Ingeniero chileno desarrolla un sistema de drones con IA para cuidar cultivos
Tiempo de lectura: 2 minutos El académico presentó en la conferencia más importante del mundo en robótica, un sistema que permite que varios drones vuelen de forma autónoma sobre grandes cultivos, aprendan unos de otros y apliquen herbicidas solo donde realmente se necesitan.
El ingeniero de investigación del Centro Nacional de Inteligencia Artificial (CENIA), Tomás Couso, presentó un nuevo sistema de Inteligencia Artificial que ayuda a varios drones a detectar malezas en cultivos de forma coordinada y eficiente en el IEEE International Conference on Robotics and Automation (ICRA), organizado por la IEEE Robotics and Automation Society. El proyecto lo desarrolló junto a 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 están haciendo los demás, lo que puede provocar choques de rutas, zonas repetidas o gasto innecesario de energía.
Prueba y error
Para resolver esto, el equipo usó una técnica llamada aprendizaje por refuerzo multi agente, que entrena 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 es que suma un mecanismo de imitación: los drones con peor desempeño copian parte del comportamiento de los que obtienen mejores resultados, lo que acelera el aprendizaje de todo el grupo y evita que cada uno tenga que explorar el terreno desde cero. “El contexto de la tarea es detectar malezas, lo que usualmente es bien complicado, pues los terrenos son muy grandes en comparación al campo de visión”, explicó Couso.
En una simulación con cuatro drones sobre un campo virtual de 400 por 400 metros, el sistema detectó casi el 80% de las malezas y recolectó más del 98% de los datos disponibles, superando a la tecnología anterior más parecida. Luego, en pruebas con drones reales volando en un espacio cerrado, el sistema detectó el 85% de las malezas simuladas y cerca del 80% de los datos.
El próximo paso, según el equipo, es probar el sistema en un campo agrícola real. Por lo pronto, los resultados muestran que esta tecnología podría ser un aporte importante para avanzar hacia una agricultura más precisa y sostenible.
