Método de planificación de rutas para UAV policial basado en PSO mejorado usando AFS y HJS

Ojos más inteligentes en el cielo

Las fuerzas policiales recurren cada vez más a pequeños vehículos aéreos no tripulados —drones policiales— para vigilar calles concurridas, buscar personas desaparecidas y responder a emergencias. Pero para un dron, «¿dónde volar a continuación?» no es una pregunta sencilla: debe visitar varias ubicaciones con rapidez, evitar zonas de prohibición de vuelo y conservar la batería, todo en un espacio aéreo urbano saturado. Este estudio presenta una nueva forma de planificar automáticamente esos trayectos para que los drones policiales puedan cubrir sus tareas de forma más rápida y segura, incluso en entornos urbanos complejos.

El reto de encontrar una mejor ruta

Imagínese un coche patrulla que pueda sortear atascos y edificios: eso es, más o menos, lo que puede hacer un dron policial. Aun así, su ruta debe elegirse con cuidado. Los métodos existentes de planificación de rutas procedentes de la robótica y la inteligencia artificial pueden ayudar, pero cada uno tiene sus compromisos. Algunos buscan bien pero tardan demasiado, mientras que otros son rápidos pero se quedan atrapados en soluciones mediocres. El trabajo policial añade complicaciones adicionales: el dron puede tener que visitar muchos objetivos, rodear espacios aéreos restringidos y adaptarse a situaciones cambiantes. Los autores se centran en esta versión particular del problema de planificación de rutas y la denominan problema de planificación de rutas para UAV policial, o PU3P.

Tomando ideas de bandadas de aves

Para abordar PU3P, los investigadores se basan en un método de optimización popular llamado Optimización por Enjambre de Partículas. En ese enfoque, muchas «partículas» virtuales simples se desplazan por un espacio de búsqueda de forma similar a como las aves de una bandada se esparcen por un campo en busca de alimento. Cada partícula recuerda su mejor posición hasta el momento y presta atención a la mejor posición encontrada por el grupo. Tras varias iteraciones, el enjambre tiende a desplazarse hacia regiones prometedoras, que aquí corresponden a buenas rutas de vuelo. Sin embargo, las versiones clásicas de este método fueron diseñadas principalmente para problemas suaves y continuos, no para las secuencias discretas de puntos de ruta que definen la trayectoria de un dron. Además, pueden converger prematuramente en soluciones mediocres.

Dos ajustes para una búsqueda más afilada

El artículo introduce dos ajustes clave para afinar esta búsqueda tipo bandada. El primero, llamado estrategia de factor adaptativo, cambia gradualmente cuánto de su movimiento previo conserva cada partícula al pasar al siguiente paso. Al principio, esto fomenta una exploración amplia; más adelante, favorece el ajuste fino alrededor de buenos candidatos. El segundo ajuste, denominado estrategia de salto a mitad de camino, empuja periódicamente a algunas partículas parcialmente hacia las mejores posiciones vistas hasta entonces, en lugar de dejar que vaguen por completo por su cuenta. Conjuntamente, estas estrategias crean un enjambre mejorado, llamado AFS‑HJS‑PSO, que puede tanto explorar ampliamente como converger con rapidez. Los autores adaptan luego este enjambre mejorado para manejar las secuencias paso a paso de visitas a objetivos en PU3P, definiendo una función de aptitud que captura la distancia total recorrida por un dron policial al visitar todas las ubicaciones asignadas.

Poniendo a prueba el nuevo método

Para comprobar si su enfoque realmente merece la pena, el equipo enfrenta a AFS‑HJS‑PSO con varios competidores bien conocidos: un método de enjambre estándar, un algoritmo genético inspirado en la evolución, el recocido simulado tomado de la metalurgia y un solucionador clásico de optimización no lineal. Primero los prueban en 20 problemas matemáticos de referencia estándar comúnmente usados para evaluar algoritmos de búsqueda. En la mayoría de estas pruebas, el nuevo enjambre alcanza mejores soluciones, las alcanza más rápido o lo hace con mayor consistencia. Luego pasan al problema real de enrutamiento de drones policiales, ejecutando cada método 30 veces sobre el mismo conjunto de ubicaciones objetivo. El enjambre mejorado vuelve a encontrar rutas promedio más cortas y muestra velocidad y fiabilidad competitivas frente a las otras técnicas.

Qué significa esto para los drones policiales del futuro

En términos sencillos, el estudio demuestra que enseñar a una bandada virtual a ajustar su comportamiento sobre la marcha y a dar pasos intermedios inteligentes hacia buenas ideas puede producir mejores planes de vuelo para drones policiales. El método mejorado no es perfecto: todavía tiene margen para ser más estable y menos exigente en recursos, pero en las condiciones probadas supera a varias herramientas consolidadas. A medida que los drones se vuelvan más habituales en la seguridad pública, estos avances en planificación de rutas podrían ayudarles a responder más rápido, pasar menos tiempo en el aire y reducir riesgos en cielos concurridos.

Cita: Wang, D., Qian, X. Police UAV path planning method based on improved PSO using AFS and HJS. Sci Rep 16, 12417 (2026). https://doi.org/10.1038/s41598-026-40670-9

Palabras clave: dron policial, planificación de rutas de UAV, optimización por enjambre, algoritmos de planificación de rutas, vigilancia urbana