IA en transporte: conducir no es optimizar una ruta

A 30 de julio de 2026, conducción automatizada y optimización de rutas comparten mapas y tráfico, pero resuelven decisiones muy distintas. Un vehículo debe reaccionar en milisegundos ante un peatón; una flota decide durante minutos qué paradas asignar bajo capacidad y horarios. El aprendizaje automático puede estimar objetos, trayectorias, tiempos o demanda. Después, planificación y control convierten esas estimaciones en acciones. Saber separar estimador y optimizador impide atribuir «autonomía» a una sola red.

Dos escalas, dos contratos

En conducción, la salida final es una trayectoria y órdenes físicas dentro de un entorno inmediato. Los errores pueden causar daño antes de que una persona intervenga. En logística, la salida es un plan de visitas, vehículos y horas; puede revisarse, reoptimizarse y compararse con coste.

Para cualquier proyecto escribe: decisión, horizonte, frecuencia, restricciones, responsable y fallback. Si la frecuencia es 20 Hz, la latencia forma parte de la exactitud. Si la ruta se rehace cada hora, importan estabilidad del plan y coste de cambiar compromisos, no solo kilómetros.

El dominio operacional limita la conducción

«Vehículo autónomo» no describe dónde puede operar. La NHTSA distingue sistemas de asistencia y automatización y subraya que las tecnologías disponibles tienen capacidades y responsabilidades diferentes. Un sistema debe declarar carreteras, velocidades, clima, iluminación, zonas y estados donde funciona: su dominio de diseño operacional.

Fuera de ese dominio debe detectar la condición y alcanzar un estado de riesgo mínimo. Una demostración en autopista seca no autoriza calles sin marcas bajo nieve. La cobertura se evalúa contra el dominio declarado, y cada ampliación abre otro programa de pruebas.

Sensores: redundancia no es repetición

Cámaras aportan textura y color; radar mide distancia y velocidad relativa; lidar aporta geometría; GNSS e inerciales ubican y estiman movimiento. Combinar sensores exige calibración espacial y temporal. Dos sensores pueden compartir un fallo por suciedad, clima o mala sincronización.

La redundancia útil permite detectar desacuerdo y conservar una función mínima. Se inyectan fallos: cámara bloqueada, retorno fantasma, posición degradada. El sistema debe aumentar incertidumbre, reducir velocidad o ceder control, no promediar hasta fabricar certeza.

Percepción: del píxel a objetos y espacio libre

Detección, segmentación y profundidad producen representaciones del entorno. Los conjuntos de referencia ayudan a medir componentes. KITTI reunió datos de cámaras, láser y GPS para tareas de visión móvil; nuScenes amplió la combinación de sensores y anotaciones en escenas urbanas.

Una mAP alta no es seguridad de conducción. Hay que desglosar peatones lejanos, objetos pequeños, noche, oclusión y clases desconocidas. Una predicción fuera de distribución debería elevar incertidumbre o activar una política conservadora. El mundo abierto contiene objetos que no estaban en la ontología.

Predicción: los demás también toman decisiones

Tras detectar, el sistema estima cómo podrían moverse peatones, ciclistas y vehículos. Una única trayectoria confunde incertidumbre con certeza; se necesitan varios futuros plausibles y probabilidades calibradas. El Waymo Open Motion Dataset se creó para estudiar predicción interactiva con escenarios y mapas.

La métrica geométrica media puede premiar una trayectoria que atraviesa el espacio entre dos futuros posibles y no representa ninguno. Hay que medir cobertura de modos, colisiones, calibración y rendimiento por maniobra. La predicción alimenta al planificador; si omite una posibilidad peligrosa, el plan no puede compensarla.

Planificación y control: posibilidad antes que comodidad

El planificador elige una trayectoria que respeta carretera, dinámica, margen y reglas. El controlador traduce esa trayectoria en dirección, aceleración y frenado y corrige el error. Un modelo de extremo a extremo puede aprender parte o toda la cadena, como mostró el trabajo End to End Learning for Self-Driving Cars en un escenario acotado; eso no elimina la necesidad de medir interfaces, límites y fallos.

Las restricciones independientes pueden comprobar velocidad, aceleración, distancia y espacio alcanzable. El fallback debe ensayarse con latencia real. La comodidad —tirón, oscilación, frenadas— se mide junto a progreso y seguridad. Llegar sin chocar no basta si el comportamiento es inestable.

Los eventos raros exigen simulación y reconstrucción

Recorrer muchos kilómetros ordinarios aporta poca evidencia sobre un evento infrecuente. Se construyen escenarios a partir de accidentes, casi accidentes, variaciones sistemáticas y combinaciones adversas. CARLA ofrece un simulador abierto con tráfico y sensores para investigar conducción urbana.

La simulación no certifica por sí sola: sus peatones, fricción y sensores son modelos. Se enlaza con repetición en pista, modo sombra y despliegue limitado. Cada incidente necesita logs sincronizados de sensor, percepción, predicción, plan, control, intervención y versión para reconstruir la cadena.

Optimizar rutas empieza como problema combinatorio

En una ruta básica, un algoritmo busca un camino de bajo coste en una red. En una flota aparecen varias unidades, depósitos, capacidades, turnos, ventanas horarias, recogidas y entregas. El Vehicle Routing Problem de OR-Tools muestra cómo esas restricciones convierten la tarea en algo distinto de predecir tráfico.

El optimizador recibe costes y restricciones y devuelve un plan. Puede ser exacto en instancias pequeñas o heurístico en grandes. Su baseline incluye rutas actuales, vecino más cercano u otro solver con tiempo fijo. Se reportan distancia, duración, vehículos, incumplimientos, tiempo de cálculo y estabilidad.

Dónde entra el aprendizaje en las rutas

Un modelo puede estimar tiempo de viaje a partir de segmento, hora, clima y historial; pronosticar pedidos; predecir cancelaciones o duración de servicio. DeepTTE estudió estimación de tiempo de viaje de extremo a extremo sobre trayectorias. Esas salidas se convierten en parámetros del optimizador, no en rutas por sí solas.

La evaluación debe atravesar la interfaz. Una mejora pequeña de ETA puede reducir retrasos o no cambiar ninguna ruta. Se comparan cuatro combinaciones: baseline de predicción + optimizador; modelo nuevo + mismo optimizador; mismos costes + optimizador nuevo; y sistema actual. Así se atribuye la ganancia.

Incertidumbre y replanificación

Un tiempo medio oculta atascos. Cuantiles o escenarios permiten reservar margen y evaluar probabilidad de llegar dentro de la ventana. El plan puede optimizar coste esperado, peor caso razonable o nivel de servicio. La preferencia es operativa, no propiedad del modelo.

Al llegar nueva información se reoptimiza, pero cambiar continuamente conductor y orden puede ser peor que aceptar minutos de retraso. La función objetivo incluye penalización por ruptura de plan. Toda recomendación debe conservar restricciones legales, descanso, capacidad y acceso.

Clustering no asigna significado ni ruta

Un algoritmo no supervisado puede agrupar paradas con patrones parecidos o vehículos con ciclos similares. Como recuerda la documentación de clustering de scikit-learn, encuentra estructura según datos y medida elegida. No decide por sí solo que un grupo sea «prioritario», ni produce una ruta factible.

Una persona o regla interpreta los grupos y el optimizador incorpora las restricciones. El escalado, la distancia y el número de clusters cambian el resultado. El mapa debe verificarse geográficamente: dos puntos cercanos en línea recta pueden estar separados por un río o una prohibición vial.

Los datos de flota también cambian el sistema

GPS incompleto, teléfonos apagados, conductores nuevos y zonas con poca cobertura generan sesgo. Medir solo vehículos instrumentados puede presentar una ciudad parcial. La localización también es dato personal y laboral; retención, acceso y finalidad deben definirse.

Una optimización puede reducir kilómetros y empeorar carga de trabajo o seguridad si concentra rutas imposibles. Se desglosan resultados por zona, turno y tipo de vehículo, y se ofrece mecanismo de excepción. La función objetivo materializa prioridades humanas.

La prueba para no confundir los dos problemas

Dibuja dos cadenas. Conducción: sensores→percepción→predicción→plan→control→fallback. Rutas: demanda/ETA→costes y restricciones→solver→plan→replanificación. Para cada flecha anota incertidumbre, latencia, métrica y responsable. Si el aprendizaje desaparece de una caja, pregunta qué algoritmo determinista queda; a menudo sigue habiendo sistema.

La capacidad duradera es distinguir una predicción de una decisión. Saber dónde hay tráfico no frena un coche ni asigna una flota. La evidencia llega cuando cada estimador se prueba bajo su distribución, cada optimizador respeta restricciones y el conjunto dispone de una salida segura cuando el mundo no se parece al entrenamiento.