El diseño de ingeniería bajo incertidumbre ya no es un punto ciego: una nueva metodología desarrollada en el MIT incorpora sistemáticamente la incertidumbre en cada paso del codiseño de sistemas técnicos complejos, desde vehículos aéreos no tripulados y vehículos autónomos hasta el tráfico aéreo y las redes de transporte regionales. En lugar de depender de especificaciones de componentes idealizadas o de estimaciones superficiales de "mejor/peor caso", el enfoque modela distribuciones completas de resultados y sus interdependencias, y muestra mapas de compensación claros que vinculan el rendimiento, el costo, la masa y las restricciones de la misión.

Por qué es importante para los sistemas autónomos y la movilidad digitalizada

Ya sea un dron de reparto que debe volar con viento y lluvia, un robot que combina sensores imperfectos con algoritmos variables, o una red de infraestructura en la que múltiples operadores comparten la misma vía, el comportamiento general del sistema se forma en la intersección de muchas partes inciertas. En la práctica, ningún componente funciona "exactamente según las especificaciones", y el entorno introduce una variabilidad adicional. Por lo tanto, los métodos tradicionales de planificación y optimización a menudo subestiman el riesgo y sobreestiman la robustez del sistema. El nuevo método descompone explícitamente todas las fuentes de variación conocidas y desconocidas, desde las tolerancias de fabricación y el envejecimiento de las baterías hasta las condiciones meteorológicas y las cargas variables, y las combina en una representación única y coherente de riesgos y beneficios.

De cajas y flechas a las matemáticas composicionales

El punto de partida es el codiseño (co-design): un problema complejo se descompone en módulos, "cajas" que representan sensores, conjuntos de actuadores, fuentes de energía, algoritmos de control o restricciones de la misión. Luego, los módulos se "reensamblan" de manera que el óptimo global (o un conjunto de soluciones óptimas de Pareto) se pueda encontrar en un tiempo razonable. La novedad en esta variante es la introducción de un modelo de incertidumbre en cada módulo. En lugar de un único número determinista, cada caja contiene intervalos, distribuciones de probabilidad o modelos paramétricos que pueden aprenderse de los datos con el tiempo. La base son las matemáticas composicionales, que permiten que las reglas de composición y las relaciones monótonas entre los objetivos (p. ej., mayor alcance ⇢ más masa de batería ⇢ mayor costo) se conserven independientemente de cómo se permuten los módulos.

Una consecuencia práctica: el diseñador no se ve obligado a elegir entre un análisis de sensibilidad simplificado y un costoso "ataque de fuerza bruta" Monte Carlo del sistema. En su lugar, obtiene un formalismo que "sabe" cómo se propaga la incertidumbre a través de la red de módulos, cómo cambian las compensaciones cuando se reemplaza una batería o un conjunto de percepción, y cómo se optimizan las decisiones para un nivel de riesgo objetivo.

Lo que el ingeniero realmente obtiene: mapas de compensación con conciencia del riesgo

En lugar de un único punto o dos extremos, los resultados son mapas de compensación: valores de rendimiento esperados, cuantiles (p. ej., 5 % y 95 %), contornos de probabilidad de viabilidad y umbrales más allá de los cuales el sistema entra en "aguas peligrosas". Dichos mapas permiten tomar decisiones acordes con el contexto de la aplicación. En la aviación, donde la seguridad es el primer criterio, se aceptará un costo más alto si reduce drásticamente la probabilidad de fallo. En logística, siempre que los riesgos estén cuantificados, se podría elegir una solución más barata con un riesgo controlado de paradas breves en condiciones extremas.

Estudio de caso: elección de percepción y baterías para un UAV en clima variable

En un ejemplo de demostración para un vehículo aéreo no tripulado (UAV), el codiseño modular combina subsistemas de percepción (visión estéreo, LiDAR y radar) con configuraciones de energía, donde la misión impone restricciones (alcance, carga útil, tiempo de permanencia en el aire, masa, presupuesto). Para los sensores, no se asume una "precisión fija", sino que se introducen distribuciones de la capacidad de detección en función de la niebla, la lluvia y la baja iluminación. Para las baterías, en lugar de una única cifra de capacidad, se tienen en cuenta las distribuciones de capacidad y resistencia interna, la degradación a lo largo de los ciclos y la dependencia de la temperatura. Los resultados son gráficos que muestran cómo cambia la probabilidad de completar con éxito la misión con el tiempo de vuelo, las condiciones meteorológicas y la elección de sensores y fuente de alimentación.

Este enfoque también proporciona ideas inesperadas. En escenarios de cargas útiles más pequeñas, donde el énfasis está en un bajo costo total de propiedad (TCO), tecnologías como el NiMH a veces dan como resultado un costo de vida útil esperado más bajo debido a su precio de compra y manejo más simple, a pesar de su menor densidad de energía. A medida que aumenta la carga útil, el polímero de litio (LiPo) o el ion de litio (Li-ion) suelen tomar la delantera debido a su mejor relación Wh/kg y su capacidad para soportar pulsos de corriente más altos. El marco no declara un "ganador absoluto", sino que muestra para cada carga útil y condiciones ambientales cuál es la probabilidad de viabilidad y cuáles son el costo y el alcance esperados.

Ejemplo de una decisión precisa: para una carga útil de alrededor de 1,75 kg, los mapas de compensación pueden mostrar que una determinada configuración de batería tiene una probabilidad notable de inviabilidad debido a las limitaciones de masa y corriente de descarga. En lugar de un "sí/no", el gerente obtiene una medida clara y numérica del riesgo y puede sopesar el cambio a otro sistema químico o la redefinición de la misión (menor alcance, un nivel diferente de redundancia).

De componentes individuales a un "sistema de sistemas"

La reutilización de los modelos hace que el marco sea adecuado para equipos en los que cada uno se ocupa de su propia "caja": un equipo mantiene la percepción, otro el sistema de energía, y un tercero la planificación y el control. Dado que las matemáticas son composicionales, los módulos se pueden cambiar sin violar las garantías globales sobre la monotonicidad y las restricciones. Esto reduce el acoplamiento entre equipos, una característica clave cuando un proyecto se expande a sistemas más grandes como redes aéreas o ecosistemas de transporte integrados donde múltiples actores (p. ej., compañías ferroviarias) comparten infraestructura y tienen objetivos parcialmente contrapuestos.

Cómo se ve en la práctica: pasos operativos

1. Modelado de módulos con incertidumbre. Para cada bloque, se definen las funciones de utilidad y costo, así como el tipo de incertidumbre (intervalo, distribución, modelo paramétrico). Si existen datos experimentales, se aprenden los parámetros; de lo contrario, se parte de límites informados y supuestos conservadores.


2. Composición y restricciones. Los bloques se conectan en una red de codiseño que respeta las restricciones de la misión (masa máxima, presupuesto, niveles objetivo de fiabilidad de detección, límites de consumo).


3. Análisis de compensación. Se calculan los valores esperados, los cuantiles y las probabilidades de viabilidad, junto con el mapeo de la sensibilidad a los cambios en los supuestos (p. ej., clima más frío, viento más fuerte, un perfil de tarea diferente).


4. Iteraciones y "qué pasaría si". Dado que el sistema es modular, es posible reemplazar rápidamente un bloque (LiPo → NiMH, estéreo → radar) y reevaluar los riesgos y beneficios sin romper toda la estructura.

Qué cambia este método en comparación con las herramientas clásicas

• Más que escenarios límite: en lugar de centrarse en el "mejor/peor caso", se considera todo el espectro de resultados.


• Conexión con el aprendizaje: los modelos paramétricos permiten actualizaciones incrementales tan pronto como llegan nuevos datos del campo, por lo que el diseño se adapta "inteligentemente" con el tiempo.


• Escalabilidad a través de la composición: la modularidad y las relaciones monótonas evitan la explosión del espacio de estados al ampliar el sistema.


• Compensaciones transparentes: los responsables de la toma de decisiones reciben "mapas de calor" de riesgos y beneficios con base numérica, en lugar de recomendaciones en blanco y negro.

Aplicaciones: desde la industria de los drones hasta las redes ferroviarias

En las industrias automotriz y de la aviación, el modelado formal de la incertidumbre ayuda a detectar combinaciones arriesgadas antes y a construir un argumento para soluciones más caras pero más robustas donde la seguridad y el riesgo reputacional no tienen precio. En la robótica orientada al ser humano, por ejemplo, en la "última milla", el mismo marco ayuda a equilibrar el TCO y la fiabilidad en condiciones de demanda y clima variables. En el transporte público y los ferrocarriles, abre la posibilidad de un codiseño coordinado de flotas y horarios dentro de una infraestructura compartida, con una cuantificación explícita de los riesgos de retrasos y congestión.

Qué pasa con las baterías: una comparación realista desde una perspectiva de ingeniería

Una conversación típica de ingeniería sobre baterías para drones a menudo se desvía hacia las propiedades de la "hoja de datos" (energía específica, corriente máxima, masa). Pero en misiones reales, especialmente en el frío y con altas cargas, el rendimiento "respira". El polímero de litio (LiPo) ofrece una mayor densidad de energía y mejores tasas de descarga, una ventaja para maniobras rápidas y cargas más grandes, pero requiere disciplina en la protección, el almacenamiento y el monitoreo del estado de carga. El NiMH es más voluminoso y tiene una menor densidad de energía, pero a menudo es más simple de manejar, más resistente a las bajas temperaturas e inicialmente más barato. Si se optimiza el costo total de propiedad a nivel de sistema, considerando el número de ciclos y las distribuciones de carga, puede ocurrir que el NiMH, en el segmento de cargas más pequeñas y perfiles de vuelo conservadores, muestre un TCO esperado más bajo, mientras que el LiPo domina en escenarios donde la prioridad es el alcance o la potencia máxima.

Métricas que tiene sentido optimizar

En lugar de una única métrica "sagrada", esta metodología permite la optimización simultánea de múltiples objetivos bajo incertidumbre:

• Alcance y duración de vuelo esperados con cuantiles (p. ej., 5 % y 95 %) para planificar reservas y "días malos".


• Costo total de propiedad (TCO) a lo largo de la vida útil: precio de compra, reemplazo, servicio, degradación y las consecuencias de las fallas.


• Probabilidad de viabilidad – cuál es la posibilidad de que una combinación de sensores, batería y una carga útil dada satisfaga las restricciones de masa y consumo.


• Robustez a las condiciones ambientales – cómo varía el rendimiento con el viento, la lluvia, la niebla y la temperatura.

Cómo leer los "mapas de compensación"

Imaginemos el objetivo: llevar una carga de 1,75 kg. En lugar de "SÍ/NO", el mapa muestra áreas con baja probabilidad de inviabilidad, zonas de transición y dominios con una alta probabilidad de fallo. Tal representación permite aceptar conscientemente pequeños riesgos donde los beneficios son grandes (autonomía significativamente mayor, menor masa), o evitar configuraciones sensibles a cambios mínimos de temperatura y viento. De este modo, la decisión de ingeniería se transforma de una conjetura a un intercambio medido y transparente con el riesgo.

El papel de la verificación y las garantías de seguridad

Para dominios donde la seguridad tiene primacía (autonomía vial, aviación, robótica cerca de humanos), el enfoque composicional se integra naturalmente con la verificación formal y el diseño "basado en contratos". Cada módulo puede declarar garantías (p. ej., corriente máxima del actuador, precisión mínima de detección) y suposiciones sobre el entorno; el marco luego verifica si esas garantías son compatibles a nivel de sistema dadas las distribuciones de incertidumbre especificadas. Así se construyen argumentos de seguridad verificables que son comprensibles tanto para los reguladores como para la industria.

Software y accesibilidad para los equipos

Aunque la base teórica es abstracta, la idea es ofrecer bibliotecas que oculten los detalles matemáticos. A través de "adaptadores" para sensores, baterías y algoritmos de control, los equipos pueden ensamblar rápidamente arquitecturas, cambiar módulos y obtener nuevos mapas de compensación sin reescribir el código. Es especialmente útil cuando se trabaja en paralelo en múltiples componentes: el marco garantiza que los módulos se pueden cambiar sin violar las restricciones globales y que las medidas de riesgo se propagan de manera consistente a través del sistema.

Implicaciones más amplias: hacia estándares para sistemas habilitados por el aprendizaje

A medida que se incorporan cada vez más componentes habilitados por el aprendizaje (LEC – learning-enabled components), es necesario enmarcar formalmente también sus incertidumbres. El codiseño composicional con incertidumbre permite que las métricas de riesgo y las garantías se "propaguen" del módulo al sistema. Así surge un lenguaje común para definir umbrales de riesgo aceptable y procesos transparentes para demostrar la seguridad.

Lo que sigue

El desarrollo futuro se dirige en dos direcciones. La primera es la eficiencia computacional: acelerar la resolución de compensaciones multidimensionales y mejorar la escalabilidad para problemas grandes. La segunda son los actores múltiples: escenarios en los que múltiples empresas codiseñan subsistemas interoperables con diferentes objetivos y presupuestos, por ejemplo, ecosistemas de transporte regionales donde las compañías ferroviarias comparten la misma infraestructura pero optimizan para diferentes indicadores de rendimiento.

Nota sobre la fecha: este texto fue preparado el 03 de octubre de 2025 y está alineado con la información más reciente disponible públicamente sobre el codiseño bajo incertidumbre y las demostraciones en vehículos aéreos no tripulados.