Ingenieros de EPFL han desarrollado un modelo de control predictivo que permite que enjambres de drones vuelen en entornos abarrotados de forma rápida y segura.
Funciona al permitir que drones individuales predigan su propio comportamiento y el de sus vecinos en el enjambre.
Hay fuerza en los números.
Eso es cierto no solo para los humanos, sino también para los drones.
Al volar en un enjambre, pueden cubrir áreas más grandes y recopilar una gama más amplia de datos, ya que cada dron puede estar equipado con diferentes sensores.
Una de las razones por las que los enjambres de drones no se han utilizado más ampliamente es el riesgo de estancamiento dentro del enjambre.
Los estudios sobre el movimiento colectivo de animales muestran que cada agente tiende a coordinar sus movimientos con los demás, ajustando su trayectoria para mantener una distancia segura entre agentes o para viajar alineado, por ejemplo.
“En un enjambre de drones, cuando un dron cambia su trayectoria para evitar un obstáculo, sus vecinos sincronizan automáticamente sus movimientos en consecuencia“, dice Dario Floreano, profesor de la Escuela de Ingeniería de EPFL y director del Laboratorio de Sistemas Inteligentes (LIS).
“Pero eso a menudo hace que el enjambre se desacelere, genera un atasco dentro del enjambre o incluso conduce a colisiones“.
Enrica Soria, estudiante de doctorado en LIS, ha ideado un nuevo método para solucionar ese problema.
Ha desarrollado un modelo de control predictivo que permite a los drones no solo reaccionar ante otros en un enjambre, sino también anticipar sus propios movimientos y predecir los de sus vecinos.
“Nuestro modelo les da a los drones la capacidad de determinar cuándo un vecino está a punto de reducir la velocidad, lo que significa que la desaceleración tiene menos efecto en su propio vuelo”, dice Soria.
El modelo funciona mediante la programación en reglas simples controladas localmente, como una distancia mínima entre agentes para mantener, una velocidad establecida para mantener o una dirección específica a seguir.
El trabajo de Soria acaba de ser publicado en Nature Machine Intelligence.
Con el modelo de Soria, los drones dependen mucho menos de los comandos emitidos por una computadora central.
Los drones en espectáculos de luz aérea, por ejemplo, obtienen sus instrucciones de una computadora que calcula la trayectoria de cada uno para evitar una colisión.
“Pero con nuestro modelo, los drones se controlan utilizando información local y pueden modificar sus trayectorias de forma autónoma”, dice Soria.
Las pruebas realizadas en LIS muestran que el sistema de Soria mejora la velocidad, el orden y la seguridad de los enjambres de drones en áreas con muchos obstáculos.
“Todavía no sabemos si, o en qué medida, los animales son capaces de predecir los movimientos de quienes los rodean”, dice Floreano.
“Pero los biólogos han sugerido recientemente que los cambios de dirección sincronizados observados en algunos grupos grandes requerirían una capacidad cognitiva más sofisticada de lo que se creía hasta ahora“.
Fuente: EPFL
Recientemente, Sanctuary AI presentó su mano robótica que ahora es capaz de manipular objetos. (more…)
Especialistas en robótica de la Universidad de Leeds y el University College de Londres han…
El lenguaje de señas es un medio de comunicación sofisticado y vital para las personas…
Según un nuevo estudio dirigido por el Imperial College, una tecnología de navegación que utiliza…
Gemini 2.0 Flash Thinking Experimental es una nueva versión de la IA de Google que…
Las computadoras cuánticas difieren fundamentalmente de las clásicas. En lugar de utilizar bits (0 y…