Um drone pode usar o som das hélices de outra aeronave para localizá-la e segui-la? Essa é a pergunta central do SonicFly, sistema de percepção aeroacústica passiva investigado por pesquisadores do General Robotics Lab, da Duke University.
No paper Embodied Passive Aeroacoustic Perception Enables Relative Sensing and Pursuit Between Aerial Robots, os autores apresentam o sistema em detalhes. Ele estima a direção e a distância de um drone líder usando apenas o som natural de seus rotores, sem receber a posição do alvo, sem comunicação entre as aeronaves e sem emitir um sinal acústico dedicado.
Este artigo oferece um resumo da contribuição e dos resultados. No vídeo que acompanha o post, apresento a análise completa do paper, incluindo a física do sinal, a arquitetura da rede neural, a coleta dos dados, as métricas, as limitações e minha tentativa de reproduzir o código disponibilizado pelos autores.
Inscreva-se na Newsletter
Receba artigos sobre Data Science e IA direto no seu email.
✓ Inscrito com sucesso!
O que é percepção aeroacústica passiva em drones?
Um multirrotor produz um campo acústico estruturado. A passagem periódica das pás, a rotação dos motores, as vibrações e as interações aerodinâmicas geram componentes tonais e harmônicos. Normalmente, esse conjunto é tratado como ego-ruído: uma interferência que dificulta a percepção do ambiente.
O SonicFly inverte essa interpretação. Em vez de descartar todo o som do voo, procura a informação presente na assinatura acústica de outra aeronave. A Figura 1 resume o ciclo: quatro canais de áudio são convertidos em representações espectrais e espaciais; uma rede estima o estado relativo do líder; e o resultado orienta o movimento do seguidor.
Figura 1 do paper: visão geral da perseguição aeroacústica e do ciclo entre percepção e ação. Fonte: Liu et al. (2026), CC BY-NC-ND 4.0; reproduzida sem alteração de conteúdo.
O termo passiva indica que o sistema não depende de sonar ou de um transmissor adicional. O termo incorporada descreve o desafio central: os microfones estão instalados em outro drone que também voa, produz som e altera continuamente a geometria acústica da cena.
Como o SonicFly separa o líder do próprio ruído?
O sinal útil do líder chega atenuado pela distância, enquanto o seguidor está cercado pelo som de seus próprios motores, hélices, vibrações, turbulência e vento. A Figura 2 mostra a perda de relação sinal-ruído quando o seguidor passa da condição parada para o voo com vento.
Figura 2 do paper: configuração do rotor, separação espectral e perda de observabilidade durante o voo. Fonte: Liu et al. (2026), CC BY-NC-ND 4.0; reproduzida sem alteração de conteúdo.
Uma escolha de engenharia ajuda a tornar o problema observável. O líder usa hélices com duas pás; o seguidor, três. Na região nominal de operação, suas frequências fundamentais ficam próximas de 253 Hz e 379 Hz, respectivamente. Os harmônicos não ficam completamente separados, mas criam regiões nas quais a assinatura do líder pode ser distinguida do ego-ruído.
Essa decisão também delimita o resultado. O sistema se beneficia de uma diferença conhecida entre os dois conjuntos de rotores; portanto, o paper ainda não demonstra localização universal de qualquer aeronave desconhecida.
Como o áudio se transforma em direção e distância?
O hardware utiliza quatro microfones MEMS com 75 mm de espaçamento. O conjunto acústico pesa aproximadamente 10 g, consome 1 W e envia os sinais para processamento em um Jetson Orin Nano.
Figura 8 do paper: hardware embarcado e arquitetura de percepção e controle do SonicFly. Fonte: Liu et al. (2026), CC BY-NC-ND 4.0; reproduzida sem alteração de conteúdo.
O sistema combina espectrogramas de magnitude com diferenças de fase e de nível entre os microfones, conhecidas como IPD e ILD. Essas representações alimentam a SonicNet, uma rede neural convolucional com 1,73 milhão de parâmetros que estima direção e distância.
As previsões instantâneas passam por um mecanismo de confiança e por um filtro de Kalman estendido (EKF). A rede fornece a evidência acústica; a filtragem impõe continuidade temporal e produz uma estimativa mais estável para o controlador em malha fechada.
O dataset final reúne 140 minutos de voos pareados em ambiente externo. Durante a coleta primária, o RTK-GPS forneceu os rótulos e alimentou um controlador usado para cobrir separações horizontais de 1,5 a 7 m. Na perseguição acústica final, porém, a posição do líder não foi compartilhada com a rede, com o EKF nem com o controlador de perseguição.
O que os resultados realmente demonstram?
Em dados de voo reservados para teste, o SonicFly alcançou erro angular médio absoluto de 31,2° e RMSE de distância de 1,49 m após a filtragem. No experimento de perseguição em malha fechada, com distância desejada de 3,5 m, o erro médio de manutenção da distância foi de 1,34 m.
Figura 4 do paper: avaliação da localização relativa e da perseguição em malha fechada. Fonte: Liu et al. (2026), CC BY-NC-ND 4.0; reproduzida sem alteração de conteúdo.
O seguidor permaneceu dentro da faixa lateral definida durante 75% do tempo nas trajetórias padrão, 80% nas reversas e 78% no conjunto. Os autores também avaliaram mais de vinte geometrias de trajetória em diferentes condições externas.
Esses números demonstram viabilidade, não formação de alta precisão. O erro angular ainda é expressivo, o sinal perde força com a distância e o experimento considera apenas um líder e um seguidor com configurações acústicas planejadas. O SonicFly deve ser interpretado como uma modalidade complementar de percepção, não como substituto universal para câmera, LiDAR, radar, GPS ou comunicação.
Onde encontrar a análise completa do SonicFly?
No vídeo deste post, aprofundo os pontos que foram condensados aqui: frequência de passagem das pás, separação espectral, IPD e ILD, arquitetura da SonicNet, mecanismo de confiança, EKF, protocolo de coleta e interpretação das métricas. Também mostro os vídeos dos experimentos e discuto por que percepção e controle estão acoplados nesse tipo de sistema.
Apresento ainda minha tentativa de reprodução. Consegui executar a avaliação com test.npz e reproduzir as métricas reportadas, mas o arquivo trainval.npz disponível naquele momento estava incompleto. Registrei o problema em uma issue, e os autores atualizaram o dataset após o contato.
Para consultar as fontes, estão disponíveis a página oficial do SonicFly e o repositório com código, pesos e acesso aos dados. O trabalho também ilustra por que Data Science aplicada a drones depende da integração entre dados, física, computação embarcada e controle.
Takeaways
- O som do voo pode carregar informação de estado relativo: o SonicFly estima direção e distância a partir da assinatura acústica natural do líder.
- A arquitetura combina física e aprendizado: rotores distintos, quatro microfones, representações espectrais, CNN, confiança e EKF atuam como um sistema integrado.
- Os resultados demonstram viabilidade, não precisão universal: a modalidade acústica foi suficiente para perseguição aproximada em ambiente externo.
- O vídeo contém a análise completa: arquitetura, dataset, métricas, limitações e reprodução são apresentados em maior profundidade.
