Revisar literatura recomendada
13/01/2025
Redes inalámbricas y algoritmos avanzados para enjambres de UAV
La evolución tecnológica de los enjambres de vehículos aéreos no tripulados (UAV) está revolucionando sectores clave mediante el uso de redes inalámbricas avanzadas, algoritmos de inteligencia artificial y aprendizaje automático. Estas tecnologías no solo optimizan la operación de los enjambres, sino que también permiten aplicaciones innovadoras en campos como la logística, la vigilancia, y la gestión de emergencias. Este avance promete un impacto trascendental en el desarrollo social e industrial, marcando un hito en la manera en que interactuamos con sistemas autónomos en un futuro cercano.
En la actualidad, las arquitecturas de redes inalámbricas diseñadas para enjambres de UAV se dividen principalmente en dos categorías: redes basadas en infraestructura y redes FANET basadas en comunicación ad-hoc (Sharma et al., 2020). Estas arquitecturas se ilustran en la Figura 4. La arquitectura basada en infraestructura depende de la infraestructura terrestre para proporcionar servicios de retransmisión entre los UAV, pero no permite la comunicación directa entre ellos (Al-Turjman y Zahmatkesh, 2020). En contraste, la arquitectura FANET permite la comunicación directa o indirecta entre UAV sin la necesidad de una infraestructura terrestre, lo que proporciona mayor flexibilidad para aplicaciones dinámicas.
Arquitecturas de redes para UAV: Comparación entre infraestructura y FANET
Eventualmente, la eficiencia de comunicación en redes FANET está fuertemente influenciada por su topología. Entre las topologías más comunes se encuentran las redes en estrella, en malla y multicapa. En las redes en estrella, todos los UAV se comunican a través de un UAV específico, lo cual puede generar congestión en la red. Por otro lado, las redes en malla, donde los nodos están interconectados entre sí, ofrecen mayor flexibilidad y confiabilidad, pero requieren protocolos de enrutamiento eficientes para seleccionar las mejores rutas, especialmente ante los cambios constantes en la estructura de la red (Gupta et al., 2016). Dada la movilidad inherente de los UAV, las interferencias de señal y las limitaciones energéticas, los protocolos de enrutamiento estáticos no son adecuados para estas redes. Es necesario implementar soluciones dinámicas y en tiempo real que optimicen la gestión de red y garanticen la calidad del servicio. Los protocolos de enrutamiento convencionales, como los preventivos, reactivos, híbridos, jerárquicos y probabilísticos, entre otros (Rovira-Sugranes et al., 2022), no están diseñados para manejar la alta movilidad y los cambios rápidos de topología que caracterizan las redes UAV.
Retos y soluciones en las topologías de red UAV
Indudablemente, los algoritmos de inteligencia artificial y especialmente los de aprendizaje automático presentan soluciones innovadoras al ser capaces de tomar decisiones óptimas basadas en el aprendizaje continuo del entorno, como la topología de la red, el estado de los canales de comunicación y otros parámetros clave. En este contexto, los protocolos de enrutamiento basados en inteligencia artificial han sido divididos principalmente en dos tipos: los protocolos basados en predicción de topología y los protocolos basados en aprendizaje adaptativo. Los primeros utilizan técnicas de aprendizaje automático para anticipar los cambios en la topología de la red, generando políticas de enrutamiento que aumentan la estabilidad y el rendimiento. Los segundos, además de aprender continuamente sobre el entorno, se centran en maximizar indicadores clave como el rendimiento de la red, la equidad, la longevidad de la red, la congestión y el consumo de energía. Entre estos protocolos destaca el uso del algoritmo de aprendizaje Q, empleado en estrategias como el enrutamiento consciente de la calidad de servicio y los protocolos de enrutamiento optimizados multi objetivos, los cuales han demostrado superar a los algoritmos convencionales en términos de velocidades de llegada de paquetes, eficiencia energética y reducción del retraso de comunicación (Hendriks et al., 2018; Liu et al., 2020).
Redes en estrella, malla y multicapa: Ventajas y limitaciones
Por supuesto, que el avance en las tecnologías de redes de UAV, impulsado por el desarrollo de algoritmos de IA y ML, representa un cambio paradigmático en el diseño y la gestión de redes inalámbricas. Estas soluciones no solo mejoran la eficiencia operativa de los enjambres de UAV, sino que también permiten nuevas aplicaciones en áreas como la entrega de bienes, la vigilancia, la agricultura y la gestión de desastres. El uso de tecnologías avanzadas en redes de comunicación y protocolos de enrutamiento adaptativos asegura que estas redes sean sostenibles, estables y capaces de satisfacer las crecientes demandas de la Industria y los usuarios de servicios tecnológicos.
Inteligencia artificial en redes FANET: Protocolos innovadores
En los últimos años, los enjambres de Vehículos Aéreos No Tripulados (UAV, Unmanned Aerial Vehicles) han cobrado una relevancia significativa debido a su amplio rango de aplicaciones, que incluyen desde la vigilancia y el monitoreo ambiental hasta la entrega de paquetes y la comunicación en situaciones de emergencia. Sin embargo, la implementación eficiente de estos enjambres presenta desafíos técnicos importantes, entre los cuales destaca la asignación dinámica de recursos de red, como el espectro y la energía. Estos retos son aún más complejos debido a la naturaleza dinámica de las topologías de red y las exigencias específicas de cada escenario operativo. A medida que la tecnología avanza, el uso de herramientas como la Inteligencia Artificial (IA, Artificial Intelligence) y técnicas como el Aprendizaje Automático (ML, Machine Learning) se ha convertido en una solución prometedora para abordar estos problemas técnicos y optimizar el rendimiento de los enjambres de UAV en tiempo real.
Predicción de topología y aprendizaje adaptativo en protocolos de enrutamiento
Por lo tanto, la asignación eficiente de los recursos de red es esencial para maximizar el desempeño de los enjambres de UAV. Por ejemplo, Yoshikawa et al. (2017) abordan el problema de identificar las bandas de frecuencia óptimas para cada UAV con el objetivo de aprovechar al máximo los recursos del espectro y evitar interferencias. Sin embargo, este enfoque carece de una consideración dinámica tanto de la gestión del espectro según la demanda como de los requerimientos energéticos, lo que puede reducir la vida útil de la red de enjambres. Por lo tanto, es fundamental implementar estrategias que permitan asignar los recursos de espectro de manera dinámica en función de las necesidades específicas de las aplicaciones de la red. Esto garantiza que el espectro sea utilizado de manera eficiente y efectiva, prolongando la operatividad del sistema y mejorando la sostenibilidad de las operaciones.
Asignación eficiente de recursos en enjambres de UAV
En torno a la alta complejidad y dinamismo de los escenarios de servicio de los enjambres de UAV, el uso de algoritmos convencionales para resolver problemas de red resulta insuficiente, ya que estos requieren un tiempo considerable de procesamiento y no son capaces de tomar decisiones en tiempo real. En este contexto, Lei et al. (2021) destacan que los algoritmos de inteligencia artificial (IA), especialmente los basados en aprendizaje automático, han surgido como una solución innovadora que permite adaptarse a los cambios del medio circundante y realizar ajustes en tiempo real. Por ejemplo, la integración de Gemelos Digitales (DT, Digital Twins) con técnicas de Aprendizaje por Refuerzo ha demostrado ser efectiva en la reconfiguración inteligente de redes de enjambres de UAV, lo que mejora significativamente la capacidad de respuesta y la eficiencia de la red en escenarios variables.
Gestión dinámica de espectro y energía en redes UAV
Se puede resaltar, que la incorporación de tecnologías como las ondas milimétricas para proporcionar comunicación inalámbrica de banda ancha también plantea complicaciones adicionales, como la desalineación de los haces debido al movimiento de los UAV y la interferencia entre diferentes enjambres. Para abordar estos problemas, Feng et al. (2019) desarrollaron una arquitectura innovadora que permite gestionar tanto los recursos del espectro como el consumo energético de los UAV de manera más flexible y eficiente. La validación de esta arquitectura se lleva a cabo en cinco escenarios potenciales, demostrando su capacidad para optimizar la operación de los enjambres bajo condiciones diversas y cambiantes.
Aplicaciones prácticas y desafíos en enjambres de UAV
La adopción de tecnologías avanzadas como la Inteligencia Artificial, los Gemelos Digitales y las técnicas de Aprendizaje Automático está transformando de manera radical la gestión y operación de los enjambres de UAV. Estas herramientas no solo superan las limitaciones inherentes a los enfoques tradicionales, sino que también habilitan nuevas posibilidades para mejorar el rendimiento, la eficiencia y la sostenibilidad de las redes de UAV. Su implementación genera un impacto significativo tanto en la industria tecnológica como en los usuarios finales, al ofrecer servicios más confiables, rápidos y personalizados. En definitiva, estas innovaciones se posicionan como pilares fundamentales para construir un futuro en el que los enjambres de UAV desempeñen un papel clave en diversos sectores, impulsando el desarrollo industrial y promoviendo un impacto positivo en el bienestar social.
Prevención de colisiones mediante IA: Seguridad en vuelo autónomo
Por lo tanto, la inteligencia artificial para la prevención de colisiones en vehículos aéreos no tripulados representa un avance necesario en el campo de la aeronáutica moderna. Dado el creciente uso de UAV en aplicaciones como la logística, la vigilancia y la recopilación de datos, garantizar vuelos seguros se ha convertido en una prioridad esencial. En particular, la prevención de colisiones requiere que los UAV sean capaces de evitar impactos no solo con otros vehículos similares, sino también con obstáculos estáticos o dinámicos en el entorno, como edificios, árboles, pájaros o incluso condiciones meteorológicas adversas. Estos problemas implican dos pasos fundamentales: la detección de obstáculos y la posterior prevención de colisiones, como se señala en Wei et al. (2022).
Técnicas de aprendizaje automático para detección y prevención de colisiones
Hay que considerar, que el proceso de detección de obstáculos permite que los UAV recopilen información relevante sobre su entorno, ya sea a través de sensores embarcados o mediante técnicas cooperativas. Por ejemplo, los UAV pueden compartir datos sobre su posición y condiciones de vuelo, como sugieren Hendriks et al. (2018) y Liu et al. (2020), lo que permite una detección más robusta. Sin embargo, estas técnicas tienen limitaciones, ya que dependen de que todos los UAV utilicen un protocolo común, lo que puede dificultar la integración de información ambiental diversa. Para abordar estas limitaciones, se han empleado sensores avanzados y técnicas de imagen y posicionamiento, que permiten mapear y determinar la ubicación de obstáculos en tiempo real. En escenarios como los enjambres de UAV, la planificación colaborativa de rutas permite minimizar el riesgo de colisiones internas, mientras que algoritmos avanzados, como el propuesto por Raja et al. (2021), han demostrado reducir efectivamente la tasa de colisiones a un 3,4 %.
Por otro lado, para UAV fuera de estos sistemas coordinados, el reto es mayor, ya que deben adaptarse dinámicamente a cambios en el entorno. En estos casos, la predicción de trayectorias se convierte en un componente crítico. Métodos basados en aprendizaje automático han demostrado una alta eficacia en este ámbito, gracias a su capacidad para analizar datos complejos. Dentro de estas técnicas, algoritmos como las redes neuronales convolucionales destacan por su habilidad en la extracción de características, mientras que las redes neuronales recurrentes y el aprendizaje por refuerzo pueden aprender de experiencias pasadas, permitiendo predicciones más precisas. Por ejemplo, Kurtz y Lin (2019) emplearon modelos de memoria a largo plazo para predecir el movimiento de obstáculos, junto con un algoritmo de prevención de colisiones dinámicas basado en obstáculos de velocidad probabilística, que logra evitar obstáculos más complejos, que otras estrategias no pueden eludir.
Además, la combinación de observación directa con aprendizaje profundo ha mostrado ser una estrategia eficiente para la navegación autónoma sin colisiones, como se describe en Chen et al. (2020). En esta integración, la observación directa proporciona observaciones precisas del entorno para mejorar las decisiones de vuelo tomadas por las redes neuronales profundas. Esto no solo asegura vuelos más seguros, sino que también optimiza la eficiencia al reducir la distancia de vuelo. Asimismo, Wang et al. (2020) proponen un enfoque de aprendizaje por refuerzo en dos etapas que mejora significativamente la tasa de éxito y la eficiencia de la trayectoria, incluso en condiciones de percepción imperfecta. En escenarios más desafiantes, como la recopilación de datos desde dispositivos terrestres, se ha empleado el aprendizaje Q para que los UAV eviten colisiones sin necesidad de conocer las trayectorias de otros vehículos, como lo señalan Hsu y Gau (2022).
Impacto de las tecnologías avanzadas en el futuro de los UAV
La implementación de tecnologías avanzadas de prevención de colisiones basadas en inteligencia artificial está revolucionando la seguridad y la funcionalidad de los UAV. Estas soluciones no solo minimizan significativamente el riesgo de accidentes, sino que también potencian la eficiencia operativa y fomentan la sostenibilidad en una amplia gama de aplicaciones. A medida que se desarrollen algoritmos más avanzados y se integren tecnologías complementarias, la adopción de UAV se expandirá aún más, generando beneficios tangibles tanto para la industria como para los usuarios finales, al ofrecer servicios más seguros, veloces y confiables.
De esta forma, la incorporación de inteligencia artificial y aprendizaje automático en las redes de enjambres de UAV no solo redefine los límites de la comunicación inalámbrica y la gestión de recursos, sino que también impulsa un cambio paradigmático en el modo en que concebimos la tecnología aplicada al progreso humano. Invitamos a los lectores a explorar y comprender más profundamente estas innovaciones, cuyo desarrollo marcará un antes y un después en nuestra sociedad. Con cada avance, se abren nuevas oportunidades para fomentar la innovación, fortalecer la sostenibilidad y contribuir al bienestar global.
La Revolución de la Inteligencia Artificial y los UAVs en el IoT: Un Análisis Inspirador del Futuro Tecnológico
En conclusión, este artículo ha sido enriquecido gracias al valioso análisis presentado en el estudio académico titulado «AI for UAV-Assisted IoT Applications: A Comprehensive Review», publicado en el reconocido IEEE Internet of Things Journal. Esta investigación, realizada por un destacado equipo de expertos —Nan Cheng, Shen Wu, Xiucheng Wang, Zhisheng Yin, Changle Li, Wen Chen y Fangjiong Chen—, ofrece un profundo y meticuloso examen del papel que desempeña la inteligencia artificial en las aplicaciones de Internet de las Cosas (IoT) respaldadas por vehículos aéreos no tripulados (UAV).
Cabe destacar que este estudio está disponible bajo la licencia Creative Commons Attribution 4.0, que permite su libre uso, distribución y adaptación, siempre que se reconozca adecuadamente la autoría original. Para más información sobre esta licencia, visite el siguiente enlace: https://creativecommons.org/licenses/by/4.0/.
La profundidad de su análisis y el rigor científico que lo caracteriza convierten a esta investigación en un recurso fundamental para comprender los avances tecnológicos en la intersección entre la inteligencia artificial, los UAV y el IoT. Este trabajo no solo identifica las oportunidades y los desafíos de esta convergencia tecnológica, sino que también abre nuevas puertas para futuras líneas de investigación en el campo.
En un mundo donde la integración de estas tecnologías está transformando industrias enteras, el conocimiento aportado por estudios como este es clave para vislumbrar el futuro de la innovación tecnológica y su impacto en la sociedad.
Referencias Bibliográficas Recomendadas
Al-Turjman, F., & Zahmatkesh, H. (2020). A comprehensive review on the use of AI in UAV communications: Enabling technologies, applications, and challenges. En Unmanned Aerial Vehicles in Smart Cities: Unmanned System Technologies. Cham, Switzerland: Springer.
Chen, Y., González-Prelcic, N., & Heath, R. W. (2020). Collision-free UAV navigation with a monocular camera using deep reinforcement learning. En Proceedings of the IEEE International Workshop on Machine Learning for Signal Processing, 1–6.
Feng, Z., Ji, L., Zhang, Q., & Li, W. (2019). Spectrum management for mmWave enabled UAV swarm networks: Challenges and opportunities. IEEE Communications Magazine, 57(1), 146–153.
Gupta, L., Jain, R., & Vaszkun, G. (2016). Survey of important issues in UAV communication networks. IEEE Communications Surveys & Tutorials, 18(2), 1123–1152.
Hendriks, T., Camelo, M., & Latré, S. (2018). Q2-routing: A QoS-aware Q-routing algorithm for wireless ad hoc networks. En Proceedings of the IEEE International Conference on Wireless and Mobile Computing, Networking and Communications, 108–115.
Hsu, Y.-H., & Gau, R.-H. (2022). Reinforcement learning-based collision avoidance and optimal trajectory planning in UAV communication networks. IEEE Transactions on Mobile Computing, 21(1), 306–320.
Kurtz, V., & Lin, H. (2019). Toward verifiable real-time obstacle motion prediction for dynamic collision avoidance. En Proceedings of the American Control Conference, 2633–2638.
Lei, L., Shen, G., Zhang, L., & Li, Z. (2021). Toward intelligent cooperation of UAV swarms: When machine learning meets digital twin. IEEE Network, 35(1), 386–392.
Liu, J., et al. (2020). QMR: Q-learning based multi-objective optimization routing protocol for flying ad hoc networks. Computer Communications, 150, 304–316.
Raja, G., Baskar, Y., Dhanasekaran, P., Nawaz, R., & Yu, K. (2021). An efficient formation control mechanism for multi-UAV navigation in remote surveillance. En Proceedings of the IEEE Globecom Workshops, 1–6.
Rovira-Sugranes, A., Razi, A., Afghah, F., & Chakareski, J. (2022). A review of AI-enabled routing protocols for UAV networks: Trends, challenges, and future outlook. Ad Hoc Networks, 130, Art. no. 102790.
Sharma, A., et al. (2020). Communication and networking technologies for UAVs: A survey. Journal of Network and Computer Applications, 168, Art. no. 102739.
Wang, D., Fan, T., Han, T., & Pan, J. (2020). A two-stage reinforcement learning approach for multi-UAV collision avoidance under imperfect sensing. IEEE Robotics and Automation Letters, 5(2), 3098–3105.
Wei, Z., Meng, Z., Lai, M., Wu, H., Han, J., & Feng, Z. (2022). Anti-collision technologies for unmanned aerial vehicles: Recent advances and future trends. IEEE Internet of Things Journal, 9(10), 7619–7638.
Yoshikawa, K., Yamashita, S., Yamamoto, K., Nishio, T., & Morikura, M. (2017). Resource allocation for 3D drone networks sharing spectrum bands. En Proceedings of the IEEE Vehicular Technology Conference, 1–5.