Reflection-Based Relative Localization for Cooperative UAV Teams Using Active Markers

Resumen Técnico: Localización Relativa Basada en Reflexión para Equipos Cooperativos de UAV

Enunciado del Problema
La localización relativa fiable es crítica para la ejecución segura de tareas colaborativas por sistemas multi-robot. Si bien los Sistemas Globales de Navegación por Satélite (GNSS) son estándar para operaciones al aire libre, su fiabilidad se degrada significativamente en bosques densos, cañones urbanos y paisajes naturales, y son completamente indisponibles en interiores. Las alternativas existentes presentan limitaciones específicas: los sistemas de Cinemática en Tiempo Real (RTK) restringen las operaciones al alcance de una estación terrestre; los sistemas de captura de movimiento carecen de flexibilidad para entornos desconocidos; y los métodos basados en visión que utilizan marcadores pasivos (por ejemplo, AprilTags) imponen restricciones a la dinámica del sistema y al tamaño del marcador. Además, los sistemas de marcadores activos (por ejemplo, UVDAR) requieren típicamente conocimiento previo de la configuración del marcador y sufren una reducción de la precisión a medida que aumenta la distancia, particularmente para Vehículos Aéreos No Tripulados Micro (MAV), donde el espaciado físico entre marcadores se vuelve insuficiente para una separación de píxeles fiable. Además, las reflexiones superficiales de marcadores activos se consideran tradicionalmente una fuente de ambigüedad y ruido, mitigadas a menudo mediante filtros de polarización o luz estructurada, en lugar de ser utilizadas para la localización.

Metodología
El enfoque propuesto introduce un novedoso sistema de localización relativa basado en reflexión que explota las reflexiones superficiales de marcadores activos unidos a los miembros del equipo. El sistema opera sin conocimiento previo del tamaño del robot, la configuración del marcador o las propiedades de la superficie.

• Fundamento Teórico: El método modela la interacción entre la luz no polarizada (emitida por los LEDs de los UAV) y las superficies reflectantes. Considera tanto las reflexiones especulares como las difusas, reconociendo que las irregularidades superficiales (por ejemplo, olas de agua, suelos texturizados) causan que la reflexión se disperse. El sistema deriva el coeficiente de potencia de reflexión basándose en las ecuaciones de Fresnel y modela la rugosidad superficial utilizando distribuciones de altura gaussianas o modelos de ondas capilares-gravitatorias para superficies de agua dinámicas.
• Detección y Agrupamiento: Cada UAV emite una secuencia única de parpadeo mediante LEDs UV. El UAV observador detecta estas señales y sus reflexiones. Para manejar configuraciones de alta exposición requeridas para la detección de reflexiones, donde un solo LED puede aparecer como múltiples puntos brillantes, el sistema emplea un algoritmo de agrupamiento. Las detecciones dentro de un radio específico se agrupan; el grupo dominante representa la fuente de luz directa ($p_d$), mientras que un grupo secundario ubicado verticalmente debajo se identifica como candidato de reflexión ($p_r$). Si la secuencia de parpadeo no puede extraerse de la reflexión, $p_r$ se identifica geométricamente basándose en la alineación vertical relativa a $p_d$.
• Modelado Geométrico: El sistema construye dos conos elípticos para representar la incertidumbre:
  1. Cono de Fuente Directa: Representa la incertidumbre alrededor del vector de acimut directo ($\vec{b}_d$) debido a la resolución de la cámara y las imprecisiones de detección.
  2. Cono de Reflexión: Representa la incertidumbre alrededor del vector de reflexión ($\vec{b}_r$). Este cono se construye basándose en la dispersión de la reflexión sobre la superficie, definida por los ejes mayor y menor de una elipse centrada en el centroide de la reflexión.
• Estimación de Posición: La intersección de estos dos conos define la ubicación posible del UAV transmisor. Dado que la intersección de dos conos resulta en un sistema no lineal complejo, los autores emplean un enfoque basado en muestreo aleatorio. Se muestrean vectores desde el cono de reflexión y se prueban contra las restricciones del cono de fuente directa. Las muestras válidas (inliers) se alimentan a un filtro de partículas con un modelo de movimiento de velocidad constante y un núcleo Cauchy robusto para las actualizaciones de peso. La estimación final de la posición se deriva de la nube de partículas ponderada.
• Restricciones: El método asume la operación sobre superficies de suelo o agua donde se puede obtener una reflexión dominante única de manera fiable. No depende de reflexiones en paredes, ya que las paredes urbanas típicamente producen reflexiones difusas con intensidad insuficiente y requieren conocimiento de la orientación de la pared.

Contribuciones Clave

1. Derivación Teórica: El trabajo proporciona el fondo teórico y la física subyacente a la localización basada en reflexión, modelando la interacción de la luz con diversas propiedades de la superficie.
2. Algoritmo Novel: Se propone un enfoque de localización relativa solo con cámara que requiere únicamente el rango a la superficie reflectante (por ejemplo, desde un telémetro orientado hacia abajo o un barómetro) y ningún conocimiento previo de los tamaños de los miembros del equipo o las propiedades de la superficie.
3. Validación Experimental: El enfoque se valida en plataformas heterogéneas (UAV grandes y MAV pequeños) tanto en entornos interiores como exteriores, demostrando robustez ante condiciones de iluminación variables y tipos de superficie (PVC, baldosas, agua).

Resultados

• Rendimiento Interior: Los experimentos realizados en suelos de PVC y baldosas bajo condiciones de luz diurna y nocturna mostraron un funcionamiento fiable. El Error Absoluto Medio (MAE) fue consistentemente más bajo a lo largo del eje vertical (z) (aprox. 0,08–0,12 m) y más alto a lo largo del eje óptico (x) (aprox. 1,22–2,12 m), lo cual es esperado para la estimación de profundidad monoculular. El sistema funcionó exitosamente en tiempo real en hardware de baja potencia computacional (Raspberry Pi 5).
• Rendimiento Exterior: En experimentos exteriores sobre agua, el método alcanzó un rango efectivo superior a 30 metros.
• Comparación con el Estado del Arte: Al compararse con el método UVDAR (que depende de la detección de línea de visión directa de un espaciado de marcador conocido):
  • El método basado en reflexión mantuvo una alta precisión a distancias superiores a 30 m, mientras que UVDAR tuvo dificultades más allá de 20 m.
  • A lo largo del eje óptico (x), el método propuesto redujo el MAE entre un 18,5% y un 37,3% en comparación con UVDAR, con mejoras estadísticamente significativas (valor p < 0,05).
  • A lo largo del eje lateral (y), se observaron mejoras del 13,9% al 58,7% en experimentos específicos.
  • La precisión vertical (z) fue comparable a UVDAR, sin diferencia estadísticamente significativa.
• Robustez: El análisis de sensibilidad indicó que sesgos sistemáticos de altura de hasta ±15% resultaron en solo variaciones menores en la precisión de localización, confirmando la robustez del método.

Significado
El artículo afirma que este trabajo representa la primera exploración de la localización relativa para sistemas multi-robot utilizando reflexiones superficiales. Al transformar un artefacto típicamente no deseado (reflexiones) en una señal útil, el método extiende el rango operativo de la localización basada en visión y elimina la dependencia de configuraciones de marcadores predefinidas. Esto permite soluciones eficientes y compactas para vuelos de formación cooperativa cercanos en entornos interiores confinados y operaciones marinas, particularmente donde el GNSS no está disponible y los sistemas tradicionales basados en marcadores están limitados por restricciones de tamaño o iluminación. El enfoque ofrece una alternativa ligera y rentable que mejora la autonomía de equipos heterogéneos de UAV.