TRILHA DE INTELIGÊNCIA ARTIFICIAL

Este trabalho descreve o desenvolvimento de um sistema de detecção de anomalias em aeronaves remotamente pilotadas (ARP) a partir de dados de telemetria de voo, utilizando um comportamento nominal como referência para identifi cação de desvios. Foram exploradas abordagens complementares, incluindo aprendizado de máquina supervisionado e não supervisionado, além de métodos baseados na dinâmica física do sistema. O pipeline desenvolvido contempla processamento em tempo real, com detecção contínua de anomalias, e modelos supervisionados baseados em janelas temporais para identificação da transição para falha. Também foram analisados detectores baseados em coerência física e jerk, permitindo avaliar o comportamento do sistema em cenários de perturbação, incluindo ataques simulados. Os resultados mostram que as abordagens capturam aspectos distintos do problema, com bom desempenho na detecção de falhas e maior robustez dos métodos físicos em cenários mais desafiadores.

Este trabalho apresenta o MRO Assistant, uma plataforma de assistência inteligente de MRO baseada em RAG (Retrieval-Augmented Generation) e LLMs (Large Language Models), uma Inteligência Artificial (IA) capaz de auxiliar no preenchimento automático dos relatórios e formulários mensais exigi- dos pelos órgãos reguladores, como por exemplo os da ANAC conforme RBAC 145 (alguns enviados via Sistema de Gestão de Relatórios de Aeronavegabilidade Continuada – SIGRAC, da ANAC), a partir de uploads em PDF de modelos de formulários e relatórios e manuais técnicos de aeronaves, com objetivo de minimizar erros e otimizar o processo de preenchimento de tais documentos. Além disso, essa nova tecnologia permite que sejam realizadas consultas em linguagem natural, operando d forma distinta de modelos comerciais (como ChatGPT ou Gemini) ao manter-se estritamente fiel ao contexto dos documentos fornecidos, para extração de informações, com respostas rastreáveis ao documento certificado de origem. O acesso a plataforma é feito por usuários autenticados e realiza consultas em linguagem natural via pipeline RAG, com respostas geradas pelo modelo LLaMA através da API da Groq. O sistema já conta com autenticação JWT, isolamento de documentos por usuário e suporte a documentos digitais e digitalizados via OCR.

Radares operando em banda X são amplamente utilizados em aplicações aeroespaciais, incluindo vigilância meteorológica e sistemas embarcados, devido à sua alta resolução e sensibilidade. No entanto, esses sistemas são particularmente suscetíveis a degradações causadas por ruído, atenuação atmosférica e interferências intencionais, como jamming em cenários de guerra eletrônica. Tais limitações impactam diretamente a qualidade da detecção e a confiabilidade das informações extraídas do ambiente.

Neste contexto, este trabalho propõe uma abordagem baseada em Software-Defined Radio para mitigação de perdas em sinais de radar banda X, integrando técnicas de Digital Signal Processing e Machine Learning em um ambiente de simulação controlado. A metodologia consiste na modelagem de cenários com e sem interferência, incluindo a inserção de ruído e sinais falsos (deception jamming), seguidos da aplicação de filtros digitais e algoritmos de classificação para recuperação e interpretação do sinal. Como métrica de desempenho, utiliza-se a relação sinal-ruído (SNR) antes e após o processamento, evidenciando ganhos quantitativos na qualidade do sinal.

Adicionalmente, é implementado um classificador capaz de distinguir entre alvos reais e interferências, contribuindo para a robustez do sistema em ambientes adversos. Os resultados demonstram que a combinação de processamento digital e técnicas inteligentes pode aumentar significativamente a resiliência de radares frente a degradações e interferências.

Por fim, discute-se a aplicabilidade da abordagem em arquiteturas embarcadas, com potencial extensão para sistemas mais avançados, como radares cognitivos e seekers sujeitos a ambientes de guerra eletrônica. O trabalho evidencia a viabilidade de soluções baseadas em SDR como alternativa flexível e escalável para modernização de sistemas radar no contexto aeroespacial.

Erupções solares e tempestades geomagnéticas podem interromper operações de satélites, navegação GNSS e comunicações por rádio, representando riscos para sistemas aeroespaciais. Este projeto propõe HelioCast, um protótipo de sistema de previsão baseado em IA para prever riscos do clima espacial: erupções solares e tempestades geomagnéticas. O sistema fará a previsão da intensidade de erupções solares e tempestades geomagnéticas, fornecendo previsões mais informativas para a tomada de decisões operacionais.

Os modelos serão treinados e testados utilizando conjuntos de dados solares e geomagnéticos de satélites e avaliados com ênfase na detecção de eventos raros, porém potencialmente danosos. O sistema também terá a integração de fluxos de dados em tempo quase real, permitindo a previsão contínua. O objetivo é demonstrar um protótipo capaz de apoiar o monitoramento das condições climáticas espaciais relevantes para operações de satélites e a infraestrutura aeroespacial.

Este projeto apresenta uma plataforma de inteligência geoespacial para monitoramento de risco em talhões de soja, combinando Observação da Terra (EO) e Inteligência Artificial para apoiar produtores, seguradoras e instituições financeiras. A solução integra séries temporais multissensor, dados agrometeorológicos, indicadores fenológicos e registros de Comunicações de Ocorrência de Perdas (COPs), permitindo avaliar a dinâmica da safra. Orquestrando dados abertos do programa Copernicus (Sentinel) e variáveis ambientais via Google Earth Engine e Brazil Data Cube (WCPMS), a plataforma estima a chance de perdas e identifica anomalias agrometeorológicas.

Ao confrontar alegações de sinistro - como seca, excesso hídrico ou estresse térmico - com as evidências de satélite medidas no período, o sistema atua na validação técnica contínua e na prevenção de fraudes. Além de fortalecer a governança, a segurança jurídica e a gestão de risco nas esteiras de crédito rural, a ferramenta empodera o produtor idôneo com laudos técnicos baseados em evidências para agilizar solicitações de seguro. O projeto conecta infraestrutura espacial e resiliência climática, promo- vendo um ecossistema agro financeiro mais transparente e sustentável.