Llevando el reparto con drones urbanos a nuevas alturas

Aerialoop es una empresa de reparto que lleva la entrega al siguiente nivel, mediante el uso de drones para reducir drásticamente los tiempos de entrega en toda la ciudad. Dentro de la ciudad de Quito, se tarda aproximadamente 45 minutos en conducir de un lado al otro, pero sólo 7 minutos para volar -- más de una reducción de 5 veces en el tiempo de entrega.
 
Durante la pandemia, Aerialoop también ha estado entregando víveres a restaurantes locales y suministros médicos COVID-19 del hospital local, HospitalDLV, a pacientes rurales

Desafíos con los servicios de entrega de drone

Aunque la entrega de drones es significativamente más rápida que los servicios existentes, viene con algunos desafíos novedosos. Uno de esos desafíos es asegurar que los drones naveguen por la ciudad de manera autónoma sin fallos. Los drones pueden fallar por una amplia gama de razones, tales como condiciones climáticas adversas, errores del usuario y piezas mecánicas que fallan debido al desgaste general.

Camino a la solución de problemas

Aerialoop vino a nosotros con la investigación de ayudar con la resolución de estos problemas comerciales principales. El apoyo fue dado por Prototype.Lab(), un centro tecnológico que Thoughtworks Ecuador creó específicamente para ayudar a empresarios y artistas a desarrollar un prototipo de su producto o idea. El hub contribuye tanto al avance de la comunidad tecnológica en Ecuador como a asociarse y apoyar a un emprendedor local o líder empresarial.

Con la sólida copia de seguridad de Prototype.Lab( ), nos centramos en la necesidad de Aerialoop - la creación de un sistema que puede ser proactivo en la predicción de componentes defectuosos, que es crucial para las entregas seguras, especialmente en entornos urbanos. El mantenimiento proactivo también necesita ser automatizado a medida que la flota de drones crece con el tiempo.

Aerialoop utiliza el Wingquad3 para entregar cargas útiles. El Wingquad3 tiene aproximadamente 800 mediciones de sensores a bordo, cada muestreo varias veces por segundo. Por lo tanto, un vuelo de 10 minutos produce en el orden de 10.000 puntos de datos, cada uno en un espacio de 800 dimensiones. Usando estos datos, nos gustaría determinar si alguna de las partes ha fallado, o es probable que en el futuro.

Mejorando la seguridad de la entrega de drones

En esencia, la pregunta que nos gustaría responder es: dados los datos del sensor de un vuelo más reciente de un dron, ¿es seguro volar de nuevo?

Este problema se puede enmarcar como un problema de detección de anomalías. Mediante la recopilación de datos de sensores de drones sanos, es posible aprender la distribución subyacente de datos de sensores saludables. Entonces, dado un vuelo futuro, podemos decir si los datos del sensor se apartaron bruscamente de la distribución "saludable" aprendida, en cuyo caso es probable que uno o más componentes funcionen mal.

[Healthy Sensor Measurements diagram]

Con el fin de aprender la distribución completa de datos de sensores saludables, volamos el dron en una amplia gama de escenarios, tales como condiciones meteorológicas adversas y con diferentes pesos de carga útil. Con esta línea de base saludable, nuestro equipo desarrolló un sistema para detectar baterías y controladores de actuadores defectuosos a bordo del dron. 

Comenzamos por recopilar, analizar y transformar los datos de registro sin procesar existentes en un estado consumible. Además, había que disponer oportunamente de nuevos registros de los vuelos recientes. Para cumplir estos requisitos, desarrollamos una línea de datos en Google Cloud Platform que transforma, enriquece y almacena datos de registros de vuelo. Esto lo hace disponible para obtener información rápida del usuario y para modelos de aprendizaje automático. Nuestros modelos de detección de anomalías usaron estos datos para detectar si la batería o el controlador del actuador funcionaban mal durante un vuelo dado. La salida de estos modelos, así como los datos históricos del sensor para cada dron, se pusieron a disposición en un salpicadero.

¿Qué sigue?

Las mejoras futuras podrían incluir la incorporación de información meteorológica local en el salpicadero para informar al piloto de cualquier condición meteorológica que pueda ser peligrosa para las entregas de ese día. En un nivel superior, los datos históricos de entrega podrían utilizarse para sugerir dónde deberían construirse futuras plataformas de despegue/aterrizaje.

Agradecimientos

Este trabajo se logró en dos meses gracias al esfuerzo conjunto de equipos en Ecuador, Inglaterra, Suiza y Australia.

Gracias al equipo de Thoughtworks, en particular a Carlos Fuentes, Carlos Buñay, Michelle Peralbo, Eric Piñera, Andrés Salazar, Andrea Santacruz y Rajat Jain; y al equipo de Aerialoop: Andreas Antener, Pedro Meneses y José Barzallo.