De drones a bots de almacén, la programación de seguridad es crucial – MIT podría tener una solución

La necesidad de gestionar grandes flotas de vehículos autónomos y drones sigue creciendo.  Desafortunadamente, los sistemas actuales requieren mucho esfuerzo y potencia computacional. Además, estos sistemas de programación de seguridad no pueden ajustarse sobre la marcha.

Consecuentemente, a medida que el uso comercial de flotas de drones se vuelve común, es vital crear protocolos de programación de seguridad que optimicen los procesos y ofrezcan garantías. Afortunadamente, un equipo de investigadores innovadores del MIT podría tener una solución. Esto es lo que necesitas saber.

Espectáculos de drones

Desde los Juegos Olímpicos hasta los lanzamientos de nuevos productos, los espectáculos de drones se han vuelto más comunes que nunca. Estos eventos pueden utilizar cientos de drones que trabajan al unísono para crear imágenes, animaciones y mucho más. Estas exhibiciones de luces a gran escala son impresionantes. Aún más sorprendente que estas acciones es todo el trabajo que se necesita para hacer posibles estos espectáculos.

Métodos actuales de programación de seguridad

La forma actual en que los ingenieros controlan grandes enjambres de drones u otros sistemas robóticos multi‑autónomos es mediante el uso de sistemas multi‑agente (MAS). Estos protocolos combinan trayectorias, con puntos de referencia y restricciones de tiempo. Juntos, estos factores permiten que cada drone sepa dónde está a lo largo de su ruta de vuelo pre‑planificada.

Este enfoque funciona cuando las condiciones son buenas y los drones están donde deben estar a tiempo. Sin embargo, pueden ocurrir serias desventajas cuando los dispositivos se desvían de su curso. Para prevenir colisiones, los ingenieros emplean una técnica llamada planificación de rutas por pares.

Desventajas de la programación de seguridad

Este algoritmo permite que cada drone sepa dónde se supone que debe estar en relación con los demás drones si todo funciona perfectamente. Sin embargo, cuando hay fallas de comunicación, pueden surgir problemas graves. Dado que cada drone en la configuración MAS vuela a ciegas después del lanzamiento, presumirá la ruta pre‑planificada incluso si factores externos hacen que el plan original sea incorrecto. Esta situación puede llevar a acciones muy extrañas, como drones que aterrizan inesperadamente, caen del cielo sobre los espectadores, vuelan a la nada o dejan de responder.

Accidentes recientes en espectáculos de drones

El repentino aumento de los espectáculos de drones y la robótica autónoma ha generado situaciones peligrosas. Los drones representan muchas amenazas, incluso cuando no están armados. Estos dispositivos pueden perder la conexión y caer del cielo desde cientos de pies, dañando el dispositivo y a los peatones. Además, las colisiones con otras aeronaves podrían resultar en pérdidas catastróficas y muertes. Dos ejemplos recientes resaltan estas preocupaciones:

Florida

Los residentes de Orlando que se reunieron afuera para ver el espectáculo de drones el 21 de diciembre de 2024 no tenían idea de que el evento se volvería peligroso. Durante el evento, que incluía cientos de drones, un error de conexión provocó que varios drones cayeran al suelo y golpearan a los espectadores.

Lamentablemente, uno de los drones cayó sobre un niño de 7 años, causándole lesiones graves que requirieron cirugía de emergencia. Al ser interrogada sobre el incidente, la empresa detrás del evento, Sky Elements Drone, expresó su pesar y se comprometió a investigar la causa para prevenir incidentes futuros.

Nueva York

Otro incidente que ocurrió el año pasado involucró drones en Staten Island, Nueva York. En este caso, un operador de drones había volado a 2,5 millas de distancia. Al estar fuera de la línea de visión clara, no pudo notar un helicóptero UH‑60 Black Hawk y colisionó con la aeronave.

Afortunadamente, el helicóptero pudo regresar tambaleándose a la base. Sin embargo, tras una inspección más profunda, la tripulación se dio cuenta de que habían tenido mucha suerte, ya que se descubrieron piezas del drone en el eje del rotor principal. Después de una larga investigación, la Junta Nacional de Seguridad del Transporte emitió un informe de accidente que reveló la culpa del operador del UAV.

Estudio de programación de seguridad multi‑agente

Reconociendo la necesidad de un sistema de seguridad más ágil y receptivo al tratar con flotas de unidades autónomas, ingenieros del MIT introdujeron un nuevo método de entrenamiento en un artículo reciente publicado en IEEE Transactions on Robotics¹. Su investigación detalla un nuevo método de entrenamiento que mejora las protecciones de seguridad y reduce la carga de trabajo relacionada con insultar estos protocolos.

Función de barrera de control de grafos GCBF+

El protocolo Graph Control Barrier Function + se basa en algoritmos de función de barrera anteriores y añade sistemas propietarios para simplificar el mantenimiento de la seguridad en flotas masivas de vehículos. Impresionantemente, GCBF+ permite a los drones navegar entornos complejos de manera similar a las personas.

Radio de detección

El sistema comienza creando un radio de detección más pequeño que se centra principalmente en los riesgos de colisión en lugar del plan de vuelo completo. Esto reduce las necesidades de gestión del drone y le permite rastrear y evitar activamente los obstáculos en las áreas circundantes.

Conciencia situacional

El GCBF+ actualizado permite a los drones saber exactamente dónde están en tiempo real y su posición respecto a otros UAVs en las proximidades. Rastrear todos los drones en tiempo real permite que múltiples agentes coordinados, colaborativos y programados por computadora trabajen juntos para cumplir tareas.

Redes neuronales de grafos (GNNs)

El equipo creó un modelo informático personalizado que aprovechó avanzadas Redes Neuronales de Grafos, lo que les permitió beneficiarse de ventajas clave como la capacidad de parametrizar un GCBF y distribuir políticas de control. Específicamente, el sistema simula agentes y controladores.

Fuente – MIT

Los ingenieros utilizan las especificaciones exactas de drones del mundo real. Incluyeron sus capacidades mecánicas, límites, rendimiento, duración de la batería y otros factores cruciales. La simulación tomó esta información y la usó para crear pruebas a gran escala que los ingenieros monitorearon.

Notablemente, la decisión de usar una red neuronal de grafos (GNN) tiene sentido ya que permite rastrear la topología gráfica cambiante del flujo de información de observación basada en distancia. Esta entrada se utilizó junto con otros datos para programar el sistema de IA y equilibrar el rendimiento y la seguridad.

Agregar más agentes y tareas

Los ingenieros luego comenzaron a escalar la simulación para incluir más unidades y tareas más complejas. Notaron que los sistemas de seguridad en tiempo real se ajustaban automáticamente después de ser copiados y pegados a nuevos drones. Cada interacción se registró a medida que se añadían más drones a la simulación.

Rastrear colisiones en miles de simulaciones

A medida que aumentó el número y la densidad de agentes y obstáculos, el sistema se afinó para que no hubiera colisiones como recompensa. La GNN entonces comenzó a ajustar de forma autónoma la entrada del controlador para asegurar que se redujeran las violaciones de seguridad.

Los ingenieros observaron cómo la GNN permitía a los drones ajustar sus trayectorias en tiempo real para evitar colisiones con otros bots. Esta prueba ayudó a garantizar que su controlador fuera reactivo, lo que significa que estaba recreando constantemente una ruta de vuelo para los drones basada en las condiciones ambientales en tiempo real.

Los ingenieros del MIT también introdujeron límites de seguridad como parte de este enfoque. Estas son áreas donde los dispositivos probablemente incurrirían en violaciones de seguridad. Al instruir a los dispositivos a evitar estas áreas, el equipo redujo drásticamente muchas de las colisiones y errores que aquejan a los sistemas actuales.

Método de entrenamiento para sistemas multi‑agente

Impresionantemente, el controlador se copió y pegó a otras unidades una vez que la simulación resolvió cualquier preocupación de seguridad. Dado que el protocolo puede manejar topologías de grafos arbitrarias, es más fácil escalar verticalmente. Además, puede adaptarse a cambios en el número de participantes, lo que significa que la programación puede realizarse en unos pocos drones y luego compartirse con todo el enjambre.

Prueba de programación de seguridad MAS

Los ingenieros se pusieron a prueba su marco distribuido para el control seguro de múltiples agentes en entornos a gran escala con obstáculos mediante el uso de drones Crazyflies. Estos drones cuadricópteros del tamaño de la mano fueron mejorados usando la GNN. En total se utilizaron 8 Crazyflies en la fase de pruebas.

Los agentes usaron los 8 drones del mundo real para rastrear y monitorear actividades. Luego, los datos se compartieron en una simulación con 1000 drones. El mismo método de escalado se aplicó a los obstáculos. El equipo comenzó con 8 obstáculos en una prueba del mundo real. La simulación aumentó la cantidad a 128 obstáculos móviles y estáticos para las pruebas finales.

Objetivos diferentes de la prueba de programación de seguridad MAS

Se proporcionaron a los drones diferentes objetivos para ver cómo se desempeñaban en entornos congestionados. Una tarea consistía en intercambiar posiciones mientras estaban en vuelo. Esta tarea puede parecer simple, pero cuando se trata de 1000 drones, el riesgo de colisión es alto.

Aterrizaje

El siguiente objetivo era que los drones aterrizaran sobre cajas móviles. Las cajas móviles eran robots llamados Turtlebots. Los Turtlebots estaban configurados para circular a diferentes velocidades. Los drones necesitaban navegar alrededor de cada uno y aterrizar de forma segura en el turtlebot para completar su tarea.

Resultados de la prueba de programación de seguridad MAS

Los resultados del estudio de programación de seguridad son reveladores. Por un lado, los dispositivos superaron a sus predecesores tanto en entornos 2D como 3D. El uso del sistema de observaciones de nubes de puntos basadas en LiDAR para manejar obstáculos resultó ser una gran adición. Permitió a los drones hacer ajustes en tiempo real y permanecer en sus zonas de seguridad designadas.

Los Crazyflies volaron, completaron sus tareas en medio del vuelo y aterrizaron con éxito sin colisiones. Los ingenieros concluyeron que su sistema podría proporcionar una reducción del 40 % en colisiones. También mejoró el rendimiento de los drones, permitiéndoles completar tareas que involucraban cientos de drones sin incidentes.

Beneficios del estudio de programación de seguridad MAS

Este estudio aporta varios beneficios al mercado. En primer lugar, permite a los ingenieros equilibrar automáticamente el cumplimiento de los requisitos de seguridad y los criterios de rendimiento. El uso de la teoría de funciones de barrera de control para garantías de seguridad reduce drásticamente los peligros para quienes se encuentran cerca de estas máquinas. Además, el uso de sistemas LiDAR garantiza retroalimentación en tiempo real y ajustes de la ruta de vuelo.

Solo destino

Una de las mayores ventajas de esta tecnología es que los ingenieros no planificaron ninguna ruta de vuelo, a diferencia de los métodos tradicionales que requieren mucho tiempo y esfuerzo computacional para crearla. El equipo solo dio al drone instrucciones y un destino. El dispositivo no calculó una única trayectoria libre de colisiones. En su lugar, calculó miles de trayectorias basadas en su entrada sensorial en tiempo real, asegurando que todos los cambios se rastreen y se realicen los ajustes necesarios.

Escalable

Los ingenieros realizaron una importante mejora al sistema actual con su último controlador de copiar‑y‑pegar. Este protocolo utiliza una estructura de grafo que es ideal para un control distribuido escalable y generalizable de los MAS.

Este enfoque significa que los futuros pilotos de drones solo necesitarán programar un pequeño número de unidades. Los parámetros de seguridad pueden escalarse luego a una cantidad ilimitada de drones, ahorrando dinero, tiempo y esfuerzo, sin sacrificar el rendimiento.

Aplicaciones de la programación de seguridad MAS

La lista de aplicaciones para esta tecnología sigue creciendo. La capacidad de crear, distribuir y escalar fácilmente el protocolo del controlador es una gran mejora para los sistemas anti‑colisión de drones. Permite que aplicaciones a gran escala se configuren rápidamente para nuevos entornos. Esta capacidad hace que la tecnología sea adecuada para su uso en almacenes, operaciones de búsqueda y rescate, automóviles autónomos y tareas militares.

Investigadores de programación de seguridad MAS

Los investigadores detrás de este trabajo incluyen al Profesor Asociado de Aeronáutica y Astronáutica del MIT, Chuchu Fan. Además, Songyuan Zhang, Oswin y Kunal Garg asistieron en la investigación. Cabe destacar que el estudio recibió apoyo financiero de la National Science Foundation de EE. UU., del MIT Lincoln Laboratory bajo el programa Safety in Aerobatic Flight Regimes (SAFR) y de la Defence Science and Technology Agency de Singapur.

Una empresa líder en vehículos autónomos

Varias compañías podrían aprovechar el estudio de programación de seguridad MAS para mejorar sus ofertas de UAV o EV. A medida que más fabricantes de naves autónomas se lanzan, los requisitos de seguridad para flotas de vehículos autónomos aumentarán. Aquí hay una empresa que está perfectamente posicionada para aprovechar estos datos y mejorar sus retornos de inversión.

Amazon

Cuando se trata de operar enjambres de robots autónomos, Amazon (AMZN ) es el líder del sector. La compañía integró robots autónomos en su fábrica hace muchos años. Desde entonces ha ampliado su flota de drones para incluir UAVs y EVs. A medida que su flota crece, habrá mayor demanda de parámetros de seguridad y sistemas de control como los desarrollados por los investigadores del MIT.

Amazon ha insinuado durante mucho tiempo sobre flotas de entrega con drones. En el próximo año, la compañía podría iniciar su lanzamiento. Cabe destacar que la FAA aprobó los drones MK30 que planean usar para vuelos en noviembre pasado.

Amazon también ha avanzado hacia su objetivo a 10 años de entregar paquetes mediante drones en la UE. Específicamente, la compañía probó su sistema de entrega en San Salvo, Italia, en diciembre pasado con excelentes resultados.

Si tiene éxito, Amazon podría usar drones para entregar a más de 500 millones de clientes cada año. Esta maniobra reduciría significativamente los costos de entrega y el robo, lo que podría hacer que las acciones de AMZN experimenten ganancias.

Futuro de la programación de seguridad MAS

El futuro de la programación de seguridad de drones son sistemas de IA de alto rendimiento y escalables. Estos sistemas permitirán a los ingenieros simplificar todo, desde la creación hasta la gestión y distribución de los protocolos de seguridad.

En el futuro, tu drone de entrega tendrá una comprensión completa de su entorno en tiempo real, su ruta de vuelo y la ubicación de sus compañeros de trabajo. Por ello, la gente sigue acercándose al día en que una entrega de 24 horas pueda parecer demasiado lenta.

Conoce otros desarrollos interesantes en el sector de la robótica aquí.

Referencia del estudio:

^{1. Zhang, S., So, O., Garg, K., & Fan, C. (2025). GCBF+: A neural graph control barrier function framework for distributed safe multi-agent control. IEEE Transactions on Robotics. https://doi.org/10.1109/TRO.2025.3530348}