Resumen Técnico: Modelos de Lenguaje de Gran Escala y Arquitecturas de IA Agéntica para Robots Aéreos y Terrestres

1. Planteamiento del Problema

La robótica autónoma ha entrado en una fase transformadora impulsada por los Modelos de Lenguaje de Gran Escala (LLM) y la IA Agéntica, que proporcionan capacidades de razonamiento semántico, descomposición de tareas e interacción en lenguaje natural. Sin embargo, la integración de estos modelos en Vehículos Aéreos No Tripulados (UAV) y Vehículos Terrestres No Tripulados (UGV) sigue fragmentada. La literatura se caracteriza por:

• Silos de Plataforma: La robótica aérea y terrestre han evolucionado mayoritariamente como comunidades de investigación separadas, con pocos estudios que proporcionen una perspectiva arquitectónica unificada entre ambas.
• Heterogeneidad Arquitectónica: Los sistemas varían ampliamente en estrategias de razonamiento, mecanismos de memoria, enfoques de planificación y modelos de despliegue (por ejemplo, a bordo frente a la nube), careciendo de una taxonomía estandarizada.
• Brechas de Evaluación: Las encuestas existentes suelen centrarse en aplicaciones específicas o módulos aislados en lugar de sintetizar patrones arquitectónicos, la idoneidad de los modelos fundacionales y las restricciones de diseño multiplataforma.
• Limitaciones de Despliegue: Desafíos persistentes como las alucinaciones, los déficits de razonamiento espacial, la latencia de inferencia y la falta de una evaluación estandarizada dificultan el despliegue fiable de robots basados en LLM en entornos dinámicos y del mundo real.

Este estudio aborda la brecha mediante el análisis sistemático de las arquitecturas de IA agéntica basadas en LLM en ambas plataformas, UAV y UGV, para establecer una taxonomía unificada y proporcionar directrices de diseño.

2. Metodología

El estudio emplea una Revisión Sistemática de la Literatura (SLR) siguiendo las directrices de reporte PRISMA 2020.

• Estrategia de Búsqueda: Se realizó una búsqueda exhaustiva en ScienceDirect, IEEE Xplore, ProQuest, EBSCO y Google Scholar para publicaciones desde enero de 2020 hasta abril de 2026.
• Criterios de Selección: La búsqueda identificó 5,298 registros. Tras eliminar duplicados y aplicar un proceso de cribado de cuatro etapas (cribado de título/resumen seguido de verificación de texto completo), se incluyeron 124 estudios.
  • Inclusión: Estudios que describen arquitecturas robóticas concretas utilizando LLM/VLM para razonamiento, planificación o comportamiento agéntico en UAV o UGV físicos.
  • Exclusión: Trabajos puramente conceptuales, pre-publicaciones no revisadas por pares (con tres excepciones específicas para patentes y un informe de la NASA que describe arquitecturas implementadas) y estudios que dependen únicamente de aprendizaje automático convencional sin modelos fundacionales.
• Extracción de Datos: Se utilizó una plantilla estructurada para extraer datos sobre plataformas robóticas, tipos de arquitectura, modelos fundacionales, mecanismos de memoria, integración de herramientas, estrategias de despliegue y métodos de validación.
• Análisis: Se utilizó un enfoque inductivo, de abajo hacia arriba, para desarrollar una taxonomía arquitectónica unificada. El análisis cuantitativo resumió las tendencias en publicaciones, distribución de plataformas y uso de modelos, mientras que el análisis cualitativo identificó patrones organizativos recurrentes.

3. Contribuciones Clave

El artículo realiza cuatro contribuciones primarias:

1. Taxonomía Unificada: Una clasificación de seis grandes arquitecturas de IA agéntica basadas en LLM, que van desde la integración mínima hasta los modelos fundacionales de extremo a extremo.
2. Análisis Comparativo: Una comparación sistemática de las estrategias de razonamiento, enfoques de planificación, mecanismos de memoria y elecciones de diseño específicas de la plataforma entre UAV y UGV.
3. Matriz de Idoneidad de Modelos: Una evaluación de qué modelos fundacionales son más adecuados para módulos funcionales robóticos específicos (percepción, razonamiento, planificación, interacción), destacando las compensaciones entre modelos de propósito general y especializados.
4. Directrices de Diseño: Una síntesis de las limitaciones arquitectónicas y las directrices de diseño prácticas para apoyar el desarrollo de sistemas robóticos agénticos fiables, escalables y efectivos.

4. Resultados y Hallazgos Clave

4.1. Taxonomía Arquitectónica

La revisión identifica seis patrones arquitectónicos distintos:

1. Pipeline Secuencial de Lazo Abierto: Una ejecución de una sola pasada (Percepción → LLM → Planificación → Control) sin retroalimentación. Adecuado solo para tareas estáticas y predecibles.
2. Pipeline Secuencial de Lazo Cerrado: Introduce bucles de retroalimentación donde el LLM revisa los planes basados en los resultados de la ejecución, mejorando la robustez en entornos dinámicos.
3. Arquitectura Ejecutiva Jerárquica: El LLM actúa como un ejecutivo de alto nivel que descompone tareas y coordina subsistemas especializados (percepción, navegación, control), que pueden utilizar algoritmos clásicos u otros modelos.
4. Arquitectura Multi-Agente: Múltiples agentes especializados (por ejemplo, navegación, percepción, memoria) colaboran, distribuyendo el razonamiento y la computación.
5. Modelos Fundacionales de Extremo a Extremo: Una única red neuronal mapea las entradas sensoriales directamente a acciones (por ejemplo, modelos de Visión-Lenguaje-Acción). Estos son emergentes pero siguen siendo menos comunes debido a los costes de entrenamiento y problemas de interpretabilidad.
6. LLM como Herramienta de Tarea Específica: El LLM sirve únicamente como un componente de procesamiento de lenguaje estrecho (por ejemplo, traduciendo comandos a formatos estructurados) mientras que los algoritmos de robótica tradicionales gestionan la autonomía central.

Mejoras Transversales: La mayoría de las arquitecturas incorporan módulos opcionales para Memoria (50% de los estudios), Uso de Herramientas/Llamada de Funciones (30%), Reflexión y Mecanismos de Seguridad.

4.2. Diferencias de Plataforma (UAV vs. UGV)

• UAV: Énfasis en la percepción visual de largo alcance, planificación de misiones y navegación semántica. Dependen fuertemente de modelos de visión-lenguaje para la comprensión de escenas y el reconocimiento de hitos. Debido a las restricciones de carga útil y batería, solo el 12% de los estudios de UAV ejecutaron el modelo fundacional a bordo.
• UGV: Énfasis en la percepción local, navegación en terrenos complejos e interacción física con objetos y humanos. A menudo integran múltiples modelos de visión especializados antes del razonamiento semántico. Del mismo modo, solo el 12% de los estudios de UGV ejecutaron el modelo fundacional a bordo.
• Similitudes: Ambas plataformas adoptan cada vez más arquitecturas híbridas modulares, comunicación semántica (reemplazando la transmisión de datos brutos) y memoria persistente. Ambas separan la percepción/razonamiento del control de bajo nivel.

4.3. Idoneidad de los Modelos

El estudio concluye que no existe un único modelo "universal". En su lugar, predomina un enfoque híbrido:

• Razonamiento y Planificación: Los LLM de propósito general (por ejemplo, GPT-4, Claude, Llama, Qwen) son preferidos para la descomposición de tareas de alto nivel y la toma de decisiones.
• Percepción: Los modelos de visión especializados superan consistentemente a los VLM generales en tareas geométricas.
  • Detección de Objetos: YOLO, GroundingDINO.
  • Segmentación: SAM/SAM2.
  • Estimación de Profundidad: Depth Anything.
  • Codificadores Visuales: CLIP, SigLIP, DINOv2.
• Control: Los controladores clásicos (PID, MPC) y los planificadores de movimiento (A*, RRT) siguen siendo esenciales para la generación de trayectorias y la seguridad, ya que los LLM tienen dificultades con la optimización geométrica continua.

4.4. Limitaciones y Desafíos

• Fiabilidad y Alucinación: Los LLM generan frecuentemente planes plausibles pero incorrectos o alucinan objetos. La mayoría de los sistemas dependen de la verificación basada en reglas o de validadores secundarios antes de la ejecución.
• Razonamiento Espacial: Los modelos fundacionales tienen dificultades con las distancias métricas precisas, las relaciones 3D y la detección de objetos pequeños en escenas concurridas.
• Latencia y Despliegue: Solo el 10% de los estudios despliegan modelos a bordo; la mayoría depende de la inferencia en la nube/borde, lo que crea problemas de latencia para el control en tiempo real.
• Evaluación: Las tasas de éxito son la métrica principal, pero faltan benchmarks estandarizados para sistemas agénticos de extremo a extremo. Solo el 35% de los estudios validaron los sistemas en robots físicos.

5. Significación y Reivindicaciones

El artículo sostiene que las arquitecturas agénticas híbridas son el paradigma dominante y más práctico para los sistemas robóticos inteligentes en el futuro cercano. En lugar de reemplazar los algoritmos de robótica tradicional, los LLM sirven como motores de razonamiento cognitivo que coordinan modelos de IA especializados y sistemas de control convencionales.

La significación de este trabajo radica en:

• Consolidación: Cierra la brecha entre las comunidades de robótica aérea y terrestre, proporcionando una visión unificada de la evolución arquitectónica.
• Guía Práctica: Va más allá de las propuestas teóricas para ofrecer directrices de diseño basadas en evidencia (por ejemplo, mantener la geometría en los módulos clásicos, usar modelos especializados para la percepción, validar las salidas antes de la ejecución).
• Evaluación Realista: Destaca que, si bien los LLM habilitan nuevas capacidades, las limitaciones actuales en razonamiento espacial, seguridad y latencia requieren un enfoque modular donde los LLM gestionen la semántica de alto nivel mientras que los sistemas clásicos garanticen la seguridad y el rendimiento en tiempo real.

El autor concluye que abordar los desafíos en la latencia de inferencia, la fragmentación de la memoria, la mitigación de alucinaciones y la evaluación estandarizada es esencial para desplegar robots autónomos fiables en entornos complejos del mundo real.