Una nave espacial autónoma que explora las regiones remotas del universo desciende a través de la atmósfera de un exoplaneta remoto. El vehículo y los investigadores que lo programaron no saben mucho sobre este entorno.
Con tanta incertidumbre, ¿cómo puede la nave espacial trazar una trayectoria que evite que sea aplastada por algún obstáculo que se mueve al azar o que se desvíe de su curso por vientos repentinos y huracanados?
Los investigadores del MIT han desarrollado una técnica que podría ayudar a que esta nave espacial aterrice de manera segura. Su enfoque puede permitir que un vehículo autónomo trace una trayectoria probablemente segura en situaciones altamente inciertas donde existen múltiples incertidumbres con respecto a las condiciones ambientales y los objetos con los que el vehículo podría chocar.
La técnica podría ayudar a un vehículo a encontrar un curso seguro alrededor de obstáculos que se mueven de forma aleatoria y cambian de forma con el tiempo. Traza una trayectoria segura hacia una región objetivo, incluso cuando no se conoce con precisión el punto de partida del vehículo y cuando no está claro exactamente cómo se moverá el vehículo debido a perturbaciones ambientales como el viento, las corrientes oceánicas o el terreno accidentado.
Esta es la primera técnica para abordar el problema de la planificación de trayectorias con muchas incertidumbres simultáneas y restricciones de seguridad complejas, dice el coautor principal Weiqiao Han, estudiante graduado en el Departamento de Ingeniería Eléctrica y Ciencias de la Computación y el Laboratorio de Ciencias de la Computación e Inteligencia Artificial ( CSAIL).
«Las futuras misiones espaciales robóticas necesitan una autonomía consciente de los riesgos para explorar mundos remotos y extremos para los que solo existe un conocimiento previo muy incierto. Para lograr esto, los algoritmos de planificación de trayectorias deben razonar sobre las incertidumbres y lidiar con modelos inciertos complejos y restricciones de seguridad, agrega el coautor principal Ashkan Jasour, un ex científico investigador de CSAIL que ahora trabaja en sistemas robóticos en el Laboratorio de Propulsión a Chorro de la NASA.
Junto a Han y Jasour en el artículo está el autor principal Brian Williams, profesor de aeronáutica y astronáutica y miembro de CSAIL. La investigación se presentará en la Conferencia Internacional IEEE sobre Robótica y Automatización y ha sido nominada para el premio de artículo destacado.
Evitar suposiciones
Debido a que este problema de planificación de trayectoria es tan complejo, otros métodos para encontrar un camino seguro hacia adelante hacen suposiciones sobre el vehículo, los obstáculos y el entorno. Estos métodos son demasiado simplistas para aplicarlos en la mayoría de los entornos del mundo real y, por lo tanto, no pueden garantizar que sus trayectorias sean seguras en presencia de restricciones de seguridad complejas e inciertas, dice Jasour.
«Esta incertidumbre podría provenir de la aleatoriedad de la naturaleza o incluso de la inexactitud en el sistema de percepción del vehículo autónomo», agrega Han.
En lugar de adivinar las condiciones ambientales exactas y las ubicaciones de los obstáculos, el algoritmo desarrolló razones sobre la probabilidad de observar diferentes condiciones ambientales y obstáculos en diferentes ubicaciones. Haría estos cálculos utilizando un mapa o imágenes del entorno del sistema de percepción del robot.
Utilizando este enfoque, sus algoritmos formulan la planificación de trayectorias como un problema de optimización probabilística. Este es un marco de programación matemática que permite que el robot logre los objetivos de planificación, como maximizar la velocidad o minimizar el consumo de combustible, al tiempo que considera las restricciones de seguridad, como evitar obstáculos. Los algoritmos probabilísticos que desarrollaron razonan sobre el riesgo, que es la probabilidad de no lograr esas restricciones de seguridad y objetivos de planificación, dice Jasour.
Pero debido a que el problema involucra diferentes modelos y restricciones inciertos, desde la ubicación y la forma de cada obstáculo hasta la ubicación inicial y el comportamiento del robot, esta optimización probabilística es demasiado compleja para resolverla con métodos estándar. Los investigadores utilizaron estadísticas de orden superior de las distribuciones de probabilidad de las incertidumbres para convertir esa optimización probabilística en un problema de optimización determinista más directo y simple que se puede resolver de manera eficiente con los solucionadores disponibles en el mercado.
«Nuestro desafío era cómo reducir el tamaño de la optimización y considerar restricciones más prácticas para que funcionara. Pasar de una buena teoría a una buena aplicación requirió mucho esfuerzo», dice Jasour.
El solucionador de optimización genera una trayectoria limitada por el riesgo, lo que significa que si el robot sigue el camino, la probabilidad de que colisione con cualquier obstáculo no supera un cierto umbral, como el 1 por ciento. A partir de esto, obtienen una secuencia de entradas de control que pueden conducir el vehículo de manera segura a su región objetivo.
Trazar cursos
Evaluaron la técnica utilizando varios escenarios de navegación simulados. En uno, modelaron un vehículo submarino que trazaba un curso desde una posición incierta, alrededor de una serie de obstáculos de formas extrañas, hasta una región objetivo. Pudo alcanzar la meta de manera segura al menos el 99 por ciento del tiempo. También lo usaron para trazar una trayectoria segura para un vehículo aéreo que evitó varios objetos voladores en 3D que tienen tamaños y posiciones inciertos y que podrían moverse con el tiempo, en presencia de fuertes vientos que afectaron su movimiento. Usando su sistema, la aeronave alcanzó su región objetivo con alta probabilidad.
Dependiendo de la complejidad del entorno, los algoritmos tardaron entre unos segundos y unos minutos en desarrollar una trayectoria segura.
Los investigadores ahora están trabajando en procesos más eficientes que reducirían significativamente el tiempo de ejecución, lo que podría permitirles acercarse a los escenarios de planificación en tiempo real, dice Jasour.
Han también está desarrollando controladores de retroalimentación para aplicar al sistema, lo que ayudaría al vehículo a mantenerse más cerca de su trayectoria planificada, incluso si se desvía a veces del rumbo óptimo. También está trabajando en una implementación de hardware que permitiría a los investigadores demostrar su técnica en un robot real.
Esta investigación fue apoyada, en parte, por Boeing.
