FieldVision permite que cada dron agrícola decida de forma autónoma si analiza las imágenes a bordo, utiliza un servidor cercano o recurre a la nube según la conectividad y los recursos disponibles
Redacción: Redacción Mundo Agropecuario BET
Editor: Eduardo Schmitz
Investigadores de la Universidad de Missouri, en Estados Unidos, desarrollaron un sistema de inteligencia artificial que aborda un problema menos visible pero decisivo para ampliar el uso de flotas de drones en agricultura: determinar dónde procesar las enormes cantidades de imágenes que estas aeronaves recopilan mientras sobrevuelan los cultivos. El nuevo marco, denominado FieldVision, permite que cada dron elija de manera autónoma entre realizar los cálculos a bordo, enviarlos a un servidor de computación en el borde o transferirlos a la nube.
La tecnología fue concebida para aplicaciones de agricultura de precisión que necesitan transformar rápidamente las imágenes aéreas en información útil, como el conteo de plantas, la evaluación del estado de los cultivos, la detección de anomalías y la inspección dirigida de sectores específicos del campo. En simulaciones, FieldVision obtuvo mejores resultados generales que estrategias tradicionales basadas en reglas y que enfoques de inteligencia artificial diseñados para un solo dron.
El avance se concentra en el procesamiento de la información y no en desarrollar nuevos sensores agrícolas. Esa distinción resulta relevante porque plataformas actuales ya pueden obtener datos muy detallados: investigaciones recientes han mostrado cómo drones equipados con sensores térmicos y ópticos permiten observar señales de estrés vegetal que difícilmente serían reconocibles mediante una inspección convencional.
El problema aparece después de capturar las imágenes
Un dron agrícola puede generar grandes volúmenes de fotografías y otros datos durante una misión. Sin embargo, capturar la información es solo una parte del proceso. Para utilizarla mientras el vuelo todavía está en marcha, las imágenes deben analizarse con suficiente rapidez.
Procesarlas directamente a bordo evita depender de una conexión externa, pero los drones tienen capacidad informática, batería y recursos energéticos limitados. Enviar los datos a un servidor cercano puede proporcionar mayor potencia de cálculo, mientras que la nube ofrece todavía más recursos, aunque ambas alternativas dependen de comunicaciones inalámbricas que pueden ser irregulares en zonas rurales.
La dificultad aumenta cuando varias aeronaves trabajan simultáneamente. Todos los drones pueden competir por el mismo ancho de banda y por los mismos recursos informáticos. Una decisión que acelera el procesamiento de una aeronave puede congestionar la red y retrasar el trabajo de las demás.
Esta limitación adquiere importancia a medida que los sistemas agrícolas combinan cada vez más plataformas aéreas y terrestres. Otro desarrollo publicado recientemente mostró que la fusión de imágenes de drones con mediciones LiDAR de robots terrestres puede construir mapas de huertos con precisión de pocos centímetros, pero ese tipo de agricultura digital depende de poder gestionar grandes cantidades de información de forma eficiente.
Cada dron aprende dónde conviene ejecutar el cálculo
FieldVision utiliza aprendizaje por refuerzo multiagente, conocido como MARL por sus siglas en inglés. En este esquema, cada dron funciona como un agente capaz de aprender qué decisión resulta más conveniente bajo diferentes condiciones de red, capacidad de procesamiento y carga de trabajo.
El sistema emplea una arquitectura de entrenamiento centralizado con ejecución descentralizada. Durante el entrenamiento, los agentes aprenden cómo las decisiones individuales afectan a recursos compartidos como la red inalámbrica y los servidores. Posteriormente, durante una misión, cada dron puede tomar decisiones utilizando la información disponible localmente sin depender de una comunicación continua con las demás aeronaves.
Así, una tarea de análisis puede permanecer dentro del dron cuando esa opción sea suficiente, pasar a un servidor de borde cuando exista capacidad disponible o trasladarse a la nube cuando las condiciones de comunicación y procesamiento hagan conveniente esa alternativa.
El objetivo no es simplemente incrementar la potencia de cálculo de una aeronave, sino coordinar indirectamente el comportamiento de una flota que comparte recursos limitados. Bishwas Wagle, uno de los investigadores del proyecto, explicó que el propósito es conseguir que varios drones aprendan a utilizar de manera eficiente los recursos de red y computación cuando las condiciones cambian, sin requerir comunicación permanente entre ellos.
Las simulaciones redujeron fallos en los plazos de procesamiento
En las pruebas realizadas por el equipo, FieldVision alcanzó mayores recompensas dentro del modelo de aprendizaje, redujo los incumplimientos de los plazos asignados a las tareas de procesamiento y mejoró la fiabilidad frente a métodos basados en reglas y sistemas de inteligencia artificial para drones individuales.
Los resultados corresponden a simulaciones, por lo que no demuestran todavía que una flota equipada con FieldVision vaya a conseguir las mismas mejoras bajo todas las condiciones de un campo comercial. La conectividad rural, el relieve, la distancia respecto a la infraestructura informática, la duración de las baterías y el volumen de imágenes pueden modificar el comportamiento de una implementación real.
La investigación muestra, sin embargo, que la inteligencia artificial puede utilizarse no solamente para interpretar lo que aparece en una fotografía agrícola, sino también para administrar la infraestructura informática necesaria para realizar esa interpretación.
Esta diferencia resulta importante frente a otros usos de la IA agrícola. En Florida, por ejemplo, investigadores están utilizando imágenes de drones y aprendizaje automático para identificar señales tempranas de enfermedades del apio. FieldVision se sitúa en una capa diferente: busca decidir cómo y dónde ejecutar de forma eficiente análisis de ese tipo cuando participan varias aeronaves.
Procesamiento local, borde y nube compiten durante la misión
La computación en el borde o edge computing coloca recursos informáticos relativamente cerca del lugar donde se generan los datos. Para una explotación agrícola, esta arquitectura puede reducir la necesidad de enviar continuamente grandes archivos hacia centros de datos remotos.
Pero la proximidad del servidor no elimina las restricciones. Cuando una flota completa intenta descargar simultáneamente imágenes de alta resolución, la conexión disponible puede saturarse. El sistema desarrollado en Missouri intenta anticipar ese escenario y distribuir las tareas de manera dinámica.
La nube continúa siendo otra opción porque ofrece una capacidad de procesamiento considerable, aunque implica mayores dependencias de conectividad y latencia. FieldVision no establece una única alternativa como superior: su propuesta consiste precisamente en seleccionar entre las tres posibilidades según las condiciones existentes en cada momento.
Ese enfoque puede resultar especialmente útil cuando los drones realizan monitoreo fitosanitario. Un proyecto de Southern Illinois University, por ejemplo, utiliza un robot autónomo con múltiples cámaras para desarrollar inteligencia artificial destinada a detectar enfermedades de la soja antes de que aparezcan síntomas visibles. A medida que robots y aeronaves generen más información, la gestión del procesamiento se convertirá en otra parte de la arquitectura de la agricultura autónoma.
De recolectar datos a convertirlos en decisiones durante el vuelo
Para los investigadores, una de las aplicaciones potenciales de FieldVision es reducir el tiempo entre la captura de una imagen y la obtención de información accionable. En lugar de completar una misión, descargar todos los archivos y analizarlos posteriormente, parte del procesamiento podría realizarse mientras los drones continúan trabajando.
Esto abre posibilidades para el conteo de cultivos, la identificación de sectores anómalos, la evaluación de la salud vegetal y las inspecciones dirigidas. Si un análisis detecta una zona que requiere mayor atención, disponer del resultado durante la misión podría facilitar una inspección adicional sin esperar a un procesamiento posterior.
El trabajo también ilustra una limitación importante de la inteligencia artificial aplicada al agro: automatizar una decisión no garantiza que el resultado agronómico sea correcto. Un caso reciente en China, donde una recomendación generada por inteligencia artificial precedió a graves daños en un cultivo de sésamo, mostró por qué las decisiones agronómicas de alto impacto requieren validación profesional y controles independientes.
FieldVision opera sobre un problema diferente: no prescribe fertilizantes ni pesticidas, sino que administra recursos informáticos y de comunicación. Aun así, cualquier información agronómica producida posteriormente por los modelos de análisis deberá mantener sus propios mecanismos de validación.
Una infraestructura digital para futuras flotas agrícolas autónomas
El proyecto fue liderado por investigadores de la Universidad de Missouri, entre ellos Andrew Hellman, Bishwas Wagle, Alicia Esquivel Morel, Juan Mogollon, Jianfeng Zhou, Kannappan Palaniappan y Prasad Calyam. También participaron Sean Peppers, de Florida Gulf Coast University; Vincent Zheng, de Stony Brook University; y Arunava Roy, de University of Memphis.
La investigación recibió apoyo de la National Science Foundation mediante un programa Research Experiences for Undergraduates relacionado con tecnologías de redes. El trabajo, titulado Multi-Agent Proximal Policy Optimization for Network-Aware Drone-based Crop Image Analysis, fue presentado en 2026 en la conferencia conjunta IEEE World Congress on Computational Intelligence e International Joint Conference on Neural Networks.
La principal contribución de FieldVision está en tratar una flota de drones como un sistema distribuido en el que aeronaves, conexiones inalámbricas, servidores cercanos y servicios en la nube forman parte de una misma infraestructura inteligente.
Si el enfoque demuestra un rendimiento similar fuera de las simulaciones, podría ayudar a que futuras flotas agrícolas pasen de ser simples plataformas de captura de imágenes a sistemas capaces de obtener, distribuir y procesar información durante la propia operación. El siguiente desafío será comprobar ese comportamiento bajo condiciones reales de conectividad, carga informática y autonomía energética en explotaciones agrícolas.
Fuentes referenciales:
University of Missouri College of Engineering
University of Missouri – REU Site: Undergraduate Research in Home Networking Technologies
