🐦 Vuelo en Formación de Drones: Algoritmos de Consenso

El consenso por desplazamiento de formación amplía el protocolo básico dando a cada agente i un desplazamiento objetivo fijo o_i dentro de la forma deseada y ejecutando el consenso sobre el estado corregido z_i = x_i − o_i en lugar de sobre la posición sin procesar x_i. Cuando el z_i de cada dron converge al mismo punto, la posición real x_i de cada dron converge a ese punto más su propio desplazamiento — de modo que todo el enjambre se bloquea en una formación rígida en lugar de colapsar en un solo punto. Esta es la extensión estándar utilizada en la literatura real de control de formación (por ejemplo, Ren y Beard, Olfati-Saber, Fax y Murray).

La evasión de colisiones se aplica de forma independiente al grafo de comunicación: dos drones cualesquiera que se acerquen a una distancia mínima de separación sienten una fuerza repulsiva de corto alcance que los aleja, independientemente de si están intercambiando datos de consenso en ese momento. Esto refleja cómo los micro-UAV reales combinan una capa de coordinación de bajo ancho de banda (para la formación) con detección rápida de proximidad a bordo (para la seguridad), ya que el riesgo de colisión no puede esperar a que termine una ronda de consenso.

Los espectáculos coreografiados de luces con drones usan control de formación sincronizado por GPS para hacer volar cientos de drones en patrones precisos. Las constelaciones de satélites (como los clústeres de observación terrestre en vuelo de formación) usan algoritmos de tipo consenso para mantener el espaciado relativo sin un controlador terrestre en el bucle para cada maniobra. Las redes de sensores distribuidos usan las mismas matemáticas para acordar una estimación compartida — como una temperatura promedio o un reloj sincronizado — usando solo comunicación con el vecino más cercano.

La prueba de convergencia de los protocolos de consenso lineal depende de que el laplaciano del grafo de comunicación tenga exactamente un valor propio cero, lo cual es cierto si y solo si el grafo está conectado. Si el grafo está desconectado, el laplaciano tiene un valor propio cero por componente, y cada componente converge a su propio valor separado. Este es un límite matemático estricto, no un inconveniente de ingeniería — ninguna cantidad adicional de ganancia o más pasos de actualización lo superan si el grafo subyacente nunca conecta las piezas.

En una animación con guion, normalmente a cada objeto se le indican sus coordenadas objetivo exactas y se desplaza directamente hacia ellas, sin ninguna noción de vecinos o comunicación. Aquí, ningún dron conoce jamás la forma objetivo completa ni una posición "correcta" global — solo mide distancias a drones cercanos y promedia un estado local corregido. La convergencia visible hacia una formación, y la división visible cuando el grafo se desconecta, son resultados de esa regla local ejecutándose cada fotograma, no trayectorias precalculadas.

La investigación actual explora la robustez ante enlaces de comunicación retrasados o intermitentes, el consenso bajo agentes adversarios o defectuosos (consenso resiliente a fallos bizantinos) y extensiones basadas en aprendizaje donde la ponderación de vecinos se entrena en lugar de fijarse. Los enjambres de drones a gran escala (miles de agentes) también impulsan hacia el consenso jerárquico y activado por eventos, donde los drones solo transmiten actualizaciones cuando su estado ha cambiado lo suficiente como para importar, reduciendo drásticamente el ancho de banda de comunicación necesario para mantener conectado un enjambre enorme.