Drones miniatura navegan como abejas gracias a redes neuronales de apenas 3 kilobytes

Un equipo de investigadores ha logrado que pequeños drones naveguen de forma autónoma utilizando una fracción mínima de los recursos computacionales que requieren los métodos tradicionales, según un estudio publicado en Nature.

La estrategia, denominada Bee-Nav (Navegación de Abeja), se inspira en los vuelos de aprendizaje que realizan las abejas melíferas antes de emprender viajes largos de exploración o forrajeo, según el artículo científico. Mientras que los métodos actuales de navegación robótica basados en mapas detallados requieren computadoras portátiles de alta gama o sistemas embebidos con GPU, esta nueva aproximación funciona con redes neuronales de apenas 3.4 kilobytes en su versión compacta y 42 kilobytes en su versión con mecanismo de atención.

La navegación representa un desafío crítico para robots pequeños con recursos limitados. Los métodos convencionales de navegación autónoma de alta precisión basados en mapas métricos detallados están actualmente restringidos a robots grandes capaces de transportar y alimentar los sistemas computacionales necesarios, según el estudio. Incluso los enfoques más eficientes que sacrifican precisión del mapa almacenándolo como un grafo topológico requieren que el robot reconozca dónde está y ajuste el mapa en consecuencia, lo que aumenta los requisitos computacionales para trayectorias más grandes.

El estado del arte actual es un pequeño robot volador que utiliza 500 kilobytes de memoria en un chip de inteligencia artificial de bajo consumo para navegar en un área de 4 por 5 metros, según Nature. En contraste, insectos pequeños como las abejas melíferas navegan de forma robusta hasta varios kilómetros desde su colmena.

Las capacidades de navegación de los insectos se basan en dos componentes, según el artículo. El primero es la integración de trayectoria, que permite a los insectos estimar su posición respecto a un punto de partida integrando las direcciones y distancias recorridas. Debido a que la integración de trayectoria está sujeta a una deriva creciente, los insectos también dependen de un segundo componente llamado memoria visual, que consiste en recordar puntos de referencia visuales y su relación con lugares de interés.

En Bee-Nav, el robot primero realiza un vuelo de aprendizaje durante el cual entrena una pequeña red neuronal a bordo para mapear sus entradas visuales directamente a un vector de hogar que representa la dirección y distancia al punto de origen desde la perspectiva del robot, según la investigación. El aprendizaje es autosupervisado, ya que el vector objetivo se determina con integración de trayectoria. La red neuronal entrenada representa una memoria visual que permite al robot estimar visualmente la ubicación del hogar dentro de un área que circunscribe las trayectorias del vuelo de aprendizaje, denominada área de retorno aprendida.

Los experimentos de simulación mostraron que, para precisiones realistas de integración de trayectoria, la red neuronal requiere entrenamiento en solo aproximadamente 0.25 a 10 por ciento del área total de vuelo, según Nature. En experimentos del mundo real en interiores y exteriores, un pequeño dron regresó exitosamente a menos de 0.5 metros del hogar en el 100 por ciento de los vuelos de 30 a 110 metros y en el 70 por ciento de los vuelos de 200 a 600 metros en condiciones ventosas.

Las simulaciones demostraron que incluso con la deriva sustancial de integración de trayectoria del robot, el área de retorno aprendida solo necesita ser 3.84 por ciento del área total de vuelo para capturar el 99 por ciento de los puntos finales del viaje, según el estudio. Con un método de odometría más avanzado y computacionalmente más costoso para odometría visual (SVO+GTSAM), el porcentaje del área de retorno aprendida fue de 0.74 por ciento. Un método de odometría bioinspirado con medición de rumbo por magnetómetro para integración de trayectoria más precisa resultó en un porcentaje de área de retorno aprendida de solo 0.24 por ciento.

Los investigadores implementaron exitosamente Bee-Nav en un pequeño dron volador, realizando experimentos del mundo real en diferentes entornos. El dron estaba equipado con una cámara omnidireccional y una Raspberry Pi 4 para ejecutar las pequeñas redes neuronales para el retorno visual. Se utilizaron dos tipos de red: una red neuronal compacta de cinco capas de 3.4 kilobytes y una red de atención ligeramente más grande de ocho capas de 42.3 kilobytes.

En un salón interior de 30 por 40 metros en Unmanned Valley, Valkenburg, y en terrenos de prueba exteriores de 400 por 500 metros, el dron demostró las cuatro fases de la estrategia de navegación propuesta, según Nature. Los experimentos mostraron porcentajes de éxito de retorno al hogar que variaron según el entorno y la distancia.

La comparación con enfoques alternativos mostró ventajas significativas. El retorno visual de Bee-Nav fue sustancialmente más eficiente y más preciso que un enfoque basado en instantáneas que compara vistas alrededor de la posición actual con una sola instantánea tomada en la ubicación del hogar, y que un enfoque de memoria perfecta que almacenó todas las imágenes y vectores objetivo recopilados durante el vuelo de aprendizaje como instantáneas.

La estrategia de navegación propuesta será vital para robots con recursos limitados que realizan tareas mientras viajan desde y hacia una ubicación de origen, según los investigadores. Además, proporciona nuevas perspectivas sobre la neuroetología de la navegación de insectos, desde cómo el aprendizaje visual da forma a las trayectorias de retorno hasta la naturaleza de los mapas cognitivos.