Collaborative Planning with Concurrent Synchronization for Operationally Constrained UAV-UGV Teams

Este trabajo presenta CoPCS, un enfoque de aprendizaje basado en grafos heterogéneos y transformadores que permite la planificación colaborativa y sincronizada en tiempo real de equipos de UAVs y UGVs, optimizando conjuntamente la asignación de tareas y la recarga de energía para superar las limitaciones operativas individuales.

Lo esencial

Imagina que tienes un equipo de exploradores en un terreno difícil. Tienes dos tipos de compañeros:

1. Los "Aves Rápidas" (Drones): Son muy ágiles, vuelan rápido y pueden ver todo el territorio desde arriba. Pero tienen un gran problema: se les acaba la batería muy rápido. Si vuelan demasiado, se quedan paralizados en el aire.
2. Los "Tanques Terrestres" (Robots de Tierra): Son lentos y no pueden cruzar ríos o montañas (solo pueden ir por caminos), pero tienen baterías gigantes y pueden llevar cargadores portátiles.

El Problema:
Si los Aves Rápidas intentan hacer todo el trabajo solas, se quedan sin energía antes de terminar. Si los Tanques Terrestres intentan hacerlo solos, tardarían una eternidad o no podrán llegar a ciertos lugares. Necesitan trabajar juntos, pero aquí está la trampa: no pueden simplemente esperar el uno al otro. Si el dron espera al robot para cargar, pierde tiempo valioso. Si el robot llega tarde, el dron se cae del cielo.

La Solución: CoPCS (El "Director de Orquesta" Inteligente)
Los autores de este paper crearon un sistema llamado CoPCS. Piensa en CoPCS como un director de orquesta súper inteligente que no solo sabe qué nota tocar cada músico, sino que sabe exactamente cuándo tocarla para que todo suene perfecto al mismo tiempo.

Aquí te explico cómo funciona con una analogía sencilla:

1. El Mapa Mental (El Grafo Heterogéneo)

Imagina que CoPCS tiene un mapa mental donde cada punto es una "estrella" conectada por líneas.

• Las estrellas son: los drones, los robots, las tareas (lugares a visitar) y los caminos.
• Las líneas conectan quién puede hablar con quién.
• La magia: Este mapa no solo ve dónde están, sino que entiende las reglas del juego: "El dron tiene poca batería" o "El robot no puede cruzar ese río". Es como si el director de orquesta supiera que el violinista se cansa rápido y el baterista tiene mucha energía.

2. La Sincronización (El Baile Perfecto)

La parte más genial de CoPCS es la sincronización concurrente.

• Antes (Métodos viejos): El dron volaba, se quedaba sin batería, esperaba al robot, el robot llegaba, cargaba, y luego seguían. Era como un baile donde uno espera a que el otro termine de girar antes de dar un paso. ¡Muy lento!
• Con CoPCS: Es como un baile de salsa perfecto. Mientras el dron está volando y terminando su última tarea, el robot ya está calculando la ruta para llegar justo al punto exacto donde el dron aterrizará para cargar.
  • El dron aterriza -> ¡Zas! -> Ya está cargando.
  • El robot sigue moviéndose -> ¡Zas! -> Ya está en la siguiente posición.
  • Nadie espera a nadie. Todo ocurre al mismo tiempo (concurrente).

3. El Entrenamiento (Aprendiendo de un Maestro)

¿Cómo aprende CoPCS a hacer esto?
No le enseñaron reglas aburridas de matemáticas. En su lugar, usaron un sistema de imitación.

• Imagina que tienes un genio matemático (un solver) que puede resolver el problema perfecto, pero le toma horas hacerlo.
• CoPCS es un estudiante brillante que observa al genio resolver el problema una y otra vez.
• El estudiante aprende a imitar al genio, pero mucho más rápido. Al final, el estudiante (CoPCS) puede tomar decisiones en milisegundos, casi como si tuviera un presentimiento de qué hacer, pero basándose en lo que aprendió del maestro.

¿Por qué es importante esto?

En el mundo real, esto significa que podemos tener equipos de robots que:

• Monitorean bosques después de un incendio.
• Buscan supervivientes en ciudades destruidas.
• Hacen inspecciones de grandes granjas.

Y lo hacen más rápido y sin quedarse sin energía, porque los robots de tierra actúan como "gasolineras móviles" que se mueven al mismo ritmo que los drones.

En resumen:
CoPCS es como un cerebro colectivo que coordina a los rápidos (drones) y a los fuertes (robots de tierra) para que trabajen en equipo sin perder ni un segundo, asegurando que los rápidos nunca se queden sin energía y los fuertes siempre estén en el lugar correcto en el momento exacto. ¡Es como tener un equipo de superhéroes donde nadie se queda atrás!

Resumen técnico

Aquí presento un resumen técnico detallado del artículo "Collaborative Planning with Concurrent Synchronization for Operationally Constrained UAV-UGV Teams" (Planificación Colaborativa con Sincronización Concurrente para Equipos de UAV-UGV con Restricciones Operativas), traducido y estructurado en español.

---

1. Definición del Problema

El trabajo aborda el desafío de la planificación colaborativa en equipos de robots heterogéneos compuestos por Vehículos Aéreos No Tripulados (UAV) y Vehículos Terrestres No Tripulados (UGV) que operan bajo restricciones operativas severas:

• Restricciones de los UAV: Tienen una capacidad de energía limitada, lo que restringe su autonomía y duración de vuelo. Necesitan recargarse frecuentemente para completar misiones de gran escala (como monitoreo ambiental).
• Restricciones de los UGV: Tienen una mayor capacidad energética y pueden actuar como estaciones de recarga móviles, pero su movimiento está limitado por la traversabilidad del terreno (solo pueden transitar por caminos o zonas transitables).
• El Núcleo del Problema: Ninguna plataforma puede completar la misión por sí sola. Se requiere una planificación conjunta sincronizada donde:
  1. Los UAV planifiquen qué puntos de tarea visitar y en qué orden (Planificación de tareas multi-UAV con restricción de energía).
  2. Los UGV planifiquen rutas eficientes por la red vial (Planificación de rutas multi-UGV con restricción de traversabilidad).
  3. Sincronización Concurrente: Ambos equipos deben coordinar sus movimientos para que los UAV lleguen a los puntos de recarga exactamente cuando los UGV estén disponibles, permitiendo la recarga "en misión" sin detener la operación global.

Los métodos tradicionales (optimización basada en MIP, programación dinámica) son computacionalmente costosos y no escalan para tiempo real. Los métodos de aprendizaje existentes a menudo ignoran las restricciones operativas o no logran la sincronización concurrente, causando tiempos de misión más largos o fallos.

2. Metodología: CoPCS

Los autores proponen CoPCS (Collaborative Planning with Concurrent Synchronization), un enfoque basado en aprendizaje que integra dos componentes principales en un marco unificado entrenado de extremo a extremo mediante Aprendizaje por Imitación:

A. Representación de Grafo Heterogéneo

El entorno se modela como un grafo $G$ que codifica entidades y sus relaciones:

• Nodos: Tareas, puntos de ruta, UAVs y UGVs. Cada nodo contiene atributos (posición, estado de energía, estado de visita).
• Aristas: Conectan nodos basándose en la distancia y el tipo. Se definen tres tipos de conexiones: intra-tipo (dentro del mismo grupo), UAV-UGV y UAV-Tarea.
• Codificación de Restricciones: Las restricciones de energía (UAV) y traversabilidad (UGV) se integran directamente en los atributos de los nodos y en la estructura del grafo.

B. Transformador de Grafo Heterogéneo (Codificador)

Se utiliza una red de transformadores heterogéneos para generar incrustaciones (embeddings) de nodos conscientes de las restricciones:

• Atención Auto-referencial (Self-Attention): Agrega información entre nodos del mismo tipo (ej. comunicación entre UAVs).
• Atención Cruzada (Cross-Attention): Agrega información entre tipos diferentes (ej. UAVs y UGVs).
  • Para los UGVs, la atención cruzada se restringe explícitamente a nodos de ruta transitables, ignorando tareas en zonas no transitables.
• Objetivo: Generar representaciones que capturen la relación espacial y las dependencias de recursos para facilitar la sincronización.

C. Decodificador Contextual (Generador de Acciones)

Un decodificador basado en transformadores genera secuencias de acciones conjuntas de manera autoregresiva:

• Predice una acción a la vez (visitar tarea, moverse por ruta, recargar) condicionada por el historial de acciones previas y las incrustaciones del grafo.
• Utiliza mecanismos de atención para mantener la coherencia temporal y contextual.
• Las acciones se seleccionan de forma greedy ($\arg\max$) durante la ejecución.

D. Entrenamiento y Ejecución

• Entrenamiento: Se utiliza Aprendizaje por Imitación. Un solucionador de Programación Entera Mixta (MIP) genera soluciones óptimas (aunque lentas) para crear un conjunto de datos de demostración. La red CoPCS se entrena para imitar estas secuencias óptimas minimizando la pérdida de entropía cruzada.
• Ejecución: El modelo se ejecuta en tiempo real, generando una secuencia de acciones conjunta que se divide en sub-secuencias para UAVs y UGVs, ejecutándose concurrentemente para lograr la sincronización.

3. Contribuciones Clave

1. Capacidad de Co-planificación Sincronizada: Introducen una nueva capacidad multi-robot que resuelve simultáneamente la planificación de tareas de UAVs (energía), rutas de UGVs (terreno) y la sincronización temporal para la recarga en misión.
2. Arquitectura Unificada: Es una de las primeras soluciones de aprendizaje que integra grafos heterogéneos para la codificación de restricciones con decodificadores transformadores para la generación de acciones secuenciales y sincronizadas.
3. Entrenamiento de Extremo a Extremo: Todo el sistema se entrena bajo un paradigma unificado de aprendizaje por imitación, permitiendo que la red aprenda políticas colaborativas complejas sin descomposición manual de sub-problemas.

4. Resultados Experimentales

Los autores evaluaron CoPCS en tres configuraciones: simulador 2D basado en mapas, simulador 3D de alta fidelidad (Unity + ROS1) y equipos de robots físicos reales (Crazyflie UAVs y Limo UGVs con ROS2).

• Comparativa: Se comparó contra métodos metaheurísticos clásicos (Guided Local Search, Tabu Search, Simulated Annealing) y una red neuronal básica (MLP).
• Métricas: Se midió el Makespan (tiempo total de misión), consumo de energía de UAVs y UGVs.
• Hallazgos Cuantitativos:
  • CoPCS superó consistentemente a todos los baselines en todos los escenarios (desde 1 UAV/1 UGV hasta 4 UAVs/2 UGVs).
  • En misiones grandes (45 tareas), la brecha de rendimiento se amplió significativamente. CoPCS logró los tiempos de misión más cortos y el menor consumo de energía.
  • Los métodos metaheurísticos fallaron al no optimizar la sincronización, obligando a los UAVs a esperar o desviarse.
• Hallazgos Cualitativos:
  • Simulaciones y Físico: Las visualizaciones muestran que los UAVs y UGVs se mueven en paralelo y se encuentran en puntos de recarga sincronizados, evitando tiempos de inactividad.
  • Generalización: El modelo demostró capacidad de generalización en entornos no vistos durante el entrenamiento (mapas suburbanos y urbanos con diferentes topologías de caminos), completando misiones exitosas sin re-entrenamiento.

5. Significado e Impacto

El trabajo de CoPCS es significativo porque:

• Resuelve un cuello de botella operativo: Permite que equipos heterogéneos operen de forma continua en misiones de larga duración, superando las limitaciones de energía de los UAVs mediante la colaboración dinámica con UGVs.
• Viabilidad en Tiempo Real: A diferencia de los métodos de optimización exacta que son demasiado lentos para la ejecución en tiempo real, CoPCS ofrece una inferencia rápida (hasta 9 Hz en hardware físico), haciéndolo apto para aplicaciones del mundo real como respuesta a desastres y monitoreo ambiental.
• Paradigma de Aprendizaje: Establece un nuevo estándar para la planificación multi-robot, demostrando que el aprendizaje profundo puede manejar restricciones operativas complejas y la coordinación temporal simultánea mejor que los enfoques tradicionales.

En resumen, CoPCS proporciona un marco robusto y escalable para que equipos de drones y robots terrestres trabajen como una unidad coordinada, maximizando la eficiencia de la misión y la supervivencia operativa en entornos complejos.