Volar un dron a través de un bosque denso a gran velocidad es un problema de sincronización de milisegundos. La máquina debe ver un obstáculo, decidir cómo moverse y enviar una orden a sus motores antes de chocar contra un árbol. Durante décadas, los ingenieros han resuelto esto construyendo un mapa del mundo en la computadora del dron, trazando una ruta y luego siguiéndola. Pero construir un mapa toma tiempo y potencia de cómputo, y si el mapa es incorrecto, el dron se estrella. Un enfoque más nuevo intenta enseñar a los drones a volar observando a expertos, permitiendo que la máquina aprenda un vínculo directo entre lo que ve y cómo se mueve, de forma muy similar a como un niño aprende a montar en bicicleta sintiendo el equilibrio en lugar de calcular la física de las ruedas. Este método, conocido como aprendizaje por imitación, ha mostrado promesa, pero a menudo falla cuando el dron encuentra una situación que no ha visto antes, o cuando la computadora es demasiado lenta para seguir el ritmo de la velocidad de vuelo.

El desafío es aún más difícil para drones pequeños que vuelan al límite de su capacidad de cómputo. Los modelos modernos de inteligencia artificial que pueden entender lenguaje e imágenes son increíblemente pesados, requiriendo enormes cantidades de memoria para ejecutarse. Para tomar una decisión, estos modelos a menudo tienen que procesar la información paso a paso, como leer un libro palabra por palabra. Para un dron que se mueve a cinco metros por segundo, esperar a que una computadora lenta termine de leer una oración larga significa que el dron podría recorrer veintiocho metros sin mover sus controles, una distancia que garantiza un choque en un bosque con obstáculos. Los investigadores necesitaban una forma de hacer que estos modelos inteligentes fueran lo suficientemente ligeros para ejecutarse en una pequeña computadora alimentada por batería, mientras siguen tomando decisiones lo suficientemente rápido para volar de forma segura.

Un investigador ha desarrollado un nuevo sistema llamado Aero-VPA que aborda este problema cambiando la forma en que el dron piensa. En lugar de usar un método de procesamiento pesado palabra por palabra, construyó una arquitectura optimizada que predice el estado futuro del mundo en un solo vistazo rápido. El sistema utiliza un cerebro visual compacto que observa la transmisión de la cámara y un pequeño conjunto de reglas para predecir qué sucederá después, saltándose la necesidad de reconstruir cada píxel de la imagen. Esto permite al dron generar una secuencia completa de comandos de movimiento en solo cinco pasos rápidos, una velocidad que se ajusta a los estrictos límites de tiempo de la computadora de un pequeño dron. El investigador probó este sistema en una simulación computacional altamente realista de un dron cuadricóptero navegando a través de bosques generados procedimentalmente, donde los árboles se colocaron al azar para crear una variedad de desafíos.

Los resultados iniciales fueron sorprendentes y revelaron un fallo oculto en la forma en que estas máquinas aprenden. Cuando el investigador entrenó al dron simplemente copiando las acciones de un piloto experto, el dron aprendió un atajo peligroso. Dejó de mirar los árboles o el camino por delante y, en su lugar, simplemente repitió el último comando que había enviado a sus motores. En una simulación donde el dron volaba perfectamente, este hábito funcionaba bien porque el último comando solía ser el correcto. Pero en el momento en que el dron se desviaba del curso, seguía repitiendo el comando incorrecto, volando ciegamente hacia los obstáculos. Este comportamiento, que el investigador llama un problema de "imitador", significaba que, aunque el dron parecía perfecto en el papel, no lograba completar ni una sola misión de sesenta cuando volaba por su cuenta.

Para solucionar esto, el investigador introdujo un método de entrenamiento donde se le permitía al dron volar y, cada vez que cometía un error, un supervisor de seguridad intervenía para corregirlo y enseñarle el movimiento correcto para esa situación específica. Esto mejoró la tasa de éxito del dron, pero este seguía encontrando un techo. El dron volaba por un tiempo, luego chocaba o se quedaba atrapado en un bucle de indecisión. La tasa de éxito rondaba el veinte por ciento, lo que significaba que el dron chocaba o fallaba en cuatro de cada cinco intentos. El investigador se dio cuenta de que la visión del dron era demasiado estrecha; solo podía ver lo que tenía directamente enfrente, y una vez que un obstáculo salía de su vista, el dron olvidaba que estaba allí.

El avance no vino de enseñar al dron a ser más inteligente, sino de darle una red de seguridad que no dependiera del aprendizaje. El investigador añadió una capa de seguridad determinista simple que actuaba como un escudo. Este escudo mantenía un registro de todo lo que el dron había visto en los últimos quince segundos, creando un mapa mental del espacio a su alrededor, incluyendo obstáculos que se habían movido detrás del dron o hacia un lado. Si el dron intentaba volar hacia un obstáculo recordado, el escudo lo empujaba suavemente o lo ralentizaba. También tenía reglas sobre qué hacer si el dron se quedaba atascado o perdía el rumbo, como retroceder a lo largo del camino que acababa de recorrer o impulsarse hacia el siguiente objetivo.

Cuando se añadió este escudo de seguridad a los drones entrenados, los resultados cambiaron drásticamente. La tasa de éxito del mejor dron aumentó del veintiuno por ciento al cincuenta y dos por ciento. El número de choques cayó del setenta y dos por ciento a solo el veintidós por ciento. La compensación fue que el dron se volvió más cauteloso; se ralentizaba con más frecuencia y tardaba más en completar sus misiones, con el número de vuelos que simplemente se agotaban por tiempo aumentando del tres por ciento al veintitrés por ciento. Sin embargo, el dron ya no chocaba contra los árboles. El escudo funcionó tan bien que mejoró el rendimiento de todas las versiones del dron que probaron, independientemente de cómo hubiera sido entrenado.

El investigador encontró que el escudo de seguridad era particularmente efectivo en los bosques más densos, donde los árboles estaban más cerca unos de otros. En estos espacios estrechos, la tasa de éxito del dron con el escudo aumentó de un mero siete por ciento a casi el cuarenta y siete por ciento. Sin el escudo, el dron casi siempre chocaba en estas condiciones. El escudo gestionaba esto recordando obstáculos que ya no estaban en la vista de la cámara, evitando que el dron volara ciegamente hacia un árbol que acababa de pasar. El sistema también aprendió a manejar el retraso entre ver un obstáculo y reaccionar a él, un problema común en la robótica donde el cerebro de la máquina es ligeramente más lento que sus ojos.

A pesar de estos éxitos, el investigador tiene cuidado de señalar que este trabajo todavía está en la fase de simulación. El dron aún no ha volado en el mundo real, y la computadora utilizada para realizar las pruebas fue un servidor potente en la nube, no el pequeño chip de bajo consumo para el que está diseñado el sistema. La versión actual del dron vuela a una velocidad promedio de aproximadamente un metro por segundo, que es mucho más lento que los tres a siete metros por segundo que los expertos podían volar. El investigador ha identificado varios obstáculos que permanecen, como cómo el dron maneja el viento, cómo la cámara ve bajo la luz solar brillante y cómo se desempeña el sistema en la computadora pequeña real en la que debe ejecutarse.

El estudio también destacó una lección fundamental sobre cómo enseñar a las máquinas a volar. Simplemente copiar a un experto no es suficiente si la máquina encuentra un atajo que funciona durante el entrenamiento pero falla en el mundo real. La tendencia del dron a repetir su último comando fue un truco inteligente que aprendió para minimizar el error durante el entrenamiento, pero fue un fallo fatal en un entorno dinámico. El escudo de seguridad no arregló el aprendizaje del dron; simplemente constriñó sus acciones para mantenerlo seguro mientras descubría el resto. El investigador encontró que la capacidad de aprendizaje del dron seguía siendo limitada, y que la capa de seguridad estaba realizando el trabajo pesado para prevenir desastres.

Este trabajo representa un paso significativo hacia la capacidad de que drones pequeños realicen vuelos autónomos en entornos complejos y no estructurados sin necesidad de una computadora masiva o un mapa predefinido. Al combinar un cerebro ligero y de pensamiento rápido con un escudo de seguridad simple basado en la memoria, el investigador ha mostrado un camino hacia el vuelo ágil en hardware de borde. El sistema no es perfecto y aún no está listo para el mundo real, pero demuestra que con la combinación adecuada de velocidad, memoria y precaución, un pequeño dron puede aprender a navegar por un bosque sin estrellarse. Los siguientes pasos consistirán en probar el sistema en hardware real y en condiciones exteriores reales para ver si las lecciones aprendidas en la simulación se mantienen cuando el viento sopla y los árboles se mueven.