El modelado y la planificación de trayectorias para vehículos no tripulados representan un desafío significativo, especialmente cuando se considera la integración de grandes bases de datos geoespaciales. Uno de los aspectos más complejos de este proceso es la necesidad de crear un modelo que tenga en cuenta diversos factores de riesgo, como los obstáculos en el terreno, el riesgo aéreo y los peligros potenciales en el suelo. Los datos geoespaciales, como los proporcionados por OpenStreetMap y las capas de uso del suelo de CORINE, desempeñan un papel crucial en la evaluación de estos riesgos. Sin embargo, a pesar de su utilidad, trabajar con estos conjuntos de datos presenta una serie de dificultades.

Un aspecto fundamental en el proceso es el mapeo de objetos desde clases semánticas específicas hacia objetos útiles para la planificación de trayectorias. Por ejemplo, al analizar las características de los objetos en un área determinada, puede ser necesario derivar parámetros adicionales no especificados en el conjunto de datos de entrada. Tomemos el caso de un aerogenerador cuya altura no esté indicada explícitamente. Para este objeto, es necesario suponer una altura conservadora, generalmente la máxima esperada para ese tipo de generador. De manera similar, en el caso de una carretera, si solo se especifica el número de carriles, el ancho de la carretera debe deducirse en función de este parámetro. Estos desafíos resaltan las complejidades inherentes al uso de datos geoespaciales en la planificación de trayectorias.

Para calcular el despeje horizontal y vertical en la trayectoria de un vehículo no tripulado, se implementan interfaces que permiten consultar eficientemente la base de datos y procesar los resultados. Tradicionalmente, los formatos de datos vectoriales comunes en los Sistemas de Información Geográfica (SIG) comprenden tres tipos básicos de geometría: puntos, cadenas de líneas y polígonos. Sin embargo, para la planificación de trayectorias, es necesario contar con un modelo ambiental en 3D, que represente de forma precisa las geometrías de los obstáculos o de los límites del espacio aéreo. Aunque el chequeo de colisiones en 3D y el cálculo de distancias se ha adoptado ampliamente en gráficos por computadora y videojuegos, sigue siendo una tarea computacionalmente intensiva.

Por ello, se propone un enfoque híbrido que permite almacenar los objetos como primitivas geométricas 2D, como es común en los SIG, pero al mismo tiempo representa objetos con geometrías 3D mediante atributos adicionales. Este enfoque se basa en la noción de que las geometrías 3D pueden ser "extruidas" verticalmente desde sus primitivas geométricas 2D, mediante un atributo de altura, y "ampliadas" horizontalmente mediante un atributo de radio o ancho. A través de este método, en lugar de calcular la distancia mínima en 3D a los objetos de la base de datos, se evalúan dos métricas de despeje: el despeje horizontal y el despeje vertical. Estas métricas son mucho menos intensivas computacionalmente, ya que solo se necesita calcular la distancia euclidiana en 2D en el plano horizontal y realizar operaciones escalares en el eje vertical.

La evaluación del riesgo asociado con el paso sobre el terreno es otro aspecto esencial en la planificación de trayectorias. El riesgo, en este contexto, se define generalmente como la probabilidad de un evento de daño multiplicado por la gravedad de ese daño. Los daños pueden variar desde lesiones o muertes humanas hasta los costos de reparación de propiedades dañadas. Este tipo de evaluación no solo debe incluir la probabilidad de que ocurra un evento de daño (como inundaciones, incendios o tormentas), sino también la severidad del daño y su potencial de perjuicio. Por ejemplo, las viviendas en áreas urbanas, donde hay una alta concentración de personas y propiedades, tendrán un valor de daño mucho mayor en comparación con áreas rurales o deshabitadas, aunque estas últimas también representan un riesgo, especialmente si se considera que las personas pueden transitar temporalmente por ellas.

En este proceso, los datos semánticos juegan un papel crucial. Estos datos son información cuantificada que puede servir a diversos tipos de modelos de riesgo, evitando la necesidad de crear bases de datos separadas para cada tipo de daño (por ejemplo, daños por incendios, inundaciones o tormentas). En cambio, se utiliza un único conjunto de datos generalizado que puede ser procesado por diferentes modelos para calcular el potencial de daño según el tipo de evento. A modo de prueba de concepto, se utilizaron los mapas CORINE de cobertura de suelo, los cuales se extendieron para contener información sobre el potencial de daño local. A cada clase de uso del suelo se le asignó un valor de daño normalizado que refleja el valor potencial de la propiedad o la vida humana en esa área.

Es importante destacar que la asignación de valores de daño no solo se basa en la densidad de la población o la proximidad de infraestructuras críticas, sino también en las características propias del terreno y el uso del suelo. Por ejemplo, en áreas rurales o naturales, el valor de daño podría ser más bajo, pero aún así presenta un riesgo significativo debido a factores como la ocupación temporal de la zona o la resolución de los datos geoespaciales que pueden clasificar casas dispersas como zonas agrícolas.

Además de este enfoque, se deberían explorar métodos más refinados de modelado del daño que tomen en cuenta no solo la proximidad de estructuras físicas, sino también factores dinámicos como el comportamiento del viento, las condiciones meteorológicas en tiempo real, y otros elementos ambientales que podrían influir en el riesgo real de un área dada.

¿Cómo se generan y monitorean automáticamente geocercas seguras en tiempo de ejecución?

FencyCreator permite automatizar la generación de especificaciones de geocercas a partir de cadenas poligonales expresadas en archivos KML. Estos archivos, comúnmente usados en aplicaciones como Google Earth, contienen coordenadas geoespaciales que representan áreas dentro de las cuales una aeronave no tripulada (UAS) debe operar. Una vez cargado el archivo, el usuario puede establecer la posición inicial (latitud, longitud, altitud) y una altura máxima de operación.

A partir de esta configuración inicial, FencyCreator permite escalar la geocerca aplicando márgenes de seguridad denominados risk buffer y contingency buffer. Estos márgenes se representan como distancias relativas a la cadena poligonal original, donde valores negativos indican un escalado hacia el interior del área definida. Por ejemplo, un risk buffer de −150 m y un contingency buffer de −170 m ajustan la zona operativa respetando distancias mínimas necesarias para garantizar la seguridad operacional. La herramienta permite evaluar la validez geométrica de la geocerca resultante: si existen intersecciones o discontinuidades debido al escalado, la geocerca se considera no válida y, por tanto, no se garantiza un vuelo seguro.

Cuando se identifica una geocerca válida, esta puede exportarse nuevamente como archivo KML para revisión visual, y simultáneamente traducirse a una especificación formal en el lenguaje Lola. Lola permite generar automáticamente monitores con garantías formales —por ejemplo, con consumo de memoria acotado— que se integran en el sistema de vuelo del UAS para su verificación en tiempo de ejecución.

Lola es un lenguaje de especificación declarativa diseñado para el monitoreo de propiedades del sistema durante su ejecución. Su modelo de especificación se basa en ecuaciones de flujos (streams) sincrónicos. Estos flujos pueden ser de entrada o de salida y evolucionan según un reloj común. Cada flujo está tipado (por ejemplo, Integer o Float) y puede utilizar expresiones aritméticas que acceden a valores del pasado, presente o futuro de otros flujos. Accesos al futuro requieren que la evaluación del flujo se posponga hasta que dicho valor esté disponible, permitiendo así el monitoreo de propiedades que dependen de eventos aún no ocurridos.

Por ejemplo, para calcular la velocidad promedio en tiempo de ejecución, se define un flujo de entrada con los valores de velocidad obtenidos de sensores. Se crean flujos de salida para contar el número de valores y sumar las velocidades acumuladas, permitiendo calcular el promedio incrementalmente. Esta especificación evita errores comunes de implementación como fugas de memoria, ya que el manejo interno es delegado al motor de ejecución de Lola, el cual está formalmente verificado.

Lola ha evolucionado para soportar escenarios más complejos mediante el uso de flujos paramétricos. En su versión 2.0, se permite crear instancias de flujos a partir de eventos de entrada. Por ejemplo, cuando un requestID es recibido, se invoca dinámicamente una

¿Cómo se asegura la operación segura de aeronaves no tripuladas mediante geovallas y algoritmos formales?

El concepto de geovallas ha emergido como una de las propiedades clave para asegurar la operación segura de sistemas aéreos no tripulados (UAS, por sus siglas en inglés), especialmente dentro de categorías específicas de misión. Esta técnica se utiliza para limitar de manera virtual los movimientos del UAS mediante la creación de vallas geográficas virtuales, lo que permite supervisar de forma más detallada su comportamiento dentro de un área predeterminada. Un algoritmo específico para geovallas ha sido propuesto, el cual describe la geovalla como una cadena poligonal y calcula las intersecciones entre esta cadena y el movimiento del UAS.

Además de los aspectos técnicos relacionados con la definición de geovallas, se introduce el concepto de un "buffer de riesgo", que se emplea para proteger infraestructuras críticas, lo que implica identificar el punto en el espacio en el que el UAS debe iniciar su aterrizaje seguro. Este buffer no solo tiene en cuenta la incertidumbre de la posición del UAS, sino también factores como el tiempo de reacción, el viento, la diferencia máxima de altura, el margen de seguridad y la maniobra necesaria. Este enfoque es fundamental para garantizar que las operaciones se realicen dentro de los límites seguros, especialmente cuando el sistema está operando cerca de áreas sensibles o en condiciones adversas.

La simulación de casos de estudio ha permitido validar la efectividad de estas estrategias. Un ejemplo revelador se centra en el cálculo del buffer de riesgo y su violación, lo que desencadenaría la terminación de la misión. Se analizan diferentes configuraciones de aeronaves, como un girocóptero y dos aviones de ala fija (con estructuras de ala de doble fuselaje y ala en caja), cada una con sus maniobras de terminación: autorrotación para el girocóptero y paracaídas para los aviones de ala fija. Los resultados de la simulación mostraron que el viento tenía un impacto significativo en el comportamiento del girocóptero, ya que en condiciones de viento fuerte no podía seguir la trayectoria en espiral deseada, lo que provocaba violaciones de la geovalla. Esto llevó a la identificación de dos posibles mitigaciones: aumentar el tamaño del buffer de riesgo o prohibir volar bajo vientos fuertes dentro de las operaciones específicas (ConOps).

Por otro lado, se discutió la implementación del algoritmo de geovalla en hardware, específicamente en una FPGA (matriz de puertas programables en campo), lo cual podría beneficiarse enormemente de la naturaleza paralela inherente de estos dispositivos. En un futuro cercano, los resultados experimentales utilizando FPGA podrían confirmar la efectividad de esta implementación. Sin embargo, persisten preguntas abiertas sobre los límites de la validación puramente virtual de las distancias del buffer en simulaciones, lo que sigue siendo un área de investigación relevante.

Además, se planea integrar el monitor de geovallas de manera más profunda en el ciclo de control del UAS. Esto podría lograrse utilizando monitores RTLola, que extenderían las capacidades de monitoreo de la salud del sistema, mejorando la conciencia situacional en tiempo real. Esto permitiría una mayor precisión en el uso de contramedidas y mejoraría la automatización de funciones, como la planificación de trayectorias, que podría adaptarse a las condiciones actuales del sistema.

La monitorización de otros límites operativos del sistema en el contexto del Sistema de Evaluación de Riesgos Operacionales (SORA) es también un tema de interés. Esta extensión podría permitir la operación de UAS en áreas tanto poco como densamente pobladas, donde la terminación segura del vuelo basada únicamente en violaciones de geovallas no sería suficiente. Este tipo de escenarios, derivados de simulaciones de vuelos, proporciona indicadores clave sobre la aplicabilidad de las estrategias propuestas. Para el futuro, será necesario expandir las capacidades de simulación para explorar y validar nuevos escenarios que aborden estos desafíos.

Es importante entender que, aunque las geovallas proporcionan una herramienta crucial para la supervisión y control de los movimientos de los UAS, la integración de estas técnicas dentro de un marco regulatorio más amplio y la evolución de los algoritmos de monitoreo, aún requieren una validación constante, tanto en simulaciones como en condiciones reales. La capacidad de reaccionar adecuadamente ante situaciones imprevistas y la implementación de soluciones adaptativas son elementos clave para garantizar que las operaciones de los UAS se realicen de manera segura y eficiente en un futuro cercano.

¿Cómo abordar la evaluación de riesgos en sistemas no tripulados? Un análisis de los marcos regulatorios y las metodologías en la aviación civil

En la última década, el uso de sistemas aéreos no tripulados (UAS, por sus siglas en inglés) de diversos tamaños y tipos ha experimentado un crecimiento continuo. Este aumento, que se espera que continúe, ha llevado a las autoridades regulatorias a replantear y desarrollar marcos normativos más ajustados a esta nueva realidad. En Europa, la Agencia Europea de Seguridad Aérea (EASA, por sus siglas en inglés) ha jugado un papel clave en la creación de una normativa unificada para los UAS. En 2017, la EASA propuso un marco regulador que dividía las operaciones de los UAS en tres categorías principales: abierta, específica y certificada. Esta división tiene como objetivo clasificar las operaciones de acuerdo con el riesgo que representan para las personas y la infraestructura crítica.

La categoría "Abierta" está pensada para operaciones de bajo riesgo, como las realizadas con drones de juguete o aeronaves modelo para uso privado. En el extremo opuesto, la categoría "Certificada" abarca operaciones de riesgo equivalente a la aviación tripulada, que deben cumplir con los mismos estándares de seguridad y procesos establecidos para aeronaves civiles tripuladas. En este sentido, las operaciones de UAS de gran tamaño, como los drones de carga o los vehículos aéreos no tripulados de tipo militar, encajan en esta categoría. Sin embargo, aún no existen especificaciones de certificación dedicadas exclusivamente a los UAS de esta categoría, por lo que, hasta que se desarrollen, se aplican las normas de aeronaves civiles tripuladas, como las reguladas bajo el estándar CS-23 o CS-25.

La categoría "Específica", que actúa como un puente entre las categorías abierta y certificada, está destinada a manejar las operaciones y tipos de UAS cuya naturaleza de riesgo se encuentra entre ambas. Es aquí donde se concentran la mayoría de los UAS de peso medio, como los cuadricópteros de varios kilogramos hasta los UAS de gran tamaño con una envergadura de hasta 10 metros. A diferencia de las categorías abierta y certificada, la regulación de la categoría específica se basa en estándares de rendimiento que consideran no solo el UAS en sí, sino también al operador y al conjunto de la operación. Este enfoque basado en el rendimiento es relativamente nuevo en el ámbito de la regulación aeronáutica.

Para poder operar en esta categoría, es fundamental realizar una evaluación de riesgos que determine el nivel de rigor necesario para cada operación. La evaluación de riesgos, que debe ser realizada para obtener la aprobación operativa de la autoridad competente, se guía por el modelo de Evaluación de Riesgos de Operaciones Específicas (SORA, por sus siglas en inglés), desarrollado por el grupo de trabajo JARUS. El SORA se ha establecido como un medio aceptable para cumplir con los requisitos de evaluación de riesgos para la categoría específica. Este modelo, que es el único conocido y ampliamente utilizado hasta la fecha, no solo tiene en cuenta las características del UAS, sino también las operaciones que lleva a cabo y el entorno en el que se desarrollan.

A lo largo de los años, diversas investigaciones han abordado la evaluación de riesgos en las operaciones de UAS. Un ejemplo temprano es el trabajo de Clothier y Walker (2006), quienes, mediante un análisis histórico de accidentes de aviación civil, desarrollaron objetivos de seguridad para los UAS y discutieron el impacto de estos objetivos en el diseño y las operaciones de los mismos. También se hicieron esfuerzos para establecer modelos de riesgo basados en el suelo, con el fin de evaluar los peligros asociados con las operaciones de UAS cerca de áreas pobladas. Washington et al. (2017) publicaron un análisis comparativo de 33 modelos existentes de riesgo terrestre para UAS, discutiendo su relación con los esfuerzos regulatorios y su influencia en el desarrollo de normas para los UAS.

A pesar de que el SORA es el modelo principal en la evaluación de riesgos para la categoría específica, varios otros enfoques se han propuesto en el pasado. Un ejemplo de ello es el trabajo de Clothier (2015), quien desarrolló un proceso de gestión de riesgos centrado en las operaciones de UAS. En este enfoque, se utiliza el diagrama de lazo de bowtie, que presenta similitudes con el proceso del SORA, especialmente en la identificación de riesgos y la determinación de medidas de mitigación.

El marco regulatorio para los UAS sigue evolucionando y es probable que surjan nuevas metodologías y enfoques para abordar los riesgos de este tipo de aeronaves. Sin embargo, el SORA sigue siendo la base sobre la que se fundamentan muchas de las decisiones regulatorias y operativas en el ámbito de la aviación no tripulada.

Es fundamental que los operadores de UAS comprendan la importancia de una evaluación de riesgos adecuada y rigurosa, ya que esta no solo es crucial para la obtención de permisos operativos, sino también para garantizar la seguridad tanto de las operaciones aéreas como de las personas en tierra. Además, la implementación de estándares de seguridad robustos no solo protege a los operadores y a las comunidades circundantes, sino que también promueve la aceptación pública y la confianza en el uso de UAS a gran escala. La regulación y la gestión de riesgos son elementos clave para permitir que los UAS se integren de manera segura en el espacio aéreo civil.

¿Cómo impacta la automatización y la ciberseguridad en la cadena logística del transporte aéreo de carga?

Los sistemas de aeronaves integradas podrían ser objeto de ataques a distancia o mediante dispositivos móviles en la cabina, lo que pone de manifiesto la necesidad de una arquitectura de sistemas segura, ya sea que un sistema aéreo no tripulado (UAS, por sus siglas en inglés) opere de manera autónoma o remota. Los ataques exitosos al software del UAS podrían permitir tomar el control de la aeronave o, al menos, interrumpir gravemente su funcionamiento. A medida que aumenta la automatización y la complejidad de los sistemas involucrados, también se incrementa el desafío de garantizar la integridad de la comunicación, navegación y control de las aeronaves. Esta creciente dependencia de sistemas automatizados, junto con su conectividad, crea una red vulnerable a ciberamenazas que requiere atención especial en cuanto a la ciberseguridad, un aspecto clave para el funcionamiento confiable de las aeronaves y la eficiencia en el transporte aéreo.

En el ámbito del transporte aéreo de carga, el modelo tradicional está caracterizado por la colaboración de diversos actores: los expedidores, las compañías de transbordo y las aerolíneas. Sin embargo, este modelo requiere un cambio hacia estructuras logísticas de menor complejidad con una mayor integración de los procesos. Los procesos que ocurren entre el despegue y el aterrizaje de un avión de carga son diversos y complejos. Estos incluyen actividades críticas como la preclasificación y carga de vehículos en los depósitos, que pueden causar retrasos significativos si no se gestionan adecuadamente. Además, la cadena de suministro está influenciada por varios factores, como las distancias de la cadena de suministro y los recursos disponibles, ya sea en forma de vehículos o personal. Los cuellos de botella en la cadena de suministro pueden generar demoras sustanciales, lo que subraya la importancia de optimizar cada paso del proceso.

La logística del transporte aéreo de carga no se limita únicamente al traslado de los bienes de un aeropuerto a otro, sino que involucra una serie de actividades adicionales que contribuyen a la cadena de suministro global. En el mercado de carga aérea, los agentes de carga venden capacidades de carga para las aerolíneas, por lo que las aerolíneas no suelen comercializar sus servicios directamente. Los expedidores también se encargan del traslado al aeropuerto, la consolidación de los envíos y el traspaso final desde el aeropuerto de destino hasta el receptor. Estos servicios logísticos adicionales, como el despacho de aduanas, extienden el servicio de carga aérea hasta un servicio puerta a puerta, lo que hace más complejo el proceso logístico y aumenta las posibilidades de errores o retrasos.

En los servicios tradicionales de carga aérea, la estandarización ha sido limitada, lo que ha dificultado una gestión transparente y eficiente del flujo de información y mercancías. Las interfaces y las partes involucradas en la cadena de transporte han causado demoras, y la falta de transparencia en la gestión de la carga ha sido un desafío constante para optimizar los tiempos de tránsito. De hecho, aproximadamente el 60% de la carga aérea destinada a destinos intercontinentales llega a hubs como el de Frankfurt en el compartimento de carga de aviones de pasajeros, mientras que el 40% restante se transporta por carretera desde diversas ciudades de Europa. En Europa, la carga aérea se transporta principalmente por carretera entre destinos, debido a la competitividad de los costos y los tiempos de tránsito de los camiones frente al transporte aéreo.

La estructura tradicional de la cadena de suministro en la carga aérea implica un promedio de seis días en el tránsito puerta a puerta, tiempo que ha permanecido relativamente constante desde 1972, a pesar de los avances tecnológicos. Este tiempo se distribuye entre varias etapas críticas, desde el origen hasta la entrega final al receptor, y abarca desde el transporte terrestre hasta las operaciones de transbordo en los aeropuertos. La manipulación de la carga en hubs de gran tamaño, como el aeropuerto de Frankfurt, requiere un tiempo promedio de 24 horas, lo que resalta la lentitud de ciertas etapas del proceso, como el transporte y el avance de la carga dentro de los aeropuertos. Aproximadamente el 57% del tiempo total del proceso de entrega se dedica a este tipo de transportes de continuación, lo que subraya el potencial de optimización en estas áreas.

Además de la gestión de los procesos de carga, el nivel de automatización en las operaciones de handling de aeronaves no tripuladas (UCA) es crucial para la eficiencia de la cadena logística. Se identifican tres niveles de automatización: manual, semi-automático y totalmente automático. Dependiendo de la infraestructura disponible en el puerto de origen y destino, se puede aplicar un grado de automatización acorde con las necesidades y características del proceso. A medida que avanzamos hacia una mayor automatización, es necesario tener en cuenta los costos operativos y las implicaciones para el personal involucrado, así como los beneficios en términos de reducción de tiempos y errores operacionales.

Para que la cadena de suministro del transporte aéreo de carga sea más eficiente y menos propensa a fallos, es imprescindible considerar la integración de procesos, la automatización y la seguridad cibernética. Estos tres pilares no solo mejoran la operatividad de los sistemas, sino que también minimizan el riesgo de retrasos y errores en el transporte de mercancías, algo crucial para una logística global cada vez más interdependiente. Es esencial comprender que la evolución de estos sistemas no solo se trata de mejorar la tecnología, sino también de optimizar cada eslabón de la cadena, desde la gestión de los datos hasta la ejecución eficiente de los procesos logísticos.

¿Qué significa realmente ganar y perder en un enfrentamiento?
¿Cómo se diagnostican las infecciones virales en los humanos?
¿Cómo afrontar las decisiones difíciles en una situación de peligro?
¿Cómo Ivy Mejora la Experiencia del Desarrollador y las Pruebas en Angular?
¿Cómo la Ciencia Ficción Refleja la Evolución de las Publicaciones y su Impacto Cultural?