Fusión de sensores e inteligencia de señales

Cada modalidad de sensor presenta modos de fallo que no constituyen casos atípicos, sino consecuencias predecibles de la física: una cámara no puede ver a través de la niebla, un LiDAR devuelve puntos fantasma bajo lluvia intensa y el radar proporciona alcance y velocidad pero no puede leer una señal de stop. Nuestro enfoque consiste en desarrollar arquitecturas de fusión multisensor —que combinan radar, LiDAR, cámaras, RF y datos espectrales— diseñadas para tratar la discrepancia entre sensores como información en lugar de ruido, y mantener la coherencia ante la pérdida parcial de sensores, la desviación de calibración y la manipulación adversarial mientras se ejecutan en hardware edge con estrictas restricciones de latencia.

Por qué la percepción con un solo sensor falla en el mundo real

El 18 de marzo de 2026, la NHTSA elevó su investigación sobre el sistema Full Self-Driving basado solo en cámaras de Tesla a un Análisis de Ingeniería que abarca 3.2 millones de vehículos. La conclusión fundamental: la detección de degradación del sistema no alertó a los conductores hasta inmediatamente antes del impacto en condiciones de baja visibilidad. Este es el ámbito regulatorio poniéndose al día con lo que los ingenieros de fusión de sensores saben desde hace años.

Una cámara no puede ver a través de la niebla. Un LiDAR devuelve puntos fantasma bajo lluvia intensa. El radar proporciona alcance y velocidad, pero no puede leer una señal de stop. Cada modalidad de sensor presenta modos de fallo que son consecuencias predecibles de la física, no casos atípicos (detallado en nuestra investigación sobre percepción restringida por la física). La cuestión nunca es si un sensor individual fallará, sino cuándo lo hará y si su sistema gestiona ese fallo de forma progresiva o catastrófica.

Nuestro enfoque radica en construir arquitecturas de fusión diseñadas para tratar la discrepancia entre sensores como información y no como ruido. Cuando un LiDAR informa de un obstáculo que el radar no confirma, ese conflicto es en sí mismo una señal sobre el entorno, el estado del sensor o una condición adversarial. El desafío de ingeniería consiste en diseñar sistemas que mantengan la coherencia ante pérdidas parciales de sensores, desviaciones de calibración y manipulaciones adversariales mientras operan en hardware edge con estrictas restricciones de latencia.

El problema de calibración que nadie presupuesta

El 37% de las empresas que implementan sistemas multisensor señalan la complejidad de la calibración como su principal dificultad de integración. El motivo es directo: los parámetros extrínsecos entre sensores se desvían debido a los ciclos térmicos, la vibración mecánica y el simple envejecimiento. Un par cámara-LiDAR calibrado en laboratorio a 20 grados Celsius presentará parámetros extrínsecos mediblemente distintos tras operar bajo luz solar directa a 50 grados sobre el capó de un vehículo. La recalibración manual realizada por un técnico con una diana de tablero de ajedrez no resulta escalable cuando se tienen cientos de unidades desplegadas.

Diseñamos canalizaciones automatizadas de recalibración para operar de forma continua sobre el terreno. Estas utilizan métodos sin diana, extrayendo correspondencias geométricas del propio entorno —bordes, planos, paralaje de movimiento— en lugar de requerir dianas de calibración. La canalización está diseñada para:

• Monitorizar las métricas de estado de cada sensor y detectar desviaciones antes de que degraden la calidad de la fusión.
• Activar la recalibración sin desconectar el sistema.
• Rastrear de forma centralizada el estado de calibración para flotas, de modo que los equipos de mantenimiento sepan qué unidades se aproximan a los umbrales de recalibración antes de que suspendan una verificación de calidad de percepción.

La estrategia de fusión es una decisión de ingeniería, no una opción por defecto

La elección entre fusión temprana, intermedia y tardía viene determinada por la configuración específica de los sensores, el presupuesto computacional y la tolerancia del sistema a la degradación individual de los sensores. No existe una respuesta universalmente correcta.

Los modelos fundacionales y los modelos de visión-lenguaje están comenzando a cambiar este cálculo. El taller DriveX de CVPR 2026 está dedicado íntegramente a modelos fundacionales para percepción autónoma, y la fusión generativa basada en difusión y las arquitecturas recurrentes de tipo Mamba surgen como alternativas a la concatenación tradicional de características. Estos enfoques permiten un reconocimiento zero-shot inalcanzable para las canalizaciones artesanales, pero conllevan mayores costes computacionales y aún no han sido contrastados en producción para entornos críticos de seguridad.

Combinación de decisiones: bayesiana frente a Dempster-Shafer

Para la agregación a nivel de decisión, la elección entre la combinación bayesiana y la teoría de evidencia de Dempster-Shafer resulta crucial en la práctica. El enfoque clásico de Dempster-Shafer presenta una patología ampliamente documentada — la paradoja de Zadeh: cuando dos sensores discrepan fuertemente, la regla de combinación puede producir un colapso catastrófico de la confianza, asignando una creencia casi total a una hipótesis irrelevante. La mayoría de las pilas en producción emplean Dempster-Shafer modificado con redistribución de conflictos o pasan por completo a redes bayesianas. Nuestro método consiste en analizar el perfil de concordancia previsto de los sensores para cada despliegue y seleccionar el método de combinación que gestione los patrones reales de discrepancia sin comportamientos patológicos.

La resiliencia adversarial no es opcional

Los ataques de suplantación de GPS contra vehículos autónomos tienen éxito en tasas de entre el 59% y 82% en los escenarios probados, manipulando la localización del vehículo mediante la inyección de señales de satélite falsas. La suplantación de LiDAR utiliza un dispositivo adversarial en línea de visión para capturar, alterar y reemitir pulsos LiDAR, creando objetos fantasma u ocultando los reales en la nube de puntos 3D. La interferencia electromagnética puede cegar el radar. No se trata de riesgos teóricos: son ataques demostrados con tasas de éxito publicadas, y la comunidad de investigación en defensa los considera amenazas operativas en entornos disputados.

Diseñamos arquitecturas de fusión con capas explícitas de resiliencia adversarial, fundamentadas en nuestra investigación sobre la ingeniería de robustez de IA frente a ataques adversariales:

• La validación física intermodal comprueba si lo que informa un sensor es coherente con los demás. Si el GPS indica que se desplaza hacia el norte a 60 km/h pero la IMU y la odometría visual indican que el vehículo está inmóvil, el sistema marca el GPS como comprometido en lugar de promediar la contradicción.
• La monitorización del estado de los sensores utiliza la detección de anomalías para identificar firmas de suplantación antes de que los datos corruptos entren en la canalización.
• Para entornos de defensa, el alcance del proyecto contempla pruebas bajo escenarios adversariales sistemáticos —incluidos ataques simultáneos a múltiples sensores—, generando un análisis formal del comportamiento de degradación.

Inteligencia de señales: de la RF bruta a la clasificación accionable

La vertiente de inteligencia de señales de esta capacidad abarca la cadena de procesamiento desde los flujos brutos de sensores hasta la clasificación accionable. En señales de RF, esto implica la clasificación automática de modulación mediante deep learning sobre plataformas de radio definida por software (SDR), transformando capturas de espectro no estructuradas en tipos identificados de emisores con estimaciones de ubicación. El programa SBIR 2025 del Ejército de EE. UU. exige específicamente el reconocimiento de modulación RF basado en IA/ML, ya que los sensores tácticos deben escanear amplias franjas de espectro y caracterizar emisiones a velocidad de máquina.

En señales no pertenecientes a RF, se aplica la misma disciplina de procesamiento. Las firmas de vibración de equipos industriales pasan por descomposición espectral —transformadas de Fourier de tiempo reducido, análisis de ondeletas— y representaciones aprendidas a partir de redes convolucionales temporales o modelos de espacio de estados para detectar precursores de fallos. Las emisiones acústicas de las palas de aerogeneradores se fusionan con datos térmicos y de vibración para predecir la degradación estructural 18 horas antes del fallo, según despliegues recientes en producción.

Los sistemas de mantenimiento predictivo multisensor que utilizan datos fusionados de vibración, térmicos y acústicos logran tasas de falsos positivos por debajo del 8%, en comparación con el 35–40% de los enfoques basados en un solo sensor. Cada paso de procesamiento preserva la estimación de incertidumbre, de modo que los sistemas de decisión posteriores reciben límites de confianza calibrados en lugar de predicciones desnudas.

Fusión específica de dominio en diferentes sectores

La fusión de sensores no es una capacidad genérica que se traslade sin cambios de un sector a otro. El conjunto de sensores, la estrategia de fusión, las restricciones de latencia y las consecuencias de un fallo difieren sustancialmente.

Vehículos autónomos y ADAS

El mercado del radar de imágenes 4D está creciendo a un 13.5% anual, alcanzando $3.13 mil millones en 2026, porque el radar 4D mantiene su rendimiento bajo lluvia y niebla donde el LiDAR se degrada significativamente. La fusión de LiDAR con radar 4D mejora la detección de objetos 3D hasta en un 20% en condiciones de niebla en comparación con el LiDAR en solitario. El sistema de 6.ª generación de Waymo redujo su recuento de sensores en un 42% al tiempo que recortó el coste unitario de aproximadamente $100,000 a menos de $20,000, demostrando que mejores algoritmos de fusión pueden suplir la redundancia de sensores cuando la ingeniería es sólida.

Defensa e ISR

Se proyecta que el mercado de sistemas contra UAS alcance los $19 mil millones para 2035. Los sensores de RF detectan drones a 8–10 km pero no pueden distinguir un dron hostil de un pájaro. La confirmación visual mediante cámaras resulta irrenunciable antes de la intervención, pero las cámaras tienen un alcance limitado. La fusión de detección de RF con seguimiento por vídeo asistido por IA y radar genera una cadena estratificada de identificación que ningún sensor individual puede ofrecer. El consorcio Palantir–Anduril está construyendo con precisión este tipo de canalización integrada de sensor a efector, pero su enfoque genera fuertes dependencias de plataforma. Las organizaciones que requieren capacidades de fusión soberanas o neutrales respecto a proveedores necesitan arquitecturas a medida; consulte nuestra demostración práctica de autonomía de drones en entornos sin GPS.

Industria, agricultura y deportes

• Fabricación industrial: la detección fusionada de vibración, térmica y acústica cubre más del 80% de los modos de fallo de los equipos.
• Agricultura de precisión: la fusión térmica y multiespectral en drones detecta enfermedades en cultivos 2–3 semanas antes de los síntomas con un 81–95% de precisión.
• Analítica deportiva: la fusión de IMU más cámara mejora la precisión posicional en un 42% frente al rastreo con una única fuente (nuestra investigación sobre fusión de sensores para arbitraje deportivo).

Cuándo la fusión de sensores es la opción equivocada

No todos los problemas de percepción precisan múltiples sensores. Un sensor individual bien calibrado resulta superior a una pila multisensor deficientemente integrada. Si la configuración de sus sensores presenta una cobertura redundante en lugar de complementaria, añadir modalidades introduce complejidad, carga de calibración y una posible amplificación de fallos sin aportar una mejora proporcional. Si su presupuesto computacional no puede soportar el procesamiento de fusión en tiempo real, obtendrá un rendimiento inferior al de una canalización optimizada de un único sensor. Evaluamos los requisitos de percepción y la física de los sensores antes de recomendar la fusión, y le informaremos honestamente si un solo sensor es la solución adecuada.