El desarrollo de vehículos autónomos se ha convertido en un proceso esencialmente guiado por datos. A medida que los niveles de autonomía avanzan, aumenta el volumen de información necesaria para garantizar seguridad, validar decisiones y mantener trazabilidad de desempeño. La discusión ya no se centra solo en cuántos sensores se requieren, sino en cómo se procesa, almacena y aprovecha la data —física y sintética— para acelerar la innovación y reducir riesgos. El artículo resalta que la combinación de sensores (cámaras, radares, LiDAR, ultrasonido, unidades inerciales y sensores internos) es una decisión estratégica de fabricantes, porque afecta capacidades en condiciones adversas como niebla, baja visibilidad o señalización deficiente.

Se presenta un ejemplo de taxi autónomo probado a nivel 4 que integra 27 dispositivos de sensado en un sistema ADAS, y se menciona que algunos sensores ofrecen desempeño “superhumano” en rango y resolución. La selección de sensores tiene implicaciones directas sobre casos críticos: por ejemplo, detectar un neumático a 200 metros en una vía oscura puede estar fuera del alcance de visión humana y de ciertas arquitecturas basadas únicamente en cámaras, lo que explica la preferencia de varios actores por LiDAR complementado con radar.

El volumen de datos es masivo. Se cuantifica que una cámara HD puede generar cientos de megabytes por segundo y un LiDAR cerca de 1 GB por segundo. En operación cotidiana, por limitaciones de almacenamiento y transferencia, solo se conserva una fracción: del orden de decenas de segundos por varias horas de conducción. En fase de ingeniería, la recolección es mucho mayor: se menciona generación de hasta 22 terabytes por vehículo por día, con flotas que recorren millones de kilómetros y múltiples países para cubrir diversidad de geografía y clima. En el borde, chips con algoritmos de IA procesan datos en milisegundos, fusionan señales y ejecutan respuestas, mientras conjuntos seleccionados se suben a la nube durante carga o conexión Wi‑Fi, a menudo activados por anomalías para retroalimentar el entrenamiento.

La reducción de dependencia de datos físicos aparece como objetivo para escalar: se describen bases híbridas que combinan datos reales con datos sintéticos derivados de gemelos digitales de ciudades y simulaciones. Esto acelera ciclos de prueba sin exponer personas a riesgo.

El rol de estándares es transversal. Se enumeran comités y normas IEC vinculadas a pruebas de semiconductores, seguridad y desempeño de cámaras, controles automáticos y sensores, así como esquemas de evaluación de conformidad para certificación de componentes. Para el sector energético, la lección es extrapolable: la movilidad autónoma exige infraestructura de datos y de energía confiable, y la normalización reduce riesgo de interoperabilidad y de seguridad. Para directivos de tecnología en Colombia, el mensaje es priorizar arquitectura de datos y gobernanza cuando se integren sistemas de carga inteligente, V2G o corredores de movilidad conectada: la escala se define por estándares, por trazabilidad de datos y por ciberseguridad de dispositivos distribuidos.

Para leer más ingrese a:

https://etech.iec.ch/issue/2026-01/capturing-data-for-autonomous-vehicles