One year in a forest: Analyzing the challenges of autonomous navigation in subarctic environments

Imagina un robot diseñado para conducir por sí mismo a través de un bosque, no en una carretera pavimentada, sino a través de la naturaleza salvaje y cambiante del extremo norte. Para que estas máquinas funcionen, necesitan saber dónde están en cada segundo. Normalmente, dependen de señales de satélites que orbitan en lo alto, de forma muy parecida a como un teléfono inteligente utiliza el GPS para encontrar una cafetería. Pero en los densos bosques subárticos de Canadá, el cielo suele estar bloqueado por espesas capas de árboles, y el propio aire puede absorber las señales. Cuando la señal del satélite falla, el robot debe confiar en sus propios ojos y sensores para navegar, un proceso llamado odometría. Es un poco como caminar por una habitación oscura con los ojos cerrados, intentando contar tus pasos para saber qué tan lejos has llegado. El problema es que la habitación cambia. En verano, el bosque es verde y está lleno de hojas; en invierno, está sepultado bajo metros de nieve, y los árboles están desnudos y austeros. Para una máquina, este cambio estacional es como si la habitación de repente reordenara sus muebles mientras intentas caminar a través de ella.

Este es el desafío que un equipo de investigadores de la Universidad de Laval en Quebec se propuso resolver. Querían saber si el software de navegación más inteligente disponible hoy en día podría sobrevivir un año completo en un bosque boreal subártico. No se limitaron a simular esto en una computadora; construyeron un robot real, un vehículo de orugas aproximadamente del tamaño de un coche pequeño, y lo enviaron a la naturaleza. Lo condujeron a través de 64 kilómetros de caminos forestales y terrenos fuera de pista, registrando datos a través del calor del verano, la decadencia del otoño y el congelamiento profundo del invierno. Las oscilaciones de temperatura fueron extremas, cambiando más de 60 grados Celsius desde los días más cálidos hasta las noches más frías. El objetivo era probar nueve sistemas de navegación diferentes, que iban desde métodos simples de conteo de ruedas hasta inteligencia artificial compleja que intenta construir un mapa 3D del mundo en tiempo real. Querían ver qué sistemas seguirían funcionando cuando el mundo a su alrededor cambiara por completo, y cuáles simplemente se rendirían.

Los resultados fueron sorprendentes. Los investigadores descubrieron que los sistemas más sofisticados, aquellos que utilizan cámaras para "ver" el mundo o algoritmos complejos para construir mapas detallados, eran a menudo los más frágiles. Cuando las estaciones cambiaban, estos sistemas avanzados tenían dificultades para reconocer el mismo lugar. Una cámara que observa un bosque en verano ve hojas verdes y luz solar moteada; en invierno, ese mismo bosque es un túnel de nieve blanca y troncos oscuros. El software, entrenado con datos de ciudades o climas templados, no podía establecer la conexión. Se confundía, perdía su posición y se desviaba del curso. En muchos casos, estos sistemas de alta tecnología funcionaron peor que un método mucho más simple que solo contaba cuánto giraban las ruedas y usaba un sensor básico para adivinar la dirección. Este método simple, conocido como odometría propioceptiva, no le importaba cómo se veía el bosque. Solo le importaba el movimiento del propio robot. Aunque no era perfecto, demostró ser notablemente constante, fallando mucho menos a menudo que sus primos complejos cuando la nieve se acumulaba o los árboles se cubrían de hielo. El método simple no le importaba la apariencia del bosque, solo le importaba el movimiento del propio robot.

El estudio también reveló que añadir más complejidad al sistema a menudo hacía que fuera más probable que se rompiera. Algunos de los softwares avanzados intentaban corregir sus propios errores buscando lugares que ya habían visitado antes, un proceso llamado cierre de bucle (loop closure). En una ciudad, esto funciona bien porque los edificios lucen iguales durante todo el año. Sin embargo, en el bosque subártico, los "puntos de referencia" eran poco fiables. Un montón de nieve en invierno podría parecer un arbusto en verano, o un árbol podría quedar oculto por un banco de nieve. El software intentaría emparejar estas características, se equivocaría y luego cometería un error enorme en su posición. Los investigadores encontraron que estos sistemas complejos eran tan sensibles al entorno cambiante que a menudo fallaban por completo, deteniendo al robot en su lugar. En contraste, los sistemas más simples, que no intentaban construir un mapa perfecto del mundo, seguían avanzando, incluso si estaban ligeramente fuera de curso.

Uno de los hallazgos más críticos se refirió a la diferencia entre los propios sensores. Las cámaras, que son excelentes para ver detalles en una ciudad, fueron las más afectadas por las estaciones. En verano, la cámara podía ver muchos elementos para rastrear, pero en invierno, la nieve creaba una superficie blanca, plana y sin rasgos que confundía al software. El robot conducía sobre la nieve, y la cámara no veía más que blanco, causando que el sistema de navegación perdiera su sentido de la dirección. El radar y el lidar, que utilizan ondas de radio y pulsos láser para medir la distancia, fueron mucho más resilientes. Podían ver a través de la nieve y la oscuridad, y no dependían de la apariencia visual de los árboles. Sin embargo, incluso estos sensores tuvieron problemas cuando el suelo mismo cambió de forma. Cuando un robot pasaba sobre un banco de nieve, el ángulo del vehículo se inclinaba, cambiando la forma en que los sensores veían el suelo. Este cambio físico, combinado con el paisaje cambiante, hizo que incluso los sistemas de radar tuvieran dificultades al intentar emparejar un nuevo viaje con un mapa antiguo.

Los investigadores también probaron si un robot podía aprender una ruta en una estación y repetirla en otra, una tarea conocida como "Enseñar y Repetir" (Teach and Repeat). Enseñaron al robot una ruta en verano y le pidieron que condujera el mismo camino en invierno. Los resultados fueron mixtos. Los sistemas basados en lidar, que usan láseres para crear un mapa 3D, lograron completar la tarea en muchos casos, debido principalmente a que podían ver los árboles altos que permanecían constantes incluso cuando el suelo estaba enterrado. Los sistemas de radar, que solo ven una sección plana del mundo, y los sistemas de cámara, que dependen de patrones visuales, fallaron con mucha más frecuencia. El radar, en particular, se confundió por el cambio de ángulo del suelo al escalar bancos de nieve, lo que provocó una pérdida de alineación con el mapa aprendido meses antes. Los sistemas de cámara simplemente no pudieron encontrar suficientes pistas visuales para saber dónde estaban, especialmente cuando el robot conducía por caminos no despejados donde la nieve era profunda y uniforme.

Más allá del software, la realidad física del entorno subártico planteó sus propios desafíos que los investigadores tuvieron que superar solo para mantener el experimento en marcha. El frío fue un enemigo constante. Las baterías perdían su potencia mucho más rápido en las temperaturas gélidas, y las orugas del robot, destinadas a ayudarlo a moverse sobre la nieve, requerían en realidad el doble de energía para girar que las ruedas en el verano. El equipo tuvo que lidiar con el hecho de que el robot se quedara atascado en la nieve, no solo por la profundidad, sino por el tipo de nieve. La nieve fresca y seca de noviembre permitía que el robot tuviera agarre y se moviera, pero la nieve húmeda y pesada de abril hacía que las orugas giraran sin mover el vehículo hacia adelante. Los sensores debían mantenerse limpios de nieve e hielo, o dejarían de funcionar por completo. Incluso la verdad de terreno (ground truth), los datos de referencia utilizados para verificar si el robot estaba en lo correcto, fue difícil de obtener. El equipo tuvo que utilizar una grúa especial para levantar el robot y sacudirlo en diferentes direcciones para calibrar sus sensores, porque el frío extremo y el terreno accidentado hacían imposible la calibración estándar.

El estudio concluye que, aunque hemos dado grandes pasos en la navegación de robots, el bosque subártico sigue siendo una frontera hostil para las máquinas autónomas. Los algoritmos más avanzados, que funcionan de maravilla en ciudades o laboratorios controlados, aún no están listos para el mundo salvaje y cambiante del norte. Son demasiado frágiles, demasiado dependientes de que el mundo luzca igual a cuando fueron enseñados. Los métodos más simples, que dependen del propio movimiento del robot, demostraron ser los más fiables, lo que sugiere que, por ahora, un robot en el profundo norte podría estar mejor confiando en sus propios pasos que intentando reconocer el paisaje. Los investigadores enfatizan que, para avanzar, el campo necesita mejores formas de probar estos sistemas en condiciones del mundo real, no solo en simulaciones. Sugieren que las pruebas futuras deberían informar explícitamente con qué frecuencia fallan los sistemas, no solo qué tan precisos son cuando funcionan. Hasta entonces, el sueño de un robot que pueda recorrer el bosque subártico durante todo el año, navegando la nieve profunda y las estaciones cambiantes por sí solo, permanece fuera de nuestro alcance. El bosque está cambiando, y las máquinas aún no están listas para seguirle el ritmo.