• 3 min de lectura
La IA aprende la navegación de barcos a partir de capitanes experimentados
Una IA basada en difusión aprendió las rutas de los barcos de capitanes experimentados, manejando tráfico, vías navegables estrechas y costumbres locales no escritas de navegación.
Imagen: TechXplore
Un sistema de navegación por IA desarrollado por Osaka Metropolitan University aprendió a pilotar un barco por vías navegables concurridas estudiando las maniobras realizadas por un capitán experimentado, en lugar de seguir objetivos y normas escritos manualmente.
El desafío es especialmente agudo en el Mar Interior de Seto de Japón, donde los buques autónomos deben gestionar un tráfico denso, canales estrechos, cientos de islas y condiciones cambiantes mientras cumplen la normativa marítima. El grupo de investigación, dirigido por el profesor asistente Takefumi Higaki de la Escuela de Posgrado en Ingeniería de la universidad, entrenó su modelo usando datos operativos de Fukae-Maru, un buque de entrenamiento operado por Kobe University. El estudio fue publicado en Ocean Engineering.
La IA por difusión aprende comportamientos complejos de manejo de buques
En lugar de predecir una única acción «óptima», el sistema utiliza IA por difusión para modelar una gama de acciones que un operador experimentado podría tomar y generar una ruta completa. Ese enfoque está diseñado para capturar decisiones ambiguas y el juicio humano que pueden ser difíciles de expresar matemáticamente.
Los investigadores compararon el sistema con dos IA de navegación líderes basadas en métodos convencionales de aprendizaje automático y aprendizaje por imitación. En simulaciones realistas, el nuevo modelo manejó a la vez un número arbitrario de buques, líneas costeras, vías navegables estrechas y el control de la velocidad, incluyendo escenarios que confundieron a los sistemas comparados.
Recomendado
La matriculación en informática en EE. UU. cae por primera vez en 20 años
Durante las pruebas de encuentro entre barcos, siguió de forma consistente las normas internacionales de prevención de colisiones y mantuvo una distancia segura respecto de otras embarcaciones. El modelo además desarrolló un comportamiento que no había sido programado explícitamente: al navegar por la Akashi Kaikyo Traffic Route, se mantuvo sistemáticamente a la derecha dentro de los carriles de tráfico designados, reflejando una convención local de navegación.
«La característica más distintiva de este estudio es que no equilibramos explícitamente múltiples objetivos, como la prevención de colisiones, las limitaciones geográficas, la eficiencia en la navegación y el cumplimiento de las normas de tráfico marítimo; sin embargo, la IA los consiguió.»
Higaki dijo que el método permite que una IA aprenda habilidades sofisticadas de manejo de buques directamente a partir de datos operativos reales, sin que los investigadores tengan que definir manualmente cada elemento del comportamiento correcto.
Transporte marítimo autónomo y la escasez de mano de obra marítima
Los investigadores esperan que los sistemas de navegación autónoma se vuelvan más comunes a medida que aumenten los datos reales de operación de buques. Esperan que la tecnología mejore la seguridad en la navegación y ayude a abordar la escasez de mano de obra en la industria marítima de Japón.
La investigación se detalla en «Planificador de rutas por difusión: modelado basado en datos de la navegación humana de buques que equilibra implícitamente seguridad, eficiencia y cumplimiento de normas bajo complejas restricciones geográficas», publicada en Ocean Engineering en 2026. DOI: 10.1016/j.oceaneng.2026.125656.
AI Editor
Ava covers the rapidly evolving world of artificial intelligence, from foundational models and research labs to the real-world economics of intelligence. With a background in computational linguistics, she cuts through the hype to find out what actually works. She firmly believes that benchmarks are just marketing until reproduced in the wild.
vía TechXplore
