Investigadores de Estados Unidos y Japón identificaron tres vulnerabilidades físicas capaces de degradar la percepción de vehículos, drones y robots sin intervenir su software. El trabajo fue presentado en NDSS 2026 y resulta aplicable al análisis de seguridad de sistemas autónomos utilizados en ambientes industriales y mineros.
Fuentes de calor presentes en el entorno o colocadas deliberadamente pueden hacer que cámaras térmicas utilizadas por sistemas autónomos dejen de detectar personas y obstáculos reales o generen objetos inexistentes, de acuerdo con una investigación de University of Florida, University of California Irvine, Toyota InfoTech Labs y University of Electro-Communications de Japón.
El trabajo identificó vulnerabilidades en tres etapas propias de las cámaras térmicas: ecualización de imagen, calibración del sensor y adquisición óptica. En pruebas de conducción realizadas hasta 40 km/h, los investigadores registraron escenarios con una tasa de omisión de peatones de hasta 100% y generación de obstáculos falsos con hasta 91% de éxito. Esos porcentajes corresponden a las configuraciones experimentales evaluadas y no significan que todas las cámaras o vehículos autónomos presenten esas tasas de falla.
La investigación no es un descubrimiento producido esta semana. Fue presentada en el Network and Distributed System Security Symposium (NDSS), realizado entre el 23 y el 27 de febrero de 2026, y University of Florida divulgó los resultados el 17 de marzo. Gizmodo volvió a destacar el trabajo el 26 de septiembre.
El problema ocurre antes de que intervenga la inteligencia artificial
Las cámaras térmicas funcionan de manera diferente a una cámara RGB convencional. En lugar de depender de luz visible reflejada por los objetos, registran radiación infrarroja y transforman pequeñas diferencias térmicas en una imagen que posteriormente puede ser procesada por algoritmos de detección.
Eso permite complementar otros sensores durante la noche y en determinadas condiciones de visibilidad degradada. Pero también introduce una cadena de procesamiento especializada antes de que la información llegue al modelo de inteligencia artificial.
Los investigadores comprobaron que algunas vulnerabilidades aparecen precisamente en esa etapa. Por ello, no es necesario hackear el vehículo, dron o robot ni modificar directamente el algoritmo de detección. Una fuente térmica puede alterar físicamente la información que entra al sistema, de modo que la imagen ya está distorsionada cuando llega al software encargado de reconocer objetos.
El estudio evaluó tres cámaras utilizadas en aplicaciones autónomas: FLIR Boson, InfiRay T2S y FPV XK-C130. Los efectos fueron medidos sobre tres detectores de objetos adaptados a imágenes térmicas —YOLOv5, YOLOv8 y Faster-RCNN— y dos configuraciones de fusión entre cámaras visibles y térmicas.
Una fuente caliente puede reducir el contraste de una persona
La primera vulnerabilidad está relacionada con la ecualización, proceso utilizado para convertir el amplio rango térmico capturado por el sensor en una imagen con contrastes que puedan ser interpretados adecuadamente.
Los investigadores determinaron que determinadas variaciones intensas de temperatura pueden modificar ese proceso de tal manera que disminuya la firma térmica relativa de un objeto verdadero.
En términos prácticos, una fuente caliente dentro de la escena puede expandir el rango utilizado para construir la imagen y reducir el contraste relativo de un peatón respecto de su entorno. La persona físicamente continúa allí, pero su representación puede perder la información necesaria para que el detector la identifique.
En los modelos ensayados sobre el conjunto de datos FLIR ADAS, esta vulnerabilidad provocó una reducción de hasta 50% en la precisión media de detección de peatones. Los modelos que combinaban información visible y térmica también registraron degradaciones, con caídas de hasta 45%.
El resultado muestra además que incorporar varios tipos de cámaras no elimina automáticamente el problema: la fusión de sensores depende de la calidad y confiabilidad de las señales que entran al sistema.
La calibración puede dejar obstáculos que no existen
La segunda vulnerabilidad se encuentra en los procedimientos de calibración térmica.
Estos sensores necesitan efectuar correcciones periódicas para compensar variaciones de respuesta y mantener una representación consistente de las temperaturas. El equipo comprobó que una señal térmica externa puede interferir con ese proceso y producir artefactos posteriores.
En determinadas configuraciones experimentales, la consecuencia fue especialmente problemática: el objeto generado artificialmente podía aparecer varios minutos después de que hubiera terminado la exposición a la fuente térmica.
Para el algoritmo encargado de evitar obstáculos, el resultado podía parecer un peatón u otro objeto situado en el camino aun cuando físicamente no existiera.
La investigación identificó además una tercera vulnerabilidad relacionada con el conjunto óptico, el obturador y el diseño de las lentes utilizadas por estas cámaras. Debido a la forma en que determinadas señales infrarrojas son capturadas, pueden producirse patrones y reflejos térmicos similares a imágenes fantasma capaces de inducir falsas detecciones.
Hasta 100% de omisión en escenarios experimentales
Para determinar si los efectos podían mantenerse fuera del laboratorio, el equipo llevó las pruebas a escenarios reales de conducción.
Con velocidades de hasta 40 km/h, algunos experimentos consiguieron que el sistema dejara de detectar al peatón en el 100% de los casos considerados, mientras la creación de obstáculos falsos alcanzó una tasa máxima de éxito de 91%.
Estas cifras requieren cautela. No representan la probabilidad de que un vehículo autónomo falle durante una operación normal ni permiten concluir que cualquier fuente caliente produzca esos resultados.
El trabajo demuestra, en cambio, que existen condiciones físicas reproducibles capaces de afectar seriamente la percepción térmica y que las vulnerabilidades sobreviven cuando las imágenes son procesadas por diferentes arquitecturas de detección.
Los autores también consideran tanto fuentes de calor maliciosamente posicionadas como condiciones térmicas que pueden existir naturalmente en un entorno. Por ello, el problema no se limita a la ciberseguridad entendida como un ataque deliberado.
Los investigadores desarrollaron una defensa en tiempo real
El equipo no se limitó a identificar las fallas. Desarrolló tres mecanismos de procesamiento conscientes de estas amenazas, destinados a reconocer el comportamiento anormal de la señal y eliminar o reducir los artefactos antes de que la imagen llegue al detector.
En sus evaluaciones, la mitigación aplicada a la vulnerabilidad de ecualización redujo la pérdida de precisión media desde aproximadamente 50% hasta 4%.
Para los artefactos relacionados con calibración y adquisición de imagen, las defensas consiguieron suprimirlos con 100% de precisión en los escenarios exteriores evaluados por los investigadores.
Eso tampoco implica que el problema esté resuelto comercialmente. Las contramedidas corresponden al trabajo experimental del equipo y su desempeño tendría que evaluarse en diferentes cámaras, condiciones ambientales y arquitecturas autónomas antes de una aplicación generalizada.
Por qué importa para minería autónoma
Aunque las evaluaciones cuantitativas se concentraron principalmente en conducción autónoma, la investigación incluye explícitamente robots y drones, lo que vuelve sus conclusiones relevantes para otros sistemas industriales.
En minería, la implicancia aparece cuando una plataforma autónoma utiliza cámaras térmicas como parte de su percepción para operar de noche o en sectores donde las cámaras visibles tienen dificultades.
Camiones autónomos, robots de inspección o drones que dependieran de esta tecnología podrían enfrentar el mismo problema fundamental: un sensor diseñado para mejorar la percepción en condiciones difíciles también puede introducir errores propios que deben ser detectados antes de utilizar su información para tomar decisiones de movimiento.
La investigación no probó un camión minero ni un robot dentro de una faena, por lo que no demuestra una vulnerabilidad específica de operaciones mineras. Su aporte para la industria es preventivo: muestra que la seguridad de la autonomía no depende solamente de entrenar mejores modelos de inteligencia artificial.
También requiere comprender las limitaciones físicas de cada sensor, comprobar si distintas tecnologías entregan información coherente y diseñar sistemas capaces de reconocer cuándo una de sus fuentes de percepción ha dejado de ser confiable. Para operaciones donde una falsa detección puede detener equipos —o una omisión puede exponer personas e infraestructura— esa distinción es particularmente relevante.
