Detección distribuida por enjambres de drones se utiliza en varios dominios, desde el control del tráfico hasta la detección temprana de incendios forestales. Sin embargo, el diseño de tales tecnologías es un esfuerzo de investigación muy complejo. Los entornos de simulación permiten un estudio más específico de los algoritmos, mientras que experimentar con drones reales aumenta el realismo y la validez externa.
Un dron en vuelo. Crédito de la imagen: Pok Rie vía pexelslicencia gratuita
Para cerrar esta brecha, un artículo reciente en arXiv.org presenta un banco de pruebas para estudiar la inteligencia de enjambre de Vehículos aéreos no tripulados (UAV) para problemas de detección distribuida.
El banco de pruebas consiste en un mapa de detección. Las imágenes y los videos se muestran en el suelo en un entorno de laboratorio interior. Los drones de bajo costo pueden atravesar el mapa y desplazarse para «escanear» puntos de interés. El banco de pruebas permite el estudio de soluciones para problemas como la prevención de colisiones y la búsqueda y navegación autónomas.
Se propone un prototipo de trabajo del modelo para coordinar y optimizar la navegación y la detección de drones de forma totalmente descentralizada.
Este documento presenta un banco de pruebas para estudiar los problemas de detección distribuida de los vehículos aéreos no tripulados (UAV) que exhiben inteligencia de enjambre. Varias aplicaciones de Smart City, como el transporte y la respuesta a desastres, requieren una recopilación eficiente de datos de sensores por parte de un enjambre de UAV inteligentes y cooperativos. Esto a menudo resulta ser demasiado complejo y costoso para estudiar de manera sistemática y rigurosa sin comprometer la escala, el realismo y la validez externa. Con el banco de pruebas propuesto, este documento establece un trampolín para emular, dentro de pequeños espacios de laboratorio, grandes áreas de detección de interés originadas a partir de datos empíricos y modelos de simulación. Sobre este mapa de detección, un enjambre de drones de bajo costo puede volar, lo que permite el estudio de un amplio espectro de problemas, como el consumo de energía, el control de carga, la navegación y la prevención de colisiones. La aplicabilidad de un algoritmo de aprendizaje colectivo multiagente (EPOS) descentralizado para la inteligencia de enjambres de UAV junto con la evaluación de las mediciones de consumo de energía proporcionan una prueba de concepto y validan la precisión del banco de pruebas propuesto.
Artículo de investigación: Qin, C., Candan, F., Mihaylova, LS y Pournaras, E., “3, 2, 1, Drones Go! A Testbed to Take off UAV Swarm Intelligence for Distributed Sensing”, 2022. Enlace: https://arxiv.org/abs/2208.05914
