Foundation Models and Agentic AI for Autonomous Driving: A Systematic Review
Esta revisión sistemática sintetiza más de 100 trabajos para presentar una taxonomía unificada de nueve temas que integra modelos fundacionales, IA agéntica y sistemas cooperativos V2X, distinguiéndose de encuestas previas al abordar conjuntamente la compensación entre razonamiento y eficiencia, las brechas de simulación a realidad y la gobernanza de seguridad dentro de una perspectiva integral de arquitectura cognitiva para la conducción autónoma.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
El camino hacia un coche verdaderamente autónomo ha sido pavimentado durante mucho tiempo con un tipo específico de ingeniería: una línea de montaje rígida donde una parte de la computadora ve el mundo, otra parte decide qué hacer y una tercera parte gira el volante. Durante años, este enfoque modular funcionó lo suficientemente bien como para mantener los coches en movimiento, pero tuvo dificultades al enfrentarse a la naturaleza desordenada e impredecible de la vida real. Un conductor humano no solo ve un semáforo en rojo; comprende el contexto de una zona de obras, la intención de un peatón que cruza imprudentemente y la urgencia de una ambulancia que se aproxima, todo ello mientras explica sus acciones a un pasajero. Para cerrar la brecha entre el código rígido y la intuición humana, los investigadores han comenzado a recurrir a una nueva clase de inteligencia artificial conocida como modelos fundacionales. Estos son sistemas masivos entrenados en vastas cantidades de texto e imágenes, capaces de comprender el lenguaje y la visión de forma conjunta. Al aplicarse a la conducción, prometen transformar los vehículos de simples máquinas automatizadas en socios cognitivos que pueden razonar sobre situaciones de tráfico complejas, explicar sus elecciones en un lenguaje sencillo y adaptarse a escenarios que nunca han visto antes.
Una revisión exhaustiva publicada en septiembre de 2026 por un equipo de investigadores de instituciones de la India, Malasia, los Emiratos Árabes Unidos y Arabia Saudita traza este panorama de rápido cambio. Los autores, liderados por A. Srinivaas y Jeswin K F, no se limitaron a enumerar nuevos dispositivos; realizaron un análisis sistemático de más de cien estudios recientes para comprender cómo estos poderosos modelos de lenguaje y visión se están entretejiendo en el tejido de la conducción autónoma. Su trabajo revela que el campo se está alejando de los sistemas de percepción aislados hacia una "arquitectura cognitiva" unificada. En esta nueva visión, el coche no solo reacciona a los sensores, sino que razona activamente sobre el mundo, utiliza herramientas para recopilar información y colabora con otros vehículos e infraestructura urbana para navegar con seguridad.
La revisión destaca una evolución significativa en la forma en que se construyen estos sistemas. Los intentos iniciales dependían de módulos separados para ver y pensar, pero las investigaciones más recientes se centran en modelos de Visión-Lenguaje-Acción. Estos sistemas combinan la capacidad de ver una escena, comprender el lenguaje que la describe y controlar directamente los movimientos del vehículo en un proceso único y cohesivo. Por ejemplo, en lugar de simplemente detectar a un peatón, un sistema que utiliza estos modelos puede comprender una señal que dice "Zona Escolar" y razonar que debe reducir la velocidad, incluso si el peatón aún no es visible. Los investigadores descubrieron que marcos de trabajo como DriveMLM y TeLL-Drive ya están demostrando la capacidad de mejorar la toma de decisiones y reducir el tiempo que tarda el coche en "pensar". En una prueba específica utilizando un entorno de simulación llamado CARLA, un modelo llamado DriveMLM mejoró las puntuaciones de conducción en 4,7 puntos específicamente en la puntuación de conducción CARLA Town05 Long, al alinear mejor su comprensión visual con sus decisiones de planificación.
Sin embargo, el camino hacia un futuro totalmente autónomo no está exento de obstáculos significativos, y la revisión es cuidadosa al distinguir entre lo que funciona en una simulación por computadora y lo que funciona en una calle real. Los autores señalan una persistente "brecha de simulación a la realidad". Si bien muchos de estos modelos avanzados se desempeñan de manera impresionante en mundos virtuales como CARLA o nuScenes, a menudo tienen dificultades al transferirse a condiciones del mundo real. La brecha es sustancial; en algunos casos, el rendimiento de los sistemas de percepción cooperativa cae hasta un 40 por ciento al pasar de un entorno simulado al mundo real. Esto se debe a que los datos perfectos y predecibles de una simulación no pueden capturar plenamente la imprevisibilidad caótica del tráfico, el clima y el comportamiento humano real. Además, las mismas características que hacen inteligentes a estos modelos —su capacidad para razonar a través de cadenas de pensamiento complejas— también los hacen lentos. El tiempo que tarda un modelo de lenguaje de gran tamaño en "pensar" puede ser demasiado largo para las decisiones de milisegundos requeridas en una emergencia, creando un difícil compromiso entre inteligencia y velocidad.
Otro hallazgo crítico de la revisión es la falta de un marco de seguridad unificado. Actualmente, las comprobaciones de seguridad, la comunicación entre vehículos y la propia inteligencia artificial se tratan a menudo como problemas separados. Los investigadores argumentan que, para que estos sistemas sean confiables, necesitan un enfoque holístico que integre la verificación de seguridad directamente en el proceso de razonamiento. Señalan que, si bien se ha progresado en el uso de gemelos digitales —réplicas virtuales altamente detalladas de ciudades— para probar estos sistemas, no existe una forma estandarizada de medir qué tan cerca están estos mundos digitales de la realidad. Sin este estándar, es difícil certificar que un coche es verdaderamente seguro para las vías públicas. La revisión también aborda el concepto emergente de "IA agéntica", donde el coche actúa como un agente independiente con memoria y la capacidad de usar herramientas. Si bien esto ofrece la promesa de vehículos que pueden aprender de la experiencia y colaborar entre sí, los autores advierten que estos sistemas aún están en su infancia y enfrentan desafíos en interoperabilidad y confiabilidad.
El artículo concluye delineando una hoja de ruta clara para el futuro, enfatizando que la próxima generación de conducción autónoma no se definirá por un solo avance, sino por la integración de varias tecnologías complejas. Los investigadores sugieren que el futuro reside en sistemas híbridos que combinen la velocidad de los sistemas de control tradicionales con el poder de razonamiento de los grandes modelos de lenguaje, todo ello respaldado por redes de comunicación robustas que permitan a los coches hablar entre sí y con la infraestructura de la ciudad. Subrayan que, para que estos sistemas se conviertan en una realidad, la industria debe resolver el problema de hacer que estos modelos poderosos sean lo suficientemente rápidos para el uso en tiempo real, lo suficientemente seguros para ser certificados y lo suficientemente transparentes para que los humanos confíen en ellos. El viaje de un coche que simplemente sigue un carril a uno que comprende el mundo y razona sobre él está bien encaminado, pero la última milla requiere resolver algunos de los desafíos más difíciles de la inteligencia artificial y la ingeniería.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.