Model Predictive Supervisory Control for Hierarchical and Distributed UAS Traffic Management

El cielo sobre nuestras ciudades se está volviendo cada vez más concurrido, no por aves, sino por pequeñas aeronaves autónomas diseñadas para entregar paquetes, inspeccionar infraestructura y proporcionar servicios de emergencia. A medida que estos vehículos no tripulados pasan de ser experimentos militares y académicos a la logística cotidiana, enfrentan un problema fundamental: el espacio aéreo de baja altitud es un cuello de botella físico compartido. A diferencia de una autopista donde los coches simplemente pueden cambiar de carril, el aire requiere una coordinación precisa para evitar colisiones, asegurar que no dos drones ocupen el mismo espacio al mismo tiempo y gestionar recursos limitados como las estaciones de carga. Este desafío pertenece al campo del tráfico para sistemas no tripulados, una disciplina que combina la lógica de la informática con las restricciones físicas del vuelo. En su núcleo, este trabajo se basa en dos ideas distintas pero complementarias. La primera es un método de "control supervisado", que actúa como un estricto inspector de tráfico, definiendo las reglas absolutas de la carretera para garantizar la seguridad y prevenir bloqueos donde los vehículos se quedan esperando unos a otros indefinidamente. La segunda es el "control predictivo", una estrategia donde cada vehículo mira hacia adelante unos pocos pasos para elegir la ruta más eficiente, sopesando factores como la vida útil de la batería y el tiempo de entrega. La pregunta que los investigadores han planteado durante mucho tiempo es cómo combinar estos dos enfoques para una gran flota de drones sin crear un sistema informático tan complejo que no pueda ejecutarse en tiempo real.

En un estudio reciente, investigadores de la Universidad Federal de Minas Gerais en Brasil propusieron una solución que cierra esta brecha, creando un marco que llaman Control Supervisado Predictivo de Modelo. Diseñaron un sistema que permite a un gran grupo de drones operar de forma segura en un entorno urbano concurrido mediante la separación de la tarea de "mantener a todos seguros" de la tarea de "encontrar la mejor ruta". Imagine una ciudad donde una autoridad central dibuja los límites de cada calle e intersección, declarando qué rutas están abiertas y cuáles cerradas para prevenir accidentes. Esta autoridad no le dice a cada conductor exactamente qué giro tomar; en su lugar, simplemente prohíbe los movimientos peligrosos. Cada conductor, conociendo las reglas, observa el mapa y elige la ruta más rápida y eficiente en términos de combustible para llegar a su destino manteniéndose dentro de esos límites seguros. Así es exactamente como funciona el nuevo sistema. Un controlador central, actuando como supervisor, monitorea toda la flota y el espacio aéreo compartido. Utiliza un modelo matemático para identificar qué movimientos causarían una colisión o violarían una regla, como entrar en una zona restringida o intentar aterrizar en una estación de carga que ya está llena. Luego, transmite una lista de "movimientos prohibidos" a cada dron de la flota.

Cada dron recibe esta lista y utiliza su propia computadora de a bordo para resolver un problema de optimización a corto plazo. Observa su ubicación actual, su nivel de batería y su misión asignada, y luego calcula la secuencia de movimientos que lo llevará a su objetivo con la menor cantidad de tiempo y energía, evitando estrictamente los movimientos de la lista de prohibidos. Una vez que el dron ejecuta el primer movimiento de esa secuencia, el proceso se repite. El dron envía su nueva posición de vuelta al supervisor central, el supervisor actualiza la lista de movimientos prohibidos basándose en la nueva realidad, y el dron planea su siguiente paso. Este ciclo ocurre continuamente, permitiendo que la flota se adapte instantáneamente a los cambios, como una nueva solicitud de entrega o una advertencia repentina de batería. Los investigadores probaron este sistema en un entorno urbano simulado utilizando una plataforma de software de robótica estándar. Crearon dos escenarios: una prueba pequeña con dos drones navegando en un mapa simple con nueve nodos, y una prueba más grande y compleja con cuatro drones navegando en un mapa de diecinueve nodos a través de dos capas de altitud diferentes.

Los resultados de estas simulaciones demostraron que este enfoque jerárquico resuelve el problema de la complejidad que ha plagado intentos anteriores. Cuando los investigadores intentaron construir un único modelo computacional omnisciente para gestionar toda la flota a la vez —un método conocido como síntesis monolítica—, el sistema se vio abrumado. Para el escenario más pequeño de dos drones, el modelo único requería casi 445,000 estados internos para describir cada combinación posible de posiciones y acciones, un número que crecería explosivamente si se añadieran más drones. En contraste, el nuevo sistema jerárquico redujo la complejidad del supervisor a solo 570 estados, una reducción de aproximadamente 780 veces. Esta simplificación masiva significó que el sistema pudiera ejecutarse eficientemente sin necesidad de supercomputadoras. En el escenario más grande de cuatro drones, el sistema completó con éxito cinco de las seis misiones asignadas, con un tiempo de misión promedio de 44.42 segundos y un rendimiento de 2.46 misiones por minuto. El supervisor central tuvo que prohibir un promedio de 19.28 movimientos por paso de tiempo para mantener la seguridad, demostrando que el sistema estaba gestionando activamente los conflictos en lugar de simplemente dejar que los drones volaran libremente.

El estudio confirma que separar las reglas de seguridad global de la toma de decisiones local permite una solución escalable. El supervisor central no necesita conocer los detalles específicos de la batería o la carga de cada dron; solo necesita rastrear la ocupación del espacio aéreo y la disponibilidad de los recursos compartidos. Los drones, a su vez, son libres de optimizar sus propios caminos siempre que respeten los límites establecidos por el supervisor. Esta arquitectura asegura que el sistema sea seguro y no bloqueante, lo que significa que ningún dron se queda atrapado en una situación en la que no puede avanzar ni retroceder. Los investigadores encontraron que incluso a medida que aumentaba el número de drones y la complejidad del espacio aéreo, el sistema mantenía su capacidad para coordinar la flota sin colisiones ni retrasos. El trabajo sugiere que este método es un camino viable para el futuro de la movilidad aérea urbana, donde miles de vehículos podrían compartir algún día los mismos corredores de baja altitud. Al utilizar un marco que combina la aplicación estricta de la seguridad con la optimización local flexible, los investigadores han demostrado que es posible gestionar un sistema multiagente complejo de una manera que sea tanto computacionalmente eficiente como operativamente robusta. El estudio concluye que, si bien el sistema se valida actualmente mediante simulación, los principios establecidos ofrecen una base concreta para desarrollar sistemas de gestión de tráfico del mundo real que puedan manejar las demandas dinámicas de un cielo de ciudad concurrido.