- Un ingeniero del Centro Nacional de Inteligencia Artificial presentó en el ICRA, la conferencia más importante del mundo en robótica, un sistema que permite que múltiples drones vuelen de forma autónoma sobre grandes cultivos, aprendan unos de otros y apliquen herbicidas solo donde realmente se necesitan.
El ingeniero de Investigación de CENIA, Tomás Couso, presentó el estudio en el marco del IEEE International Conference on Robotics and Automation (ICRA), organizado por la IEEE Robotics and Automation Society. El trabajo fue desarrollado en conjunto con Wencan Mao, del National Institute of Informatics (NII) de Japón, y Quanxi Zhou, de la Universidad de Tokio. El sistema propuesto introduce un nuevo algoritmo denominado ITDQN (Imitation-based Triple Deep Q-network), cuyo objetivo es que múltiples drones vuelen de forma autónoma sobre grandes extensiones de cultivo, detecten malezas y recojan información de sensores instalados en el terreno, para así reducir el daño ambiental y los costos de producción.
En la agricultura tradicional, los herbicidas se rocían de manera uniforme sobre todo el terreno, sin distinguir entre suelo, cultivo y maleza, lo que genera un gasto excesivo de químicos y afecta el medioambiente. Usar drones con cámaras para detectar dónde están realmente las malezas permitiría fumigar solo esas zonas. Sin embargo, esto trae sus propios desafíos: cada dron tiene una cámara que solo alcanza a ver un pedazo pequeño del campo, su batería es limitada y, cuando vuelan varios al mismo tiempo, cada uno tiene información incompleta sobre lo que está haciendo cada uno de los demás, lo que puede provocar choques de rutas, zonas repetidas o gasto innecesario de energía.
Para resolver esto, el equipo utilizó una técnica llamada aprendizaje por refuerzo multiagente, que consiste en entrenar a cada dron como si fuera un jugador que va aprendiendo, por prueba y error, cuáles son las mejores decisiones para cumplir su tarea. La novedad del ITDQN está en que incorpora un mecanismo de imitación, donde los drones con peor desempeño copian parte del comportamiento de aquellos que obtienen mejores resultados, lo que acelera el aprendizaje y evita que cada uno tenga que explorar el terreno desde cero. Además, el sistema usa una tercera red neuronal, a la que los autores denominan red mediadora, que ayuda a que el entrenamiento sea más estable y preciso que en versiones anteriores de este tipo de tecnología.
Las pruebas
El equipo probó el sistema en dos etapas. Primero, en una simulación con cuatro drones sobre un campo de cultivo de 400 metros por 400 metros, con 40 sensores inalámbricos distribuidos al azar, usando un sistema de visión computacional llamado YOLOv12 para reconocer distintos tipos de malezas. El algoritmo logró una tasa de reconocimiento de malezas de casi 80% y de recolección de datos de más de 98%, superando al sistema anterior más comparable (denominado DDQN) en un 4,43% en reconocimiento de malezas y en un 6,94% en recolección de datos.
Después, realizaron una demostración con drones reales Tello, de la marca DJI, volando en un espacio interior de 4 por 4 metros, usando marcadores de colores para simular distintas densidades de maleza y dispositivos de internet de las cosas para representar los sensores. En esa prueba, el sistema alcanzó un 85% de reconocimiento de malezas y cerca de un 80% de recolección de datos, aunque con trayectorias algo más irregulares que en la simulación, producto de las condiciones más impredecibles del mundo real.
Los autores señalan que el siguiente paso es evaluar el sistema directamente en un terreno agrícola real, algo que hasta ahora no se ha hecho y que dejan como trabajo futuro. Aun así, los resultados obtenidos muestran que este tipo de Inteligencia Artificial podría ser una herramienta útil para avanzar hacia una agricultura más precisa y sostenible, en la que los drones no solo vuelen de forma autónoma, sino que también aprendan unos de otros para hacer mejor su trabajo.
