Resumen de Automated mission planning and decision support systems for multiple unmanned aerial vehicles
Cristian Ramírez Atencia
Los vehículos aéreos no tripulados (UAVs) se han vuelto muy populares en la última década debido a algunas ventajas tales como una fuerte adaptación al terreno, bajo costo, cero víctimas, etc. Este auge de las capacidades de los UAVs ha abierto las puertas a nuevas aplicaciones comerciales para la industria, incluyendo dominios como la vigilancia, la gestión de crisis, la agricultura o la silvicultura, entre otras.
Uno de los avances más interesantes en este campo es la automatización de la planificación de misiones (asignación de tareas) y la replanificación en tiempo real, que son muy útiles para aumentar la autonomía del vehículo y reducir la carga de trabajo del operador. La planificación de misiones para vehículos aéreos no tripulados es el proceso de planificación de las ubicaciones a visitar y las acciones a realizar (cargar / dejar caer una carga, tomar vídeos / imágenes, adquirir información) por los vehículos, generalmente durante un período concreto de tiempo. Hoy en día, estos vehículos son controlados de forma remota por operadores humanos desde estaciones de control en tierra (GCSs), utilizando sistemas de planificación rudimentarios, como el seguimiento de planes proporcionados de antemano o creados manualmente. Por otro lado, muchos cambios en el entorno pueden afectar el plan precargado durante su ejecución, y los operadores tienen que volver a planificar manualmente la misión, lo que genera una gran carga de trabajo en los operadores humanos dada la complejidad del proceso de replanificación.
Estos problemas son NP difíciles, lo que hace que el espacio de búsqueda sea enorme en comparación con el espacio de soluciones válidas. En problemas de alta complejidad, que implican varias tareas, UAVs y GCSs, se requiere un método rápido que permita resolverlos en un tiempo razonable. Además, existen varios objetivos que deben optimizarse en este tipo de problemas, incluyendo el \textit{makespan} o tiempo de finalización de la misión, el consumo de combustible o el coste, entre otros. Esto puede generar una gran cantidad de soluciones \textbf{no dominadas} (es decir, no existe otra solución con una mejor optimización de todos los objetivos juntos) para misiones complejas, por lo que se necesita un sistema de soporte a la decisión (DSS) que permita ayudar al operador en la selección del mejor plan.
Esta disertación se ha centrado en resolver el problema de planificación de misiones (MPP) para múltiples UAVs y un conjunto de GCSs. Con este fin, el problema ha sido modelado como un problema de satisfacción de restricciones (CSP) considerando sus diferentes asignaciones y restricciones. Debido a la complejidad y múltiples criterios conflictivos, se ha diseñado un nuevo algoritmo evolutivo multiobjetivo (MOEA) para optimizar el problema, en el que la codificación consiste en alelos diferentes que representan las variables del problema, mientras que la función de aptitud comprueba que se cumplan todas las restricciones, minimizando los criterios de optimización del problema. Este mismo enfoque se ha aplicado al problema de replanificación de misiones (MRP), donde un plan previo (el que se está ejecutando) se usa para crear la población inicial del algoritmo, y el tiempo de ejecución se limita para proporcionar la mejor solución encontrada en un tiempo razonable para el operador.
En trabajos sucesivos, este algoritmo se ha modificado con diferentes mejoras centradas en la reducción del tiempo de ejecución y la mejora de las soluciones obtenidas. En un primer enfoque, se han considerado algunas restricciones simples del modelo de CSP, usado como función de penalización, en la inicialización y reproducción de individuos, reduciendo así el espacio de búsqueda de soluciones.
En un segundo enfoque, para reducir la tasa de convergencia del MOEA, se ha propuesto un generador aleatorio ponderado para la creación y mutación de nuevos individuos. Usando diferentes estrategias aleatorias ponderadas, la búsqueda se centra en regiones potencialmente mejores del espacio de soluciones.
A continuación, y con el objetivo de reducir el espacio de soluciones y centrar la búsqueda en las soluciones más importantes, se ha utilizado \textbf{dominación cónica} en el MOEA para encontrar soluciones de \textbf{puntos de rodilla}, que representan las soluciones más importantes del problema, dejando de lado otras soluciones donde una pequeña mejora de algunos objetivos conduce a un gran deterioro de los demás. Este enfoque representa un primer paso en el proceso de toma de decisiones (DM), ya que reduce la cantidad de soluciones devueltas al operador.
Para facilitar la selección del plan, se ha propuesto un DSS multicriterio. Este sistema consiste en una función de \textit{ranking} que ordena las soluciones obtenidas y una función de \textit{filtrado} que evita presentar soluciones similares, es decir, una función de \textit{filtrado} basada en la distancia. Se han probado varios métodos de \textit{ranking} en escenarios de misión reales con diferentes perfiles de operador. Los operadores expertos han evaluado las soluciones devueltas para comparar los diferentes sistemas de \textit{ranking} y demostrar la utilidad del enfoque propuesto.
Finalmente, estos sistemas automatizados de planificación de misiones, replanificación y soporte a la decisión requieren una interfaz humano-maquina (HCI) que facilite la visualización y selección de los planes que ejecutarán los vehículos. QGroundControl, un entorno de simulación de código abierto para el control de vuelo de varios vehículos, ha sido extendido añadiendo un diseñador de misiones, que permite al operador construir misiones complejas con tareas y otros elementos del escenario; y una interfaz para planificación automática de misiones, replanificación y soporte a la decisión, que funciona como banco de pruebas para diferentes algoritmos.
