Las misiones de búsqueda y rescate requieren sistemas robóticos que puedan explorar entornos desconocidos, mantener el progreso bajo presupuestos de tiempo limitados y mejorar las posibilidades de encontrar víctimas. En escenarios de desastre en interiores, el problema de exploración no se limita a la cobertura del mapa. Las fronteras candidatas pueden diferir en accesibilidad, visibilidad y valor de rescate esperado, incluso cuando todas son alcanzables desde la pose actual del robot. Como resultado, una política de selección de fronteras adecuada para la exploración genérica puede no ser la más apropiada para la búsqueda y rescate.
Los robots cuadrúpedos son una plataforma relevante para este problema porque pueden moverse a través de espacios desordenados y mantener la locomoción en condiciones que pueden ser restrictivas para sistemas con ruedas. Esta movilidad los hace atractivos para el reconocimiento y la búsqueda de víctimas en entornos parcialmente estructurados. Sin embargo, la ventaja de la movilidad con patas no es suficiente por sí sola. Una vez que varias alternativas de exploración están disponibles, el robot debe decidir no solo dónde se puede observar nuevo espacio, sino también dónde es más probable lograr un progreso relevante para el rescate. Esta dificultad se vuelve más evidente en entornos donde la distribución contiene múltiples ramas, oclusiones parciales y desorden que debilitan la utilidad de la selección de fronteras puramente geométrica.
Se propone una estrategia de priorización de fronteras sensible al contexto para búsqueda y rescate con robots cuadrúpedos de un solo robot. El método preserva la estructura de exploración de fronteras, pero extiende la puntuación de fronteras con relevancia de rescate, déficit de observación, penalización por terreno y costo de viaje. De esta manera, se mantiene la expansión del mapa mientras se da preferencia a fronteras que son más propensas a mejorar el rendimiento de rescate. Se presenta una visión general del marco propuesto, incluidos los dos escenarios de evaluación, el pipeline de percepción y mapeo, el mecanismo de priorización de fronteras y los principales criterios de evaluación.
El método se evalúa en dos entornos interiores simulados. El primer escenario es intencionalmente simple y se utiliza como verificación de cordura. El segundo escenario introduce un mayor nivel de desorden y estructura ramificada, y se utiliza como el caso de comparación principal. Los resultados indican que el escenario fácil es resuelto por todos los métodos, mientras que el escenario más grande y complejo es diferente. En ese entorno, el método propuesto logra la tasa de finalización más alta y la mayor recuperación de víctimas. Estos resultados sugieren que la priorización de fronteras sensible al contexto es más beneficiosa cuando la elección de fronteras ya no es trivial y la utilidad de rescate debe equilibrarse con la cobertura.
Las principales contribuciones de este trabajo se resumen a continuación:
- Un método de priorización de fronteras sensible al contexto para búsqueda y rescate con robots cuadrúpedos de un solo robot, en el que la selección de fronteras se guía por ganancia de información, déficit de observación, relevancia de rescate, penalización por terreno y costo de viaje.
- Un protocolo de evaluación basado en simulación para búsqueda y rescate con robots cuadrúpedos en dos entornos interiores con diferentes niveles de dificultad, incluido un escenario simple y un escenario complejo diseñado para revelar diferencias en el comportamiento de selección de fronteras.
- Una comparación experimental contra líneas base de frontera más cercana, ganancia de información y consciente del riesgo, que muestra que el método propuesto logra la mejor tasa de finalización y recuperación de víctimas en el escenario complejo.
Trabajo Relacionado
La exploración basada en fronteras es uno de los enfoques más establecidos para la exploración autónoma en entornos desconocidos. En la formulación clásica, una frontera se define como el límite entre el espacio libre conocido y el espacio desconocido, y el robot se guía hacia uno de estos límites para expandir la región mapeada. Este enfoque es atractivo por su simplicidad, pero no distingue por sí mismo entre fronteras que son igualmente alcanzables pero diferentes en relevancia para la tarea.
La exploración basada en información extiende esta idea al clasificar las fronteras candidatas según su utilidad esperada para el mapeo, comúnmente mediante la reducción de entropía o ganancia de información. Esta formulación es más fuerte que la selección de frontera más cercana pura porque intenta maximizar la mejora del mapa en lugar de simplemente minimizar la distancia de viaje. Sin embargo, su objetivo sigue siendo principalmente exploratorio. En búsqueda y rescate, la ganancia de información por sí sola puede no ser suficiente si la frontera más informativa no es la más relevante para el descubrimiento de víctimas.
La exploración consciente del riesgo introduce un énfasis diferente al tener en cuenta la probabilidad de ejecución fallida, la dificultad del terreno o la incertidumbre durante la exploración. Estos métodos son valiosos en entornos desafiantes porque reducen la posibilidad de un comportamiento agresivo pero inseguro. Sin embargo, los métodos conscientes del riesgo no son necesariamente conscientes del rescate. Una frontera puede ser segura e informativa mientras sigue estando débilmente conectada con el objetivo de búsqueda de víctimas.
Aunque la exploración basada en fronteras, la exploración impulsada por información y la navegación consciente del riesgo proporcionan bases sólidas para la búsqueda autónoma, queda una brecha importante para la búsqueda y rescate con robots cuadrúpedos. Los métodos existentes están diseñados principalmente para objetivos de exploración genéricos como cobertura, reducción de incertidumbre o movimiento seguro, pero no clasifican explícitamente las fronteras según la utilidad de rescate. En búsqueda y rescate, esta es una limitación relevante, porque una frontera que es la más cercana o la más informativa para el mapeo puede no ser la que mejor apoye el descubrimiento de víctimas. Esta brecha se vuelve más pronunciada en entornos desordenados donde la elección de fronteras ya no es trivial.
Este trabajo difiere de los métodos anteriores de frontera más cercana, ganancia de información y exploración consciente del riesgo al introducir una estrategia de selección de fronteras orientada al rescate para un robot cuadrúpedo. El método propuesto preserva el marco de exploración de fronteras, pero lo aumenta con relevancia de rescate y déficit de observación además de penalización por terreno y costo de viaje. Como resultado, el método está diseñado no solo para expandir el mapa, sino también para sesgar la exploración hacia fronteras que son más propensas a mejorar los resultados de rescate. Por lo tanto, este documento aborda la brecha entre las políticas de exploración genéricas y la exploración de búsqueda y rescate consciente de la tarea, y evalúa esa diferencia en entornos interiores con complejidad de decisión creciente.
Formulación del Problema
Se considera un robot cuadrúpedo individual en un entorno de búsqueda y rescate en interiores representado como un entorno inicialmente desconocido. El robot debe explorar autónomamente el mapa, navegar a través de pasajes desordenados y maximizar la probabilidad de encontrar víctimas dentro de un presupuesto de tiempo de misión fijo. Sea una frontera candidata extraída del mapa de ocupación actual. El problema de decisión es seleccionar, en cada ciclo de planificación, la frontera que mejor equilibre la expansión del mapa y la utilidad orientada al rescate.
El método propuesto asigna una puntuación a cada frontera de acuerdo con una combinación ponderada de cinco términos: ganancia de información, déficit de observación, relevancia de rescate, penalización por terreno y costo de viaje. Esta formulación preserva la simplicidad de la exploración basada en fronteras, pero la extiende hacia los objetivos de búsqueda y rescate. La ganancia de información promueve la expansión continua del mapa, el déficit de observación favorece regiones que permanecen débilmente exploradas, la relevancia de rescate da preferencia a fronteras asociadas con un mayor potencial de búsqueda de víctimas, la penalización por terreno desalienta regiones difíciles o riesgosas, y el costo de viaje evita movimientos innecesariamente costosos.
Arquitectura del Sistema
El sistema completo está organizado como un pipeline de percepción, planificación y ejecución implementado en ROS 2 y evaluado en simulación Gazebo con un modelo de robot cuadrúpedo Unitree Go2. La arquitectura contiene cuatro módulos principales: mapeo, generación y puntuación de fronteras, manejo de víctimas y ejecución de movimiento local.
El robot utiliza sensores a bordo para actualizar incrementalmente una representación local de ocupación del entorno. Este mapa se utiliza para distinguir espacio libre conocido, espacio ocupado y regiones desconocidas. En paralelo, el pipeline de estimación de estado del robot proporciona la pose necesaria para actualizaciones del mapa, extracción de fronteras y control de movimiento. La capa de mapeo sirve como fuente de información común para todos los métodos evaluados.
Método Propuesto: Priorización de Fronteras Sensible al Contexto
El método propuesto, denominado Priorización de Fronteras Sensible al Contexto, aumenta la exploración basada en fronteras con variables de decisión orientadas al rescate. Su idea principal es que la selección de fronteras debe reflejar no solo el valor geométrico o informativo, sino también la probabilidad de que una frontera apoye un progreso significativo en la búsqueda y rescate.
Dado el conjunto de fronteras candidatas extraídas del mapa de ocupación actual, la frontera seleccionada se define como aquella con la puntuación de frontera más alta. Para hacer explícita la relevancia de rescate, el término de relevancia de rescate se modela como una función de la evidencia tentativa de víctimas.
En comparación con la exploración genérica, el método propuesto difiere de tres maneras. Primero, introduce la relevancia de rescate en la clasificación de fronteras, lo que sesga al robot hacia regiones que son más propensas a mejorar el descubrimiento de víctimas. Segundo, incluye el déficit de observación para que las regiones débilmente observadas sean revisadas cuando sea necesario en lugar de ser ignoradas después de una cobertura mínima. Tercero, preserva las penalizaciones por terreno y viaje para evitar que la relevancia de rescate domine la viabilidad del movimiento.
Métodos de Línea Base
El método propuesto difiere de las líneas base porque no optimiza solo por distancia, utilidad del mapa o seguridad. En cambio, introduce la relevancia de rescate como un término explícito en la clasificación de fronteras mientras preserva el marco general de exploración de fronteras. Por lo tanto, la comparación no es entre exploración de fronteras y un paradigma de planificación diferente, sino entre políticas genéricas de selección de fronteras y una política de fronteras consciente del rescate.
Resultados
Los resultados se obtuvieron en el escenario fácil (S1) y el escenario complejo (S2). En S1, todos los métodos logran tasas de finalización relativamente altas, lo que confirma que el entorno funciona como un escenario de verificación de cordura válido. En este entorno más fácil, la línea base de Ganancia de Información logra la tasa de finalización y recuperación de víctimas más alta, mientras que el método propuesto sigue siendo funcional pero no supera a la línea base más fuerte. Esto sugiere que la conciencia situacional explícita es menos relevante cuando la selección de fronteras es simple y la mayoría de las fronteras candidatas son igualmente útiles.
Se observa un patrón diferente en S2. En este entorno complejo, el método propuesto de Priorización de Fronteras Sensible al Contexto logra la tasa de finalización más alta, alcanzando 20 de 20 ejecuciones exitosas. También logra la mayor recuperación de víctimas, con una media de 2.00 víctimas confirmadas por ejecución. Por el contrario, la línea base de Ganancia de Información completa solo 14 de 20 ejecuciones y recupera menos víctimas en promedio. La Frontera Más Cercana y la Exploración Consciente del Riesgo siguen siendo competitivas, pero ambas son superadas por el método propuesto en tasa de finalización y recuperación de víctimas.
Los valores de tiempo de misión y longitud de trayectoria respaldan esta interpretación. En S2, el método propuesto alcanza la finalización completa de la misión sin requerir la mayor distancia de viaje. La línea base de Ganancia de Información viaja sustancialmente más lejos en promedio, pero aún logra una peor finalización y recuperación de víctimas. Esto indica que el método propuesto no simplemente aumenta el esfuerzo de búsqueda, sino que asigna ese esfuerzo de manera más efectiva. El principal beneficio de la metodología propuesta aparece en la calidad de la decisión de frontera en lugar de solo en el movimiento bruto.
En conjunto, los resultados sugieren que la priorización de fronteras sensible al contexto es más beneficiosa cuando el entorno contiene suficiente desorden y estructura ramificada para que la elección de fronteras sea ambigua. En el escenario fácil, los criterios de exploración más simples son suficientes. En el escenario complejo, sin embargo, la puntuación de fronteras orientada al rescate mejora la fiabilidad de la misión y la recuperación de víctimas.
Conclusión
Este documento presentó una estrategia de priorización de fronteras sensible al contexto para búsqueda y rescate con robots cuadrúpedos de un solo robot. El método propuesto extiende la exploración clásica de fronteras con relevancia de rescate, déficit de observación, penalización por terreno y costo de viaje, preservando al mismo tiempo la estructura computacionalmente atractiva de la selección basada en fronteras. El método se evaluó en dos escenarios de rescate en interiores que representan condiciones fáciles y complejas.
Los resultados muestran que el escenario fácil sirve como una verificación de cordura estable en la que todos los métodos son ampliamente efectivos, mientras que el escenario complejo es más discriminativo. En ese entorno, el método propuesto logra la tasa de finalización más alta y la mayor recuperación de víctimas, lo que indica que la priorización de fronteras consciente del rescate se vuelve útil una vez que la elección de fronteras ya no es trivial. Los resultados respaldan la visión de que el principal valor de la conciencia situacional reside en entornos estructurados y desordenados donde los objetivos de exploración genéricos no son suficientes por sí mismos.
El trabajo futuro debería extender el estudio hacia entornos aún más difíciles, mejorar la confirmación de víctimas bajo oclusión e incertidumbre más fuertes, y validar la estrategia propuesta en plataformas cuadrúpedas físicas.
Agradecimientos
Los autores de este trabajo agradecen a la Universidad Tecnológica del Uruguay y al Laboratorio de Robótica e IA por el apoyo en este trabajo.
Preguntas Frecuentes
¿Qué hace diferente a este método de priorización de fronteras de la exploración de fronteras estándar? El método propuesto aumenta la exploración clásica de fronteras con términos de relevancia de rescate y déficit de observación además de penalización por terreno y costo de viaje, sesgando la exploración hacia fronteras más propensas a mejorar el descubrimiento de víctimas en lugar de simplemente expandir la cobertura del mapa.
¿Qué plataforma robótica se utilizó en la evaluación? El sistema se implementó en ROS 2 y se evaluó en simulación Gazebo utilizando un modelo de robot cuadrúpedo Unitree Go2 que opera en dos entornos interiores simulados.
¿Qué resultados se lograron en el escenario complejo? En el entorno complejo, el método propuesto logró 20 de 20 finalizaciones de misión exitosas y una media de 2.00 víctimas confirmadas por ejecución, superando a las líneas base de frontera más cercana, ganancia de información y consciente del riesgo.
¿Cuándo es más beneficiosa la priorización de fronteras sensible al contexto? El método proporciona la ventaja más significativa en entornos desordenados con estructuras ramificadas donde la elección de fronteras es ambigua y los objetivos de exploración genéricos son insuficientes para una búsqueda y rescate efectivos.