ElNotariado.com — Editor Jurídico y Tecnológico de Radio Nodo IA
El Centro Nacional de Inteligencia Artificial de Chile (CENIA) informó el 15 de julio, que el investigador Tomás Couso presentó en el IEEE International Conference on Robotics and Automation (ICRA) un nuevo algoritmo de inteligencia artificial diseñado para que múltiples drones cooperen de manera autónoma en tareas de agricultura de precisión, con el objetivo de detectar malezas y optimizar la aplicación de herbicidas.
El trabajo fue desarrollado junto con Wencan Mao, del National Institute of Informatics (NII) de Japón, y Quanxi Zhou, de la Universidad de Tokio, como parte de una investigación orientada a mejorar la coordinación entre vehículos aéreos no tripulados en grandes superficies agrícolas.
Un algoritmo que permite a los drones aprender unos de otros
La innovación presentada introduce un algoritmo denominado ITDQN (Imitation-based Triple Deep Q-network), basado en aprendizaje por refuerzo multiagente.
Según CENIA, el sistema permite que varios drones:
- sobrevuelen de manera autónoma grandes extensiones agrícolas;
- detecten malezas mediante visión computacional;
- recopilen información desde sensores distribuidos en el terreno;
- compartan estrategias de aprendizaje entre ellos para mejorar su desempeño colectivo.
Uno de los aportes centrales consiste en incorporar un mecanismo de imitación, mediante el cual los drones con menor rendimiento adoptan parte del comportamiento de aquellos que obtienen mejores resultados, acelerando así el proceso de aprendizaje.
Además, el algoritmo incorpora una tercera red neuronal denominada red mediadora, destinada a estabilizar el entrenamiento y mejorar la precisión del sistema.
Resultados obtenidos
Durante las simulaciones realizadas sobre un terreno virtual de 400 × 400 metros, utilizando cuatro drones y el sistema de visión artificial YOLOv12, el algoritmo alcanzó:
- cerca del 80 % de reconocimiento de malezas;
- más del 98 % de recolección de datos provenientes de sensores.
De acuerdo con CENIA, estos resultados superaron al algoritmo de referencia DDQN, con mejoras del 4,43 % en reconocimiento de malezas y del 6,94 % en recolección de datos.
Validación con drones reales
El equipo también realizó una demostración experimental utilizando drones DJI Tello en un entorno controlado de 4 × 4 metros.
En esas pruebas el sistema obtuvo aproximadamente:
- 85 % de reconocimiento de malezas;
- cerca de 80 % de recuperación de datos.
Los investigadores señalaron que las trayectorias resultaron algo más irregulares que en la simulación debido a las condiciones propias del entorno físico, aunque los resultados continúan siendo alentadores para futuras aplicaciones agrícolas.
Próximo desafío
Según el comunicado de CENIA, el siguiente paso consiste en validar la tecnología directamente en explotaciones agrícolas reales, etapa que aún no ha sido desarrollada.
De confirmarse estos resultados en campo, la tecnología podría contribuir a una agricultura de mayor precisión, reduciendo el uso indiscriminado de herbicidas, disminuyendo costos operativos y mitigando el impacto ambiental mediante aplicaciones focalizadas.