Un algoritmo mejorado PSO-ABC para la planificación de rutas de UAV basado en la construcción de la topología del espacio aéreo urbano con datos GIS reales

Cielos más seguros para los drones urbanos

Los drones de reparto y los robots de inspección prometen entregas más rápidas y ciudades más inteligentes, pero volar sobre calles concurridas y edificios altos conlleva riesgos. Este estudio muestra cómo construir “autopistas invisibles” en el cielo sobre una ciudad china real y cómo un nuevo algoritmo informático puede guiar vehículos aéreos no tripulados (UAV) por rutas que son seguras para las personas en tierra y eficientes para las aeronaves.

Convertir una ciudad real en un mapa de vuelo 3D

Los autores parten de datos detallados del sistema de información geográfica (GIS) de un área de 5 por 5 kilómetros en el distrito de Changqing, en Jinan, China, que incluyen las ubicaciones exactas y las alturas de los edificios. En lugar de tratar el aire sobre la ciudad como un único gran espacio, lo dividen en nueve capas de altitud delgadas, cada una de 5 metros de altura, desde el nivel del suelo hasta los 40 metros. Dentro de cada capa colocan una cuadrícula de casillas de 100 por 100 metros. Apilar esas casillas crea una malla 3D de pequeños recuadros, o vóxeles, cada uno representando un posible fragmento de cielo que un dron podría ocupar.

Equilibrar el aire libre con las personas y bienes debajo

Para decidir qué vóxeles son realmente utilizables, el equipo combina dos ideas sencillas pero potentes. Primero, la “disponibilidad del espacio aéreo” mide cuán fácilmente un dron podría moverse de una casilla de la rejilla a otra sin chocar con edificios u otros obstáculos. Si una casilla se conecta con muchas otras a través de corredores abiertos, obtiene una puntuación alta. Segundo, el “riesgo en tierra” mide el daño que un dron en caída podría causar abajo, en función de la densidad de población local, el tráfico y la presencia de estructuras valiosas. El modelo distingue entre muertes o lesiones de peatones y ocupantes de vehículos y los daños a edificios e infraestructuras.

Clasificar la ciudad en zonas de drones mejores o peores

Cada ubicación en la malla recibe dos puntuaciones: una por disponibilidad del espacio aéreo y otra por riesgo en tierra. Los autores usan entonces un diagrama de cuadrantes para agrupar los parches de aire en cuatro tipos: alta disponibilidad con bajo riesgo (ideal), alta disponibilidad con alto riesgo (centros urbanos concurridos), baja disponibilidad con bajo riesgo (poca gente pero muchos obstáculos) y baja disponibilidad con alto riesgo (lo peor de ambos). Valores umbral marcan qué se considera “alto” o “bajo”. La mayor parte del espacio aéreo estudiado —alrededor del 64 por ciento— entra en la mejor categoría, con espacio suficiente para maniobrar y relativamente bajo peligro para personas y bienes. Un paso más avanzado de “ordenación de Pareto” clasifica luego las células mejores negociando mayor apertura frente a menor riesgo, conservando la mitad superior como la red preferida de corredores aéreos seguros.

Enseñar a los drones a elegir rutas más inteligentes

Una vez construida esta red 3D segura, el reto es encontrar una ruta concreta desde un punto de partida cercano al suelo hasta un destino más alto, respetando reglas estrictas: los drones deben evitar zonas de exclusión sobre edificios, permanecer dentro de las franjas de altitud permitidas, limitar ascensos y descensos pronunciados y mantener una distancia segura del terreno y las estructuras. Para ello, los autores combinan dos técnicas de búsqueda bien conocidas inspiradas en la naturaleza. Un método de optimización por enjambre de partículas (PSO) actúa como una bandada de pájaros explorando todo el espacio en busca de rutas prometedoras, mientras que un algoritmo de colonia de abejas artificiales (ABC) se comporta como abejas que se centran en afinar las mejores fuentes de néctar. PSO realiza una búsqueda global amplia y después ABC efectúa un ajuste local cuidadoso alrededor de las rutas candidatas más prometedoras. Finalmente, la cadena de puntos de paso aproximada se suaviza usando una curva matemática para que un dron real pueda volarla sin giros bruscos o irreales.

Rutas urbanas más rápidas, suaves y seguras

Los investigadores prueban su enfoque combinado PSO-ABC frente a tres alternativas comunes: un algoritmo genético estándar, PSO solo y ABC solo. En simulaciones realistas usando la disposición real de edificios de Changqing, su método encuentra de forma consistente trayectorias de vuelo más suaves que evitan todas las zonas de exclusión y las áreas concurridas en tierra. También converge hacia buenas soluciones mucho más rápido —empleando aproximadamente la mitad de las iteraciones que los otros métodos—, lo que reduce el tiempo y la energía computacional desperdiciados. Para un lector no especialista, la conclusión es clara: al modelar cuidadosamente tanto el cielo como la ciudad debajo, y al usar una mezcla inteligente de estrategias de búsqueda tipo ave y tipo abeja, este trabajo ofrece una vía práctica para guiar drones a través de entornos urbanos complejos mientras se protege mejor a las personas y los bienes.

Cita: Liu, Y., Dong, H., Liu, H. et al. An improved PSO-ABC path planning algorithm for UAVs based on a construction of urban airspace topology with actual GIS data. Sci Rep 16, 5048 (2026). https://doi.org/10.1038/s41598-026-35958-9

Palabras clave: rutas urbanas de drones, planificación de rutas de UAV, seguridad del espacio aéreo, optimización heurística, espacio aéreo basado en GIS