Swarm City: reconocimiento visual de objetivos en la ciudad

Resumen

El incesante aumento de la población en las grandes ciudades unido al gran desarrollo tecnológico de la era en la que vivimos nos ha permitido dar con mejores formas de recolección y manejo de la información. Como parte del proyecto SwamCity, este trabajo estudia la viabilidad del uso de un enjambre de robots aéreos para la monitorización del tráfico en una ciudad virtual.
El enjambre robótico ofrece un enfoque novedoso para la coordinación de un gran número de robots relativamente simples, inspirado en el comportamiento social de los insectos que se coordinan para completar tareas que sobrepasarían a un único individuo. Pero, ¿Por qué drones? Los sistemas tradicionales de monitorización del tráfico en la ciudad emplean sensores fijos que limitan la información recogida a ciertas áreas concretas. Sin embargo, los robots aéreos aportan agilidad y rapidez para la recolección de la información con el mínimo impacto sobre la vida diaria de los ciudadanos.
La relativa sencillez de éstos y su capacidad para realizar tareas en paralelo los hacen muy prácticos y ofrece robustez al sistema. De esta forma, el sistema puede seguir operando, aunque con menor rendimiento, a pesar de que ciertos individuos del enjambre dejen de funcionar. Por otro lado, el núcleo del trabajo reside en crear una red neuronal capaz de reconocer con el mínimo error posible la presencia de coches en las carreteras de la ciudad virtual, para así determinar las zonas donde haya más densidad de tráfico. Esto se consigue implementando una red neuronal convolucional con varias capas de profundidad y entrenándola con valores calibrados de los parámetros.
Uno de los mayores retos que aparece al desarrollar proyectos relacionados con el Deep Learning es la elección de los diferentes hiperparámetros, en especial el ratio de aprendizaje o el tipo de optimizador para minimizar la función de coste (entre otros muchos factores). Todos los estudios demuestran que escoger los parámetros adecuados es fundamental para alcanzar el éxito en el entrenamiento, sin embargo, puede llegar a ser realmente complicado encontrarlos. El entrenamiento de la red neuronal optimizada se lleva a cabo con una base de datos formada por un total de 12.000 imágenes similares a la que se muestra a continuación. Estas imágenes se han tomado aleatoriamente por toda la ciudad para simular la situación del día a día en las carreteras. Se incluyen imágenes sin coches e imágenes con coches de cada uno de los colores que existen en SwarmCity. Aunque inicialmente se planteara la posibilidad de crear un mapa de densidad de tráfico de la ciudad, se ha decidido limitar este trabajo a demostrar que el sistema de reconocimiento de imágenes desarrollado funciona en tiempo real para una única fuente de imágenes. El sistema originalmente propuesto recibiría información desde múltiples fuentes (cada uno de los drones del enjambre), necesitando un sistema de comunicación SwarmCity – ROS razonablemente más complejo de lo esperado inicialmente. Por lo tanto, se deja este objetivo encaminado para un futuro desarrollo, pudiéndose afirmar que los objetivos fundamentales de este proyecto han sido alcanzados ampliamente.