Planificación de vuelos para flotillas de vehículos autónomos aéreos usando redes neuronales generativas antagónicas.

Abstract

La utilización de Unmanned Aerial Vehicles (UAV), como mecanismos de vigilancia, seguridad y otros fines, se ha vuelto cada vez más común. Para mejorar su eficiencia, se busca encontrar estrategias de recorrido que permitan visitar puntos de interés (POI), evitar obstáculos y mantenerse en vuelo con suficiente carga en las baterías para regresar a la base y recargarse. Además, se busca que los UAV sean capaces de minimizar el tiempo entre visitas a cada POI y aprovechar el tiempo restante para explorar la mayor cantidad posible de terreno. En la actualidad, se utilizan algoritmos greedy para generar trayectorias de UAV en un espacio físico predefinido. Este enfoque implica dividir el espacio en cuadrantes, por los cuales los UAV se desplazan siguiendo los centroides de dichos cuadrantes. Sin embargo, cuando los cuadrantes representan áreas extensas, los UAV pueden no cumplir adecuadamente con su servicio en los POI ubicados en dichos cuadrantes. Para solucionar esto, es necesario mejorar la resolución de las trayectorias, es decir, reducir el tamaño de los cuadrantes. Sin embargo, esto genera un mayor número de cuadrantes y el algoritmo greedy comienza a aumentar el tiempo de cálculo y los requerimientos de memoria para generar las trayectorias. El proyecto se basa en la idea de aumentar la resolución de las trayectorias de UAVs en un área preseleccionada. Se investiga el uso de Redes Generativas Antagónicas (GAN), una tecnología que ha experimentado un crecimiento significativo en los últimos años, para lograr el aumento de resolución. La propuesta principal consiste en entrenar una GAN con un conjunto de datos de trayectorias generadas mediante algoritmos greedy. El generador de la red sería capaz de generar trayectorias de mayor resolución, que luego se escalarían para que coincidan con el tamaño del conjunto de datos existente y así ser evaluadas por el componente discriminador. De esta manera, el generador puede producir una trayectoria de alta resolución que permite una mayor precisión en los movimientos del UAV. El desarrollo del algoritmo greedy se llevará a cabo utilizando Python 3 (Python Software Foundation, 1991), y se aprovecharán las bibliotecas Tensorflow, Keras (Abadi y cols., 2015) y Pytorch (Paszke y cols., 2019), para el modelado de la GAN. A lo largo del proyecto se han realizado experimentos con diversas configuraciones, modelos y secuencias, buscando no solo el funcionamiento, sino también la optimización del proceso. Esta tarea ha requerido un arduo trabajo que ha culminado en una GAN cuya salida precisa de una serie de scripts para post-procesar y así lograr un resultado aceptable.