Imagínate tener que conducir por una ciudad nueva con un mapa tan grande que tapa todo el parabrisas. Aunque el mapa sea muy detallado, no puedes ver el camino. Eso mismo les pasa a muchos robots autónomos: están saturados de información. Pero un nuevo algoritmo desarrollado en la Universidad de Northeastern les ha dado una solución más inteligente, y sobre todo, mucho más ligera.
Este avance tiene nombre propio: DFLIOM (Deep Feature Assisted Lidar Inertial Odometry and Mapping). Puede que suene técnico, pero su función es bastante sencilla: ayudar a los robots a navegar con mayor precisión y rapidez usando solo los datos esenciales. Y como veremos, esto no solo mejora la eficiencia, sino que desafía una vieja creencia tecnológica: que «más datos siempre es mejor».
El problema de los mapas sobrecargados
Para moverse sin tropezar, un robot necesita «ver» su entorno. Lo hace mediante sensores como el Lidar, que lanzan pulsos de luz para medir distancias y formar mapas tridimensionales del entorno. Este proceso se conoce como SLAM (Simultaneous Localization and Mapping).
El problema es que estos mapas suelen ser gigantescos. Para que te hagas una idea, muchos sistemas actuales requieren entre 10 y 20 gigabytes de memoria activa para funcionar correctamente. Esa carga es como pedirle a tu móvil que edite una película en 8K mientras vas caminando por la calle: consume batería, memoria y ralentiza todo.
DFLIOM: menos es más (de verdad)
Aquí entra en escena DFLIOM. Desarrollado por Zihao Dong, un estudiante de doctorado, junto con su profesor Michael Everett, este nuevo algoritmo se basa en una idea radical pero efectiva: usar solo los datos más relevantes en lugar de almacenar absolutamente todo.
DFLIOM se inspira en un método anterior llamado DLIOM, que ya combinaba datos del Lidar con sensores inerciales (los que miden el movimiento del robot). Sin embargo, la innovación de DFLIOM está en cómo decide qué información conservar y cuál ignorar.
En vez de procesar todos los puntos que el Lidar detecta, selecciona únicamente los que contienen información clave sobre el entorno. El resultado es un mapa más ligero, pero igual o incluso más útil que uno completo.
¿Cómo lo logra? Con inteligencia selectiva
Pensemos en un robot que recorre una plaza universitaria. Si todos los árboles, bancos, personas y edificios se registran al mismo nivel de detalle, el sistema puede colapsar. Pero si el robot aprende a enfocarse en estructuras fijas y relevantes —como las esquinas de los edificios o las señales del entorno—, puede orientarse con facilidad sin malgastar recursos.
Este tipo de selección no solo ahorra memoria, también acelera la toma de decisiones. Es como si, en lugar de leer todo un libro de instrucciones, un robot pudiera enfocarse solo en los puntos subrayados en amarillo.
Y lo mejor es que esta estrategia no solo mantiene la precisión: en muchas pruebas, la mejora fue de hasta un 57% en eficiencia respecto a los métodos actuales.
Pruebas en el mundo real
Los investigadores probaron DFLIOM en un pequeño robot móvil llamado Agile X Scout Mini, equipado con un sensor Lidar de la marca Ouster, una batería autónoma y un miniordenador Intel NUC.
Este robot fue sometido a diversas pruebas en el campus de Northeastern, explorando zonas como Centennial Common, Egan Crossing y Shillman Hall. Estas áreas no solo ofrecieron entornos variados, sino también obstáculos reales: peatones, vegetación, cambios de terreno. Y aun así, el robot fue capaz de generar mapas precisos y navegar con fluidez.
El rendimiento del algoritmo dejó claro que no solo funciona en teoría: también es viable en situaciones reales, donde el entorno no siempre es predecible ni limpio.
¿Por qué esto importa?
Los beneficios de un sistema como DFLIOM no se limitan a los laboratorios. Si esta tecnología se integra en robots de reparto, vehículos autónomos o drones, se podrán fabricar dispositivos más ligeros, con menor consumo energético y capaces de funcionar durante más tiempo sin recargar.
Y lo más importante: este enfoque demuestra que la inteligencia no siempre depende de tener más datos, sino de saber elegir los adecuados. Algo que también podríamos aplicar a muchas otras áreas de la tecnología… y de la vida.
¿Qué sigue?
El equipo ha publicado su trabajo en GitHub, abriendo la puerta a que otros desarrolladores y empresas puedan experimentar con esta tecnología y adaptarla a sus propias necesidades. Este es un paso importante para avanzar hacia sistemas autónomos más escalables y sostenibles, capaces de integrarse sin problemas en entornos urbanos, rurales o industriales.
Mientras tanto, DFLIOM ya marca un antes y un después en la manera en que entendemos la navegación robótica eficiente. Porque al final, no se trata de tener todos los datos del mundo, sino de tener justo los que importan.