30/08/2026
SEGMENTACIÓN DE PISTAS DE ATERRIZAJE POR
VISIÓN DE COMPUTADORA
Cristopher Axel Diaz Martínez
En esta tesis de la Licenciatura en Inteligencia Artificial se desarrolló un sistema de percepción visual para el aterrizaje autónomo de drones de ala fija. El punto de partida es un problema real de la aviación no tripulada: hoy estas aeronaves dependen casi por completo de las señales satelitales GNSS para aterrizar, y esas señales pueden degradarse, sufrir interferencias o incluso ser suplantadas mediante ataques de spoofing, en los que el dron calcula una posición equivocada sin que nada indique que algo anda mal. Para atender esa vulnerabilidad se implementó VALNet, una arquitectura de red neuronal de segmentación construida sobre YOLOv8-Seg, que hubo que reconstruir a partir de la descripción de su artículo original porque sus autores no publicaron el código. La red se entrenó con más de 12 mil imágenes de aproximación y aterrizaje generadas en X-Plane 11, un simulador de vuelo certificado por la FAA.
El modelo resultante reconoce y delimita la pista de forma continua, desde que aparece como una franja delgada en el horizonte hasta el momento del toque, y lo consigue bajo condiciones muy distintas: cielo despejado y nublado, neblina y baja visibilidad, terreno montañoso, zonas urbanas y vuelo nocturno, cuando la pista solo se distingue por la línea de sus luces. Detecta alrededor del 93 % de las pistas y prácticamente no genera falsas alarmas.
