Pesquisadores da TU Delft publicaram o método por trás do MonoRace na Science Robotics em 14 de outubro de 2026. O resultado descrito é anterior: o drone venceu a Abu Dhabi Autonomous Drone Racing Competition em abril de 2025. O artigo detalha como uma única câmera frontal, uma unidade de medição inercial (IMU) e uma pequena rede de controle embarcada trabalharam juntas em velocidade de corrida.

O O preprint acessível dos autores, submetido em 21 de janeiro de 2026, relata vitórias sobre as outras equipes autônomas e três campeões mundiais humanos em uma disputa eliminatória. Segundo o texto, o MonoRace chegou a 100 km/h no circuito da competição sem rastreamento externo de movimento. A publicação do campus da TU Delft noticiou a vitória em abril de 2025. A BIG CHANGE não testou o sistema.

A grande mudança

  • O que mudou: O artigo de outubro de 2026 explica como a equipe reajustou o alinhamento da câmera do MonoRace após impactos ou reparos, usando imagens de voo embarcadas e formatos conhecidos dos portões, sem rastreamento externo de movimento.
  • Por que isso importa: Equipes que avaliam várias aeronaves precisam analisar separadamente a capacidade de evitar colisões. O MonoRace ficou em terceiro na prova com vários drones por não ter essa capacidade, apesar das vitórias individuais e contra pilotos humanos.
  • O que observar: Os resultados em um circuito demarcado não comprovam confiabilidade fora da pista, navegação de uso geral, segurança de implantação, disponibilidade comercial nem transferência para outros robôs.

Da imagem do portão ao comando do motor

O drone da competição usou uma câmera visual junto com uma IMU que media o movimento. A câmera de obturador rolante enviava imagens a um computador embarcado, onde uma rede neural identificava os portões da corrida. O software então localizava os cantos dos portões, comparava-os com a vista esperada e combinava a estimativa visual de posição com as leituras da IMU em um estimador de estado. Um modelo da dinâmica do drone ajudava o estimador quando manobras bruscas levavam o acelerômetro além de sua faixa de medição, segundo o método do artigo.

Os pesquisadores também usaram gravações de voo para aprimorar a calibração entre as corridas. Compararam onde portões de formato e tamanho conhecidos deveriam aparecer na imagem da câmera com os pontos encontrados pelo sistema de segmentação. Esse ajuste offline foi especialmente útil para refinar a posição e o ângulo da câmera em relação ao drone após um reparo ou impacto. O ajuste usou o conhecimento dos portões e não exigiu rastreamento externo de movimento.

O estado estimado seguia então para uma pequena rede neural de orientação e controle no controlador de voo. Treinada em simulação, ela enviava comandos diretamente aos motores a 500 atualizações por segundo, dispensando um circuito interno de controle separado. As imagens da câmera eram processadas em um NVIDIA Jetson Orin NX embarcado; a rede de 500 Hz rodava no controlador de voo. O processador de imagem e o controlador de motor de 500 Hz funcionavam em hardwares embarcados separados.

O que a corrida demonstra

Segundo os pesquisadores, o MonoRace venceu o Grand Challenge individual e a disputa eliminatória entre IA e humanos em 2025. O artigo também registra o terceiro lugar na corrida com vários drones, na qual faltava ao sistema a capacidade de evitar colisões. O resultado demonstrado é um voo rápido em torno de um circuito conhecido de portões, sob condições de competição, com percepção e controle embarcados e sem rastreamento externo de movimento. O artigo não demonstra navegação de uso geral, histórico de segurança em implantação, disponibilidade comercial nem transferência para outros tipos de robôs.

Um sistema anterior, o Swift, venceu pilotos humanos campeões em um circuito coberto usando sensores embarcados durante suas corridas. Sua pesquisa utilizou sensores visuais-inerciais estéreo e dados de captura de movimento durante o desenvolvimento. O avanço relatado do MonoRace é um resultado competitivo com uma câmera visual e uma IMU embarcada, combinadas com seu estimador baseado em portões e controlador direto dos motores. Os estudos usaram pistas e eventos diferentes; portanto, seus tempos não comparam diretamente qual sistema é mais rápido.

Fontes e leituras adicionais