Empresas como Amazon tienen en mente proyectos como drones que puedan entregar paquetes directamente a la puerta del cliento. Pero, incluso dejando de lado los problemas de política, programar drones para volar a través de espacios desordenados, como las ciudades, es difícil. Ser capaz de evitar obstáculos mientras se viaja a altas velocidades es computacionalmente complejo, especialmente para drones pequeños que están limitados en cuanto a lo que pueden llevar a bordo para el procesamiento en tiempo real.

Muchos enfoques existentes se basan en mapas complejos que apuntan a decir a los drones exactamente dónde están relacionados con los obstáculos, lo que no es particularmente práctico en entornos del mundo real con objetos impredecibles. Si su ubicación estimada está fuera por solo un pequeño margen, pueden colgarse fácilmente.

Con eso en mente, un equipo del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL, por sus siglas en inglés) del Instituto Tecnológico de Massachusetts (MIT, por sus siglas en inglés), ha desarrollado NanoMap, un sistema que permite a los drones volar consistentemente a 20 millas por hora a través de entornos densos como bosques y almacenes. Una de las ideas clave de NanoMap es sorprendentemente simple: el sistema considera que la posición del dron en el mundo a lo largo del tiempo es incierta, y en realidad modela y explica esa incertidumbre.

"Los mapas excesivamente seguros no ayudarán si quieres drones que puedan operar a mayor velocidad en entornos humanos", dice el estudiante graduado Pete Florence, autor principal de un nuevo documento relacionado. "Un enfoque que sea más consciente de la incertidumbre nos brinda un nivel mucho más alto de fiabilidad en términos de poder volar cerca y evitar obstáculos", añade.

Específicamente, NanoMap usa un sistema de detección de profundidad para unir una serie de mediciones sobre el entorno inmediato del dron. Esto le permite no solo hacer planes de movimiento para su campo de visión actual, sino también anticipar cómo debería moverse en los campos de visión ocultos que ya ha visto.

"Es como guardar todas las imágenes que has visto del mundo como una gran cinta en tu cabeza --dice Florence--. Para que el avión no tripulado realice los movimientos, esencialmente retrocede en el tiempo para pensar individualmente en todos los diferentes lugares con los que se encontró".

Las pruebas del equipo demuestran el impacto de la incertidumbre. Por ejemplo, si NanoMap no estaba modelando la incertidumbre y el dron se desplazaba solo un cinco por ciento de distancia de donde se esperaba, el dron se estrellaría más de una vez cada cuatro vuelos. Mientras tanto, cuando explicaba la incertidumbre, la tasa de accidentes se reducía al 2 por ciento.

El documento fue coescrito por Florence y el profesor del MIT Russ Tedrake, junto con los ingenieros de software de investigación John Carter y Jake Ware. Recientemente, fue aceptado en la Conferencia Internacional de IEEE sobre Robótica y Automatización (ICRA, por sus siglas en inglés), que tendrá lugar en mayo en Brisbane, Australia.

MÁS ALLÁ DE LOS MAPAS

Durante años, los científicos informáticos han trabajado en algoritmos que permiten a los drones saber dónde están, qué hay a su alrededor y cómo llegar de un punto a otro. Los enfoques comunes, como la localización y el mapeo simultáneos (SLAM, por sus siglas en inglés), toman los datos brutos del mundo y los convierten en representaciones mapeadas.

Pero el resultado de los métodos SLAM no suele utilizarse para planificar movimientos. Ahí es donde los investigadores a menudo usan métodos como "cuadrículas de ocupación", en las que se incorporan muchas medidas en una representación específica del mundo tridimensional.

El problema es que esos datos pueden ser poco fiables y difíciles de recopilar rápidamente. A altas velocidades, los algoritmos de visión artificial no pueden hacer gran parte de su entorno, lo que obliga a los drones a depender de datos inexactos del sensor de la unidad de medición inercial (IMU), que mide cosas como la aceleración del dron y la velocidad de rotación.

La forma en que funciona NanoMap es que esencialmente no se ocupa de los detalles menores. Funciona bajo la suposición de que, para evitar un obstáculo, no tiene que tomar 100 medidas diferentes y encontrar el promedio para averiguar su ubicación exacta en el espacio; en su lugar, simplemente puede recopilar suficiente información para saber que el objeto se encuentra en un área general.

"La diferencia clave con el trabajo anterior es que los investigadores crearon un mapa que consiste en un conjunto de imágenes con su posición de incertidumbre en lugar de solo un conjunto de imágenes y sus posiciones y orientación", dice Sebastian Scherer, científico del Instituto de Sistemas de Robótica de la Universidad Carnegie Mellon, en Estados Unidos. "Hacer un seguimiento de la incertidumbre tiene la ventaja de permitir el uso de imágenes previas, incluso si el robot no sabe exactamente dónde está y permite una mejor planificación", añade.

Florence describe a NanoMap como el primer sistema que permite el vuelo de drones con datos 3D que es consciente de la "incertidumbre de la posición", lo que significa que el dron considera que no conoce perfectamente su posición y orientación a medida que se mueve por el mundo. Futuras iteraciones también pueden incorporar otras piezas de información, como la incertidumbre en las mediciones de detección de profundidad individual del dron.

NanoMap es particularmente efectivo para drones más pequeños que se mueven a través de espacios más pequeños, y funciona bien en tándem con un segundo sistema que se enfoca en planificar el horizonte (Los investigadores probaron NanoMap el año pasado en un programa vinculado a la Agencia de Proyectos de Investigación Avanzada de Defensa, o DARPA.) El equipo dice que el sistema podría usarse en campos que van desde búsqueda y rescate y defensa hasta entrega de paquetes y entretenimiento, y también se puede aplicar a automóviles autodirigidos y otras formas de navegación autónoma.

"Los investigadores demostraron resultados impresionantes evitando obstáculos y este trabajo permite a los robots verificar rápidamente si hay colisiones --dice Scherer--. El vuelo rápido entre obstáculos es una capacidad clave que permitirá una mejor filmación de secuencias de acción, una recopilación de información más eficiente y otros avances en el futuro".