La navegació de drons en entorns urbans està cada cop més limitada per la degradació dels senyals GNSS (Sistemes Globals de Navegació per Satèl·lit). Fenòmens com la reflexió multi trajecte, el bloqueig de senyals per edificis o la interferència intencionada comprometen la integritat de la posició i velocitat que reporten aquests sistemes. Per garantir la separació segura entre múltiples drons, les polítiques de separació basades en aprenentatge solen assumir dades perfectes, cosa que no es compleix en ciutats denses. Sorgeix llavors una pregunta arquitectònica fonamental: han de filtrar els mecanismes de seguretat en temps real les accions de la política o les seves observacions? Aquesta anàlisi tècnica examina ambdues aproximacions i proposa un enfocament empresarial per integrar aquestes solucions en productes reals.
L'arquitectura de filtratge d'accions utilitza funcions de barrera de control en temps discret per restringir les sortides de la política de vol. Primer s'estima un estat de trànsit pessimista consistent amb la incertesa acotada de les observacions, i després s'avalua la funció de barrera per limitar ordres com la velocitat o la direcció. En canvi, el filtratge d'observacions presenta directament aquest estat pessimista com a entrada corregida a la política, permetent que el sistema d'aprenentatge decideixi amb informació depurada sense restriccions externes sobre les seves sortides. Els experiments mostren resultats contundents: el filtratge d'accions proporciona una millora de seguretat insignificant, mentre que el filtratge d'observacions redueix les quasi col·lisions aèries en un 90% i es manté robust davant el compromís entre distància de separació i taxa de tancament que introdueix la funció de barrera.
Aquestes troballes suggereixen que, per a polítiques amb comportaments de seguretat apresos, preservar l'autoritat de decisió de la política supera a sobreescriure les seves accions amb restriccions dissenyades manualment. En altres paraules, és més efectiu netejar les dades d'entrada que forçar límits externs sobre la sortida. Per a una empresa de desenvolupament de programari com Q2BSTUDIO, aquesta conclusió té implicacions pràctiques directes en el disseny de sistemes autònoms. Construir un sistema de separació robust requereix no només algorismes d'aprenentatge, sinó també una orquestració acurada de l'arquitectura de seguretat, la infraestructura cloud i la ciberseguretat dels enllaços de comunicació.
A Q2BSTUDIO abordem projectes d'aquest tipus combinant diverses capacitats tecnològiques. D'una banda, desenvolupem aplicacions a mida per a sistemes de drons, integrant mòduls de visió artificial i control. D'altra, despleguem agents IA que prenen decisions en temps real basant-se en dades depurades; aquests agents poden executar-se en entorns cloud AWS o Azure per escalar horitzontalment. La infraestructura cloud és a més essencial per emmagatzemar i processar grans volums de telemetria, mentre que les solucions de Business Intelligence (Power BI) permeten monitoritzar el rendiment de les polítiques de separació i detectar desviacions. Finalment, la ciberseguretat protegeix tant la integritat dels senyals GNSS com els canals de comunicació entre drons i estacions base.
Un exemple concret d'aplicació és la implementació d'un sistema de filtratge d'observacions en temps real per a una flota de drons de repartiment urbà. El sistema rep dades GNSS corruptes, les corregeix mitjançant un model d'incertesa pessimista i alimenta la política de separació amb aquesta informació neta. Per garantir latències baixes, cal optimitzar els algorismes d'estimació i utilitzar serveis cloud de baixa latència com AWS Lambda o Azure Functions. Q2BSTUDIO ofereix serveis de consultoria i desenvolupament tant en cloud AWS/Azure com en intel·ligència artificial, ajudant empreses a dissenyar aquestes arquitectures híbrides.
La robustesa del filtratge d'observacions davant la funció de barrera també indica que els sistemes de seguretat han de ser adaptatius. En lloc d'imposar regles fixes de separació, la política aprèn a gestionar marges dinàmics segons la qualitat de les observacions. Això encaixa amb la filosofia dels agents IA moderns, que ajusten el seu comportament segons el context. A Q2BSTUDIO integrem aquests patrons en solucions d'automatització de processos, on un agent IA pot supervisar múltiples drons i reaccionar davant degradacions GNSS sense intervenció humana.
En conclusió, la degradació GNSS no ha de ser un obstacle insalvable per a la separació segura de drons. Adoptar un enfocament de filtratge d'observacions, recolzat per una infraestructura tecnològica sòlida (cloud, ciberseguretat, BI) i un desenvolupament de programari a mida, permet assolir nivells de seguretat propers als ideals. Empreses com Q2BSTUDIO estan preparades per acompanyar organitzacions en aquest camí, proporcionant des del disseny conceptual fins a la implementació i manteniment d'aquests sistemes crítics.
