A Cooperative Multi-Agent Probabilistic Framework for Search and Track Missions

A continuación se presenta un resumen técnico detallado del artículo "A Cooperative Multiagent Probabilistic Framework for Search and Track Missions" (Un Marco Probabilístico Cooperativo Multiagente para Misiones de Búsqueda y Rastreo), publicado en IEEE Transactions on Control of Network Systems (2021).

1. Planteamiento del Problema

El artículo aborda el desafío de realizar misiones de búsqueda y rastreo cooperativo en un área de vigilancia acotada utilizando un grupo de agentes móviles autónomos (por ejemplo, drones). El problema se caracteriza por las siguientes dificultades:

• Número de objetivos desconocido y variable: No se conoce a priori la cantidad de objetivos (víctimas, por ejemplo) presentes. Los objetivos pueden "nacer" (aparecer) o "morir" (desaparecer) en cualquier momento y lugar dentro de la región de vigilancia.
• Limitaciones de los sensores: Los agentes tienen un rango de detección limitado y sus mediciones son ruidosas, incluyendo falsas alarmas (clutter).
• Limitaciones de comunicación: Los agentes solo pueden intercambiar información cuando están dentro de un rango de comunicación específico.
• Doble objetivo: Los agentes deben realizar simultáneamente dos tareas contradictorias: buscar nuevas áreas no exploradas para detectar objetivos y rastrear los objetivos ya encontrados de manera precisa.
• Sobreposición de rastreo: Existe el riesgo de que múltiples agentes rastreen al mismo objetivo simultáneamente, desperdiciando recursos que podrían usarse para la búsqueda.

2. Metodología Propuesta

Los autores proponen un marco descentralizado basado en la teoría de Conjuntos Finitos Aleatorios (RFS) y el filtro PHD (Probability Hypothesis Density). La solución central es el cálculo y propagación recursiva de una Densidad de Búsqueda y Rastreo (SAT-density).

A. Modelo del Sistema

• Objetivos Reales y Virtuales: Se introduce un concepto dual:
  • Objetivos Reales ($\ell=1$): Representan objetivos físicos en movimiento. Su estado y número se estiman mediante el filtro PHD.
  • Objetivos Virtuales ($\ell=0$): Representan ubicaciones estáticas en el entorno que actúan como nodos en un mapa de búsqueda. Su densidad indica qué tan probable es que un área necesite ser re-buscada.
• Dinámica de los Agentes: Los agentes se mueven en un entorno 2D con dinámicas deterministas y poseen localización perfecta. Tienen un rango de detección cuadrado y un rango de comunicación limitado.

B. Densidad de Búsqueda y Rastreo (SAT-density)

La SAT-density, denotada como $\tilde{D}_k$, es una densidad compuesta que se actualiza en dos pasos:

1. Predicción:
   • Para objetivos reales: Se utiliza la ecuación de predicción estándar del filtro PHD (considerando supervivencia y movimiento).
   • Para objetivos virtuales: La densidad de búsqueda de las áreas no observadas se mantiene, mientras que la de las áreas observadas se actualiza con un factor de decaimiento ($J_k$) para indicar que han sido visitadas recientemente.
2. Actualización:
   • Se incorpora la nueva medición $Z_k$.
   • Para objetivos reales: Actualización Bayesiana estándar del PHD.
   • Para objetivos virtuales: Se ajusta la densidad en la zona de detección del agente para reflejar que esa región ha sido "limpiada" o visitada.

C. Estrategias de Búsqueda (Cooperativa)

• Planificación de Ruta: Los agentes utilizan un mapa de búsqueda basado en grafos donde los nodos son los objetivos virtuales. Se define un valor de búsqueda $p_{search}$ para cada región.
• Optimización: Se formula un problema de programación lineal entera (ILP) para encontrar la ruta de menor costo que visite los nodos no visitados (o con valor de búsqueda bajo). Dado que el ILP es computacionalmente costoso, se propone un algoritmo heurístico voraz (basado en el problema de enrutamiento de vehículos) para generar rutas en tiempo real.
• Cooperación: Cuando los agentes están en rango de comunicación, fusionan sus mapas de búsqueda (operación max) y calculan rutas conjuntas para evitar redundancias y cubrir el área más eficientemente.

D. Estrategias de Rastreo y Resolución de Solapamientos

• Control de Rastreo: Los agentes seleccionan acciones de control que maximizan la ganancia de información (medida mediante la divergencia de Rényi) entre la densidad predicha y la densidad actualizada (pseudo-actualizada) de los objetivos.
• Detección de Solapamiento (TOD): Si dos agentes tienen rangos de detección superpuestos y rastrean los mismos objetivos (determinado mediante la métrica OSPA - Optimal Sub-Pattern Assignment sobre una ventana de tiempo), uno de los agentes se desvincula del rastreo y cambia a modo de búsqueda. Esto optimiza el uso de recursos.

3. Contribuciones Clave

1. Marco SAT-density: Desarrollo de una densidad probabilística unificada que gestiona simultáneamente la estimación de objetivos móviles y la planificación de la cobertura del área de búsqueda mediante objetivos virtuales.
2. Arquitectura Descentralizada: El sistema opera sin un controlador central; los agentes toman decisiones locales basadas en información compartida solo cuando es posible, lo que lo hace escalable y robusto.
3. Gestión Dinámica de Modos: Mecanismo automático para cambiar entre modos de "Búsqueda" y "Rastreo", incluyendo una estrategia inteligente para resolver solapamientos de rastreo y reasignar agentes a tareas de búsqueda.
4. Estrategia de Comunicación Eficiente: Propuesta de una estrategia basada en eventos para intercambiar información solo cuando es estrictamente necesario, reduciendo la sobrecarga de comunicación.

4. Resultados Experimentales

Los autores evaluaron el sistema mediante simulaciones de Monte Carlo en un área de $100m \times 100m$ con objetivos que siguen un modelo de velocidad casi constante.

• Eficiencia de Búsqueda: El enfoque cooperativo optimizado superó significativamente a un esquema de búsqueda aleatoria. El porcentaje de área explorada aumentó con el número de agentes y con el rango de comunicación.
• Impacto de la Comunicación: Un mayor rango de comunicación ($CR=50m$ vs $10m$) mejoró drásticamente el rendimiento, permitiendo una planificación de rutas conjuntas más efectiva.
• Precisión de Rastreo (OSPA): El error OSPA (que mide la discrepancia en número y estado de objetivos) disminuyó a medida que aumentaba el número de agentes y el rango de comunicación. La detección de objetivos mejoró gracias a una búsqueda más eficiente.
• Resolución de Solapamientos: La implementación de la detección de solapamiento (TOD) demostró aumentar tanto el tiempo de rastreo exitoso de los objetivos como el porcentaje de área total explorada. Al liberar agentes que rastrearían redundantes, estos pueden buscar nuevas áreas, creando un ciclo virtuoso de descubrimiento y seguimiento.

5. Significado e Impacto

Este trabajo es altamente relevante para aplicaciones de rescate y respuesta a desastres, donde la capacidad de localizar supervivientes en un tiempo limitado es crítica.

• Escalabilidad: El enfoque descentralizado permite escalar el número de agentes sin colapsar el sistema de comunicación.
• Robustez: La capacidad de manejar un número desconocido de objetivos, ruido en los sensores y fallos de comunicación lo hace adecuado para entornos reales y hostiles.
• Eficiencia de Recursos: La estrategia de resolución de solapamientos asegura que no se desperdicien recursos valiosos (agentes) en tareas duplicadas, maximizando la cobertura del área de búsqueda.

En conclusión, el marco propuesto ofrece una solución matemáticamente rigurosa y computacionalmente viable para el problema complejo de la búsqueda y rastreo cooperativo en entornos dinámicos e inciertos.