ODD-SEC: Onboard Drone Detection with a Spinning Event Camera

Este trabajo presenta ODD-SEC, un sistema de detección de drones en tiempo real diseñado para portadores móviles que utiliza una cámara de eventos giratoria y una representación de eventos novedosa sin compensación de movimiento para lograr una detección fiable y una estimación de acimut precisa en condiciones desafiantes.

Lo esencial

¡Claro que sí! Imagina que este paper es la historia de cómo los científicos crearon un "super-visor" para robots que puede ver drones malvados (o curiosos) en todas direcciones, incluso cuando el robot está corriendo, saltando o cuando el sol está a punto de cegarlo.

Aquí tienes la explicación, traducida a un lenguaje sencillo y con analogías divertidas:

🚁 El Problema: El Robot Ciego y el Dron Escurridizo

Imagina que tienes un robot cuadrúpedo (como un perro robot) patrullando un parque. Su misión es detectar drones.

• El problema de las cámaras normales: Son como los ojos humanos. Si el robot se mueve rápido, la imagen se ve borrosa (como cuando intentas sacar una foto a un coche en movimiento). Además, solo ven hacia adelante. Si un drone pasa por detrás, el robot no lo ve hasta que es demasiado tarde.
• El problema de la luz: Si el sol brilla demasiado o es de noche, las cámaras normales se confunden.

👁️ La Solución: Una Cámara que "Siente" en lugar de "Ver"

Los autores usaron una cámara de eventos.

• La analogía: Imagina que una cámara normal es como un pintor que pinta un cuadro completo cada segundo. Si el objeto se mueve rápido, el cuadro sale borroso.
• La cámara de eventos es diferente: Es como un policía que solo grita cuando ve algo moverse. No le importa el color o la luz, solo le importa el cambio. Si un drone pasa rápido, la cámara registra miles de "cambios" en microsegundos. Es tan rápida que ni el sol brillante ni la oscuridad total la confunden.

🌪️ El Truco Maestro: ¡Que Gire! (ODD-SEC)

El mayor desafío era que estas cámaras suelen tener un campo de visión estrecho (como mirar por un tubo).

• La solución: En lugar de tener una cámara fija, ¡la montaron sobre un molino de viento!
• Cómo funciona: El robot tiene un motor que hace girar la cámara 360 grados constantemente. Es como si el robot tuviera un ojo que gira como un faro, viendo todo el horizonte al mismo tiempo.
• El reto: Girar la cámara crea un efecto de "borrosidad" en los datos porque todo se mueve. Pero aquí viene la magia: el sistema está diseñado para entender ese movimiento y no confundirse.

🧠 El Cerebro del Robot: Un Filtro Inteligente

Para que el robot no se maree con tanta información, crearon un sistema de dos partes:

1. El Cortador de Pan (Representación de Eventos): Como la cámara gira y genera millones de datos, el sistema corta la información en "rebanadas" de tiempo muy finas. Esto ayuda a separar al drone del fondo borroso, como si separaras las hojas de un libro que se están volando por el viento.
2. El Detective con Memoria (Red Neuronal): Usaron una inteligencia artificial (basada en YOLOX) que no solo mira una foto, sino que recuerda lo que vio hace un instante.
   • Analogía: Imagina que intentas atrapar una pelota en una habitación que gira. Si solo miras un segundo, no sabes dónde va. Pero si tu cerebro recuerda la trayectoria de los últimos segundos, puedes predecir dónde estará la pelota. El sistema hace lo mismo: entiende el movimiento del drone incluso si el robot está saltando.

📍 ¿Dónde está el drone? (Estimación de Dirección)

Una vez que el sistema ve al drone, no solo dice "¡Ahí está!", sino que calcula exactamente hacia qué ángulo está.

• Es como si el robot pudiera decirte: "El drone está a mi derecha, a unos 30 grados y un poco arriba", incluso mientras el robot está corriendo por un terreno irregular.

🏆 Los Resultados: ¡Funciona en la vida real!

Probaron el sistema en un robot cuadrúpedo (un perro robot) en el exterior:

• Luz extrema: Funcionó bajo el sol abrasador y en la oscuridad.
• Movimiento: Funcionó mientras el robot caminaba y saltaba.
• Precisión: El error al calcular la dirección del drone fue de menos de 2 grados. ¡Es como apuntar con un láser!
• Velocidad: Todo esto ocurre en tiempo real, procesando la información tan rápido como un humano parpadea.

En resumen

ODD-SEC es un sistema que le da a un robot móvil una "visión de rayos X" giratoria. En lugar de luchar contra el movimiento y la mala luz, usa una cámara que solo ve cambios y una inteligencia artificial que entiende el movimiento, logrando detectar drones de forma segura y rápida, incluso cuando el robot está en plena carrera.

¡Es como darle a un robot un escudo invisible que nunca se cansa de mirar alrededor! 🛡️🤖🚁

Resumen técnico

Aquí tienes un resumen técnico detallado del artículo "ODD-SEC: Onboard Drone Detection with a Spinning Event Camera", traducido y adaptado al español:

1. Problema y Motivación

La proliferación de drones plantea desafíos críticos de seguridad y privacidad, requiriendo sistemas de detección robustos. Las soluciones pasivas tradicionales basadas en cámaras de fotogramas (frame cameras) sufren limitaciones fundamentales en escenarios con objetivos de movimiento rápido o iluminación adversa (baja luz o deslumbramiento).

Aunque las cámaras de eventos (event cameras) ofrecen ventajas biológicas inspiradas, como alto rango dinámico (HDR) y respuesta en microsegundos, la mayoría de las soluciones existentes asumen una cámara estática. Esto limita severamente su aplicabilidad en portadores móviles (como robots cuadrúpedos o vehículos terrestres no tripulados), donde el movimiento propio (ego-motion) causa desenfoque y pérdida de seguimiento. Además, el campo de visión (FoV) limitado de las cámaras de eventos convencionales impide la detección de drones que pueden salir rápidamente del rango observable.

2. Metodología Propuesta (ODD-SEC)

El sistema ODD-SEC es una solución integral diseñada para ser desplegada en portadores móviles, combinando hardware especializado y algoritmos de aprendizaje profundo.

A. Configuración de Hardware

• Cámara Giratoria: Se utiliza una cámara de eventos (DVXplorer) montada sobre una plataforma giratoria accionada por un motor paso a paso. Esto permite un campo de visión horizontal de 360°, superando las limitaciones de cobertura de las cámaras fijas.
• Sincronización: Un interruptor fotoeléctrico define el punto cero de rotación y envía señales de sincronización a la cámara para recuperar la orientación angular precisa.
• Procesamiento a Bordo: La unidad de computación (Jetson Orin NX) gira junto con la cámara, eliminando la necesidad de anillos deslizantes o transmisión inalámbrica de alta velocidad para los datos brutos.

B. Diseño del Algoritmo

El flujo de trabajo se divide en cuatro etapas principales:

1. Representación Espaciotemporal de Multi-rodajas (MSR):

   • Para evitar la pérdida de información y el desenfoque espacial causados por la rotación continua, los eventos se dividen en una ventana temporal fija ($\Delta T$) en $N$ sub-intervalos uniformes.
   • Esto crea "rodajas" (slices) espaciotemporales que capturan patrones de movimiento sin necesidad de compensación de movimiento compleja.

2. Red Neuronal con Módulo de Fusión Temporal (TFM):

   • Se basa en una variante de YOLOX adaptada para eventos.
   • Introduce un Módulo de Fusión Temporal (TFM) que procesa la secuencia de rodajas. Utiliza un mecanismo de Compuerta de Canales de Características (FCG) para ponderar adaptativamente las características, amplificando las señales del objetivo y suprimiendo el ruido de fondo inducido por el movimiento propio.
   • Un Codificador de Contexto de Movimiento genera un Vector de Contexto Temporal (TCV) que se fusiona con las características espaciales, permitiendo al réseau aprender correlaciones espaciotemporales sin estimación de flujo óptico costosa.

3. Pérdida Sensible a la Escala (Scale-Aware Loss):

   • Dado que la distancia al dron varía drásticamente (cambiando la escala del objetivo), se reemplaza la pérdida IoU estándar por EIoU (Efficient IoU). Esto desacopla la penalización de la distancia del punto central y la relación de aspecto, mejorando la precisión de la regresión de cajas en objetivos pequeños y lejanos.

4. Estimación de Acimut (Bearing Estimation):

   • Tras la detección 2D, se proyecta el centroide del dron al sistema de coordenadas 3D de la plataforma giratoria utilizando la matriz intrínseca de la cámara y el ángulo de rotación instantáneo.
   • Se calculan los ángulos de acimut y elevación en coordenadas esféricas para determinar la dirección relativa del dron.

3. Contribuciones Clave

1. Diseño de Sistema Giratorio: Primera integración de una cámara de eventos giratoria en un portador móvil para lograr percepción panorámica de 360° y detección de drones a largo plazo.
2. Representación y Red Neuronal Innovadoras: Propuesta de una representación de eventos tipo imagen que no requiere compensación de movimiento, junto con una arquitectura ligera (YOLOX + TFM) capaz de manejar el movimiento propio y grandes volúmenes de datos.
3. Validación en Escenario Real: Demostración de un sistema completo desplegado en un robot cuadrúpedo (Unitree Go2-W) en exteriores, logrando detección en tiempo real y estimación de acimut bajo condiciones dinámicas.

4. Resultados Experimentales

Los experimentos se realizaron en exteriores con un robot cuadrúpedo y un dron DJI Mini 4K, evaluando condiciones de iluminación variadas y movimiento.

• Rendimiento bajo Iluminación: El sistema demostró robustez superior frente a condiciones de alto deslumbramiento (sol directo) y baja luz, donde las cámaras tradicionales fallarían, gracias al rango dinámico de la cámara de eventos.
• Precisión de Detección:
  • En condiciones estándar, se obtuvo una Precisión Media (AP) del 62.19%.
  • La inclusión del Módulo de Fusión Temporal mejoró la AP en un 2.73% y la tasa de recuperación (Recall) en un 2.75%.
• Precisión de Acimut:
  • El error angular medio en condiciones estáticas fue de aproximadamente 1.7° - 2.0°.
  • En condiciones de movimiento (robot en marcha), el error medio se mantuvo por debajo de 2.06°, con un error máximo de ~4.3°, validando la capacidad del sistema para operar en entornos dinámicos.
• Eficiencia Computacional:
  • Implementado en un NVIDIA Jetson Orin NX, el sistema opera en tiempo real a ~22 Hz (22 cuadros por segundo), suficiente para aplicaciones de vigilancia en movimiento.

5. Significado e Impacto

ODD-SEC representa un avance significativo en la vigilancia autónoma y la seguridad de espacios aéreos. Al resolver el problema del campo de visión limitado y la inestabilidad ante el movimiento propio en cámaras de eventos, el sistema permite el despliegue de detectores de drones en plataformas móviles (robots, vehículos) sin depender de infraestructura estática.

Su capacidad para operar en tiempo real con hardware de borde (edge computing) y su robustez ante condiciones climáticas y de iluminación extremas lo convierten en una solución práctica para aplicaciones del mundo real. Los autores han anunciado que liberarán el código completo como software de código abierto para fomentar la investigación futura en este campo.