En fechas recientes, un equipo del Instituto Politécnico Nacional ha presentado un robot explorador capaz de cartografiar minas e identificar riesgos, combinando redes neuronales y visión artificial para mejorar la seguridad en entornos subterráneos.
El desarrollo lo firman las estudiantes Carolina Abigail Gallo Meneses, Yesenia Cruz Domínguez y Lesly Verónica Salazar Jiménez, de la UPIITA (Ingeniería en Telemática), con asesoría académica, y está orientado a prevenir accidentes mediante detección temprana de derrumbes, fracturas e inundaciones, además de gases tóxicos.
Tecnología y diseño del robot
El prototipo parte de un vehículo de exploración comercial al que se le integró una Raspberry Pi 5 de alto rendimiento, una lámpara para iluminación local, una cámara de profundidad y dos sensores específicos para monóxido de carbono (CO) y dióxido de nitrógeno (NO2).
Gracias a la cámara de profundidad, el rover captura imágenes RGB incluso en oscuridad total y nutre un sistema de mapeo y localización simultánea (Visual SLAM, V‑SLAM). Esta combinación permite orientarse en túneles sin señal y recrear el entorno con precisión.
Durante la exploración, el robot genera un mapa preliminar con puntos y cuadros como referencias espaciales. Posteriormente, y ya fuera de la mina, el procesamiento en la estación base transforma esa nube de datos en modelos tridimensionales detallados del frente de trabajo, donde se distinguen fracturas, acumulaciones de piedras, zonas con derrumbes y áreas anegadas.
Mapeado 3D y procesamiento sin conexión
El flujo está pensado para operar sin red: V‑SLAM trabaja localmente durante el recorrido y, una vez en superficie, se ejecuta el posprocesado pesado. Esta arquitectura reduce riesgos operativos y evita depender de conectividad o GPS, inexistentes en tramos profundos de las galerías.
El equipo relata que, a decenas de kilómetros de la entrada —en ocasiones se habla de unos 30 kilómetros tierra adentro—, el posicionamiento satelital se pierde por completo. Por esto, la plataforma fue concebida para ser totalmente autónoma y funcional offline.
Entrenamiento de la IA y detección de riesgos
Para afinar la red neuronal se partió de unas 5.500 imágenes iniciales, que tras técnicas de aumento (rotaciones y variaciones de posición) escalaron hasta aproximadamente 13.000 muestras. El conjunto procede tanto de una mina en Durango como de una maqueta de pruebas construida para el proyecto.
Con ese entrenamiento, el sistema aprende a reconocer patrones de riesgo geológico y a correlacionar condiciones del entorno con lecturas de gases, lo que ayuda a priorizar áreas de atención e implementar protocolos de seguridad más eficaces.
Pruebas de campo y operación en mina
Las creadoras realizaron una visita técnica a una mina en el estado de Durango para observar in situ las condiciones laborales y validar el desempeño del rover. La comparación con soluciones foráneas evidenció una diferencia clave: muchas tecnologías disponibles son sistemas fijos que exigen traslado manual de módulos, mientras que esta propuesta es móvil y autónoma.
Esa movilidad, sumada al mapeo 3D y a la medición de CO y NO2, facilita inspecciones rápidas sin exponer al personal, especialmente en galerías con visibilidad reducida, humedad elevada y presencia potencial de gases peligrosos.
Plataforma web y visualización para decisiones
Además del hardware, el equipo desarrolló un sistema web para almacenar y visualizar la información recogida. Incluye mapas tridimensionales navegables, localización geoespacial asociada al recorrido, la hora de exploración y gráficas con las mediciones de gases.
Esta interfaz permite a responsables de seguridad y a equipos técnicos interpretar los datos de un vistazo y respaldar decisiones operativas, desde el cierre temporal de un sector hasta la planificación de refuerzos estructurales o ventilación.
Impulso institucional y siguientes pasos
El proyecto se alinea con políticas públicas de transferencia tecnológica: forma parte del compromiso 33 de los 100 presentados por la Presidencia e impulsados desde la SEP, para que los desarrollos estudiantiles den el salto del aula a la industria.
Contó con la asesoría del doctor Rodolfo Vera Amaro (UPIITA) y de la doctora Lucero Verónica Lozano Vázquez (ESIME, Unidad Azcapotzalco). El equipo no descarta gestionar una patente y continuar con su perfeccionamiento para usos industriales a gran escala.
Se trata de una solución que integra V‑SLAM, visión artificial y sensores de gases en un vehículo autónomo, con modelos 3D posprocesados y una capa web de análisis, orientada a elevar la seguridad minera con evidencia objetiva y sin depender de conectividad en campo.
