog nodes perform regional coordination and map fusion, and the cloud layer handles complex analytics and long-term data management. The architecture was validated both in simulation and through real-world experiments using six DJI Ryze Tello drones performing a 3D reconstruction mission inside the Control and Automation Laboratory (LACEA). The system achieved an average absolute error (MAE) of 0.04 m in the X-axis and 0.07 m in the Y-axis, a mean RMSE of 0.10 m, and an average Absolute Trajectory Error (ATE) of 0.13 m, values comparable to established visual-inertial methods. The reconstruction of an 80 m2 indoor environment was completed within minutes, achieving 87% coverage with a convergence time of 14 s, demonstrating cooperative cognitive navigation and dynamic inter-agent alignment. In large-scale simulations with up to 1000 UAVs (Unmanned Aerial Vehicle), ARCog-NET maintained stable performance with controlled increases in latency and energy consumption (approximately 70 J per formation, 9% communication overhead, and 88% robustness to delays) showing scalability up to the point of network saturation, beyond which additional agents no longer yield performance gains. The hierarchical distribution of computation across edge, fog, and cloud layers proved critical for mitigating congestion and optimizing resource utilization. Finally, all software packages, simulation datasets, and experimental recordings are publicly available in a GitHub repository, ensuring transparency, reproducibility, and promoting further research in cognitive robotics and cooperative SLAM (Simultaneous Location and Mapping).

Esta tese propõe a ARCog-NET, uma arquitetura cognitiva distribuída para robôs aéreos em rede, voltada à coordenação autônoma de enxames em ambientes dinâmicos e incertos. Integrando percepção, planejamento, tomada de decisão e aprendizado adaptativo, a arquitetura permite cooperação entre drones com ou sem intervenção humana, operando sobre um modelo edge-fog-cloud que distribui funções conforme a capacidade computacional: os nós edge executam decisões locais em tempo real, os fog realizam coordenação regional e fusão de mapas, e o cloud executa análises complexas e armazenamento. A arquitetura foi validada em simulação e em experimentos práticos com seis drones DJI Ryze Tello em missão de reconstrução 3D no Laboratório de Controle e Automação (LACEA). O sistema apresentou erro médio absoluto (MAE) de 0,04 m em X e 0,07 m em Y, RMSE médio de 0,10 m, e erro absoluto de trajetória (ATE) médio de 0,13 m, valores compatíveis com sistemas visuais-inerciais de referência. A reconstrução do ambiente de 80 m² foi concluída em poucos minutos, com cobertura de 87% e tempo médio de convergência de 14 s, demonstrando capacidade de navegação cognitiva cooperativa e realinhamento dinâmico entre agentes. Em simulações com até 1000 UAVs (Unmanned Aerial Vehicle), o modelo manteve desempenho estável com aumento controlado de latência e consumo energético (70 J por formação, 9% de overhead de comunicação, e 88% de robustez a atrasos) evidenciando escalabilidade até o ponto de saturação da rede, quando novos agentes não trazem ganhos significativos de desempenho. A distribuição hierárquica da carga entre edge, fog e cloud mostrou-se essencial para mitigar congestionamento e otimizar o uso de recursos. Por fim, o trabalho disponibiliza publicamente todos os pacotes, dados de simulação e experimentos em repositório GitHub, promovendo transparência, reprodutibilidade e estímulo à pesquisa colaborativa na área de robótica cognitiva e SLAM (Simultaneous Location and Mapping) cooperativo.