Descripción general de la estrategia de implementación basada en el aprendizaje descentralizada y el entorno de evaluación. Crédito: ARXIV (2025). Doi: 10.48550/arxiv.2504.08585
En el futuro, los drones de entrega autónomos podrían evaluar de forma independiente si su carga de batería restante es suficiente para las próximas entregas. Un equipo de investigadores de la Universidad Técnica de Darmstadt y la Universidad de Sheffield, en colaboración con el Instituto Nacional de Investigación de Investigación en Ciencia y Tecnología Digitales (INRIA) y el socio de la industria Ingeniarius Ltd, han desarrollado un nuevo método para la planificación de despliegue de energía consciente de la energía.
El enfoque permite a cada dron aprender qué órdenes es capaz de cumplir incluso cuando no conoce su propia salud de la batería. Se muestra que reduce los tiempos de entrega y aumenta el número de pedidos procesados en comparación con los enfoques convencionales.
En un centro de cumplimiento, los drones de entrega asignan tareas entre ellos utilizando un sistema basado en una subasta. Cada dron considera su nivel de batería actual y evalúa si puede completar la tarea. Si es así, coloca una oferta que refleje su confianza. El dron que gana la subasta intenta la tarea y utiliza el resultado para refinar su comprensión de sus verdaderas capacidades, que están influenciadas por factores desconocidos como la salud a largo plazo de su batería.
Contraintuitivamente, seleccionando al postor menos seguro como ganador de la subasta demostró ser el sistema más efectivo. Este enfoque permitió a los drones aprender con mayor precisión dónde se encuentran sus límites de rendimiento y promovió el uso más inteligente de recursos al despliegue de drones cuyas capacidades estaban bien coincidentes con la tarea en cuestión.
Los investigadores, dirigidos por el profesor Roderich Groß del Departamento de Ciencias de la Computación de TU Darmstadt, probaron su método en un simulador de múltiples agentes especialmente desarrollado durante un período de ocho semanas. Los resultados mostraron que el enfoque basado en el aprendizaje logró tasas de entrega significativamente más altas y tiempos de entrega más cortos en comparación con las estrategias convencionales basadas en el umbral.
En una versión extendida, los drones incluso pudieron asumir tareas que podrían completar solo una vez lo suficientemente recargados, permitiendo una asignación de recursos con visión de futuro. “Este trabajo muestra cómo el aprendizaje en línea puede ayudar a los robots a hacer frente a los desafíos del mundo real, como operar sin pleno conocimiento de sus verdaderas capacidades”, dijo el Dr. Mohamed Talamali de la Universidad de Sheffield.
El enfoque también se puede utilizar para gestionar eficientemente flotas heterogéneas en las que los drones difieren, por ejemplo, debido a las tolerancias de fabricación o al desgaste individual. Esto allana el camino para los sistemas de entrega operativos de forma autónoma con mayor confiabilidad y uso de energía optimizada. “Tales drones de entrega autónomos también podrían operar en múltiples centros de cumplimiento, reduciendo aún más los tiempos de entrega y los costos”, dijo el profesor Groß.
El estudio, “Ready, Bid, Go! Deliveridad a pedido utilizando flotas de drones con restricciones de almacenamiento de energía desconocidas y heterogéneas, se presentará el 21 de mayo en la 24ª Conferencia Internacional sobre Agentes Autónomos y Sistemas Multiagentes (AAMAS 2025) en Detroit, EE. UU., Y fue seleccionado como finalista para el mejor premio de más de 1,000 presentaciones. El trabajo está disponible en el servidor ARXIV Preprint.
Más información: Mohamed S. Talamali et al, Listo, Bid, Go! Entrega a pedido utilizando flotas de drones con limitaciones de almacenamiento de energía heterogéneas desconocidas, ARXIV (2025). Doi: 10.48550/arxiv.2504.08585
Información en la revista: ARXIV proporcionado por la Universidad Técnica Darmstadt
Cita: Nuevo método para la planificación de implementación de energía de los drones de entrega (2025, 20 de mayo) Recuperado el 20 de mayo de 2025 de https://techxplore.com/news/2025-05-method-energy-aware-deployment-delivery.html
Este documento está sujeto a derechos de autor. Además de cualquier trato justo con el propósito de estudio o investigación privada, no se puede reproducir ninguna parte sin el permiso por escrito. El contenido se proporciona solo para fines de información.
