⚡ electrical engineering

Relative State Estimation using Event-Based Propeller Sensing

Este artículo propone un marco para la estimación del estado relativo de cuadricópteros que utiliza cámaras de eventos para rastrear las hélices y estimar su frecuencia y orientación, logrando una localización descentralizada precisa en condiciones del mundo real con un error inferior al 3%.

Autores originales: Ravi Kumar Thakur, Luis Granados Segura, Jan Klivan, Radim Špetlík, Tobiáš Vinklárek, Matouš Vrba, Martin Saska

Publicado 2026-04-21

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Ravi Kumar Thakur, Luis Granados Segura, Jan Klivan, Radim Špetlík, Tobiáš Vinklárek, Matouš Vrba, Martin Saska

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

¡Hola! Imagina que tienes un enjambre de drones (pequeños aviones no tripulados) volando juntos, como un grupo de abejas. Para que no choquen y puedan trabajar en equipo, necesitan saber exactamente dónde está cada uno y hacia dónde se inclina.

El problema es que las cámaras normales (como la de tu móvil) son un poco "lentas" y se confunden cuando hay mucho movimiento, sol brillante o sombras. Es como intentar tomar una foto de un helicóptero que gira muy rápido: la imagen sale borrosa.

Este paper presenta una solución genial usando una cámara especial llamada "cámara de eventos". Aquí te explico cómo funciona con analogías sencillas:

1. La Cámara "Ojo de Mosca" (La Cámara de Eventos)

En lugar de tomar fotos completas (cuadros) 30 o 60 veces por segundo, esta cámara solo "mira" cuando algo cambia.

Analogía: Imagina que estás en una habitación oscura con una linterna. Una cámara normal grabaría todo el tiempo, incluso cuando no pasa nada. Esta cámara especial es como un guardia de seguridad que solo grita "¡Algo se movió!" cuando detecta un cambio de luz. Es ultra rápida y no se confunde con el sol o la oscuridad.

2. El Truco de las Hélices (El "Latido" del Drone)

Los drones tienen hélices que giran a velocidades increíbles. Cuando la cámara especial mira las hélices, no ve una imagen borrosa, sino una lluvia de "eventos" (pequeños destellos) que ocurren al ritmo de las aspas.

La Analogía: Piensa en las hélices como un tambor que golpea muy rápido. La cámara cuenta esos golpes. Si el tambor golpea más rápido, el drone está subiendo o acelerando. Si golpea más lento, está bajando.
Lo que hacen los autores: Su sistema cuenta estos "golpes" (eventos) para saber exactamente a qué velocidad gira cada hélice. Esto les dice cuánto "empuje" está dando el drone.

3. El Baile de la Orientación (Inclinación)

Además de contar los golpes, la cámara ve la forma de las hélices. Cuando un drone se inclina, la hélice deja de verse como un círculo perfecto y se ve como una elipse (como un huevo aplastado).

La Analogía: Imagina que miras una moneda de frente: es un círculo. Si la inclinas, se ve como una línea o un huevo. El sistema usa esta forma "estirada" para saber si el drone está inclinado hacia la izquierda, derecha, adelante o atrás.

4. El Cerebro Matemático (Fusión de Datos)

El sistema combina dos tipos de información como si fuera un detective con dos pistas:

La pista de las hélices: "¡Oye, las hélices giran rápido y están inclinadas así! Por lo tanto, el drone debe estar subiendo rápido y girando a la izquierda".
La pista de la cámara: "Veo al drone en esa posición del cielo".

Usan un algoritmo inteligente (llamado Filtro de Kalman) que mezcla estas dos pistas. Si la cámara se confunde un poco por la distancia, la información de las hélices corrige el error. Si las hélices tienen un ruido, la posición de la cámara ayuda a mantener el rumbo.

¿Por qué es importante?

Sin cables ni mensajes: Normalmente, los drones se envían mensajes de radio para decir "estoy aquí". Pero si la señal falla o hay retraso, chocan. Este método permite que un drone "vea" y "escuche" (a través de la velocidad de las hélices) a otro sin necesidad de hablar por radio.
Funciona en condiciones difíciles: Funciona incluso si hay mucho sol, si el drone gira muy rápido o si hay mucho ruido visual, porque la cámara de eventos ignora lo que no cambia.

En resumen

Los autores crearon un sistema que permite a los drones leer el "latido" de las hélices de sus vecinos para saber exactamente dónde están y cómo se mueven, incluso en condiciones caóticas. Es como si pudieras saber la velocidad y dirección de un coche solo escuchando el sonido de sus ruedas girando, sin necesidad de ver el coche ni hablar con el conductor.

¡Es un paso gigante para crear enjambres de drones autónomos que puedan trabajar juntos en misiones de rescate, exploración o entregas, sin depender de señales de radio perfectas!

Resumen Técnico

1. Planteamiento del Problema

El vuelo autónomo en enjambres de vehículos aéreos no tripulados (UAV) requiere una estimación precisa y rápida del estado relativo entre los robots. Los métodos tradicionales basados en cámaras monoculares de fotogramas (frame-based) presentan limitaciones críticas en condiciones desafiantes:

Baja resolución temporal y alta latencia: Dificultan el seguimiento de movimientos rápidos.
Ambiguidad de escala y problemas de iluminación: Sufren con cambios extremos de luz, desenfoque por movimiento (motion blur) y ruido de fondo.
Dependencia de comunicación: Muchos sistemas dependen de enlaces de comunicación explícitos para compartir estados, lo que introduce vulnerabilidades ante latencia o pérdida de paquetes.

El objetivo es lograr una localización relativa descentralizada robusta en entornos dinámicos y visualmente complejos, sin depender exclusivamente de la comunicación de datos de estado.

2. Metodología Propuesta

Los autores proponen un marco de trabajo que utiliza cámaras de eventos (event cameras) como sensor principal. Estas cámaras ofrecen alta resolución temporal (microsegundos), alto rango dinámico y baja latencia, respondiendo solo a cambios de intensidad de luz.

El sistema de estimación de estado se basa en la detección y análisis de las hélices del UAV objetivo:

Detección de Hélices:
- Se procesan los flujos de eventos en fragmentos temporales ( $\Delta t = 10$ ms).
- Se filtran eventos de ruido de fondo mediante filtrado espaciotemporal.
- Se implementan dos métodos de detección de regiones de interés (ROI):
  1. Componentes Conectados (CC): Acumulación espacial de eventos en un mapa de densidad binaria.
  2. Agrupamiento HDBSCAN: Clustering denso basado en la densidad de eventos sin asumir geometría circular.
- Las regiones detectadas se rastrean a lo largo del tiempo (usando el framework Norfair) para mantener la identidad de cada hélice.
Estimación de Frecuencia (RPM):
- Dentro de las ROI de las hélices, se cuentan los eventos en ventanas temporales deslizantes.
- Se aplica una Transformada Rápida de Fourier (FFT) a la señal de conteo de eventos para identificar el pico de frecuencia dominante correspondiente al paso de las aspas.
- Un Filtro de Kalman (KF) suaviza estas estimaciones de frecuencia para eliminar ruido y outliers.
Pipeline de Estimación de Estado (Acoplado):
El sistema utiliza dos Filtros de Kalman acoplados que operan sobre mediciones complementarias:
1. Filtro de Orientación (Orientation KF):
  - Estima el vector unitario del eje $z$ del cuerpo ( $\hat{b}_z$ ), que representa la dirección del empuje.
  - Predicción: Utiliza la diferencia de frecuencias de RPM entre los motores izquierdo/derecho para calcular la velocidad angular de rodaje (roll).
  - Actualización: Utiliza la geometría de la elipse formada por la hélice en el plano de la imagen (mediante la formulación Perspective-1-Ellipse o P1E) para retroproyectar y corregir la orientación.
  - Nota: Solo se estiman Rodaje (Roll) y Cabeceo (Pitch); el Guiñada (Yaw) no es observable desde la geometría de la elipse de la hélice.
2. Filtro de Posición (Position KF):
  - Estima posición y velocidad ( $p, v$ ).
  - Predicción: Utiliza la dinámica del UAV. La aceleración se calcula proyectando el empuje total (derivado de la suma de los cuadrados de las RPM de los motores) en la dirección $\hat{b}_z$ estimada por el filtro de orientación.
  - Actualización: Utiliza la posición del centro del UAV derivada de la cámara (mediante estimación de profundidad basada en la disparidad de píxeles entre hélices y parámetros intrínsecos).

3. Contribuciones Clave

Sensado de Hélices Basado en Eventos: Primera aproximación que utiliza la frecuencia de las hélices detectada por cámaras de eventos para alimentar directamente un modelo dinámico de estado, en lugar de solo para simulación.
Arquitectura Descentralizada: Permite la localización relativa sin necesidad de comunicación de estado entre UAVs, ideal para enjambres en entornos con comunicación limitada.
Fusión de Geometría y Dinámica: Combina la estimación de frecuencia (dinámica) con la geometría de la elipse (orientación) y la posición visual en un esquema de filtrado acoplado.
Validación en Escenarios Reales: A diferencia de trabajos previos que usaban datos simulados, este método se valida en 5 secuencias de vuelo reales en exteriores con UAVs reales.

4. Resultados Experimentales

Los experimentos se realizaron con dos UAVs (uno líder y uno seguidor con cámara de eventos) en un entorno exterior. Se compararon los métodos de detección (CC vs. HDBSCAN) y se evaluó la precisión contra datos de verdad terreno (RTK-GNSS e IMU).

Precisión de Frecuencia (RPM):
- Ambos métodos de detección (CC y HDBSCAN) lograron un error porcentual medio (MAPE) de aproximadamente 2.73% - 2.75%.
- La elección del algoritmo de detección tuvo un impacto negligible en la precisión de la estimación de RPM; la calidad de la señal de eventos fue el factor determinante.
- El método CC fue preferido por ser computacionalmente más eficiente.
Estimación de Estado:
- Posición: El error en el eje vertical ( $z$ ) fue mayor (RMSE medio ~0.90 m) debido a la incertidumbre inherente de la estimación de profundidad monoculares. Los ejes laterales tuvieron mejor rendimiento (RMSE ~0.12 m en $y$ ).
- Velocidad: Se logró un RMSE medio de 0.40 m/s en posición y 0.19 m/s en velocidad.
- Orientación: El filtro estimó el Rodaje (Roll) con mayor precisión que el Cabeceo (Pitch), aprovechando la mayor observabilidad de la diferencia de RPM entre motores laterales. El error medio de orientación fue de ~5.7° (Roll) y ~9.2° (Pitch).

5. Significado e Impacto

Este trabajo demuestra que las cámaras de eventos son una solución viable y superior para la navegación de enjambres en condiciones adversas donde las cámaras convencionales fallan. Al extraer información cinemática directa (frecuencia de hélices) y geométrica (orientación) de los flujos de eventos, el sistema permite:

Robustez: Funciona con desenfoque de movimiento y cambios bruscos de iluminación.
Autonomía: Reduce la dependencia de la comunicación externa y de la infraestructura de navegación global (como GPS) para la coordinación local.
Eficiencia: Proporciona una estimación de estado en tiempo real con baja latencia, crucial para maniobras agresivas y evitación de colisiones en enjambres.

El enfoque abre nuevas vías para la exploración planetaria, misiones de rescate y operaciones en entornos complejos donde la comunicación y la visibilidad son limitadas.