Autonomous Vehicles

Los vehículos autónomos (AVs), también llamados vehículos sin conductor, utilizan sensores e inteligencia artificial (AI) para percibir el entorno, predecir qué harán los demás usuarios de la vía, planificar una ruta y dirigir, acelerar y frenar sin que conduzca una persona. El término abarca distintos niveles: desde coches que se mantienen en su carril en autopista bajo la supervisión de una persona hasta robotaxis sin nadie al volante. El servicio sin conductor ya es comercial: Waymo, que abrió al público sus viajes totalmente autónomos en Phoenix en 2020, transporta pasajeros de pago en al menos diez áreas metropolitanas de Estados Unidos; Apollo Go, de Baidu, opera robotaxis sin conductor en ciudades chinas como Wuhan. La mayoría de los coches de consumo ofrecen asistencia a la conducción que exige una supervisión humana constante, la forma más común de IA en la automoción.

Cómo funcionan los vehículos autónomos#

Un sistema de conducción autónoma repite el mismo flujo de trabajo muchas veces por segundo:

• Sensado: Las cámaras leen las marcas viales, las señales y los semáforos; el lidar mide distancias 3D precisas mediante pulsos láser; el radar mide la distancia y la velocidad y sigue funcionando con niebla y lluvia; el GNSS, los sensores inerciales y la odometría de las ruedas registran el movimiento del propio vehículo.
• Percepción: Las redes neuronales detectan, clasifican y siguen cada coche, ciclista y peatón; identifican los carriles y las zonas transitables, y calculan distancias.
• Predicción: El sistema pronostica adónde es probable que se dirija cada usuario de la vía durante los próximos segundos, a menudo mediante varias trayectorias posibles con sus probabilidades.
• Planificación: Un planificador elige una trayectoria y una velocidad que permitan avanzar, respeten las normas de tráfico y mantengan una distancia de seguridad con respecto a cada trayectoria prevista.
• Control: Un controlador de bajo nivel convierte el plan en órdenes de dirección, aceleración y frenado.

Ningún sensor funciona en todas las condiciones, así que la fusión de sensores los combina. La percepción se basa en la detección de objetos, la segmentación semántica de la calzada, la acera y la vegetación, la detección de objetos 3D en nubes de puntos lidar y el seguimiento de múltiples objetos; por su parte, los sistemas que solo utilizan cámaras calculan la distancia mediante la estimación de profundidad y la visión estereoscópica. Los controladores de seguimiento de trayectorias suelen utilizar el control predictivo basado en modelos para seguir la trayectoria planificada respetando los límites de dirección y aceleración. Conjuntos de datos públicos como KITTI y Argoverse proporcionan datos de conducción etiquetados para entrenar y evaluar estos modelos.

Seguimiento de usuarios de la vía con código#

La predicción necesita conocer el movimiento de cada usuario de la vía, así que la percepción debe seguir cada objeto de un fotograma a otro con una identidad estable. Ultralytics YOLO26, en modo tracking, lo hace asignando un ID persistente a cada caja detectada. Este ejemplo sigue a los peatones en un vídeo de personas caminando:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

# Track pedestrians (COCO class 0) across video frames, keeping one ID per person
video = "https://github.com/ultralytics/assets/releases/download/v0.0.0/decelera_portrait_min.mov"
results = model.track(source=video, classes=[0], stream=True)

ids_seen = set()
for result in results:
    if result.boxes.is_track:
        ids_seen.update(result.boxes.id.int().tolist())

print(f"Unique pedestrians tracked: {len(ids_seen)}")

Imprime cuántas personas distintas recibieron un ID durante el clip. Cada ID vincula las cajas de una persona entre fotogramas, y el cambio en la posición de una caja de un fotograma a otro constituye el historial de movimiento que extrapola un módulo de predicción.

Conducción modular y de extremo a extremo#

El software tradicional de los vehículos autónomos es modular: consta de componentes independientes, probados por separado, para la percepción, la predicción, la planificación y el control, conectados mediante interfaces diseñadas manualmente, como listas de objetos seguidos. Los sistemas de extremo a extremo sustituyen la mayor parte de ese flujo por una única red neuronal que transforma los datos de los sensores en una trayectoria y se entrena mediante imitación del comportamiento con grandes cantidades de datos de conducción humana. En 2024, Tesla migró el software de asistencia a la conducción FSD (Supervised) a una red de extremo a extremo con la versión 12; el modelo de investigación UniAD, que conecta la percepción, la predicción y la planificación en una red optimizada para planificar, ganó el premio al mejor artículo de CVPR 2023. Muchas arquitecturas de producción se sitúan entre ambos enfoques: emplean módulos entrenados conjuntamente, pero siguen ofreciendo resultados interpretables que los ingenieros pueden probar.

La simulación asume gran parte de la carga de validación, porque no se pueden recopilar eventos poco frecuentes a voluntad. Un modelo del mundo entrenado con datos de una flota, como el Waymo World Model anunciado en febrero de 2026, genera datos realistas de cámaras y lidar para situaciones que la flota nunca ha registrado; además, el aprendizaje por refuerzo en simulación ayuda a los planificadores a gestionar situaciones que rara vez aparecen en los datos de conducción humana.

Niveles de automatización de la conducción#

El estándar SAE J3016, revisado junto con ISO en 2021, define seis niveles de automatización de la conducción. Los niveles 0 a 2 son funciones de asistencia al conductor: la persona conduce, aunque no tenga los pies en los pedales ni las manos en el volante, y debe supervisar en todo momento. Los niveles 3 a 5 son sistemas de conducción automatizada que conducen por sí mismos, al menos dentro de su dominio de diseño operativo: las carreteras, velocidades y condiciones para las que se han desarrollado.

Los sistemas de conducción en autopista sin manos, como Super Cruise de GM, son de nivel 2 porque el conductor debe seguir mirando la carretera. Drive Pilot de Mercedes-Benz es un sistema de nivel 3 autorizado en determinadas autopistas de Alemania, California y Nevada; el conductor puede apartar la vista, pero debe retomar el control cuando se lo pidan. Los robotaxis de Waymo son de nivel 4: funcionan sin conductor en zonas de servicio cartografiadas. Hoy no existe ningún vehículo de nivel 5, capaz de conducir en cualquier lugar donde pudiera hacerlo una persona.

Aplicaciones en el mundo real#

• Robotaxis: Waymo, Baidu Apollo Go y otros transportan pasajeros sin conductor de seguridad a bordo, dentro de zonas de servicio definidas, y cuentan con personal remoto que puede responder a las consultas del vehículo.
• Transporte de mercancías: Aurora empezó a transportar carga de clientes con camiones sin conductor entre Dallas y Houston en 2025, por rutas de autopista donde la conducción predecible y de larga distancia se presta a la automatización.
• Asistencia a la conducción: El control de crucero adaptativo, el centrado en el carril y la frenada automática de emergencia utilizan los mismos tipos de modelos de percepción en millones de coches de consumo, a menudo junto con cámaras de supervisión del conductor que comprueban su atención.
• Vehículos industriales: Los camiones mineros autónomos, los tractores de patio y las carretillas elevadoras de almacén operan en instalaciones privadas donde se controlan las rutas y el tráfico.

Vehículos autónomos y conceptos relacionados#

• Sistemas avanzados de asistencia a la conducción (ADAS): Funciones de los niveles 0 a 2 que ayudan al conductor, quien sigue siendo responsable de conducir. En sentido estricto, un vehículo autónomo realiza por sí mismo toda la tarea de conducción.
• Vehículos conectados (V2X): Vehículos que intercambian datos entre sí y con la infraestructura, por ejemplo, con los semáforos. Un coche puede estar conectado sin estar automatizado, y la conectividad puede ampliar el campo de visión de un vehículo autónomo más allá de sus propios sensores.
• Asistencia remota y conducción remota: La revisión de SAE de 2021 distingue ambos conceptos. Un asistente remoto da indicaciones a un vehículo sin conductor —por ejemplo, confirma que puede adelantar a un camión averiado— mientras el vehículo sigue conduciendo por sí mismo; un conductor remoto controla directamente el vehículo desde lejos.
• IA física y robótica: Un vehículo autónomo es un robot móvil especializado en circular por vías públicas y constituye el mayor despliegue comercial de IA física. Sus métodos de percepción y planificación también se utilizan en robots de almacén, drones y humanoides.