Towards Reliable Aerial Ground Vehicle Collaboration: An Integrated Planning and Autonomy Framework for Field Deployment

Resumen Técnico: Hacia una Colaboración Fiable entre Vehículos Aéreos y Terrestres

Declaración del Problema
El artículo aborda las limitaciones operativas de los Vehículos Aéreos No Tripulados (UAV) en misiones de larga duración, como la vigilancia e inspección, donde la limitada autonomía de vuelo restringe el alcance y la duración de las operaciones. Si bien la combinación de UAV con Vehículos Terrestres No Tripulados (UGV) para la recarga móvil ofrece una solución, esto introduce un problema de enrutamiento cooperativo estrechamente acoplado y complejo. Este problema requiere optimizar conjuntamente la secuencia de visitas del UAV a Áreas de Interés (AOI) distribuidas espacialmente, el movimiento del UGV restringido por carreteras, la gestión de la energía y la programación de encuentros (rendezvous). Un desafío crítico es cerrar la brecha entre la planificación teórica y la ejecución fiable en campo, particularmente al enfrentar incertidumbres ambientales como el viento, el ruido de los sensores y la latencia de comunicación, que pueden causar desviaciones temporales y una potencial descarga de la batería.

Metodología
Los autores proponen un marco integrado de planificación y autonomía que consta de cuatro componentes principales:

1. Planificador de Misiones Basado en DRL: El problema central de planificación se formula como una tarea de enrutamiento cooperativo con restricciones de energía. Los autores emplean un planificador de Aprendizaje por Refuerzo Profundo (DRL) basado en una arquitectura Transformer de codificador-decodificador. El codificador captura las relaciones espaciales entre las AOI y los Puntos de la Red Vial (RNP) mediante atención de múltiples cabezales, mientras que el decodificador genera de forma autorregresiva la ruta del UAV y las decisiones de encuentro. La política se entrena utilizando el algoritmo REINFORCE con una base codiciosa (greedy baseline) para minimizar el tiempo total de la misión.
2. API de Misión Estandarizada: Para traducir las salidas del planificador en comandos ejecutables, se introduce una API de dos capas basada en YAML. La primera capa define el estado (entorno, ubicaciones de los agentes, AOI, RNP), y la segunda capa genera secuencias de acciones ligeras y sincronizadas para ambos agentes. Esta API utiliza primitivas específicas (p. ej., takeoff_from_UGV, move_to_location, allow_land_on_UGV) vinculadas por identificadores de sincronización (ins_id) para asegurar la coordinación temporal.
3. Stacks de Autonomía Distribuidos: El marco implementa un flujo completo de hardware y software. El UAV utiliza un stack PX4/MAVSDK para el control offboard y la guía por puntos de referencia (waypoints), mientras que el UGV emplea un stack ROS 2/Nav2 para la navegación, utilizando fusión de múltiples sensores (GNSS, IMU, LiDAR) y un mapa de costos por capas para la evitación de obstáculos. Un gestor centralizado coordina la telemetría y las solicitudes de replanificación a través de una red de comunicación UDP/TCP.
4. Replanificador Consciente de Encuentros (RARP): Para manejar las incertidumbres de ejecución, se despliega un replanificador en línea ligero. El RARP monitorea continuamente la línea de tiempo de ejecución frente al presupuesto de energía restante del UAV. Si ocurren desviaciones (p. ej., una acción excede su tiempo estimado), el replanificador realiza una búsqueda de retroceso (rollback search) para truncar la secuencia de acciones futuras del UAV e identificar un nuevo punto de encuentro factible a lo largo de la red vial. Si no existe una solución factible, relaja los márgenes de seguridad o activa un aterrizaje de emergencia.

Contribuciones Clave
El artículo reclama las siguientes contribuciones específicas:

• Enrutamiento Cooperativo por DRL: Un planificador basado en DRL que optimiza conjuntamente las secuencias de visita del UAV y las ubicaciones de encuentro del UGV, superando significativamente a las heurísticas jerárquicas establecidas en la minimización del tiempo de misión.
• API Estandarizada: Una API de misión basada en YAML que permite la traducción fluida de las salidas de planificación en acciones ejecutables a través de plataformas heterogéneas (UAV y UGV).
• Stacks de Autonomía Integrados: Stacks de autonomía integrales y específicos para cada plataforma (PX4/MAVSDK para el UAV, ROS 2/Nav2 para el UGV) que soportan un despliegue fiable en campo.
• Replanificación en Línea: Un Replanificador Consciente de Encuentros (RARP) ligero que garantiza la seguridad y la factibilidad bajo perturbaciones ambientales, reduciendo las violaciones del margen de energía.
• Validación en Campo: Validación exhaustiva en exteriores en un entorno de 50 m × 50 m, demostrando una navegación cooperativa robusta y adaptabilidad en tareas dinámicas, incluyendo un escenario de búsqueda y rescate que utiliza Modelos de Lenguaje-Visión (VLM) para la detección de peligros.

Resultados
Los resultados experimentales tanto en simulación como en pruebas de campo en exteriores demuestran la eficacia del marco:

• Rendimiento de la Planificación: La política de DRL supera consistentemente a las bases heurísticas. En tamaños de problema de entrenamiento (hasta 45 AOI), las variantes de DRL basadas en muestreo lograron brechas de optimalidad inferiores al 2.3%, comparado con el 13–16% de las heurísticas. La política también se generalizó bien a escenarios más grandes y no vistos (hasta 75 AOI).
• Eficacia de la Replanificación: En experimentos de simulación que involucran viento, ruido de GPS y reducciones de velocidad, el módulo RARP redujo la tasa de violación del margen de energía del 83.33% (sin replanificación) al 20.00%. La tasa de desviación promedio entre las duraciones planificadas y ejecutadas cayó del 14.3% al 1.43%.
• Despliegue en Campo: Los experimentos en exteriores confirmaron la capacidad del sistema para ejecutar salidas coordinadas, mantener la sincronización entre el UAV y el UGV, y respetar los márgenes de seguridad de energía. El sistema manejó con éxito actualizaciones dinámicas de la misión, como la inserción de una nueva AOI a mitad de la misión, y ejecutó un escenario de búsqueda y rescate donde un VLM identificó peligros simulados (humo, maniquíes) a partir de imágenes aéreas.

Significancia y Reclamaciones
El artículo posiciona este trabajo como un puente entre la optimización teórica y el despliegue práctico y fiable en campo. Los autores afirman que, si bien trabajos previos han abordado la coordinación algorítmica o subsistemas aislados, pocos marcos integran una planificación de tareas robusta y consciente del riesgo con la ejecución de hardware en tiempo real. Al combinar una planificación global de alta calidad, una interfaz estandarizada y una capa de seguridad reactiva en línea (RARP), el marco propuesto permite una colaboración aérea-terrestre dependiente en entornos dinámicos y del mundo real. La demostración exitosa de una misión de búsqueda y rescate integrada con VLM resalta aún más el potencial del sistema para operaciones autónomas complejas y semánticamente conscientes. Los autores concluyen que este flujo de trabajo de extremo a extremo proporciona una base práctica para la futura colaboración aérea-terrestre autónoma, aunque reconocen limitaciones respecto a la escalabilidad multi-robot y la operación en entornos sin GPS como áreas para el trabajo futuro.