Learning-based quadrotor tracking control using Recursive Gaussian Processes

Volar un dron es un delicado acto de equilibrio, una negociación constante entre las leyes de la física y el software que intenta comandarlas. Para un cuadrotor, una pequeña aeronave con cuatro rotores giratorios, mantenerse en una trayectoria precisa es difícil porque el aire a su alrededor nunca está perfectamente quieto. Las ráfagas de viento, el complejo remolino de aire creado por los propios rotores y las diminutas imperfecciones en la construcción de la máquina conspiran para desviarlo de su curso. Los controladores de vuelo tradicionales dependen de modelos matemáticos para predecir cómo debería moverse el dron, pero estos modelos nunca son perfectos. Cuando el mundo real se desvía de las matemáticas, el dron tropieza, y su seguimiento se vuelve lento o errático. Durante años, los ingenieros han intentado solucionar esto enseñando a las computadoras a aprender de sus errores, utilizando el aprendizaje automático para llenar los vacíos del modelo. Sin embargo, estos sistemas inteligentes históricamente han sido demasiado pesados para que la propia computadora del dron los ejecute mientras vuela, lo que obligó a los investigadores a probarlos solo en simulaciones o en tierra.

Un equipo de investigadores del Politecnico di Milano ha cerrado finalmente esa brecha, creando un sistema que permite a un dron real aprender y corregir su propia trayectoria de vuelo mientras está en el aire. Desarrollaron un método que combina un controlador de vuelo estándar con un algoritmo de aprendizaje llamado Proceso Gaussiano Recursivo. Piense en este algoritmo de aprendizaje como un sistema de memoria altamente eficiente que no solo almacena cada fragmento de datos que encuentra, lo que abrumaría rápidamente a una pequeña computadora, sino que en su lugar mantiene un resumen compacto y curado de la información más importante. Esto permite que el dron actualice su comprensión del viento y de sus propias peculiaridades en tiempo real, sin necesidad de detenerse a procesar una base de datos masiva. Los investigadores probaron este sistema en un cuadrotor real llamado dron ANT-X Lab, haciéndolo volar a través de una serie de trayectorias complejas y onduladas en una arena cubierta. Los resultados fueron claros: al permitir que el dron aprendiera sus propios errores sobre la marcha, el sistema redujo los errores de seguimiento entre un 38% y un 75% en comparación con el mismo dron volando sin esta capacidad de aprendizaje.

El desafío central que abordaron los investigadores fue el costo computacional del aprendizaje. Los modelos de aprendizaje automático estándar que utilizan procesos gaussianos son increíblemente poderosos para predecir comportamientos desconocidos, pero generalmente requieren que una computadora recalcule todo desde cero cada vez que llega un nuevo dato. Para un dron que vuela a alta velocidad, esto es demasiado lento. Los investigadores resolvieron esto utilizando un enfoque "recursivo". En lugar de tratar cada nueva observación como un nuevo comienzo, el sistema actualiza su modelo interno de forma incremental, de forma muy similar a como una persona refina un mapa mental mientras camina por una ciudad nueva, en lugar de redibujar el mapa entero con cada paso. Para hacer esto aún más rápido, preseleccionaron un conjunto fijo de puntos de referencia, o "vectores de base", que cubren el rango probable de los movimientos del dron. El algoritmo de aprendizaje luego solo ajusta los valores asociados con estos puntos fijos, en lugar de intentar recordar cada momento del vuelo. Este truco redujo la carga computacional lo suficiente como para ejecutar todo el sistema directamente en la computadora de a bordo del dron, un salto significativo respecto a intentos previos que requerían una estación terrestre separada y potente para realizar el procesamiento.

Para asegurar que el dron pudiera aprender de forma segura y efectiva, el equipo diseñó un flujo de trabajo específico. Antes de que el aprendizaje comience, el dron se mantiene en vuelo estacionario y se estabiliza. Luego, un periodo de "calentamiento" de cuatro segundos permite que el sistema recopile datos iniciales y ajuste sus configuraciones internas sin intentar inmediatamente corregir la trayectoria de vuelo. Esto evita que el dron reaccione de forma exagerada ante el ruido o movimientos repentinos y atípicos. Una vez que el sistema está listo, comienza a escuchar la diferencia entre donde se le ordenó ir y donde realmente fue. Esta diferencia, causada por el viento o la resistencia aerodinámica, es lo que el algoritmo de aprendizaje intenta predecir y cancelar. Los investigadores utilizaron una técnica de filtrado especial para suavizar los datos brutos de los sensores, asegurando que el dron no estuviera aprendiendo de fallos aleatorios de los sensores sino de patrones genuinos en el aire. Esta preparación cuidadosa permitió que el sistema de aprendizaje se centrara en la verdadera física del vuelo, en lugar del ruido de los sensores.

Los experimentos consistieron en hacer volar el dron a lo largo de diversas trayectorias sinusoidales, o en forma de onda. Algunos caminos repetían el mismo patrón una y otra vez, mientras que otros cambiaban su forma o velocidad continuamente, probando si el sistema podía adaptarse a situaciones nuevas que no había visto antes. En las pruebas, se le pidió al dron que siguiera trayectorias con diferentes velocidades y amplitudes, moviéndose hacia adelante y hacia atrás en una línea recta. Los resultados mostraron que el controlador basado en el aprendizaje superó significativamente al controlador estándar. Al volar un patrón de onda constante y repetitivo a una velocidad moderada, el sistema de aprendizaje redujo el error promedio a solo 4.5 centímetros, una mejora dramática frente a los 17.3 centímetros de error vistos con el controlador estándar. Incluso cuando la trayectoria de vuelo cambiaba constantemente, como en un movimiento de barrido donde la velocidad y la dirección variaban, el sistema de aprendizaje logró reducir el error en casi un 40%. La mejora fue más pronunciada cuando el dron volaba dentro del rango de condiciones que había visto durante su fase de aprendizaje, pero aun así proporcionó beneficios sustancialos en condiciones nuevas y variables.

Uno de los aspectos más importantes de este trabajo es que demuestra que el control basado en el aprendizaje puede realizarse de forma segura y efectiva en hardware real, no solo en simulaciones por computadora. Los investigadores demostraron que el sistema podía manejar las complejidades de un entorno del mundo real, incluyendo los sutiles efectos aerodinámicos que son difíciles de modelar matemáticamente. Al ejecutar con éxito el algoritmo a bordo, demostraron que las limitaciones computacionales de los drones pequeños ya no son una barrera infranqueable para el uso de técnicas avanzadas de aprendizaje. El estudio también destacó la importancia de cómo se ajusta el sistema de aprendizaje. Los investigadores desarrollaron un nuevo método para ajustar los parámetros internos del sistema, utilizando una técnica inspirada en el funcionamiento de los filtros de Kalman, lo que permitió al sistema encontrar las mejores configuraciones para el aprendizaje de manera mucho más efectiva que los métodos anteriores. Este ajuste fue crucial para asegurar que el dron no se volviera demasiado sensible o inestable mientras aprendía.

El éxito de este proyecto sugiere un futuro en el que los drones puedan ser más autónomos y capaces de manejar tareas complejas en entornos impredecibles. Si un dron de entrega puede aprender a compensar una ráfaga de viento repentina o un cambio en la densidad del aire sin intervención humana, se convierte en una herramienta mucho más confiable. El trabajo de los investigadores proporciona un camino concreto hacia adelante, mostrando que, al combinar la teoría de control clásica con algoritmos de aprendizaje modernos y eficientes, es posible crear sistemas de vuelo que sean tanto inteligentes como robustos. La clave no fue solo el aprendizaje en sí, sino la ingeniería que hizo que ese aprendizaje fuera lo suficientemente rápido como para ocurrir en tiempo real. Al mantener bajas las demandas computacionales y el proceso de aprendizaje enfocado, el equipo convirtió un concepto teórico en una realidad práctica, demostrando que un pequeño dron puede, de hecho, aprender a volar mejor mientras vuela.