Un grupo de 30 drones se eleva simultáneamente en el aire, y las partes inferiores del chasis de su chasis brillan en 30 tonos diferentes: se ven como dulces fluorescentes dispersos en un cielo gris y nublado. Luego se congelan suspendidos en el aire. Después de un par de segundos, todos comienzan a moverse, como uno solo.
Cuando la bandada recién formada se mueve, las barrigas luminosas de sus miembros cambian a un color: verde. Deciden dirigirse al este. Los primeros drones se acercan a la barrera, y sus barrigas se vuelven de color azul verdoso cuando giran hacia el sur. Pronto, el color de los últimos miembros del paquete cambia al mismo.
Esto es hermoso y sorprendente a su manera: estos drones organizaron independientemente una bandada coherente y vuelan sin chocar entre sí y, lo más sorprendente, sin ningún módulo de control central.
Esto los distingue fundamentalmente de bandadas de drones que se pueden ver en algún lugar en la apertura del Super Bowl o los Juegos Olímpicos. Sí, esas flotas de cuadricópteros pueden numerar miles de unidades, pero el movimiento y la ubicación de cada uno de ellos se programa de antemano. Y cada uno de estos 30 drones realiza un seguimiento independiente de su ubicación, velocidad y, al mismo tiempo, comparte esta información con todos los demás miembros de la bandada. No tienen líder; juntos deciden a dónde ir, y lo hacen, literalmente, sobre la marcha.
En este sentido, parecen pájaros. O abejas, o langostas. O en cualquier criatura que sea capaz de organizarse de manera independiente, majestuosa y algo misteriosa en grupos conectados, tal es la
propiedad emergente de las acciones de individuos individuales. Hace varios años, los investigadores lograron esto con 10 drones. Hoy este número se ha triplicado.
Pero hacer esto no fue solo tres veces más difícil. Los drones son capaces de crear una formación gracias al modelo realista de flocado descrito en el último número de Science Robotics. "Los números por sí solos no pueden expresar lo complicado que fue", dijo
Gabor Vásárhelyi , director del Laboratorio Robótico, Departamento de Física Biológica, Universidad de Budapest y el primer autor del estudio. “Los padres con tres hijos se dan cuenta de lo mucho más difícil que es manejarlos que con un niño. Y si tiene entre 20 y 30 hijos, entonces la complejidad aumenta en órdenes de magnitud. Ya sé que tengo tres hijos.
El equipo de Vasarely desarrolló un modelo basado en miles de simulaciones que utilizaron algoritmos evolutivos con cientos de generaciones. "El hecho de que lograron organizar esto de manera descentralizada es realmente genial", dijo el especialista en robótica de SUNY Buffalo, Karthik Dantu, un experto en coordinación de múltiples robots que no está involucrado en este estudio. "Cada robot hace lo suyo y aparece un comportamiento masivo".
En los sistemas coordinados, un aumento en el número de participantes conduce a un aumento en el potencial de errores. Una ráfaga de viento puede sacar a un dron del rumbo, y el resto seguirá. El quadcopter puede determinar incorrectamente su ubicación o perder el contacto con sus vecinos. Tales errores están en cascada en todo el sistema; un ligero retraso puede ser exacerbado por la pista de vuelo, como un atasco de tráfico, que comienza por un solo automóvil con frenos. Una falla menor puede crear rápidamente el caos.
Pero el equipo de Vasarely hizo un modelo de congregación que podría predecir la mayor cantidad de fallas posibles. Por lo tanto, sus drones pueden pulular no solo en simulaciones, sino también en el mundo real. "Esto es bastante impresionante", dice el especialista en robots Tonnes Nigaard, no relacionado con la investigación. Nigaard es investigador del proyecto de Ingeniería de previsibilidad con cognición incorporada de la Universidad de Oslo y está trabajando para reducir la brecha entre las simulaciones de robots andantes y las verdaderas patas artificiales artificiales. "Las simulaciones, por supuesto, son geniales", dice, "porque facilitan la simplificación de las condiciones de trabajo de sus robots, y usted puede aislar e investigar problemas". Pero el problema es que los investigadores pueden pasar rápidamente a una simplificación excesiva, eliminando las características del mundo real de sus simulaciones, y esto puede depender de si su modelo es exitoso o no.
En lugar de eliminar las complejidades de su modelo de congregación, Vasarely y el equipo las agregan. Donde otros modelos pueden imponer dos o tres restricciones en la operación de drones, imponen 11. Juntos determinan, por ejemplo, qué tan rápido el dron debe alinearse con otros miembros de la flota, qué tan lejos debe mantenerse a sus vecinos y qué tan activamente Debería tratar de apoyarlo.
Para encontrar los mejores valores para los 11 parámetros, Vasarely y su equipo utilizaron una estrategia evolutiva. Crearon versiones aleatorias del modelo con 11 parámetros en la supercomputadora, y observaron cómo se comportarían 100 bandadas de drones con cada una de las opciones. Luego seleccionaron los modelos de los lotes más exitosos, ajustaron los parámetros y comenzaron las simulaciones nuevamente.
Algunas veces un conjunto prometedor de parámetros era desconcertante. Retrocedieron algunos pasos, posiblemente combinando las propiedades de dos conjuntos de reglas prometedores diferentes, y nuevamente realizaron simulaciones. Después de varios años de trabajo, 150 generaciones y 15,000 simulaciones, llegaron a un conjunto de parámetros que, estaban seguros, deberían funcionar con drones reales.
Y si bien estos drones hacen un excelente trabajo; Las pruebas de su modelo en el mundo real aún no han dado lugar a una sola colisión. Los vuelos se realizaron no solo de manera brillante, sino también en diferentes colores: el color del chasis del avión indicaba la dirección de su movimiento. Inicialmente, esto se hizo para espectáculos de luces con drones, pero luego, en el último momento, los investigadores decidieron agregar esa oportunidad para probar dispositivos. Vazarely dice que esto facilitó enormemente la tarea de visualizar el estado del dron, y también les resultó más fácil notar errores y corregirlos en el sistema.
Y también es muy hermoso: visualización roboluminiscente de la coordinación de sistemas complejos.