Inteligencia Artificial en sistemas aéreos no tripulados

En la actualidad estamos viviendo inmersos en una revolución tecnológica en la cual la Inteligencia Artificial constituye una de las piezas clave de cómo será la tecnología en el futuro. En este sentido, el cine ya se ha encargado de construir una mitología a su alrededor y ha creado unas expectativas que divergen del estado actual de los algoritmos disponibles. Esta evolución de la tecnología es continua desde la Segunda Guerra Mundial, cuando el matemático británico Alan Turing sentó las bases de la computación moderna. Además de ello, a través del artículo Computing Machinery and Intelligence, propuso la llamada Prueba Turing, que propone un método para discernir si una máquina es o no inteligente por sí misma. Desde entonces los avances fueron sucediéndose uno tras otro hasta la entrada en el nuevo milenio, dónde la combinación del cloud computing (computación en la nube), el big data y los grandes avances en el machine learning (aprendizaje automático - ML) han permitido un incremento exponencial del desarrollo y aplicación de la tecnología de nuestro porvenir.

¿Qué es la Inteligencia Artificial? Básicamente, conocemos cómo IA a aquellas rutinas o comportamientos de las máquinas u operativos informáticos que simulan la inteligencia humana. Desde GMV, se está trabajando para convertir este concepto etéreo en proyectos y productos concreto, como por ejemplo el proyecto SAFE-Term, financiado por la Agencia Europea de la Defensa (EDA) y desarrollado por GMV en conjunto con AERTEC.

SAFE-Term busca la terminación segura del vuelo para un sistema aéreo no tripulado (Unmanned Aircraft System – UAS), a partir del momento en que el piloto pierde el control de la aeronave y esta sufre una emergencia que impide realizar con éxito las contingencias, siendo imposible llegar a las Áreas de Terminación del Vuelo predefinidas (Flight Termination Area - FTA). En este caso, el UAS deberá decidir autónomamente qué área de las que se abren delante de sí es la más propicia para establecer un área de Terminación del Vuelo Alternativa (Alternative Flight Termination Area - AFTA). Este proyecto desarrolla un sistema de clasificación de emergencia para lidiar con esta eventualidad en UAS de tipo MALE (Altitud Media y Gran Autonomía), permitiendo incorporar un nivel superior de seguridad en sus operativas.

Este proyecto se inició a finales de 2019 y durante todo este tiempo, el equipo ha trabajado arduamente para desarrollar un sistema capaz de analizar el entorno mediante visión por computador y a través de redes neuronales profundas, discernir aquellas zonas más seguras para una operación de aterrizaje de emergencia.

El desarrollo se divide en tres fases, la segunda de las cuales ya ha llegado a su fin, con unos resultados notables. El equipo ha conseguido diseñar y testear un sistema embarcable, cuyo diseño viene marcado por la posibilidad de su certificación, siguiendo las guías que se están discutiendo en varios grupos de trabajo. Se pretende que SAFE-Term no solo sea un sistema más de los UAS del futuro, sino sentar las bases para el desarrollo e incorporación de sistemas basados en IA para el campo de la aviación.

Entre los resultados más destacables de la segunda fase del proyecto, se encuentra el diseño e implementación de un sistema de aviónica real, desplegado en un hardware que cumple todos los requisitos para ser embarcable en una aeronave, que consigue aislar de forma realista los componentes de IA/ML.

Así mismo, se ha diseñado y desplegado un entorno de simulación sintético realista, que permite mediante la aplicación de pruebas Hardware-In-The –Loop (HITL). Esto permite que SAFE-Term trabaje como trabajaría si estuviera embarcado en una aeronave. La única diferencia con respecto a una operativa real, es que los datos que entran por los sensores Electro-ópticos (EO) e Infra Rojos (IR) están basados en una base de datos sintética. Sin embargo, esta base de datos, se ha construido sobre el Centro de Vuelos Experimentales ATLAS (Jaén). De esta forma, se busca el máximo realismo para los resultados obtenidos.

Actualmente el sistema resultado de la fase dos, arroja unas precisiones del 90%, con unos ratios de menos del 5% de falsos positivos, localizados en zonas no críticas, puesto que se centran sobre todo en las áreas de caminos y carreteras comarcales rodeadas por arboledas. Este tipo de errores no ponen en peligro la operativa de la aeronave en situación de emergencia puesto que contribuyen a evitar poblaciones. Se ha propuesto además medios de postroceso para reducir más el ratio de falsos positivos, mediante consolidación tanto espacial como temporal de los resultados de clasificación del terreno. Estas métricas se han obtenido con datasets a los que se ha sometido a un tratamiento de ruido gaussiano y desenfoque, para no solo simular una operativa normal, sino también entender cómo afectan los fallos más comunes que las cámaras podrían sufrir. El equipo puede afirmar que los resultados han sido satisfactorios y que el sistema es suficientemente robusto dentro del entorno de simulación.

Para la fase 3 del proyecto, está previsto optimizar el sistema para mejorar tiempos y resultados. De la misma forma, se pretende entrenar y testear SAFE-Term con datos obtenidos de campañas de vuelo reales, de forma que se complemente el proceso ya conseguido mediante el entrenamiento con datos sintéticos y los tests en el entorno de simulación, con información real, del mundo real a través de sensores reales, con sus deformaciones y deprecación de calidad.

Al final de la fase 3, el demostrador podrá ser utilizado como ejemplo viable de sistema embarcable y certificable para la mejora de la seguridad en las operaciones autónomas de UAS. Queda mucho por hacer, pero desde GMV estamos preparados para seguir avanzando y aportando soluciones innovadoras.

Autor: Javier Ferrero Micó