El sistema combina imágenes captadas por drones con mediciones LiDAR de robots terrestres para construir modelos digitales con precisión de pocos centímetros
Redactor: Santiago Duarte
Editor: Camila Herrera R.
Un equipo de investigadores de Corea del Sur desarrolló un sistema de inteligencia artificial capaz de crear mapas y modelos digitales altamente precisos de huertos comerciales mediante la combinación de información obtenida desde el aire y desde el suelo.
La tecnología integra imágenes de teledetección captadas por drones a baja altura con las mediciones realizadas por un robot terrestre equipado con LiDAR y una unidad de medición inercial. El resultado es una representación geográfica detallada que puede utilizarse para inspeccionar árboles, evaluar su estado y apoyar la operación de maquinaria autónoma.
El estudio fue dirigido por el profesor Kyeong-Hwan Lee, del Departamento de Ingeniería de Biosistemas Convergentes de la Universidad Nacional de Chonnam, en Corea del Sur. Los resultados fueron publicados en la revista científica Artificial Intelligence in Agriculture.
La creación de mapas digitales constituye una infraestructura esencial para la agricultura de precisión. Estos modelos permiten estimar rendimientos, aplicar tratamientos en lugares específicos, medir características de las plantas y proporcionar referencias para la navegación y percepción de los robots agrícolas.
Los huertos plantean dificultades para el mapeo digital
Los huertos comerciales modernos pueden ocupar grandes superficies, presentar una elevada densidad de árboles y mantener patrones repetitivos de hileras y copas. Estas condiciones complican la construcción de mapas tridimensionales consistentes y la ubicación precisa de los equipos dentro de la plantación.
Las imágenes aéreas tomadas por drones y apoyadas por sistemas globales de navegación por satélite pueden generar mapas generales de alta calidad. Sin embargo, las cámaras situadas sobre el cultivo no siempre captan los detalles que permanecen ocultos bajo las copas densas de los árboles.
Los robots terrestres equipados con LiDAR pueden registrar nubes de puntos tridimensionales de alta resolución. Estas mediciones permiten reproducir la estructura de cada árbol, la disposición de las hileras y otras características que no resultan visibles desde el aire.
El problema aparece cuando el robot se desplaza bajo el follaje. Las hojas y ramas debilitan las señales de los satélites, lo que provoca errores acumulativos en la trayectoria estimada y reduce progresivamente la precisión de la localización.
La IA relaciona las imágenes aéreas con los datos del robot
Para superar esa limitación, los investigadores diseñaron un sistema de fusión entre diferentes modalidades de información. La herramienta utiliza aprendizaje profundo para identificar correspondencias entre las imágenes aéreas del dron y las mediciones láser recogidas desde el suelo.
El modelo reconoce elementos comunes, como las hileras de árboles, los patrones de las copas y los espacios abiertos. De esta manera, el mapa aéreo funciona como una referencia geográfica para colocar correctamente las mediciones detalladas del robot dentro del conjunto del huerto.
Kyeong-Hwan Lee explicó que la alineación entre ambas fuentes permite relacionar lo que el robot observa desde el suelo con la estructura general captada desde el aire. La información terrestre puede ubicarse así en una posición precisa dentro del mapa de mayor escala.
La propuesta amplía las posibilidades de la inteligencia artificial aplicada a una agricultura sostenible, donde los datos obtenidos mediante sensores, cámaras, satélites y robots se utilizan para optimizar tareas productivas.
Las pruebas se realizaron en un huerto de manzanos
El equipo comenzó el trabajo mediante un dron que recorrió un huerto de manzanos siguiendo una ruta de vuelo previamente planificada. La plataforma captó imágenes aéreas de alta resolución que posteriormente fueron organizadas en una base de datos compuesta por mosaicos.
A partir de esa información se creó un mapa local de una pequeña sección del huerto. En la misma zona, un robot terrestre equipado con un sistema LiDAR y una unidad de medición inercial registró una nube de puntos mientras avanzaba entre las hileras.
Los datos del robot fueron procesados para producir una vista bidimensional desde arriba. Esta representación incorporó información estructural tridimensional, entre ella las variaciones en la altura de las copas, la reflectancia de las superficies y la densidad de los elementos presentes en cada área.
El sistema comparó esa vista generada por el robot con el mapa aéreo correspondiente. El objetivo era encontrar la posición exacta de las mediciones terrestres dentro de la imagen completa del huerto.
Una red neuronal corrige el desvío acumulado
La alineación se realizó mediante una red de aprendizaje profundo diseñada para fusionar la odometría LiDAR del robot con las imágenes de teledetección del dron.
El modelo incluye dos ramas para extraer características de cada fuente de datos, un módulo de atención cruzada basado en transformadores y un mecanismo de refinamiento de flujo a diferentes escalas.
Estos componentes analizan señales estructurales a escala de píxel para reconstruir la posición del mapa LiDAR y alinearlo con la imagen aérea. El procedimiento reduce sustancialmente el desvío que se acumula durante los recorridos largos realizados bajo las copas.
Los datos alineados se incorporaron posteriormente a un sistema de estimación de poses. Este proceso permitió generar un modelo del huerto compuesto por múltiples capas y vinculado con un sistema de información geográfica.
El sistema alcanzó una precisión de pocos centímetros
Las pruebas abarcaron aproximadamente 1,3 kilómetros de desplazamiento dentro del huerto. Durante ese recorrido, la herramienta consiguió localizar el robot con una precisión del orden de pocos centímetros.
El sistema también mostró capacidad para mantener resultados consistentes ante cambios estacionales en la apariencia de los árboles. Esta característica es relevante porque el follaje, los colores, las sombras y la densidad de las copas varían a lo largo del ciclo productivo.
Los métodos convencionales de correspondencia suelen verse afectados por esas diferencias visuales y por la repetición de patrones similares entre las hileras. El nuevo enfoque logró reducir esos problemas y controlar mejor el error acumulado durante recorridos extensos.
Los investigadores indicaron además que la tecnología puede ejecutarse en dispositivos integrados, una condición necesaria para utilizarla en tiempo real sobre robots y maquinaria que operen directamente en el campo.
El modelo permite medir árboles y evaluar su estado
La representación digital de múltiples capas puede utilizarse para extraer características fenotípicas de los árboles, incluida su altura. También permite incorporar información relacionada con el estado de salud de cada planta.
El análisis individual de los árboles podría facilitar el seguimiento del crecimiento, la detección de variaciones dentro de una parcela y la identificación de sectores que requieran una inspección más detallada.
La combinación de una referencia geográfica amplia con mediciones tridimensionales precisas permite construir inventarios actualizables del huerto. Estos registros pueden compararse en diferentes momentos para estudiar cambios asociados con la temporada, el manejo o las condiciones ambientales.
La información generada también puede respaldar la estimación de la producción y el estudio de características vegetales. Sin embargo, la investigación se concentró en validar la precisión del mapeo y la localización, no en cuantificar directamente los rendimientos.
La tecnología facilitaría la operación de robots agrícolas
Lee señaló que la integración entre la visión terrestre del robot y el mapa aéreo puede ayudar a que las máquinas trabajen con mayor fiabilidad dentro de los huertos.
Entre las aplicaciones mencionadas se encuentran la inspección de cultivos, la pulverización dirigida, el corte de vegetación, el transporte de productos y la recolección. Todas estas tareas requieren conocer con precisión la posición del equipo, la ubicación de los árboles y la estructura de las hileras.
Los huertos ofrecen un entorno especialmente relevante para la automatización agrícola porque mantienen una disposición relativamente organizada. Aun así, la vegetación densa, las irregularidades del terreno y la repetición visual dificultan la navegación autónoma.
El desarrollo responde a algunos de los desafíos que todavía condicionan la autonomía de las máquinas agrícolas, entre ellos la necesidad de operar con seguridad y precisión en ambientes donde cambian la iluminación, la vegetación y las condiciones del suelo.
La pulverización dirigida depende de mapas confiables
La aplicación localizada de productos requiere conocer dónde se encuentran los árboles, qué áreas necesitan tratamiento y cuál es la posición exacta del equipo pulverizador.
Un mapa con errores puede provocar que una máquina se desplace fuera de la trayectoria prevista o aplique un tratamiento en un lugar incorrecto. La precisión centimétrica obtenida en el estudio podría ayudar a reducir esos desajustes durante las operaciones automatizadas.
La representación de cada árbol también abre la posibilidad de adaptar las aplicaciones a diferencias observadas dentro del huerto. Para ello sería necesario combinar el mapa con sensores y modelos capaces de reconocer síntomas, niveles de desarrollo u otras variables agronómicas.
Los investigadores no presentaron mediciones sobre reducción de insumos ni aumentos del rendimiento. La contribución principal del trabajo es proporcionar la base geográfica necesaria para que futuras herramientas de agricultura de precisión puedan ejecutar esas tareas.
Los investigadores plantean modelos digitales vivos
El equipo considera que la información obtenida mediante drones y robots podría utilizarse en el futuro para crear modelos digitales vivos de explotaciones agrícolas y huertos.
Estas representaciones no serían mapas estáticos, sino sistemas actualizados periódicamente con datos sobre el crecimiento de los árboles, el estado del cultivo y los cambios del entorno.
La comparación entre registros de diferentes fechas permitiría observar cómo responde cada zona a las estaciones, las condiciones ambientales y las decisiones de manejo.
Lee sostuvo que estos modelos podrían ayudar a las explotaciones agrícolas a adaptarse a presiones ambientales y sociales, al mismo tiempo que respaldan una producción de alimentos más eficiente y sostenible.
La integración de sensores construye la base digital del huerto
El estudio muestra que ninguna fuente de datos resuelve por sí sola todos los problemas del mapeo agrícola. Los drones ofrecen una visión general y una referencia geográfica, mientras que los robots terrestres captan detalles estructurales ocultos bajo el follaje.
La inteligencia artificial actúa como vínculo entre ambas perspectivas. Al reconocer los mismos elementos en imágenes visualmente diferentes, el sistema puede corregir la trayectoria del robot y ubicar sus mediciones dentro del mapa completo.
Esta arquitectura digital puede convertirse en el soporte de operaciones automatizadas, siempre que se adapte a las características de cada explotación y se valide en diferentes cultivos, terrenos y condiciones productivas.
Los resultados obtenidos en el huerto de manzanos demostraron que la fusión entre imágenes aéreas y datos LiDAR puede mantener una localización de pocos centímetros durante recorridos de aproximadamente 1,3 kilómetros, incluso frente a variaciones estacionales y señales satelitales debilitadas por el follaje.
Fuente(s) referenciales
