Stable Multi-Drone GNSS Tracking System for Marine Robots

Este trabajo presenta un sistema de seguimiento GNSS estable y en tiempo real para robots marinos, que utiliza una flota de drones con detección visual, alineación de IDs cooperativa y un filtro de Kalman extendido ponderado por confianza para superar la pérdida de señal bajo el agua.

Lo esencial

¡Claro que sí! Imagina que quieres seguir a un barco o un robot que se mueve bajo el agua, pero hay un gran problema: el GPS no funciona bajo el agua. Es como intentar usar un teléfono móvil dentro de una piscina; las señales de los satélites se pierden apenas tocan el agua.

Este paper presenta una solución genial para ese problema. Aquí te lo explico como si fuera una historia de detectives y globos aerostáticos:

🌊 El Problema: El Robot "Ciego"

Imagina que tienes un robot nadador (un dron submarino). Cuando está en la superficie, puede usar el GPS como un humano usa Google Maps. Pero en cuanto se zambulle un poquito, se queda "ciego" y no sabe dónde está.

• Las soluciones viejas: Antes, usaban sensores que contaban pasos (como caminar a ciegas), pero se equivocaban mucho con el tiempo. O usaban boyas fijas en el fondo del mar, pero eso es caro y requiere instalar infraestructura por todas partes.

🚁 La Solución: El Equipo de "Globos Detectives"

En lugar de ponerle un GPS al robot (que no funciona), los autores usan drones volando arriba como si fueran globos aerostáticos con cámaras.

1. Los Ojos en el Cielo: Imagina que tienes tres drones volando sobre el robot. Ellos ven al robot desde arriba, como si fueran águilas.
2. El Truco de la Triangulación: Cada drone sabe exactamente dónde está (gracias a su propio GPS en el aire). Cuando un drone ve al robot, puede calcular: "Si yo estoy aquí y veo al robot en esa dirección, el robot debe estar en este punto del mapa".
3. El Equipo de Seguridad (Redundancia): Si usas un solo drone y pasa una nube o el drone se tambalea por el viento, pierdes al robot. Pero si usas tres drones, si uno pierde de vista al robot, los otros dos siguen viéndolo. Es como tener tres guardias de seguridad; si uno se distrae, los otros dos siguen vigilando.

🧠 El Cerebro: Cómo se ponen de acuerdo

Aquí es donde la tecnología se vuelve muy inteligente. Tienen que resolver dos problemas difíciles:

• Problema 1: "¿Eres tú?" (Identidad)
  A veces, el viento mueve la cámara y el robot se ve borroso. Un sistema tonto podría pensar que el Robot A desapareció y que acaba de aparecer el Robot B.

  • La Solución: Usan una mezcla de "ojo" y "GPS". No solo miran si la imagen se parece (como comparar fotos), sino que también miran si la posición GPS calculada tiene sentido. Es como si dos amigos te vieran en una multitud: uno dice "es él por la cara" y el otro dice "es él porque está a 5 metros de donde dijiste que estaba". Juntos, no se equivocan.

• Problema 2: "¿Quién es quién?" (Sincronización)
  Si el Drone 1 llama al robot "Juan" y el Drone 2 lo llama "Pedro", el sistema se confunde.

  • La Solución: Tienen un algoritmo que actúa como un árbitro. Revisa las posiciones de todos los drones y les dice: "Oye, el 'Juan' del Drone 1 y el 'Pedro' del Drone 2 son la misma persona, así que de ahora en adelante todos lo llamaremos 'Juan'".

📊 ¿Qué tan bien funciona?

Lo probaron en el agua real con robots de verdad.

• El resultado: ¡Funciona increíblemente bien! En las pruebas más fáciles, el error fue de menos de 1 metro (¡menos que la longitud de un coche!).
• En situaciones difíciles: Incluso cuando el robot daba vueltas rápidas o había mucho viento, el error se mantuvo bajo los 2 metros.
• Comparación: Si usaras solo un drone, el error sería un poco más grande, pero con tres drones, el sistema es muy estable y no se pierde el rastro.

💡 En resumen

Imagina que quieres seguir a un amigo que nada bajo el agua sin que él lleve un GPS. En lugar de que él intente adivinar su posición, tienes a tres amigos volando en drones sobre él, tomando fotos y diciéndole constantemente: "Estás aquí, a la izquierda de esa roca".

Este sistema es barato (los drones cuestan menos que los complejos sistemas de navegación submarina), rápido (funciona en tiempo real) y robusto (si uno falla, los otros salvan el día). Es como tener un equipo de rescate aéreo que nunca deja de vigilar a los nadadores.

¿Por qué es importante?
Esto ayuda a limpiar el océano, inspeccionar tuberías, buscar personas perdidas o estudiar la vida marina, todo sin necesidad de que los robots lleven equipos pesados y caros bajo el agua. ¡Es la tecnología de "ojos en el cielo" para salvar el mundo submarino!

Resumen técnico

Resumen Técnico: Sistema de Seguimiento GNSS Estable con Múltiples Drones para Robots Marinos

1. Planteamiento del Problema

La localización precisa y continua de robots marinos es fundamental para aplicaciones como la exploración oceánica, la inspección de infraestructuras y el rescate. Sin embargo, existe una limitación crítica: las señales del Sistema Global de Navegación por Satélite (GNSS) se pierden inmediatamente bajo la superficie del agua.

• Limitaciones de métodos existentes:
  • Sensores a bordo (IMU/DVL): Sufren de deriva acumulativa (drift) con el tiempo.
  • SLAM (Localización y Mapeo Simultáneo): Son computacionalmente costosos y poco estables en entornos dinámicos.
  • Acústica (LBL/USBL): Dependen de infraestructura fija (balizas) y tienen altos costos de implementación.
  • Drones individuales: El uso de un solo dron para localización aérea presenta puntos únicos de fallo, problemas de oclusión y cobertura limitada.

El objetivo de este trabajo es cerrar esta brecha de localización mediante un sistema de localización fuera de bordo (offboard) que utilice múltiples drones aéreos para rastrear robots marinos cerca de la superficie de manera robusta, escalable y de bajo costo.

2. Metodología Propuesta

El sistema propuesto integra visión por computadora, geometría de triangulación y filtrado estadístico en tres etapas principales:

A. Adquisición de Datos y Preprocesamiento

• Se realizaron pruebas de campo en agua dulce utilizando robots marinos y tres drones volando a diferentes altitudes.
• Se aplicó un aumento de datos (data augmentation) específico para el dominio marino (desenfoque de movimiento, distorsión de vidrio/agua, variaciones de brillo) para entrenar modelos de visión robustos.

B. Detección y Seguimiento Visual

• Detección: Se utiliza una red neuronal YOLO v11 fine-tuneada para detectar robots marinos en video aéreo.
• Seguimiento: Se emplea el algoritmo ByteTrack por su eficiencia computacional y capacidad para mantener la asociación de datos bajo incertidumbre. Cada dron ejecuta el seguimiento de forma independiente.

C. Estimación de Posición GNSS (Triangulación)

• A partir de las coordenadas del píxel del objeto en la imagen y los parámetros de la cámara (focal, altitud del dron, orientación), el sistema calcula la distancia angular y la distancia al suelo.
• Mediante trigonometría y la orientación del dron (rumbo), se convierten los desplazamientos en coordenadas globales (Latitud/Longitud) relativas al dron.

D. Filtrado y Agregación de Datos (EKF)

• Para fusionar las estimaciones de múltiples drones, se utiliza un Filtro de Kalman Extendido (EKF).
• Se implementa una agregación ponderada por confianza: las estimaciones de posición de cada dron se promedian ponderando sus puntuaciones de confianza (confidence scores) de la detección visual antes de pasar al filtro EKF. Esto reduce el ruido y mejora la estabilidad.

E. Contribuciones Clave en la Estabilidad de Identidad (ID)
El mayor desafío en el seguimiento multi-dron es mantener la consistencia de la identidad (ID) del robot a través de diferentes vistas.

1. Emparejamiento Híbrido (Hybrid Matching): Para evitar cambios de ID (ID switches) causados por vibraciones de la cámara o movimientos rápidos, se combina la puntuación de superposición de imágenes (IoU) con la distancia geodésica (Haversine) en el espacio GNSS.
   • Fórmula: $s(t, d) = w_1 \cdot \text{IoU} + w_2 \cdot \text{Distancia}_{GNSS}$.
   • Esto asegura que si la imagen es ambigua, la proximidad geográfica ayude a mantener la identidad correcta.
2. Algoritmo de Alineación de ID: Se designa un dron de referencia. Las detecciones de los otros drones se alinean con las pistas del dron de referencia utilizando el método húngaro (Hungarian method) basado en la distancia GNSS filtrada, garantizando una identidad global consistente.

3. Resultados Experimentales

Los autores evaluaron el sistema en cinco categorías de pruebas con condiciones de creciente dificultad (trayectorias lineales, no lineales, giros bruscos y variación en el número de drones).

• Precisión:
  • En el escenario ideal (3 drones, trayectorias lineales), el error medio fue de 0.942 m.
  • En el escenario más desafiante (3 drones, giros bruscos), el error medio fue de 1.732 m.
  • El sistema mantiene un error sub-2 metros incluso con un solo dron (1.111 m), demostrando robustez.
• Estabilidad de Identidad:
  • Bajo turbulencia aérea fuerte, el seguimiento basado solo en IoU sufrió un promedio de 1.33 cambios de ID por dron cada 500 m.
  • El método de emparejamiento híbrido logró 0 cambios de ID, demostrando su superioridad en condiciones adversas.
• Rendimiento en Tiempo Real:
  • Implementado en una computadora embebida NVIDIA Jetson Xavier, el sistema procesa el pipeline completo en ~0.176 segundos por cuadro, logrando una tasa de actualización de posición de 5 Hz, suficiente para aplicaciones en tiempo real.

4. Contribuciones Principales

1. Sistema Multi-Drone Cooperativo: Una arquitectura escalable que utiliza la redundancia de múltiples drones para mitigar oclusiones y fallos de seguimiento, superando las limitaciones de los sistemas de un solo dron.
2. Algoritmo de Alineación de ID Global: Un método novedoso para sincronizar las identidades de los robots entre diferentes drones sin necesidad de comunicación de datos brutos, solo compartiendo estados estimados.
3. Estrategia de Emparejamiento Híbrido: La fusión de métricas visuales (IoU) y geoespaciales (GNSS) para estabilizar el seguimiento frente a vibraciones y movimientos rápidos.
4. Validación en Entornos Complejos: Demostración práctica de que es posible lograr una localización precisa (<2m) sin infraestructura subacuática costosa, utilizando únicamente drones comerciales y robots de superficie.

5. Significado e Impacto

Este trabajo representa un avance significativo en la robótica marina al ofrecer una solución de localización de bajo costo, portátil y de alta precisión.

• Viabilidad Económica: El costo de cuatro drones es comparable al de un sistema de localización marino a bordo, pero el sistema propuesto permite localizar múltiples robots simultáneamente y no obliga a los robots a permanecer en la superficie para recalcular su posición.
• Aplicabilidad: Es ideal para inspección de acuicultura, respuesta a inundaciones, búsqueda y rescate (incluso para humanos en el agua) y monitoreo ambiental.
• Futuro: Los autores planean mejorar aún más la precisión utilizando filtros de partículas para manejar no linealidades más complejas y probar el sistema en condiciones meteorológicas extremas y con pérdida de datos parcial.

En conclusión, el sistema demuestra que la cooperación aérea-marina mediante múltiples drones es una alternativa viable y superior a los métodos tradicionales para la localización de robots en la superficie del agua.