Por Canuto  

Un sistema creado por investigadores del MIT calcula rutas de vuelo que evitan obstáculos móviles incluso cuando el dron desconoce el entorno. SANDO combina una garantía formal de seguridad con una planificación que se actualiza mientras el vehículo avanza, una característica que podría resultar útil en rescates, minas y entregas.
***

  • SANDO calcula corredores de vuelo que consideran cuánto podrían desplazarse los obstáculos dinámicos, aunque el dron no tenga un mapa del entorno.
  • En simulaciones el sistema evitó colisiones y llegó más rápido que varios planificadores de referencia; también fue probado en 12 vuelos con un UAV real.
  • Los investigadores plantean mejorar su eficiencia y combinarlo con modelos de aprendizaje automático que permitan dar instrucciones en lenguaje natural.

MIT prueba un sistema que ayuda a drones a volar entre obstáculos desconocidos

SANDO traza rutas para vehículos aéreos no tripulados en espacios sin cartografiar y contempla objetos que pueden moverse de forma impredecible. Sus desarrolladores afirman que el método cuenta con una garantía formal de seguridad y lo probaron tanto en simulaciones como en 12 vuelos con un dron real.

La navegación autónoma suele enfrentar una dificultad particular cuando un robot debe avanzar sin conocer de antemano el entorno y, además, evitar obstáculos móviles. Investigadores del Instituto Tecnológico de Massachusetts (MIT) desarrollaron un planificador de trayectorias que busca resolver ambos problemas, con posibles aplicaciones en misiones de emergencia, exploración de túneles y entregas en zonas concurridas.

Una ruta que se actualiza con el entorno

El sistema se llama SANDO, sigla en inglés de «Safe AutoNomous trajectory planning for Dynamic unknOwn environments», y fue concebido para vehículos aéreos no tripulados, conocidos como UAV. Según informó MIT News, el método construye una trayectoria eficiente en un espacio sin mapa y contempla los movimientos potenciales de objetos que el vehículo no conoce de antemano.

Kota Kondo, autor principal del trabajo y quien obtuvo un doctorado en aeronáutica y astronáutica en el MIT en 2026, explicó que el planificador solo necesita conocer la velocidad máxima que podrían alcanzar los obstáculos. Con ese dato, sostuvo, puede calcular una ruta segura incluso cuando el UAV desconoce el entorno y no sabe exactamente hacia dónde se moverán esos objetos.

El reto va más allá de detectar un obstáculo en una imagen: una ruta que parece despejada puede dejar de serlo cuando una persona, una rama o un fragmento de escombro se desplaza hacia el corredor de vuelo. Muchos planificadores ofrecen garantías formales cuando el espacio es estático o cuando los obstáculos ya están identificados, mientras que otros reaccionan ante objetos dinámicos sin demostrar matemáticamente que evitarán una colisión.

Esa diferencia adquiere importancia en tareas de alto riesgo, como llevar suministros médicos a una zona afectada por un desastre natural o recopilar información para equipos de rescate. En esos escenarios, calcular por adelantado cada choque posible podría tomar demasiado tiempo para una operación real, por lo que los investigadores buscaron un método que combine una comprobación rigurosa con la capacidad de recalcular la trayectoria a bordo.

Cómo construye SANDO sus corredores de seguridad

SANDO comienza delimitando un corredor de seguridad en tres dimensiones, formado por regiones conectadas por las que el robot puede desplazarse sin encontrar obstáculos. A diferencia de una ruta que solo describe el espacio libre en un instante, el corredor de este sistema incorpora el tiempo y considera dónde podrían estar los objetos móviles más adelante.

Para estimar esos movimientos, el planificador incluye un módulo que detecta, agrupa y monitorea obstáculos dinámicos. No intenta predecir con exactitud el destino de cada objeto, sino que utiliza la velocidad máxima posible para calcular qué distancia podría recorrer durante un intervalo determinado.

Con esa estimación, el sistema representa el posible desplazamiento mediante una esfera alrededor del obstáculo, que abarca las posiciones que podría alcanzar en distintas direcciones. Luego establece el corredor de vuelo fuera de esas zonas, de modo que la trayectoria considere tanto la ubicación observada como el espacio que el objeto podría ocupar en el futuro.

El planificador también emplea un mapa de calor para localizar sectores con una concentración elevada de obstáculos y guiar al UAV lejos de ellos. Una vez identificado el corredor, optimiza la trayectoria para encontrar una ruta rápida hacia el objetivo; mientras el dron avanza, actualiza el corredor y vuelve a calcular el recorrido si cambia el entorno.

Pruebas, aplicaciones y próximos pasos

Los investigadores informaron que en las simulaciones SANDO alcanzó los objetivos más rápido que varios sistemas de vanguardia y evitó colisiones en todos los entornos evaluados. También probaron el planificador en 12 vuelos con un UAV real, que utilizó sus sensores y su computadora embarcada para replantear la trayectoria mientras encontraba obstáculos dinámicos.

Entre las aplicaciones potenciales mencionadas figuran las misiones de búsqueda y rescate en edificios colapsados, la exploración minera a través de redes de túneles ocultos y la entrega de paquetes en barrios concurridos. En un incendio forestal, por ejemplo, un UAV podría recopilar información para los rescatistas mientras intenta evitar llamaradas repentinas y ramas que caen, aunque el artículo presenta ese escenario como una posibilidad, no como una operación ya realizada con SANDO.

El equipo incluye a Kondo y al autor sénior Jonathan P. How, profesor Ford de Ingeniería e investigador principal del Laboratory for Information and Decision Systems y del Aerospace Controls Laboratory del MIT. También participaron Jesús Tordesillas, profesor asistente en la Universidad Pontificia Comillas de Madrid, y los estudiantes de posgrado del MIT Juan Rached, Lili Sun y Yixuan Jia. La investigación fue publicada en IEEE Transactions on Robotics.

Fei Gao, profesor asociado de la Universidad de Zhejiang que no participó en el estudio, destacó la combinación de planificación espacio-temporal, análisis formal de seguridad y validación en hardware. La investigación recibió financiación parcial de la Defense Science and Technology Agency de Singapur, y sus autores señalaron que buscarán reducir el costo computacional y explorar una integración con modelos de aprendizaje automático para recibir instrucciones en lenguaje natural.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados