El equipo de Soria probó el nuevo enfoque utilizando un modelo reactivo de última generación en una simulación con cinco drones y ocho obstáculos y confirmó su suposición. En un escenario, los enjambres reactivos completaron su misión en 34,1 segundos, los enjambres predictivos en 21,5 segundos.

Luego vino la demostración real. El equipo de Soria recolectó diminutos cuadricópteros Crazyflie que fueron utilizados por los investigadores. Cada uno era lo suficientemente pequeño como para caber en la palma de la mano y pesaba menos que una pelota de golf, pero llevaba un acelerómetro, giroscopio, sensor de presión, transmisor de radio y pequeñas bolas de captura de movimiento a unos centímetros de distancia y entre las cuatro palas. Las lecturas de los sensores y la cámara de captura de movimiento en la habitación que rastreó las bolas se enviaron a una computadora que ejecutó el modelo de cada dron como una estación de control terrestre. (Los pequeños drones no pueden llevar el hardware necesario para realizar cálculos de control predictivo a bordo).

Soria colocó los drones en el suelo en una zona de «despegue» cerca de los primeros obstáculos con forma de árbol. Cuando comenzó el experimento, cinco drones saltaron y se movieron rápidamente a posiciones aleatorias en el espacio 3D sobre el área de lanzamiento. Entonces los helicópteros empezaron a moverse. Se deslizaron por el aire, entre los obstáculos de color verde suave, sobre, debajo y alrededor de cada uno y hacia la línea de meta, donde aterrizaron con un suave salto. Sin colisiones. Solo un enjambre suave y sin incidentes hecho posible gracias a un aluvión de cálculos matemáticos actualizados en tiempo real.

Vídeo: Jamani Caillet / 2021 EPFL

“Los resultados del NMPC [nonlinear model predictive control] Los modelos son muy prometedores ”, escribe Gábor Vásárhelyi, especialista en robótica de la Universidad Eötvös Loránd en Budapest, Hungría, en un correo electrónico a WIRED. (El equipo de Vásárhelyi creó el modelo reactivo que usó Soria, pero él no participó en el trabajo).

Sin embargo, Vásárhelyi señala que el estudio no aborda un obstáculo crítico para implementar el control predictivo: el cálculo requiere una computadora central. La subcontratación del control a largas distancias podría dejar a todo el enjambre vulnerable a retrasos o errores de comunicación. Es posible que los sistemas de control descentralizados más simples no encuentren la mejor trayectoria posible, pero «pueden funcionar en dispositivos integrados muy pequeños (como mosquitos, mariquitas o drones pequeños) y escalar mucho, mucho mejor con el tamaño del enjambre», escribe. Los enjambres artificiales (y naturales) de drones no pueden tener computadoras a bordo voluminosas.

“Es una cuestión de calidad o cantidad”, continúa Vásárhelyi. «Pero la naturaleza de alguna manera tiene ambos».

«Aquí es donde digo, ‘Sí, puedo'», dice Dan Bliss, ingeniero de sistemas de la Universidad Estatal de Arizona. Bliss, que no forma parte del equipo de Soria, lidera un proyecto Darpa para hacer que el procesamiento móvil para drones y tecnología de consumo sea más eficiente. Incluso los drones pequeños deberían volverse más poderosos con el tiempo. «Tomo un problema de computadora con unos cientos de vatios y trato de transferirlo a un procesador que usa 1 vatio», dice. Bliss agrega que crear un enjambre autónomo de drones no es solo un problema de control, también es un problema de sensores. Las herramientas integradas que mapean el mundo circundante, como la visión por computadora, requieren mucha potencia informática.

Recientemente, el equipo de Soria ha estado trabajando en la distribución de inteligencia entre los drones para acomodar enjambres más grandes y superar obstáculos dinámicos. Los enjambres predictivos de drones, como los drones de reparto de burritos, están a muchos años de distancia. Pero esto no es Nunca. La robótica puede verlos en su futuro, y muy probablemente también en el de sus vecinos.


Más historias geniales de WIRED