Los investigadores del MIT han desarrollado Robust MADER, un sistema actualizado de planificación de trayectorias multiagente que ayuda a prevenir colisiones de drones al generar trayectorias libres de colisiones, incluso cuando las comunicaciones entre drones se retrasan. El algoritmo incorpora un paso de verificación de demora, durante el cual un dron espera una cantidad específica de tiempo antes de comprometerse con una nueva trayectoria optimizada. Cuando se probó en simulaciones y experimentos de vuelo, Robust MADER logró una tasa de éxito del 100 % en la generación de trayectorias sin colisiones, lo que brinda un enfoque más seguro para coordinar múltiples drones en el mismo espacio aéreo.
Los investigadores crean un sistema de planificación de trayectorias que permite a los drones que trabajan juntos en el mismo espacio aéreo elegir siempre un camino seguro a seguir.
Cuando varios drones están trabajando juntos en el mismo espacio aéreo, tal vez rociando pesticida sobre un campo de maíz, existe el riesgo de que choquen entre sí.
Para ayudar a evitar estas costosas colisiones, los investigadores del MIT introdujeron un sistema llamado MADER en 2020. Este planificador de trayectorias de múltiples agentes permite que un grupo de drones formule trayectorias óptimas y sin colisiones. Cada agente transmite su trayectoria para que otros drones sepan a dónde planea ir. Luego, los agentes consideran las trayectorias de los demás al optimizar las suyas para asegurarse de que no colisionen.
Pero cuando el equipo probó el sistema en drones reales, descubrió que si un dron no tiene información actualizada sobre las trayectorias de su compañero, puede seleccionar sin darse cuenta una ruta que provoque una colisión. Los investigadores renovaron su sistema y ahora están lanzando Robust MADER, un planificador de trayectorias de múltiples agentes que genera trayectorias sin colisiones incluso cuando las comunicaciones entre los agentes se retrasan.
“MADER funcionó muy bien en simulaciones, pero no había sido probado en hardware. Así que construimos un montón de drones y comenzamos a volarlos. Los drones necesitan hablar entre sí para compartir trayectorias, pero cuando empiezas a volar, rápidamente te das cuenta de que siempre hay retrasos en la comunicación que provocan algunos fallos”, dice Kota Kondo, estudiante de posgrado en aeronáutica y astronáutica.
Cuando varios drones trabajan juntos en el mismo espacio aéreo, existe el riesgo de colisión. Pero ahora los investigadores de AeroAstro han creado un sistema de planificación de trayectorias que permite a los drones en el mismo espacio aéreo elegir siempre un camino seguro a seguir. Crédito: Cortesía de los investigadores.
El algoritmo incorpora un paso de verificación de demora durante el cual un dron espera una cantidad específica de tiempo antes de comprometerse con una nueva trayectoria optimizada. Si recibe información de trayectoria adicional de otros drones durante el período de retraso, puede abandonar su nueva trayectoria y comenzar de nuevo el proceso de optimización.
Cuando Kondo y sus colaboradores probaron Robust MADER, tanto en simulaciones como en experimentos de vuelo con drones reales, logró una tasa de éxito del 100 % en la generación de trayectorias sin colisiones. Si bien el tiempo de viaje del dron fue un poco más lento de lo que sería con otros enfoques, ninguna otra línea de base podría garantizar la seguridad.
“Si quieres volar de manera más segura, debes tener cuidado, por lo que es razonable que si no quieres chocar contra un obstáculo, tardes más en llegar a tu destino. Si chocas con algo, no importa qué tan rápido vayas, realmente no importa porque no llegarás a tu destino”, dice Kondo.
Kondo escribió el artículo con Jesús Tordesillas, un becario postdoctoral; Parker C. Lusk, estudiante de posgrado; Reinaldo Figueroa, Juan Rached y Joseph Merkel, estudiantes de posgrado del MIT; y el autor principal Jonathan P. How, profesor Richard C. Maclaurin de aeronáutica y astronáutica, investigador principal en el Laboratorio de sistemas de información y decisiones (LIDS) y miembro del MIT-IBM Watson AI Lab. La investigación se presentará en la Conferencia Internacional sobre Robots y Automatización.
planeando trayectorias
MADER es un planificador de rutas asíncrono, descentralizado y multiagente. Esto significa que cada dron formula su propia trayectoria y que, aunque todos los agentes deben estar de acuerdo en cada nueva trayectoria, no tienen por qué estar de acuerdo al mismo tiempo. Esto hace que MADER sea más escalable que otros enfoques, ya que sería muy difícil que miles de drones coincidieran en una trayectoria simultáneamente. Debido a su naturaleza descentralizada, el sistema también funcionaría mejor en entornos del mundo real donde los drones pueden volar lejos de una computadora central.
Con MADER, cada dron optimiza una nueva trayectoria a través de un algoritmo que incorpora las trayectorias recibidas de otros agentes. Al optimizar y transmitir continuamente sus nuevas trayectorias, los drones evitan colisiones.
Pero quizás un agente compartió su nueva trayectoria hace varios segundos, pero otro agente no la recibió de inmediato porque la comunicación se retrasó. En entornos del mundo real, las señales a menudo se retrasan debido a la interferencia de otros dispositivos o factores ambientales, como tormentas eléctricas. Debido a este retraso inevitable, un dron puede comprometerse inadvertidamente con una nueva trayectoria que lo ponga en curso de colisión.
Robust MADER evita este tipo de colisiones porque cada agente tiene dos caminos disponibles. Mantiene una trayectoria que sabe segura, que ya ha comprobado por posibles colisiones. Al seguir esta trayectoria original, el dron optimiza una nueva trayectoria, pero no se compromete con la nueva trayectoria hasta que completa un paso de verificación de demora.
Durante el período de verificación de demora, el dron pasa una cantidad fija de tiempo verificando repetidamente las comunicaciones de otros agentes para asegurarse de que su nueva trayectoria sea segura. Si detecta una posible colisión, abandona la nueva trayectoria y reinicia el proceso de optimización.
La duración del período de verificación de demora depende de la distancia entre los agentes y los factores ambientales que pueden interrumpir las comunicaciones, dice Kondo. Si los agentes se encuentran a muchos kilómetros de distancia, por ejemplo, el período de comprobación de retrasos debería ser más largo.
Totalmente libre de colisiones
Los investigadores probaron su nuevo enfoque ejecutando cientos de simulaciones en las que introdujeron retrasos en la comunicación de forma artificial. En cada simulación, Robust MADER tuvo un 100 % de éxito en la generación de trayectorias sin colisiones, mientras que todas las líneas de base causaron colisiones.
Los investigadores también construyeron seis drones y dos obstáculos aéreos y probaron Robust MADER en un entorno de vuelo de múltiples agentes. Descubrieron que si bien el uso de la versión original de MADER en este entorno daría lugar a siete colisiones, Robust MADER no causó ni una sola falla en ninguno de los experimentos de hardware.
“Hasta que realmente utiliza el hardware, no sabe qué podría causar un problema. Como sabemos que hay una diferencia entre las simulaciones y el hardware, hicimos que el algoritmo fuera robusto para que funcionara en drones reales, y ver esto en la práctica fue muy gratificante”, dice Kondo.
Los drones lograron volar a 3,4 metros por segundo con Robust MADER, aunque tuvieron un tiempo de viaje promedio ligeramente más largo que algunas líneas de base. Pero ningún otro método estuvo perfectamente libre de colisiones en todos los experimentos.
En el futuro, Kondo y sus colaboradores quieren probar Robust MADER al aire libre, donde muchos obstáculos y tipos de ruido pueden afectar las comunicaciones. También quieren equipar los drones con sensores visuales para que puedan detectar otros agentes u obstáculos, predecir sus movimientos y tener en cuenta esa información en las optimizaciones de trayectoria.
Referencia: “MADER robusto: planificador de trayectoria multiagente descentralizado resistente al retraso de la comunicación en entornos dinámicos” por Kota Kondo, Reinaldo Figueroa, Juan Rached, Jesús Tordesillas, Parker C. Lusk y Jonathan P. How, 10 de marzo de 2023, Informática > Robótica.
arXiv:2303.06222
Este trabajo fue financiado por Boeing Research and Technology.
