Robust Fleet Sizing for Multi-UAV Inspection Missions under Synchronized Replacement Demand

Aquí presento un resumen técnico detallado del artículo "Robust Fleet Sizing for Multi-UAV Inspection Missions under Synchronized Replacement Demand" (Dimensionamiento Robusto de Flotas para Misiones de Inspección Multi-UAV bajo Demanda de Reemplazo Sincronizada), traducido y adaptado al español.

Resumen Técnico: Dimensionamiento de Flotas de UAVs para Misiones de Inspección Finita

1. Planteamiento del Problema

El artículo aborda un problema crítico en la planificación de misiones de inspección con múltiples UAVs (drones): determinar el número mínimo de drones de repuesto (spares) necesarios para garantizar la continuidad operativa durante una misión de horizonte finito.

• Contexto: En misiones de inspección de infraestructuras o agricultura de precisión, un equipo de UAVs activos debe visitar un conjunto finito de sitios. Debido a la limitación de la batería, los UAVs activos deben retirarse periódicamente para recargar y ser reemplazados inmediatamente por drones de reserva.
• El Desafío: Si no hay un drone de repuesto disponible en el momento de la solicitud, la misión se interrumpe.
• Limitaciones de los Enfoques Actuales:
  1. Modelos de Estado Estacionario: Asumen operaciones infinitas y cíclicas, lo cual no aplica a misiones de duración finita donde cada tarea se realiza una sola vez.
  2. Modelos de Independencia Estadística (Erlang-B): Tratan las solicitudes de reemplazo como eventos independientes. Esto garantiza una probabilidad de bloqueo baja por solicitud, pero falla en garantizar la fiabilidad a nivel de misión completa, especialmente cuando las demandas se agrupan (clustering).
• Fenómeno Clave Identificado: La sincronización de la demanda. El enrutamiento consciente de la energía asigna cargas de trabajo similares a UAVs que vuelan en paralelo, lo que provoca que sus baterías se agoten casi simultáneamente. Esto genera "ráfagas" (bursts) de solicitudes de reemplazo que pueden agotar el pool de reservas, incluso si la capacidad promedio es suficiente.

2. Metodología y Formulación

Modelo del Sistema:

• $m$: Número de UAVs activos realizando la inspección.
• $k$: Número de UAVs de repuesto en la base.
• $T_{active}$: Tiempo máximo de vuelo activo antes de necesitar recarga.
• $T_{recovery}$: Tiempo total de recuperación (vuelo de regreso, aterrizaje, recarga, preparación).
• $R$: Ratio de recuperación ($R = T_{recovery} / T_{active}$).

Análisis del Peor Caso (Fase de Sincronización):
Los autores identifican un modo de fallo estructural donde la alineación de fases (todos los drones agotando la batería al mismo tiempo) es el escenario crítico.

• Proposición 1: Bajo una alineación de fase adversa, hasta $m \lceil R \rceil$ UAVs pueden estar en proceso de recuperación simultáneamente.
• Mecanismo de Explosión en el Límite (Boundary-Burst): Cuando el $m$-ésimo grupo de UAVs activos completa su ciclo y solicita reemplazo, el pool de reservas podría estar completamente ocupado por los drones en proceso de recarga (si se usa un dimensionamiento basado solo en el flujo de recuperación), dejando sin servicio a la nueva oleada de solicitudes.

Regla de Dimensionamiento Propuesta:
Para garantizar que nunca se agoten los repuestos, incluso en el peor caso de sincronización, los autores derivan una regla cerrada:
$$k = m(\lceil R \rceil + 1)$$
Donde:

• $m \lceil R \rceil$ cubre la capacidad máxima del pipeline de recuperación.
• El término adicional $+m$ actúa como un buffer para absorber la oleada de solicitudes entrantes cuando el pipeline está lleno.

Esta regla es determinista, no requiere simulaciones ni suposiciones sobre distribuciones de probabilidad, y se basa en la provisión de capacidad para el peor caso.

3. Contribuciones Clave

1. Identificación del Modo de Fallo Estructural: Demostraron que las misiones de horizonte finito inducen demandas de reemplazo sincronizadas en lugar de independientes, lo que invalida los modelos de colas tradicionales (como Erlang-B) para garantizar la fiabilidad de la misión.
2. Derivación de una Regla Cerrada: Propusieron la fórmula $k = m(\lceil R \rceil + 1)$, que proporciona una garantía suficiente (no necesariamente óptima, pero robusta) para evitar el agotamiento de reservas.
3. Validación Empírica Rigurosa: Realizaron simulaciones de Monte Carlo en cinco escenarios variados, comparando su método contra tres enfoques baselines:
   • Naive: $k = m$ (ignora el tiempo de recuperación).
   • Duty-Cycle: $k = m \lceil R \rceil$ (cubre el pipeline pero no la demanda simultánea).
   • Erlang-B: Dimensionamiento basado en probabilidad de bloqueo por solicitud ($\epsilon = 0.01$).

4. Resultados Experimentales

Las simulaciones se realizaron con $N=1000$ ensayos por escenario, variando el número de UAVs activos ($m \in [2, 10]$) y el ratio de recuperación ($R \in [0.87, 3.39]$).

• Fallo de los Métodos Existentes:

  • En el escenario más exigente ($m=10, R=3.39$), el método Erlang-B (que asigna 46 drones) logró solo un 69.9% de éxito en la misión, muy por debajo del umbral de fiabilidad del 95%.
  • El método Duty-Cycle (40 drones) falló casi completamente (0.2% de éxito) debido a la falta de margen para la variabilidad.
  • Se observó que el 95% de los fallos de Erlang-B ocurrieron en ventanas de tiempo de alta demanda (las 5 minutos con más solicitudes), confirmando la naturaleza de "ráfaga" del problema.

• Rendimiento del Método Propuesto:

  • La regla propuesta asignó 50 drones (solo 4 más que Erlang-B).
  • Logró una tasa de éxito de 99.8% (con un límite inferior de confianza del 95% de 99.3%) en todos los escenarios probados.
  • Mantuvo su fiabilidad incluso con variabilidad en el viento (coeficiente de variación hasta 0.30), demostrando robustez frente a perturbaciones en los tiempos de vuelo.

• Análisis de Coste-Beneficio:

  • El aumento de solo 4 drones (aprox. un 7% de la flota total en el caso peor) elevó la fiabilidad de la misión de un 70% a un 99.8%. Esto ilustra el "precio de la robustez" como una inversión mínima para un salto cualitativo en la seguridad operativa.

5. Significado e Implicaciones

• Cambio de Paradigma: El trabajo demuestra que para misiones de inspección finita, la fiabilidad no se puede garantizar mediante promedios estadísticos o garantías por solicitud. La estructura geométrica y temporal de la misión (sincronización de rutas) dicta la necesidad de capacidad.
• Aplicabilidad Práctica: La fórmula propuesta es de tiempo constante, fácil de calcular en campo sin necesidad de simulaciones complejas y no requiere suposiciones sobre la distribución de las llegadas de demanda.
• Limitaciones y Futuro: El modelo asume una flota homogénea y capacidad de carga ilimitada. Futuras investigaciones podrían abordar flotas heterogéneas, infraestructura de carga limitada y estrategias de re-enrutamiento dinámico para desincronizar las demandas.

Conclusión Final:
El artículo establece que el dimensionamiento robusto de flotas de UAVs para misiones finitas debe basarse en el análisis del peor caso de sincronización, no en modelos de colas estocásticos. La regla $k = m(\lceil R \rceil + 1)$ ofrece una garantía matemática de fiabilidad de misión, resolviendo el problema de las "ráfagas de demanda" que los métodos tradicionales ignoran.