Así lidiarán los futuros drones de Amazon con el caos urbano

Un dron llama a su puerta. Es el pedido de Amazon. Hace cuatro años que la compañía de Jeff Bezos anunció Amazon Prime Air: su plan para que pequeñas aeronaves no tripuladas repartisen pedidos volando por las urbanizaciones. Por ahora, esto no ha pasado de entornos de prueba. Entre otras cosas, porque pocas administraciones parecen dispuestas a tener que lidiar con una maraña de tráfico volador cuando ya tienen bastante con pelearse con los atascos en tierra. Más allá de cuestiones legales y de seguridad, lo cierto es que la inteligencia artificial y los algoritmos podrían venir al rescate de un tráfico aéreo urbano amable para los drones.

Un equipo del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) del MIT ha desarrollado NanoMap, un sistema lógico que permite a los drones volar consistentemente a 32 km por hora a través de entornos densos como bosques y almacenes llenos de columnas (se entiende que podrán hacerlo también en ciudades). Una de las ideas clave de NanoMap es sorprendentemente simple: el sistema considera que la posición del dron en el espacio a lo largo del tiempo es incierta. En realidad modela y explica esa incertidumbre. El dron no sabe en cada instante dónde y cómo está de manera precisa. Precide. Matemáticas al poder.

Pese a que se han realizado vuelos piloto en zonas urbanas para el reparto de mercancías, por ejemplo, en Fukushima, "los mapas existentes no nos ayudarán si queremos que los drones puedan operar a mayor velocidad en entornos humanos", señala desde California Pete Florence (@peteflorence), autor principal del estudio. "Un enfoque que sea más consciente de la incertidumbre nos brinda un nivel mucho más alto de fiabilidad a la hora de volar cerca y evitar obstáculos". Es algo parecido a lo que el cerebro humano hace al conducir. No sólo seguimos una ruta trazada por el mapa o navegador. Improvisamos y estamos atentos a la vía y sus sorpresas. Porque sabemos que las habrá e, inconscientemente, tiramos de nuestros recuerdos y experiencias previas para resolver los imprevistos al volante.

Específicamente, NanoMap usa un sistema de detección de profundidad para unir una serie de mediciones sobre el entorno inmediato del dron. Esto le permite no solo hacer planes de movimiento para su campo de visión actual, sino también anticipar cómo debería moverse en los campos de visión ocultos que ya ha visto.

"Es como guardar todas las imágenes que has visto del mundo como en una cinta (o disco duro) en tu cabeza", dice Florence. "Para que el minicóptero no tripulado anticipe los movimientos, esencialmente retrocede en el tiempo para pensar individualmente en todos los diferentes lugares en los que se encontraba".

Por ejemplo, si NanoMap no tenía en cuenta la incertidumbre y el dron se desviaba apenas a un cinco a por ciento de distancia de donde se esperaba, el dron se estrellaba el 28% de las veces. Sin embargo, cuando contaba con la incertidumbre, la tasa de accidentes se reducía al 2% .

No todo es mapear el mundo

Durante años, los científicos computacionales han trabajado en algoritmos que permiten a los drones saber dónde están, qué hay a su alrededor y cómo llegar de un punto a otro. Los enfoques comunes, como la localización y el mapeo simultáneos (SLAM), toman los datos brutos del mundo y los convierten en representaciones mapeadas. Amazon Prime Air ha trabajado experimentalmente con modelos a los que se carga con unas coordenadas GPS de destino. Calcula, conforme a los mapas, la ruta aérea más eficiente y se desplaza por debajo de los 120 metros de altura. Necesita una plataforma de aterrizaje con una señal que el dron identifica como el punto exacto de entrega. En realidad, no tenían que procesar demasiada información si iban por una zona poco poblada o sin obstáculos.

Pero el resultado de los métodos SLAM no suele utilizarse para planificar movimientos. Ahí es donde los investigadores a menudo usan métodos como "cuadrículas de ocupación", en las que se incorporan muchas medidas en una representación específica del mundo tridimensional. Por ejemplo, las calles de la Gran Manzana de Nueva York.

El problema es que tales datos pueden ser poco fiables y difíciles de recopilar rápidamente. A altas velocidades, los algoritmos de visión artificial no procesan gran parte de su entorno, lo que obliga a los drones a depender de datos inexactos del sensor de la unidad de medición inercial (IMU), que mide cosas como la aceleración del dron y la velocidad de rotación. Este tipo de unidad es la que no pudo manejar la enorme y cambiante actividad de la nave Schiaperelli, que terminó estrellada en Marte en 2016.

En España la ley no permite acercarse tanto a las casas en ciudad ni superar los 10 kg.

La forma en que pilota NanoMap no se ocupa de los detalles menores, esa es su ventaja. Funciona bajo la suposición de que, para evitar un obstáculo, no tiene que tomar cien medidas diferentes y encontrar el promedio para averiguar su ubicación exacta en el espacio; en su lugar, simplemente puede recopilar suficiente información para saber que el objeto se encuentra en un área general.

Esta es una de tantas aproximaciones a un problema no resuelto en cuanto a las entregas por aire. En la actualidad sólo serían posibles en campo abierto. Teniendo en cuenta que más del 66% de la población española vive en pisos (datos de Eurostat, 2016), las azoteas podrían ser los próximos terrenos de aterrizaje de unos futuros drones de reparto.

El marco regulatorio tendrá en cuenta este tipo de características. Un estudio publicado este martes en Nature destaca que las emisiones globales de gases de efecto invernadero podrían reducirse sustituyendo drones por redes de reparto terrestre.

Por el momento, con o sin algoritmo, el reglamento español de 2017 no permite su circulación en ciudad a menos de 50 metros de las fachadas ni sumar un peso superior a 10 kg. La ciudad de Blade Runner tendrá que esperar.