Técnicas de inteligencia artificial aplicadas al sector de las aeronaves pilotadas por control remoto

Abstract

[Resumen] El principal objetivo de esta Tesis Doctoral es estudiar el uso de técnicas para el control de enjambres heterogéneos de Aeronaves Pilotadas Remotamente (RPA o UAV, por sus siglas en inglés), coloquialmente conocidos como drones. Esta tesis está apoyada por tres publicaciones científicas indexadas en el sistema Journal Citation Report. Uno de ellos es el estudio de la aplicación de estas y otras técnicas en el ámbito de los enjambres de UAV. Los dos restantes proponen modelos para su aplicación en mapas simulados sin obstáculos y con obstáculos fijos. La importancia del estudio de estas técnicas para el control de enjambres de UAV demuestra que emplear un grupo heterogéneo de UAV con total libertad de movimiento permiten realizar las tareas de manera más rápida que empleando solo uno. Además, las técnicas de Aprendizaje por Refuerzo demuestran que son capaces de adaptarse a la situación del entorno y a sus obstáculos. El Aprendizaje por Refuerzo es un conjunto de técnicas de la Inteligencia Artificial que buscan resolver ciertos tipos de tareas basándose en la interacción con un entorno. Todo esto es realizado basándose en la recompensa o refuerzo que provoca realizar diferentes acciones en dicho entorno. Así, si una acción es la correcta, el refuerzo es positiva y, de ser incorrecta, el refuerzo es negativo. Al poder emplear un único sistema para el control de los UAV, se reduce la necesidad de tener un operador por cada aeronave, reduciendo los costes asociados a la operación. Para una mejora en la capacidad de estas técnicas, se han empleado Redes de Neuronas Artificiales por su capacidad de extraer conocimiento a partir de patrones. Así, se consigue mejorar la capacidad de adaptación de los modelos propuestos a los diferentes entornos en los que es probado.

[Resumo] O principal obxectivo desta Tese Doctoral é estudar o uso de técnicas para o control de enxames heteroxéneos de Aeronaves Pilotadas Remotamente (RPA ou UAV, polas súas siglas en ingl´es) , coloquialmente co˜necidos como drons. Esta tese está apoiada por tres publicaciós científicas indexadas no sistema Journal Citation Report. Un deles é o estudo da aplicación destas e outras técnicas no ámbito dos enxames de UAV. Os dous restantes propo˜nen modelos para a súa aplicación en mapas simulados sen obstáculos e con obstáculos fixos. A importancia do estudo destas técnicas para o control de enxames de UAV demostra que empregar un grupo heteroxéneo de UAV con total liberdade de movemento permiten realizar as tarefas de maneira máis rápida que empregando só un. Ademais, as técnicas de Aprendizaxe por Reforzo demostran que son capaces de adaptarse á situaci ón da contorna e aos seus obstáculos. A Aprendizaxe por Reforzo é un conxunto de técnicas da Intelixencia Artificial que buscan resolver certos tipos de tarefas baseándose na interacción cunha contorna. Todo isto é realizado baseándose na recompensa ou reforzo que provoca realizar diferentes accións na devandito contorna. Así, se unha acci ón é a correcta, o reforzo é positiva e, de ser incorrecta, o reforzo é negativo. Ao poder empregar un único sistema para o control dos UAV, redúcese a necesidade de ter un operador por cada aeronave, reducindo os custos asociados á operación. Para unha mellora na capacidade destas técnicas, empregáronse Redes de Neuronas Artificiais pola súa capacidade de extraer co˜necemento a partir de patróns. Así, conséguese mellorar a capacidade de adaptación dos modelos propostos ás diferentes contornas nos que é probado.

[Abstract] The main objective of this Doctoral Thesis is to study the use of the techniques for the control of heterogeneous swarms of Remotely Piloted Aircraft (RPA) or Unmanned Aerial Vehicles (UAV), colloquially known as drones. This thesis is supported by three scientific publications indexed in the Journal Citation Report system. One of them is the study of the application of these and other techniques in the field of UAV swarms. The remaining two propose models for their application in simulated maps without obstacles and with fixed obstacles. The importance of the study of these techniques for UAV swarm control demonstrates that using a heterogeneous group of UAVs with full freedom of movement allows tasks to be performed faster than using only one. In addition, Reinforcement Learning techniques prove that they are able to adapt to the environmental situation and its obstacles. Reinforcement Learning is a set of Artificial Intelligence techniques that seek to solve certain types of tasks based on interaction with an environment. All this is done based on the reward or reinforcement caused by performing different actions in that environment. Thus, if an action is correct, the reinforcement is positive and, if it is incorrect, the reinforcement is negative. By being able to use a single system to control UAVs, the need for one operator per aircraft is reduced, reducing the costs associated with the operation. To improve the capability of these techniques, Artificial Neural Networks have been used for their ability to extract knowledge from patterns. Thus, it is possible to improve the adaptability of the proposed models to the different environments in which they are tested.