06Marco de referencia
Un lenguaje común para la robótica fuera de la fábrica
Cuatro ejes para clasificar cualquier sistema robótico no industrial (humanoides, cuadrúpedos, vehículos autónomos y drones) por su madurez tecnológica, su seguridad operativa y su retorno de inversión.
Última revisión: 2026-11Metodología y fuentes →
01 · Alcance y visión general
Robótica para entornos que nadie diseñó para robots
El marco cubre plataformas que operan fuera de entornos industriales controlados: dinamismo extremo, infraestructura no estructurada y condiciones hostiles o cambiantes. Clasificamos los avances en cuatro formas físicas.
- HUM
Humanoides
Sistemas bípedos con manipulación diestra, diseñados para usar herramientas e infraestructura pensadas para humanos.
4 en el explorador
- QDR
Cuadrúpedos
Plataformas de patas articuladas con alta tracción y estabilidad en terreno irregular, escaleras y rocas.
5 en el explorador
- UGV
Vehículos terrestres
Sistemas con ruedas o cadenas para transporte de carga, logística e inspección de larga distancia.
4 en el explorador
- UAV
Drones y robots aéreos
Ala rotatoria o fija para monitorización, inspección vertical, logística exprés y enjambres.
5 en el explorador
02 · Objetivos estratégicos
Del catálogo del proveedor a la necesidad operativa
Cerrar la brecha operativa
Conectar lo que los proveedores de robótica saben hacer con lo que las operaciones necesitan de verdad.
Estandarizar los criterios
Dar un vocabulario compartido para evaluar cualquier plataforma con tres preguntas:
- Madurez
- ¿Qué nivel de autonomía alcanza de forma sostenida y en qué dominio operativo?
- Seguridad
- ¿Cuándo y cómo interviene un humano, y qué ocurre si se pierde el enlace?
- ROI
- ¿Cuándo se amortiza frente a la operación manual, incluido el coste total de propiedad?
Los cuatro ejes
Cada robot se describe con cuatro coordenadas
Son dimensiones categóricas e independientes: un dron puede tener autonomía alta y coordinación nula, y un humanoide, percepción rica y control teleoperado.
Eje 1 · Autonomía y toma de decisiones
Seis niveles, de la teleoperación a la autonomía distribuida
El nivel describe la autonomía operativa típica en despliegues reales, no el máximo del folleto. Selecciona un nivel para ver qué plataformas del explorador están ahí hoy.
Esta escala de 0 a 5 es un marco adaptado por este sitio para robótica no industrial. Se inspira en los niveles de automatización de la conducción de SAE J3016 y en el concepto de ODD, pero no es una norma oficial ni sustituye a la certificación.[ANSI Blog, 2021][ISO, 2021]
N4
Alta autonomía
Opera de forma continua sin intervención humana dentro de un dominio operativo delimitado (ODD).
Plataformas en este nivel
Clave: el dominio operativo (ODD)
El nivel 4 solo tiene sentido dentro de un ODD explícito: geografía, clima, iluminación, tipos de obstáculo y velocidades. Un mismo robot puede ser N4 en una subestación conocida y N2 en un terreno nuevo.[Fraunhofer IKS]
Eje 2 · Redes y coordinación multirrobot
Del robot aislado a la inteligencia de enjambre
La topología de comunicación determina la escala, la resiliencia y qué ocurre cuando falla un nodo.
Independiente
5 plataformasSin comunicación entre robots; cada unidad opera aislada.
- Sin dependencia de red
- Escala = nº de operadores
- Fallo aislado
Coordinado
13 plataformasComparte estado y telemetría a través de una estación base o servidor central.
- Estación base o nube
- Planificación central de flota
- Punto único de fallo
Enjambre colaborativo
0 plataformasDecisiones descentralizadas sobre red mesh entre pares; las tareas se reparten según capacidad y posición de cada nodo.
- Red mesh / MANET entre pares
- Reparto dinámico de tareas
- Degradación gradual
Eje 3 · Percepción y observación del entorno
Ningún sensor ve todo: la clave es la fusión
Cada modalidad tiene un punto ciego. Las plataformas maduras combinan varias para mantener la localización y la detección en oscuridad, niebla, polvo o sin GNSS.
LiDAR 3D
10/18- + Aporta:
- Geometría 3D precisa, día y noche
- − Límite:
- Coste; sufre con niebla densa y lluvia
Cámaras estéreo / VIO
6/18- + Aporta:
- Ligero, base de la VIO sin GPS
- − Límite:
- Depende de luz y textura
Cámaras de profundidad RGB-D
5/18- + Aporta:
- Profundidad densa a corta distancia
- − Límite:
- Alcance corto, sensible al sol
Cámaras RGB
11/18- + Aporta:
- Semántica rica para modelos de visión
- − Límite:
- Sin profundidad directa; falla en oscuridad
Térmica / infrarroja
7/18- + Aporta:
- Detecta calor: personas, fugas, puntos calientes
- − Límite:
- Baja resolución, sin color ni textura
Radar mmWave
2/18- + Aporta:
- Atraviesa niebla, polvo y humo; mide velocidad
- − Límite:
- Resolución angular baja
GNSS / RTK
9/18- + Aporta:
- Posición global centimétrica con RTK
- − Límite:
- Inútil bajo tierra o con interferencias
IMU
18/18- + Aporta:
- Movimiento a alta frecuencia, siempre disponible
- − Límite:
- La deriva crece sin correcciones
LiDAR 2D
0/18- + Aporta:
- Barato y fiable para planos en interior
- − Límite:
- Solo un plano: no ve obstáculos altos ni bajos
Sensores táctiles / hápticos
1/18- + Aporta:
- Fuerza y deslizamiento en la manipulación
- − Límite:
- Solo informa con contacto
Ultrasonidos
1/18- + Aporta:
- Proximidad barata, superficies transparentes
- − Límite:
- Alcance corto, poca precisión
Acústica / ultrasonidos de fugas
2/18- + Aporta:
- Fugas de gas o aire y fallos de rodamientos
- − Límite:
- Ruido ambiente industrial
Detección de gases
0/18- + Aporta:
- Concentración de gases peligrosos
- − Límite:
- Medida puntual, requiere calibración
Cámara PTZ con zoom
2/18- + Aporta:
- Zoom óptico para leer manómetros a distancia
- − Límite:
- Campo de visión estrecho
Fusión sensorial y SLAM
La localización y cartografía simultáneas (SLAM) permiten saber dónde está el robot sin GPS. El esquema típico tiene cinco etapas:
- 01Sensores
LiDAR, cámaras, IMU, odometría de ruedas o patas
- 02Front-end
Extracción de rasgos y odometría visual-inercial (VIO) o LiDAR
- 03Filtro
Filtro de Kalman extendido o sin aroma (EKF/UKF) que fusiona estimaciones a alta frecuencia
- 04Back-end
Optimización de grafos de factores y cierre de bucle para corregir la deriva
- 05Mapa + pose
Mapa 3D consistente y posición del robot en él
Localización sin GPS (GPS-denied)
En túneles, minas, interiores o bajo interferencias, el GNSS desaparece. La VIO estima el movimiento comparando fotogramas sucesivos con la IMU; el LiDAR SLAM alinea nubes de puntos; y el cierre de bucle reconoce lugares ya visitados para anular la deriva acumulada.
Eje 4 · Modos de control y operación
Del piloto FPV a la política aprendida
El modo de control indica cuánto del comportamiento escribe un ingeniero, ejecuta un piloto o aprende una red neuronal.
- 01
Pilotaje FPV
Enlaces de vídeo de baja latencia (<50 ms) para maniobras en espacios reducidos. El piloto es el sistema de percepción.
1/18 - 02
Teleoperación
El robot estabiliza y protege; el humano decide cada movimiento. Es la base de la recogida de datos para imitación.
15/18 - 03
Misión supervisada
Misiones grabadas o programadas que el robot repite; el operador aprueba excepciones desde una consola.
14/18 - 04
Flota BVLOS
Un operador supervisa varias unidades más allá de la línea de visión. Exige detect-and-avoid y autorización regulatoria.
4/18 - 05
Política aprendida (RL/VLA)
Redes entrenadas con aprendizaje por refuerzo o modelos visión-lenguaje-acción, a menudo con redes informadas por la física (PINN) para marcha y manipulación.
8/18
Sim-to-real: entrenar en simulación, desplegar en el mundo
Las políticas de locomoción se entrenan durante millones de pasos en simuladores paralelos con aleatorización de dominio (fricción, masas, latencias, ruido de sensores) para que sobrevivan a la realidad. La brecha residual se cierra con ajuste fino en campo y datos de teleoperación.
- Simulación masiva
- Aleatorización de dominio
- Despliegue
- Ajuste en campo
Aplicación práctica
Cómo aplicar la taxonomía al evaluar un proveedor
Cada eje se traduce en preguntas verificables. Pide evidencia de operación real en un dominio parecido al tuyo, no demostraciones preparadas.
- Autonomía
Pregunta: ¿En qué dominio operativo (ODD) concreto se ha demostrado el nivel declarado?
Evidencia que debes pedir: Registros de misiones reales con intervenciones humanas por hora y sus causas, en condiciones comparables a las tuyas.
- Coordinación
Pregunta: ¿Qué hace cada robot si pierde el enlace con la estación base o la nube?
Evidencia que debes pedir: Comportamiento documentado ante desconexión: qué tareas continúan, cuáles se suspenden y cómo se retoma la misión.
- Percepción
Pregunta: ¿Qué sensores incluye la configuración ofertada, no el catálogo, y cómo se localiza sin GNSS?
Evidencia que debes pedir: Pruebas con polvo, lluvia, poca luz o reflejos y la precisión de localización obtenida en tu instalación.
- Control
Pregunta: ¿Qué parte de la misión es teleoperada y cómo se entrenó y valida la política aprendida?
Evidencia que debes pedir: Proceso de validación (simulación y datos reales), frecuencia de actualizaciones y cómo se revierte una versión.
- Especificaciones
Pregunta: ¿En qué condiciones se midió cada cifra y cuál es la autonomía con tu carga útil real?
Evidencia que debes pedir: Ficha con condiciones de medida (carga, velocidad, temperatura) y una prueba con tu configuración.
Metodología de visualización
Por qué no usamos gráficos de radar
Los ejes de esta taxonomía son cualitativos y no lineales. Un gráfico de radar les asigna números arbitrarios, y el área del polígono, que es lo que el ojo lee, cambia con el simple orden de los ejes.
Mismos datos, distinto orden de ejes
El mismo robot parece «más capaz» en un orden que en otro.
Lo que recomendamos
Gráfico de coordenadas paralelas
Traza un perfil continuo para cada modelo a través de los ejes verticales y muestra patrones de diseño y madurez sin forzar una métrica escalar única.
Abrir el gráfico →Matriz interactiva de clasificación
Una interfaz bidimensional que cruza el nivel de autonomía con la capacidad de coordinación para mapear arquitecturas de sistema.
Abrir la matriz →¿Y el mercado?
La matriz de automatización «tareas × mercado» (caso de uso, familia robótica, autonomía, fusión sensorial y ROI estimado) está en la calculadora de ROI.
Ver la matriz de automatización →