Normalmente, los pilotos expertos de drones utilizan una combinación de intuición y "teoría de la búsqueda" basada en la estadística -una estrategia que tiene sus raíces en la caza de submarinos alemanes en la Segunda Guerra Mundial- para dar prioridad a determinados lugares de búsqueda sobre otros. Jan-Hendrik Ewers y un equipo de la Universidad de Glasgow se han propuesto, recientemente, comprobar si un sistema de aprendizaje automático puede hacerlo mejor.
Ewers creció esquiando y haciendo senderismo en las Highlands, una experiencia que le permitió conocer los complicados retos que entrañan las operaciones de rescate allí. "No había mucho que hacer mientras crecía, además de pasar tiempo al aire libre o sentarme delante del ordenador", asegura. "Al final, hice mucho de ambas cosas".
Para empezar, Ewers tomó conjuntos de datos de casos de búsqueda y rescate de todo el mundo, que incluyen detalles como la edad de una persona o si estaba cazando, montando a caballo o haciendo senderismo. También incluía información sobre si sufría demencia o sobre el lugar donde finalmente se encontró a la persona: agua, edificios, terreno abierto, árboles o carreteras. Con estos datos, además de los datos geográficos de Escocia, entrenó un modelo de inteligencia artificial. El modelo realiza millones de simulaciones para determinar las rutas más probables de una persona desaparecida en unas circunstancias concretas. El resultado es un conjunto de probabilidades, una especie de mapa de calor que indica las zonas prioritarias de búsqueda.
Con este mapa de probabilidades, el equipo demostró que el aprendizaje profundo podría utilizarse para diseñar rutas de búsqueda más eficientes para drones. En una investigación publicada la semana pasada en arXiv, que aún no ha sido revisada por expertos, el equipo probó su algoritmo frente a dos patrones de búsqueda habituales: el 'lawn mower', donde un dron sobrevuela una zona objetivo en una serie de franjas sencillas, y un algoritmo actual similar al de Ewers, pero más limitado respecto a los mapas de distribución de probabilidades.
En las pruebas virtuales, el algoritmo de Ewers superó a ambos en dos métricas clave: la distancia que tendría que volar un dron para localizar a la persona desaparecida y la probabilidad de encontrarla. Mientras que con el patrón 'lawn mowler' y el algoritmo actual encontraron a la persona el 8% y el 12% de las veces, respectivamente, el algoritmo de Ewers lo hizo el 19%. Si tiene éxito en situaciones reales de rescate, el nuevo sistema podría acelerar los tiempos de respuesta y salvar más vidas en escenarios en los que cada minuto cuenta.
"El ámbito de la búsqueda y el salvamento en Escocia es muy variado y peligroso", explica Ewers. Las emergencias pueden surgir en los espesos bosques de la isla de Arran, en las escarpadas montañas y laderas que rodean la meseta de Cai gorm, o en las caras del Ben Nevis, uno de los destinos de escalada más venerados pero peligrosos de Escocia. «Ser capaz de enviar un dron y realizar una búsqueda eficaz con él podría salvar vidas», añade.
Los expertos en búsqueda y rescate dicen que el uso del aprendizaje profundo para diseñar rutas de drones más eficientes podría ayudar a localizar a las personas desaparecidas más rápido en una variedad de zonas naturales, dependiendo de lo bien adaptado que esté el ento o para la exploración con drones dado que es más difícil para estos aparatos explorar densos bosques que la maleza abierta, por ejemplo.
"Este enfoque en las 'Highlands' escocesas parece viable, sobre todo en las primeras fases de la búsqueda, cuando hay que esperar a que aparezcan otras personas", afirma David Kovar, director de la Asociación Nacional de Búsqueda y Rescate de Williamsburg (Virginia), que ha utilizado drones para todo tipo de tareas, desde la respuesta a catástrofes en Califo ia hasta misiones de búsqueda en las Montañas Blancas de New Hampshire.
Sin embargo, hay que tener cautela. El éxito de este algoritmo de planificación dependerá de la precisión de los mapas de probabilidad. Si se confía demasiado en estos mapas, los operadores de drones podrían dedicar demasiado tiempo a buscar en las zonas equivocadas.
Según Ewers, un paso clave para que los mapas de probabilidad sean lo más precisos posible será obtener más datos de entrenamiento. Para ello, espera utilizar datos GPS de operaciones de rescate más recientes. De este modo, podrá realizar simulaciones que ayuden a su modelo a comprender las conexiones entre el lugar en el que se vio a alguien por última vez y el lugar en el que finalmente se le encontró.
Sin embargo, no todas las operaciones de rescate contienen datos lo suficientemente ricos como para que pueda trabajar con ellos. "En las operaciones de búsqueda y rescate, los datos de entrenamiento son muy escasos, y el aprendizaje automático nos ha enseñado que necesitamos muchos datos de alta calidad", explica Ewers. "Si un algoritmo no ofrece mejores resultados que una persona, estás poniendo en riesgo la vida de alguien".
Los drones son cada vez más comunes en el mundo de la búsqueda y el rescate. No obstante, siguen siendo una tecnología relativamente nueva, y la normativa que regula su uso todavía está en proceso de cambio.
En Estados Unidos, por ejemplo, los pilotos de drones deben tener una línea de visión constante entre ellos y su aparato. En Escocia, por su parte, los operadores no pueden estar a más de 500 metros de su dron. Estas normas están pensadas para evitar accidentes, como que un dron se desplome y ponga en peligro a las personas, pero en situaciones de rescate limitan gravemente la capacidad de los equipos de rescate para buscar pistas.
"A menudo nos enfrentamos a un problema normativo más que técnico", afirma Kovar. Y continúa: "los drones son capaces de hacer mucho más de lo que se nos permite».
Ewers espera que modelos como el suyo puedan algún día ampliar aún más las capacidades de los drones. Por el momento, está en conversaciones con la Unidad de Apoyo Aéreo de la Policía de Escocia para ver qué pasos serían necesarios realizar para probar y desplegar su sistema en situaciones reales.