Resumen Técnico: Lenguaje de Señas de Enjambre – Comunicación Basada en el Movimiento entre Drones

Declaración del Problema

En la robótica de enjambres con restricciones de sigilo, la comunicación tradicional por radiofrecuencia (RF) es vulnerable a la interferencia, el jamming y las limitaciones de alcance en entornos combatidos. Si bien la comunicación visual ofrece una alternativa pasiva, los métodos existentes suelen carecer de robustez o dependen de supuestos de observación perfecta. Este artículo aborda el desafío de establecer un canal de comunicación no activo y robusto para Vehículos Aéreos No Tripulados (UAVs) utilizando la comunicación basada en el movimiento (MBC). El problema central es codificar y decodificar información semántica compleja (como comandos, magnitud y direccionalidad) estrictamente a través de las trayectorias de vuelo 3D observadas de un dron transmisor, sin depender de señales de RF.

Metodología

1. Protocolo de Comunicación y Codificación

Los autores proponen un "Lenguaje de Señas de Enjambre" donde los mensajes se codifican mediante un conjunto de nueve primitivas geométricas planas distintas (kinemas), que incluyen cuadrados, círculos, espirales y estrellas. Para maximizar la densidad de información, el protocolo modula estas formas utilizando dos parámetros geométricos:

• Escala: El tamaño físico de la trayectoria codifica la magnitud (ej. "segundo" frente a "primero").
• Vector Normal: La orientación del plano de ejecución codifica la direccionalidad (ej. "derecha" frente a "izquierda").

El sistema opera en un flujo continuo donde los gestos comunicativos se integran dentro de movimientos no comunicativos (caminatas aleatorias) y fases de vuelo estacionario para simular un comportamiento de enjambre realista.

2. Pipeline de Generación de Datos

Para superar la escasez de datos en robótica, los autores desarrollaron un pipeline de generación procedimental en línea configurable. Este sistema sintetiza trayectorias 3D dinámicamente factibles mediante:

• La definición de puntos de paso (waypoints) geométricos en un marco 2D canónico.
• La aplicación de transformaciones de escala y rotación 3D.
• La resolución de un problema de optimización de Minimum-Snap para generar trayectorias polinómicas (grado 8) suaves y continuas que respeten las restricciones dinámicas (empuje y tasas corporales).
• La inyección de ruido del controlador (ruido gaussiano en los waypoints) y ruido de observación (simulando la degradación del estimador de pose) para cerrar la brecha con la realidad.
• El filtrado de trayectorias que violan los límites físicos de los cuadricópteros estándar.

3. Arquitectura: 3DTrajDecoder

El componente de decodificación central es un Vision Transformer (ViT) multitarea adaptado para secuencias de pose 3D, denominado 3DTrajDecoder.

• Entrada: El modelo procesa una secuencia de estimaciones de pose (posición, orientación o posición relativa) muestreadas a 30 Hz durante una ventana de 12 segundos.
• Procesamiento: La secuencia de entrada se reduce mediante convolución 1D, se aumenta con un token [CLS] aprendible y codificaciones posicionales sinusoidales, y se procesa a través de capas de codificador Transformer.
• Cabezales Multitarea: La arquitectura realiza simultáneamente cuatro tareas:
  1. Clasificación: Identifica la clase de la forma (kinema).
  2. Segmentación: Delimita el segmento comunicativo dentro del flujo de movimiento continuo.
  3. Regresión de Tamaño: Predice la escala física de la trayectoria.
  4. Regresión de la Normal: Predice el vector normal del plano de ejecución.

4. Métricas de Evaluación

El rendimiento se evalúa mediante:

• F1-scores para clasificación y segmentación.
• Error Absoluto Medio (MAE) y Error Cuadrático Medio (MSE) para la regresión de tamaño.
• Error Geodésico (EG) para la regresión del vector normal, que mide la distancia angular entre las normales predichas y las reales en una esfera unitaria.
• Completitud ($\Phi_r$): La proporción del kinema presente en la ventana de entrada.
• Relación Señal-Ruido (SNR): La relación entre el radio del kinema perfecto y el radio observado con ruido.

Resultados Clave

Simulación y Datos Sintéticos

• Comparación de Arquitecturas: El modelo multitarea basado en Transformer superó a las líneas base de LSTM, ResNet y ViT. Logró un F1-score del 91.13% para la clasificación y un 94.16% para la segmentación en el conjunto de prueba.
• Sensibilidad de la Entrada: Los estudios de ablación revelaron que, si bien la posición y orientación relativas son útiles, la inclusión de datos de posición absoluta es crucial para la generalización, particularmente para la regresión de tamaño.
• Dominio de Operación: El sistema funciona robustamente cuando el segmento comunicativo ocupa más del 60% de la ventana de entrada (aprox. 7.2s) y el tamaño de la trayectoria supera los 0.4m. Bajo estas condiciones, el modelo mantiene un F1-score >85.7% y un error geodésico medio <11.5°.
• Dificultad de Clase: Las formas complejas como la "Estrella" fueron más difíciles de clasificar debido a que las restricciones de factibilidad dinámica limitan su tamaño (bajo SNR), mientras que las formas simples como el "Cuadrado" y el "Triángulo" mostraron confusión cuando solo se veían segmentos parciales.

Experimentos en el Mundo Real

• Transferencia Sim-to-Real: El modelo, entrenado enteramente con datos sintéticos, fue validado en vuelos del mundo real utilizando un cuadricóptero personalizado y un sistema de captura de movimiento (MoCap).
• Rendimiento: En trayectorias reales capturadas mediante MoCap, el modelo logró un F1-score del 92.45% para la clasificación y un 87.02% para la segmentación.
• Robustez: El sistema demostró resiliencia ante desfases temporales. El rendimiento se mantuvo alto con desplazos de tiempo de ±3 segundos respecto al segmento comunicativo centrado. Sin embargo, el rendimiento disminuyó significativamente cuando la completitud cayó por debajo del 50% (desplazamientos >±6s).
• Análisis de Errores: El error geodésico medio en datos reales fue de 4.72°, y el error de tamaño medio fue de 0.08m, confirmando la capacidad del sistema para decodificar trayectorias moduladas a pesar de las imperfecciones del controlador.

Significancia y Reivindicaciones

El artículo afirma presentar un nuevo protocolo de comunicación libre de RF que mejora la autonomía, el sigilo y la resiliencia de los enjambres de drones. Sus principales contribuciones son:

1. Un Protocolo de Movimiento Modulado: Un método para transmitir semántica compleja (clase, tamaño, dirección) utilizando primitivas geométricas planas moduladas por escala y orientación.
2. Una Arquitectura Transformer Multitarea: Un único modelo capaz de realizar simultáneamente la clasificación, segmentación y regresión de secuencias espaciotemporales, superando a los modelos tradicionales basados en imágenes y secuenciales.
3. Síntesis de Datos Procedurales: Un pipeline flexible para generar trayectorias 3D ruidosas y dinámicamente factibles, abordando la falta de conjuntos de datos públicos para este dominio específico.
4. Viabilidad en el Mundo Real: La demostración de una transferencia exitosa de simulación a la realidad, probando que la comunicación basada en el movimiento es físicamente viable para UAVs operando en entornos dinámicos sin transmisión activa de RF.

Los autores concluyen que, si bien la estimación completa de la pose es beneficiosa, el sistema es lo suficientemente robusto como para operar potencialmente con un seguimiento posicional más simple, y el trabajo futuro se centrará en el despliegue en tiempo real de extremo a extremo utilizando cámaras RGB directamente.