Proyecto de investigación


Gestión del Aprendizaje y Planificación de Flotas de Vehículos Acuáticos No Tripulados para la Monitorización de Masas de Agua Superficiales

Responsable: Sergio Toral Marín / Daniel Gutiérrez Reina
Tipo de Proyecto/Ayuda: Plan Estatal 2021-2023 - Proyectos Investigación Orientada
Referencia: PID2021-126921OB-C21
Fecha de Inicio: 01-09-2022
Fecha de Finalización: 31-08-2025

Empresa/Organismo financiador/es:

  • Ministerio de Ciencia e Innovación

Socios:

  • Fundación Universidad Loyola Andalucía (Pablo Millán Gata)

Equipo:

Contratados:

  • Investigadores:
    • Alejandro Mendoza Barrionuevo

Resumen del proyecto:

El proyecto AQUATRONIC propone el desarrollo de una flota flexible, robusta y reactiva de Vehículos Autónomos de Superficie (ASVs) para realizar una monitorización colaborativa y en tiempo real de masas de agua superficiales. Los ASVs estarán equipados con sensores para medir las principales características del agua (por ejemplo, la temperatura, el pH, la conductividad, la turbidez, el potencial redox, el oxígeno disuelto o los nitratos) y con tecnología de comunicación para transmitir estos datos a la nube (4G o 5G), con objeto de generar mapas en tiempo real de las variables de interés. Las características clave de la plataforma propuesta son la monitorización en tiempo real, flexibilidad, robustez, capacidad de reacción y colaboración. El objetivo es que la flota aprenda del entorno a medida que se despliega, determinando las leyes de movimiento óptimas para detectar y monitorizar con suficiente resolución los fenómenos que afectan a la calidad de los ecosistemas acuáticos.

Las misiones de seguimiento y supervisión contempladas en esta propuesta son de dos tipos:

  • De exploración: El objetivo es obtener modelos de variables de interés en grandes recursos o infraestructuras hídricas de forma eficiente.
  • Patrullaje: Consiste en monitorizar y supervisar periódicamente los recursos hídricos, actualizando los mapas con la distribución de las variables de calidad del agua, permitiendo el control en tiempo real del estado de los indicadores de calidad del agua.

Este proyecto propone el desarrollo de nuevos algoritmos en tres capas interconectadas: aprendizaje, planificación y control. La capa de aprendizaje se basará en el aprendizaje activo (los vehículos deciden dónde tomar las muestras). Su misión es obtener un modelo o mapa de distribución de las variables físico-químicas del recurso hídrico a monitorizar. A través del sistema de aprendizaje, el modelo se va haciendo cada vez más preciso de forma dinámica a medida que los vehículos realizan más mediciones de las variables del agua. Además, la etapa de planificación se encarga de decidir las rutas óptimas (secuencia de puntos o zonas de interés) que deben seguir los vehículos para maximizar el aprendizaje. También se encarga de calcular la distancia óptima entre los vehículos de la flota para realizar las mediciones, que se puede obtener a partir del modelo de aprendizaje. Ambas capas, que se ejecutarán en la nube con la información recibida de los ASV, proporcionarán a la plataforma las características deseadas de reactividad y seguimiento en tiempo real. Por último, los ASV deben estar dotados de algoritmos avanzados de control colaborativo para garantizar el seguimiento seguro y robusto de las trayectorias dadas por el planificador. La capa de control utilizará un esquema de líder/seguidor(es), en el que el bloque de control del ASV líder se encarga de que éste siga las trayectorias especificadas por el planificador, mientras que el bloque de control de la flota distribuida hace que el resto forme un enjambre de forma segura, a la distancia de medición óptima previamente calculada.

 

El equipo US (coordinador del proyecto) se encarga de desarrollar nuevos algoritmos que se ejecutan en las capas de aprendizaje y planificación. Estos algoritmos, basados en los datos recogidos por la flota de ASV, elaboran modelos en tiempo real del entorno acuático (calidad del agua u otras variables) y planifican las trayectorias a seguir (secuencia de puntos) por los vehículos en función de la misión de monitorización objetivo (exploración y/o patrullaje). Además, el equipo de la US aporta su experiencia en aprendizaje automático, optimización, integración de sensores y computación en la nube.

El subproyecto 1 propone utilizar la optimización bayesiana basada en procesos Gaussianos para las etapas de aprendizaje y planificación. La optimización Bayesiana tiene una amplia aplicación en los sistemas de decisión secuenciales como son las plataformas robóticas o sistemas autónomos. Está definida por tres componentes (i) modelo subrogado (etapa de aprendizaje); (ii) función de adquisición o utilidad (etapa de planificación), que determina cuantitativamente el aprendizaje obtenido por la medición en nuevas zonas; y (iii) optimizador (etapa de planificación), que se encarga de maximizar la función de utilidad en cada iteración para determinar la siguiente zona de interés donde se desplegará la flota de vehículos. Se suelen emplear procesos Gaussianos como modelo, ya que permiten incluir el conocimiento previo (inferencia Bayesiana) de la situación/escenario a través de la elección del Kernel (matriz de covarianza) y sus parámetros de configuración. De este modo, el Kernel puede utilizarse para estimar las covarianzas de la calidad del agua medida por los ASV. La planificación de rutas basada en optimización Bayesiana permite una solución reactiva a posibles cambios en los entornos acuáticos superficiales ya que el modelo subrogado se actualiza en cada muestra tomada por los vehículos, realizando así una toma de decisión actualizada. Además, con una selección adecuada del Kernel, se puede obtener un modelo suficientemente preciso con pocas muestras, aspecto importante considerando las características de gran escala de las aguas superficiales. Sin embargo, la adaptación de la optimización Bayesiana a la monitorización de los recursos hídricos presenta importantes retos que no se han abordado previamente y que se tratarán en este subproyecto.

En primer lugar, la elección del Kernel y sus parámetros de ajuste deben tener en cuenta las características de las variables de calidad del agua que se van a medir. Una buena elección del Kernel permitirá una estimación precisa de las covarianzas espaciales en el modelo, que se utilizará para determinar las distancias óptimas entre los ASV para la toma de medidas. Esta información se transmitirá a la capa de control para garantizar la navegación según las distancias calculadas.

En segundo lugar, existen importantes restricciones de movilidad de los vehículos en términos de velocidad, autonomía, peligro de colisión y obstáculos. Además, puede haber limitaciones en cuanto al equipo de medición o los sensores incorporados en los vehículos.

El desarrollo y la aplicación de estos nuevos algoritmos proporcionarán a la plataforma capacidades mejoradas en términos de seguimiento en tiempo real (modelos en línea que aprenden la distribución de las variables de interés) y de reactividad a los cambios detectados (optimización en línea a medida que se recogen nuevos datos).

Vicerrectorado de Investigación. Universidad de Sevilla. Pabellón de Brasil. Paseo de las Delicias s/n. Sevilla