Aprendizaje automático ayuda a los enjambres de drones a coordinar movimientos

Enjambres de drones pueden ser controlados de una mejor manera con el aprendizaje automático

A través de un hardware y un software basado en el aprendizaje automático, científicos de Caltech pudieron optimizar el vuelo de varios drones a la vez

Ingenieros del Instituto de Tecnología de California (Caltech) han diseñado un nuevo método basado en el aprendizaje automático con el fin de ayudar a los enjambres de drones a coordinarse a través de espacios desordenados y sin mapas y evitar que choquen entre sí. La coordinación del movimiento de varios robots es un problema robótico fundamental con una amplia gama de aplicaciones que van desde la búsqueda y el rescate urbanos hasta el control de flotas de vehículos autónomos y el vuelo en formación en entornos reducidos.

Dos desafíos clave dificultan la coordinación de múltiples robots. El primero, los drones que se mueven en espacios no reconocidos previamente deben tomar decisiones en una fracción de segundo sobre sus trayectorias a pesar de tener datos incompletos sobre su camino futuro. En segundo lugar, la presencia de un mayor número de robots hace que sus interacciones sean más complejas y más propensas a las colisiones.

Para superar estos desafíos, Soon-Jo Chung, profesor Aeroespacial en Caltech y Yisong Yue, ingeniero informático y ciencias matemáticas, junto con estudiantes de la misma institución desarrollaron un algoritmo de planificación de movimiento de varios robots al mismo tiempo llamado Síntesis de autonomía segura global a local (GLAS, por sus siglas en inglés) que imita un mapeo del espacio con solo la información básica de posicionamiento. El sistema operativo de seguimiento de enjambres llamado Neural-Swarm podrá comprender con más precisión las interacciones aerodinámicas complejas en vuelos de proximidad.

Los científicos afirman que cuando se utilizan GLAS y Neural-Swarm, un robot no requiere una imagen completa del entorno por donde se mueve, o del camino trazado por otros robots; en cambio, solo aprenden a cómo navegar por un espacio mientras permanecen en el aire a medida que ingresan un modelo aprendido de movimiento. "Parte de nuestro proyecto arroja algunos resultados prometedores a fin de superar los problemas de seguridad, robustez y escalabilidad de los enfoques convencionales de drones o robots autónomos", afirmó Yue.

Aunado a ello, los ingenieros de Caltech probaron los nuevos sistemas con 16 drones y los volaron al aire libre en el Centro de Sistemas y Tecnologías Autónomas de Caltech. Con los resultados, descubrieron que GLAS y Neural-Swarm pudieron superar en un 20 por ciento el actual algoritmo de planificación de movimiento de múltiples robots de última generación. Además, los errores de seguimiento y rastreo de posición en el espacio tridimensional eran cuatro veces menos cuando se utilizaron dichos software y hardware.

Con proyectos realizados por el Instituto de Tecnologías de California, se puede demostrar el potencial de integrar métodos modernos de aprendizaje automático en la planificación y el control de múltiples agentes. Además de también revelar nuevas dir