Tecnología de conducción autónoma: Enfoques opuestos se disputan el control del volante

Mientras los sistemas de conducción autónoma mejoran su capacidad para desplazarse del punto A al punto B con precisión, rapidez y seguridad, los fabricantes de automóviles debaten qué tecnología de conducción autónoma ofrece la mejor solución. Este debate se puso de manifiesto en octubre de 2025, cuando dos gigantes de la automoción trazaron rumbos muy diferentes.

En octubre, General Motors anunció que equipará el Cadillac Escalade IQ 2028 con un sistema de conducción autónoma de nivel 3. La solución de GM se basa en un enfoque multisensor que incorpora LiDAR, cámaras y radar para la percepción ambiental y la redundancia.

Ese mismo mes, Tesla lanzó la versión 14 de Full Self-Driving (FSD), su primera actualización importante de software en un año. Esta revisión respalda el desarrollo continuo de la arquitectura de red neuronal de Tesla, basada exclusivamente en cámaras, que analiza los datos de las cámaras integradas para proporcionar percepción ambiental, detección de objetos y planificación de rutas.

Elon Musk, CEO de Tesla, ha argumentado constantemente que, dado que los conductores humanos dependen únicamente de la vista, los sistemas autónomos también deberían depender completamente de la tecnología de visión. Tesla dejó de utilizar sensores de radar en sus vehículos en 2021. Desde entonces, todas las mejoras de la versión 14 de FSD se derivan de avances en visión artificial e IA, en lugar de modalidades de sensores adicionales.

La encrucijada tecnológica

Los anuncios opuestos de octubre de GM y Tesla indican más que simples estrategias corporativas contrapuestas. Representan apuestas fundamentalmente diferentes sobre cómo la tecnología de sensores y las arquitecturas de procesamiento de datos guiarán los futuros modelos automotrices hacia la autonomía total.

El enfoque multisensor de GM cuenta con una validación más amplia en la industria. Waymo informa que sus servicios comerciales de robotaxi, que se ofrecen en varias ciudades de EE. UU., ahora proporcionan más de 250,000 viajes pagados cada semana. Sus vehículos son impulsados por un conjunto redundante de sensores que aprovecha el LiDAR, cámaras que proporcionan visión de 360 grados, radar, sensores ultrasónicos e incluso receptores de audio.

El camino hacia la autonomía avanzada no es un camino de victorias. Tecnologías clave, como la visión artificial, los sensores, la computación de borde y la IA, están evolucionando rápidamente, moldeadas por los avances en la automatización industrial. Los fabricantes de automóviles podrían recalibrar sus estrategias a medida que estos componentes maduren.

La autonomía basada en LiDAR demuestra cómo una tecnología clave ha avanzado significativamente gracias a las mejoras en el diseño de sensores de estado sólido. A diferencia de las unidades LiDAR de escaneo mecánico anteriores, que podían costar decenas de miles de dólares, los sistemas de estado sólido eliminan las piezas móviles, lo que aumenta la fiabilidad y reduce los costes de fabricación.

El LiDAR de onda continua modulada en frecuencia (FMCW), por ejemplo, integra la detección de velocidad con el mapeo espacial 3D tradicional para crear una auténtica plataforma de detección 4D. Los sistemas FMCW también funcionan mejor en condiciones meteorológicas adversas en comparación con el LiDAR de tiempo de vuelo tradicional, un problema recurrente. Empresas como Mobileye están impulsando esta tecnología mediante el uso de fotónica de silicio para desarrollar sensores FMCW compactos específicamente para aplicaciones automotrices.

Mientras tanto, el enfoque centrado en la cámara para la conducción autónoma se ha beneficiado de avances paralelos en el procesamiento de visión y la IA. Los prototipos modernos de vehículos autónomos de Tesla y otras marcas suelen incorporar de ocho a doce cámaras de alta resolución para ofrecer una cobertura de 360 grados.

Pero las cámaras por sí solas no son suficientes. El avance que hace posibles los sistemas basados únicamente en visión es, sin duda, la potencia de cómputo en el borde (edge computing). Las cámaras integradas en los vehículos autónomos generan aproximadamente 1 GB de datos por segundo. En sistemas industriales, estas cargas de datos pueden procesarse en la nube. Sin embargo, el procesamiento en la nube suele imponer una latencia de entre 150 y 200 ms, una eternidad cuando un vehículo circula a velocidades de autopista.

Los procesadores de IA edge de empresas como NVIDIA, la división Mobileye de Intel y Qualcomm proporcionan ahora la potencia computacional necesaria para ejecutar sofisticadas redes neuronales localmente dentro del vehículo. Estos sistemas ejecutan redes neuronales convolucionales (CNN) para la detección y clasificación de objetos en tiempo real y pueden procesar múltiples transmisiones de video simultáneamente, cumpliendo con las estrictas restricciones térmicas y de potencia de los automóviles.

El reto de la integración que se avecina

Los retos de ingeniería que se avecinan van más allá de los sensores individuales e incluyen desafíos a nivel de sistema, como la fusión de sensores. Un vehículo autónomo podría necesitar combinar datos de LiDAR, radar, cámaras y otros sensores con formatos de datos dispares en un modelo ambiental coherente y unificado. Esto requiere algoritmos sofisticados que deben ejecutarse en tiempo real. Los sistemas de fusión de sensores deben gestionar no solo las condiciones normales de conducción, sino también casos extremos, como el comportamiento inesperado de los peatones, zonas de construcción con señalización temporal o vehículos de emergencia que se aproximan desde múltiples direcciones.

Para prepararse para un futuro repleto de sistemas de conducción automatizada, los marcos regulatorios están evolucionando para dar cabida a estas tecnologías. En septiembre de 2025, el Departamento de Transporte de EE. UU. anunció iniciativas para actualizar las Normas Federales de Seguridad de Vehículos Motorizados, con décadas de antigüedad, diseñadas para conductores humanos. Los esfuerzos de estandarización deberán abordar cómo las diferentes modalidades de detección cumplen requisitos de seguridad equivalentes. Esto se vuelve especialmente difícil al considerar los sistemas basados en LiDAR y en cámaras, que detectan el entorno mediante principios físicos fundamentalmente diferentes.

El camino por delante

Los anuncios de octubre de 2025 de GM y Tesla no resuelven el debate tecnológico. Sin embargo, demuestran contundentemente que la conducción autónoma ha progresado desde la investigación de laboratorio hasta las decisiones de implementación comercial. La elección de GM por la redundancia multisensor y el compromiso de Tesla con los sistemas de visión basados en IA representan perspectivas diferentes sobre qué tecnologías lograrán primero una implementación rentable en el mercado masivo. Sin embargo, ambas estrategias requerirán una innovación continua en las tecnologías de componentes, incluyendo sistemas de imágenes de alta resolución y plataformas de computación en el borde.

Esta encrucijada tecnológica representa una oportunidad para la industria de la automatización. A medida que la conducción autónoma pasa del prototipo a la producción, décadas de innovación en automatización e integración están transformando el transporte.

Fuente original: https://www.automate.org/blogs/autonomous-driving-technology-dueling-approaches-fight-for-control-of-the-wheel