Optimización de rutas de UAVs agrícolas mediante algoritmos bio-inspirados

Abstract

El uso de drones en el ámbito de la Agricultura de Precisión está cada vez más extendido, pero la planificación de rutas de cobertura completa todavía se enfrenta a desafíos en el manejo de obstáculos y en la optimización de los parámetros del algoritmo. Para abordar estos problemas, este Trabajo de Fin de Máster diseña, implementa y valida un marco de trabajo integral que integra algoritmos de planificación de rutas, la tecnología del Internet de las Cosas (IoT) y la Inteligencia Artificial Explicable (XAI). El componente central del marco es una estrategia de planificación de rutas en tres etapas: descomposición del área, ordenación entre subáreas y cobertura de ruta dentro del área, y además integra ThingSpeak e IFTTT para la recopilación automática de datos y las alertas. También utiliza un modelo de Perceptrón Multicapa (MLP) y el método SHAP para realizar un análisis y optimización de los parámetros clave de ACO basado en datos. Los resultados de la simulación en MATLAB validan la viabilidad del marco, y la optimización de parámetros basada en XAI puede reducir eficazmente la distancia de vuelo no productiva. Se valida la vía de combinar la planificación de rutas, la tecnología IoT y la Inteligencia Artificial Explicable, proporcionando una línea de pensamiento y una solución de simulación eficaces para mejorar las operaciones de los drones fitosanitarios.The use of drones in the field of Precision Agriculture is increasingly widespread, but complete coverage path planning still faces challenges in the handling of obstacles and in the optimization of the algorithm's parameters. To address these problems, this Master's Thesis designs, implements and validates a comprehensive framework that integrates route planning algorithms, Internet of Things (IoT) technology, and Explainable Artificial Intelligence (XAI). The central component of the framework is a three-stage route planning strategy: area decomposition, ordering between sub-areas and path coverage within the area, and it also integrates ThingSpeak and IFTTT for automatic data collection and alerts. It also uses a Multilayer Perceptron (MLP) model and the SHAP method to perform a databased analysis and optimization of the key parameters of ACO. The simulation results in MATLAB validate the feasibility of the framework, and the XAI-based parameter optimization can effectively reduce the non-productive flight distance. The approach of combining route planning, IoT technology, and Explainable Artificial Intelligence is validated, providing an effective line of thought and simulation solution to improve the operations of phytosanitary drones.