Introducción al control de enjambres (multirobot): creación de bandadas, formación y consenso.

Cuando cientos de drones reorganizan simultáneamente su formación en un espectáculo aéreo, o cuando una flota de robots de almacén se desplaza sin colisionar, no existe un único "centro de mando" que calcule cada movimiento en tiempo real. En la mayoría de los casos, cada robot simplemente analiza información limitada sobre su entorno y sigue reglas sencillas; a partir de ello, surge un comportamiento ordenado y coherente para el grupo en su conjunto. Este artículo explora el concepto de control de enjambre (control de múltiples robots) —la construcción de un sistema complejo a partir de componentes simples— desde tres perspectivas: el movimiento de bandada, la formación por consenso y el control de la formación.

Un robot enjambre en el campo (Kilobot)

Imagen: Kilobot robot swarm (asuscreative, CC BY-SA 4.0), Wikimedia Commons. Un ejemplo representativo de investigación en robótica de enjambre que se basa únicamente en reglas locales, no en los drones o robots de almacén mencionados en el texto.

0. Contenido del artículo

• El problema que intenta resolver el control de enjambre y por qué un solo robot no es suficiente.
• La relación entre la información que cada robot puede obtener (entrada) y la salida (comando de velocidad) generada a partir de ella.
• La diferencia arquitectónica entre diseños centralizados y descentralizados.
• Cómo funciona el comportamiento de bandada basado en reglas locales, ejemplificado por los Boids.
• Las matemáticas de la formación de consenso mediante algoritmos de consenso.
• Las diferencias entre tres enfoques de control de formación: líder-seguidor, estructura virtual y basado en el comportamiento.
• Cómo las limitaciones de comunicación (latencia, pérdida de señal, ancho de banda) influyen en el diseño del control de enjambre.
• Qué enfoque elegir para cada aplicación: espectáculos con drones, robots de almacén, búsqueda en caso de desastre, etc.

1. Conclusión: ¿Qué es el control de enjambre?

En una frase: El control de enjambre es un marco de control que genera un comportamiento colectivo significativo para todo el sistema. El control de enjambres —alineación, mantenimiento de la formación, consenso, división del trabajo— se logra a partir de la información limitada y las reglas de comportamiento simples que posee cada uno de los robots.**

La clave reside en que «nadie posee necesariamente el plan maestro para el conjunto». Al igual que una bandada de pájaros no tiene un director de orquesta, muchos algoritmos de control de enjambres están diseñados para que cada robot utilice únicamente información sobre los demás robots cercanos (sus vecinos), e incluso sin conocer el estado completo del grupo, el enjambre en su conjunto termina moviéndose como una unidad coherente. Esta idea —«construir un orden global a partir de información local»— es lo que distingue fundamentalmente el control de enjambres del control de un solo robot.

2. ¿Por qué es necesario el control de enjambres?

Si un problema puede resolverse con un solo robot de alto rendimiento, no se necesita el control de enjambres. El control por enjambre se elige en la práctica en situaciones donde una sola unidad, en principio o en la práctica, está en desventaja; por ejemplo:

• Cobertura espacial: un solo robot tardaría demasiado en rastrear un gran sitio de desastre o un campo de un extremo a otro. Dividir el trabajo entre varios robots reduce el tiempo de búsqueda aproximadamente en proporción al número de robots.

• Redundancia y tolerancia a fallos: con una configuración de una sola unidad, un fallo detiene toda la misión; un enjambre compuesto por muchos robots puede continuar la misión con los restantes incluso si algunos fallan.

• Trabajo simultáneo en múltiples puntos: algunas misiones requieren inherentemente estar en varios lugares a la vez, como formar figuras en un espectáculo de drones o transportar mercancías simultáneamente a varias ubicaciones en un almacén.

• Costo por unidad: en lugar de construir un robot de alto rendimiento, utilizar muchos robots simples y económicos puede ser ventajoso en términos de costo total y flexibilidad de despliegue.

Para lograr estos beneficios, se requiere algo más que aumentar el número de robots: se necesitan leyes de control que impidan las colisiones entre ellos, manteniendo un comportamiento colectivo alineado con el objetivo. Esa es la función del control de enjambre.

3. ¿Cuáles son las entradas?

La información que cada robot puede usar para el control de enjambre se puede clasificar de la siguiente manera, según la configuración de comunicación y detección:

• Estado propio: la posición, velocidad y orientación del robot. Generalmente se obtiene mediante GPS, odometría o un método de autolocalización como VIO/LIO.

• Información relativa sobre robots vecinos: la posición y velocidad relativas de los robots cercanos, observadas directamente con sensores como cámaras, LiDAR o UWB (banda ultraancha).

• Mensajes por comunicación: información sobre la posición, la velocidad y la intención (hacia dónde se dirige) enviada explícitamente desde otros robots a través de un enlace inalámbrico.

• (En diseños centralizados) comandos desde un nodo central: posiciones objetivo o asignaciones de roles distribuidas a robots individuales por una computadora central (una estación terrestre, por ejemplo) que monitorea el estado de todo el enjambre.

Lo importante es que muchos algoritmos prácticos de control de enjambres no requieren "el estado completo de todo el enjambre" como entrada. Los algoritmos que operan utilizando solo información relativa de un pequeño grupo de robots cercanos son el enfoque principal, lo cual evita que el volumen de información que cada robot debe procesar se dispare a medida que aumenta el número de robots.

4. ¿Qué buscamos resolver? ¿Cuáles son los resultados?

El resultado final del control de enjambres, para cada robot, es cómo debe moverse en el siguiente instante (un comando de velocidad o una posición objetivo). El "estado deseado para el conjunto" que este resultado busca lograr se divide en las siguientes categorías, según el objetivo.

• Consenso: convergencia de alguna magnitud de estado (posición, velocidad o una estimación) entre todos los robots hacia un único valor común.

• Formación: cada robot mantiene continuamente una relación posicional relativa específica con los demás (triángulo, línea, círculo, etc.).

• Comportamiento en enjambre: sin una forma objetivo explícita, el enjambre se mueve como una masa coherente, evitando colisiones y ajustando su velocidad a la de sus vecinos.

• Asignación de tareas: decisión sobre cuál de varias tareas discretas —búsqueda, transporte— debe realizar cada robot.

Todos estos procesos comparten la estructura de que "la acumulación de las salidas locales de cada robot satisface una propiedad colectiva prevista para el conjunto". El diagrama de arquitectura básica de la siguiente sección ilustra este bucle de acumulación.

5. Arquitectura básica

El bucle de procesamiento que se ejecuta dentro de cada robot sigue aproximadamente las mismas cuatro etapas, independientemente del algoritmo de control del enjambre.

Figura 1: Cada robot individual ejecuta un bucle de alta frecuencia: recopila información de los robots vecinos, aplica reglas locales, emite una orden de velocidad y retroalimenta el movimiento resultante a la detección del siguiente ciclo.

Este bucle, que se ejecuta simultáneamente en muchos robots, es lo que permite que el enjambre en su conjunto exhiba un comportamiento ordenado, aunque ningún robot individual conozca el plan completo. La decisión de diseño sobre «quién posee la información del conjunto» da lugar a la diferencia arquitectónica que se analiza a continuación.

Figura 2 — Una arquitectura centralizada es una estructura en estrella en la que un nodo central conoce el estado de cada robot y envía comandos. Una arquitectura descentralizada es una estructura de malla en la que los robots intercambian información solo con sus vecinos, por lo que un fallo del nodo central no detiene todo el sistema.

6. Algoritmos representativos

Boids — Construcción del movimiento de bandada a partir de reglas locales

Boids es un modelo que Craig W. Reynolds propuso en su artículo de 1987 «Bandadas, rebaños y cardúmenes: un modelo de comportamiento distribuido», para reproducir el movimiento de bandada de aves y peces en gráficos por computadora. Cada individuo (boid) observa solo a sus vecinos y se mueve en una dirección obtenida ponderando y sumando tres reglas simples.

• Separación: aléjate de los vecinos que estén demasiado cerca.
• Alineación: ajusta tu velocidad a la dirección promedio de tus vecinos.
• Cohesión: muévete hacia la posición promedio de tus vecinos.

En cada una de estas reglas, lo único que conoce un individuo es la posición y velocidad relativas de un pequeño grupo de vecinos; nadie rastrea explícitamente la forma o el centro de toda la bandada. Sin embargo, de la superposición de estas tres reglas surge el movimiento natural de bandada: el grupo evita colisiones mientras se mueve junto como una sola masa. Este fenómeno —«patrones globales complejos que emergen de la superposición de reglas locales simples»— es la idea fundamental que subyace en todo el campo del control de enjambres.

Campos Potenciales: Generación de Movimiento a partir de Atracción y Repulsión

El método de campo potencial artificial de Oussama Khatib, propuesto en su artículo de 1986 «Evitación de Obstáculos en Tiempo Real para Manipuladores y Robots Móviles», fue diseñado originalmente para la evitación de obstáculos por parte de un solo robot. Sin embargo, al combinar un potencial atractivo hacia el objetivo con un potencial repulsivo de los robots vecinos, se aplica de forma natural también al control de enjambres.

Simplemente moviéndose en la dirección descendente del gradiente del potencial atractivo U_{\text{att}}, que disminuye al acercarse al objetivo, y del potencial repulsivo U_{\text{rep}}, que aumenta bruscamente al acercarse demasiado a un vecino, se produce un movimiento que se dirige hacia el objetivo evitando colisiones con otros individuos. La regla de separación de los Boids es, en esencia, la misma idea que este potencial repulsivo.

El modelo de Vicsek y los algoritmos de consenso: las matemáticas de la formación de consenso

Mientras que los Boids surgieron de una motivación ingenieril y visual —«reproducir el movimiento de los animales»—, la física tomó un camino diferente, estudiando el movimiento de bandada mediante un modelo matemático más simplificado. El modelo de Vicsek, publicado por Tamás Vicsek y sus colegas en Physical Review Letters en 1995, es un modelo simple —casi como extraer solo la regla de alineación de los Boids— en el que cada partícula se mueve a velocidad constante siguiendo la dirección promedio de sus partículas vecinas, más ruido. Demostró que, dependiendo de la intensidad de ese ruido, el enjambre experimenta una transición de fase entre una fase ordenada, donde todo el grupo se mueve de forma coherente, y una fase desordenada, donde el movimiento es disperso.

El marco que formaliza rigurosamente esta idea del modelo de Vicsek en términos de teoría de control es el algoritmo de consenso. En el marco conceptual propuesto por Reza Olfati-Saber y Richard M. Murray en su artículo de 2004 publicado en IEEE Transactions on Automatic Control, entre otros, el estado de cada robot, x_i (que puede ser cualquier valor: posición, orientación, una estimación), se actualiza continuamente en la dirección que reduce la diferencia con sus vecinos.

Al recopilar esta información de todos los robots, se obtiene la matriz \dot{\mathbf{x}} = -L\mathbf{x}. L es una matriz denominada laplaciano del grafo, que representa la estructura misma de la red de comunicación: quién puede comunicarse con quién. Siempre que el grafo de comunicación esté conectado (exista una ruta, directa o indirecta, entre cada par de robots), esta sencilla regla de actualización por sí sola demuestra que el estado de cada robot converge a un único valor común. Este es el núcleo matemático de los algoritmos de consenso, aplicables a una amplia gama de problemas más allá de la alineación de enjambres: sincronización temporal, promedio distribuido de estimaciones, etc.

Control de formación: Líder-seguidor, estructura virtual y basado en el comportamiento

Cuando se desea mantener una formación geométrica explícita (triángulo, fila india, etc.), se utiliza el control de formación, un marco más específico. Existen tres enfoques de diseño representativos.

• Líder-seguidor: un robot (o un subconjunto) actúa como líder y los demás lo siguen, manteniendo una posición relativa con respecto a él. El marco presentado por Jaydev P. Desai, James P. Ostrowski y Vijay Kumar en ICRA 1998, y posteriormente en IEEE Transactions on Robotics and Automation en 2001, es un ejemplo representativo, que utiliza la teoría de grafos para diseñar explícitamente qué robot sigue a cuál. Es intuitivo y fácil de implementar, pero tiene la desventaja de que toda la formación tiende a colapsar si el líder falla.

• Estructura virtual: un enfoque propuesto por M. Anthony Lewis y Kar-Han Tan en su artículo de 1997 «Control de formación de alta precisión de robots móviles mediante estructuras virtuales», que trata toda la formación como una estructura rígida virtual y hace que cada robot siga una posición fija en dicha estructura. Mantiene una alta precisión para la formación en su conjunto, pero requiere que alguien calcule la trayectoria objetivo para toda la estructura, lo que dificulta lograr un diseño completamente descentralizado.

• Basado en comportamiento: un enfoque presentado por Tucker Balch y Ronald C. Arkin en IEEE Transactions on Robotics and Automation en 1998, en el que varios comportamientos reactivos —«mantener la formación», «dirigirse hacia el objetivo», «evitar obstáculos»— se calculan en paralelo y se combinan con ponderaciones para producir el movimiento real. Similar en esencia a Boids, proporciona a cada robot una alta autonomía y robustez, pero la precisión geométrica de la formación tiende a ser peor que con los otros dos enfoques.

7. Diferencias entre algoritmos

Como tendencia general, cuanto más se prioriza la precisión geométrica de la formación (estructura virtual), mayor es el intercambio de información y el costo computacional requeridos; cuanto más se prioriza la descentralización y la robustez (Boids, basado en el comportamiento), mayor es la pérdida de precisión de la propia formación. Los algoritmos de consenso representan un punto intermedio teóricamente viable entre estos dos extremos, logrando tanto una "garantía de convergencia matemática rigurosa" como una "descentralización que solo requiere comunicación entre vecinos".

8. Dificultades / Entornos complejos

Muchas de las dificultades que enfrenta el control de enjambres en su implementación y operación son problemas específicos de sistemas colectivos que no existen en el control de robots individuales.

• Latencia y desconexión de la comunicación: la mayoría de las garantías de convergencia para los algoritmos de consenso asumen que el grafo de comunicación está conectado. En entornos reales, la comunicación puede interrumpirse o retrasarse debido al alcance de la radio o a las obstrucciones, y una vez que esta suposición falla, surgen problemas: el consenso no converge o converge a un valor incorrecto.

• Escalabilidad: en una arquitectura centralizada, la carga computacional del nodo central y los requisitos de ancho de banda de comunicación aumentan drásticamente a medida que aumenta el número de robots, y a partir de cierto número, el rendimiento en tiempo real ya no se puede mantener. Incluso en arquitecturas descentralizadas, la carga de detección y comunicación aumenta en entornos densos con muchos vecinos. - Mínimos locales y bloqueos: Los métodos de campo potencial pueden dejar a un robot atascado en un "mínimo local" donde múltiples fuerzas repulsivas y atractivas se equilibran, impidiéndole alcanzar el objetivo (un ejemplo típico es una situación de atasco donde varios robots intentan entrar en un pasaje estrecho al mismo tiempo).

• Diseño con tolerancia a fallos insuficiente: Teóricamente, se dice que los diseños descentralizados son robustos ante fallos parciales, pero en la práctica, los diseños con cierta asimetría inherente —como el modelo líder-seguidor— pueden presentar modos de fallo más frágiles de lo esperado.

• Robots y sensores heterogéneos mixtos: En implementaciones reales donde los modelos de robots y los sensores a bordo no son uniformes, la precisión y la frecuencia de la información que obtiene cada robot difieren, y los algoritmos basados en un único modelo idealizado tienden a no funcionar bien tal cual.

9. Opciones prácticas

La elección de un algoritmo de control de enjambre depende en gran medida de si la aplicación prioriza la "precisión de la formación" o la "robustez/descentralización".

• Espectáculos con drones: las trayectorias y formaciones predeterminadas deben expresarse con extrema precisión, y muchos sistemas de producción adoptan un diseño cercano a la estructura centralizada/virtual, distribuyendo trayectorias precalculadas a cada vehículo (se prioriza la precisión y la reproducibilidad sobre la toma de decisiones autónoma en vuelo).

• Flotas de robots para almacenes y logística: muchos robots de transporte necesitan dividir tareas que cambian dinámicamente (qué estante a qué destino), y es común un diseño híbrido centralizado/descentralizado: un sistema de gestión central se encarga de la asignación de tareas, mientras que la generación de trayectorias y la prevención de colisiones de los robots individuales se procesan de forma descentralizada. Consulte la Introducción a la planificación de trayectorias para conocer los fundamentos de la planificación de trayectorias.

• Búsqueda en caso de desastre, monitoreo agrícola y otras aplicaciones de cobertura amplia: dado que la comunicación suele ser inestable en estos entornos, se prefieren enfoques descentralizados con poca dependencia de un centro (como el comportamiento de enjambre tipo Boids o la cobertura basada en consenso). Las decisiones de comportamiento de los robots individuales a menudo se combinan con un marco de planificación de comportamiento.

• Robots enjambre para investigación y educación a pequeña escala: dado que se trata de configuraciones experimentales con pocos robots y comunicación estable, se suele adoptar una estructura virtual o un modelo líder-seguidor, que priorizan la precisión de la formación.

Sea cual sea la aplicación, responder a tres preguntas —«¿Cuántos robots se operarán?», «¿Qué tan estable es el entorno de comunicación?» y «¿Qué requisito de tolerancia a fallos se prioriza: la precisión de la formación o la robustez?»— es el punto de partida para elegir una arquitectura de control de enjambre.

10. Resumen (Resumen de tres líneas)

• El control de enjambre es un marco que genera un comportamiento ordenado para el grupo en su conjunto a partir de reglas locales que utilizan únicamente la información limitada de cada robot sobre sus vecinos.

• Los métodos de boids y campos potenciales permiten un movimiento de bandada descentralizado, mientras que los algoritmos de consenso logran la formación de consenso con una garantía de convergencia establecida matemáticamente mediante el laplaciano del grafo.

• El control de formación líder-seguidor, la estructura virtual y el control de formación basado en el comportamiento ocupan diferentes posiciones en el equilibrio entre la precisión de la formación y la robustez/descentralización, y deben elegirse según la aplicación.