Navegación Autónoma de UAVs en Espacios Estrechos con Inteligencia Embebida

Este proyecto propone el diseño y desarrollo de drones autónomos capaces de atravesar ventanas, pasillos angostos y otras aberturas estrechas de manera ágil, precisa y segura. Se integrarán tecnologías de visión computacional embebida, control avanzado y aprendizaje por refuerzo, aplicadas a plataformas robóticas reales.

El reto principal consiste en lograr que un vehículo aéreo no tripulado (UAV) perciba su entorno en tiempo real, tome decisiones inteligentes y actúe con rapidez en escenarios físicamente restringidos. Para esto, se emplearán algoritmos de percepción visual basados en cámaras de bajo costo y procesamiento en tarjetas embebidas (como NVIDIA Jetson o Raspberry Pi), evitando así la dependencia de estaciones de cómputo externas.

En cuanto al control, se explorarán estrategias modernas como funciones de barrera para garantizar la seguridad, modos deslizantes para robustez frente a perturbaciones, observadores para estimación de estados no medibles, y control predictivo (MPC) para anticipar el movimiento en tiempo real. Estas técnicas estarán acompañadas por algoritmos de toma de decisiones inteligentes que usan aprendizaje por refuerzo (RL) para adaptar la navegación a condiciones cambiantes y entornos desconocidos.

Los estudiantes participantes desarrollarán desde cero la integración entre sensores, algoritmos de control y planificación, y sistemas de visión. Se fomentará una cultura de investigación aplicada, rigurosa pero creativa, donde se aprende haciendo: programando, simulando, probando y fallando en el laboratorio hasta alcanzar soluciones funcionales.

Este proyecto está dirigido a estudiantes de ingeniería con gusto por los retos, sin miedo a las matemáticas, la programación o la experimentación con robots reales. Ofrece una oportunidad única de trabajar con tecnologías emergentes en un entorno de colaboración científica. No se requiere experiencia previa con drones: solo motivación genuina, pensamiento crítico y entusiasmo por la ciencia y la tecnología.

Plan de Trabajo: 1 año

Fase 1 (Meses 1–3): Fundamentos e Infraestructura

• Actividades clave:
  • Selección de plataforma de vuelo (e.g. dron personalizado con PX4).
  • Instalación y pruebas de entorno de simulación (Gazebo + ROS 2).
  • Integración básica de sensores: cámaras, IMU, y estimadores de posición.
  • Desarrollo inicial de detección de ventanas/aberturas usando visión computacional clásica (OpenCV).
  • Lecturas y seminarios internos sobre teoría de control no lineal, funciones de barrera y modos deslizantes.
• Entregables:
  • Documento técnico de arquitectura del sistema.
  • Primer prototipo en simulador capaz de detectar aberturas simples.
  • Plan detallado de implementación con roles asignados.

---

Fase 2 (Meses 4–6): Control Robusto y Percepción Avanzada

• Actividades clave:
  • Implementación de controladores con funciones de barrera y modos deslizantes.
  • Simulación de vuelos con obstáculos y ventanas.
  • Integración de visión monocular o estéreo con detección robusta basada en aprendizaje (CNN ligera).
  • Seminarios internos sobre MPC y observadores de estado.
  • Pruebas de percepción embebida en Jetson Nano / Raspberry Pi.
• Entregables:
  • Resultados cuantitativos de pruebas de control (trayectoria, estabilidad, seguridad).
  • Reporte de precisión y latencia del sistema de percepción.
  • Video de simulaciones exitosas con paso por ventanas estrechas.

---

Fase 3 (Meses 7–9): Aprendizaje por Refuerzo y Decisión Autónoma

• Actividades clave:
  • Implementación de Deep Q-Networks o PPO para aprendizaje en simulación.
  • Diseño de recompensas centrado en agilidad, precisión y penalización por colisiones.
  • Simulación de vuelos autónomos adaptativos en entornos variables.
  • Transferencia de políticas aprendidas a hardware físico (sim2real básico).
  • Integración con ROS para toma de decisiones autónoma.
• Entregables:
  • Artículo técnico con análisis