Devlog: Cómo estoy construyendo un escudo anti-drones con IA que cabe en una mochila táctica.

Cómo estoy desarrollando un sistema C-UAS con Deep Learning, arquitectura NVIDIA Blackwell y SAHI para detectar micro-drones a larga distancia desde una mochila táctica. Un vistazo real a los retos de la IA en defensa.

Si has prestado atención al panorama de la defensa o incluso a las noticias internacionales en los últimos años, te habrás dado cuenta de algo: las reglas del juego han cambiado. Los drones han redefinido la seguridad perimetral y el campo de batalla. Ya no necesitas un caza de combate multimillonario para representar una amenaza; un pequeño dron comercial puede ser igual de disruptivo.

Al observar esta evolución, noté un problema crítico. Existen sistemas masivos y costosos para proteger bases enteras o aeropuertos, pero... ¿qué pasa con las unidades de infantería? ¿Qué pasa con el personal sobre el terreno? Falta un eslabón: un detector de drones portátil que una sola persona pueda llevar en su mochila para proteger a su escuadrón. Esta necesidad es la chispa que me ha llevado a embarcarme en mi proyecto actual: el desarrollo de mi propio sistema C-UAS (Counter-Unmanned Aircraft Systems). Hoy quiero abrir las puertas de mi entorno de desarrollo y compartirles en qué estoy trabajando, los retos técnicos a los que me estoy enfrentando y cómo utilizo Deep Learning y Visión Computacional para intentar resolver este problema.

El reto de ver lo invisible: Arquitectura y detección

El primer problema lógico al que te enfrentas cuando intentas detectar un dron a larga distancia es que, en una cámara, un dron lejano no es más que una mancha. Estamos hablando de objetivos de apenas 5 a 20 píxeles en un frame de alta resolución (4K o 1280px).

Para solucionar esto, mi arquitectura base se apoya en YOLOv8-P6 (que incluye una rama específica para objetos de escala micro), pero le he añadido un "superpoder" en el que estoy trabajando intensamente: SAHI (Slicing Aided Hyper Inference).

En lugar de que la IA mire toda la imagen de golpe y pase por alto esa pequeña mancha de 5 píxeles, SAHI divide la imagen en una cuadrícula y realiza la inferencia en cada "porción". El reto actual es optimizar este proceso para mantener el detalle nativo sin que el coste computacional se dispare, logrando detectar micro-drones a distancias donde el ojo humano simplemente fracasa.

El mayor dolor de cabeza: ¿Es un dron o es un pájaro?

Cualquiera que trabaje en detección de objetos en el cielo te dirá que la naturaleza es tu mayor enemigo computacional. Actualmente, mi mayor batalla diaria son los falsos positivos. No puedes tener un sistema de defensa que ponga a un pelotón en guardia táctica cada vez que pasa una gaviota.

¿Cómo lo estoy resolviendo en esta fase del desarrollo? * Entrenamiento intensivo: Estoy fusionando y curando datasets críticos (Anti-UAV, Drone-vs-Bird). Ya supero las 40.000 imágenes anotadas y sigo alimentando el modelo.

• Seguimiento Inteligente (Tracking): Estoy integrando algoritmos como Deep-Sort y filtros de Kalman. El objetivo es que el sistema no solo detecte, sino que analice trayectorias. Si el dron pasa detrás de un árbol (oclusión), el sistema genera un "fantasma" que deduce dónde reaparecerá. Los pájaros tienen un vuelo errático y orgánico; los drones tienen físicas distintas. Estoy enseñando al sistema a diferenciarlos por cómo se mueven, no solo por cómo se ven.

Más allá de la detección: Entendiendo la amenaza

Detectar el dron es solo el primer paso; el operador necesita contexto táctico. Por ello, una de las capas más interesantes que estoy programando ahora mismo es el Analizador de Comportamiento.

El sistema está aprendiendo a clasificar patrones de vuelo en tiempo real: ¿El dron merodea de forma estática (Hovering)? ¿Se acerca rápido (Approaching)? ¿Traza círculos de reconocimiento (Circling)?

Sabiendo esto, y cruzándolo con un estimador de distancia basado en geometría óptica y distancia focal, el motor calcula un Nivel de Amenaza del 1 al 5. Toda esta telemetría la estoy enviando a través de un servidor Flask con WebSockets para lograr una latencia casi nula hacia un Dashboard Táctico, donde el operador puede ver las alertas en tiempo real.

Del laboratorio a la mochila: La optimización del hardware

Aquí es donde el proyecto debe dar la talla para su propósito original: la portabilidad.

Para que el modelo sea lo suficientemente inteligente, estoy usando fuerza bruta en la fase de entrenamiento actual, aprovechando la aceleración de la arquitectura NVIDIA Blackwell (RTX 5060). Optimizar los hiperparámetros (como AdamW con Cosine Learning Rate) en esta bestia de GPU me está permitiendo alcanzar una convergencia de precisión excelente.

Pero el paso final, y el verdadero hito que tengo en el horizonte, es la exportación e implementación del sistema para hardware embebido. Estoy preparando el entorno para exportar el modelo a formato TensorRT y correrlo de forma nativa en placas NVIDIA Jetson (Orin/Xavier). Al conectar este sistema embebido a una cámara montada en un trípode táctico, lograremos el objetivo final: un sistema de alerta temprana, impulsado por Deep Learning, que quepa perfectamente en una mochila.

Próximos pasos en el desarrollo y en mi carrera

Desarrollar este C-UAS está siendo un viaje increíble que me obliga a llevar mis conocimientos de Visión Computacional, optimización de hardware y arquitectura de software al límite todos los días. Aún quedan bugs por aplastar y métricas de inferencia por mejorar, pero el progreso es sólido.

Mi objetivo al documentar este proceso es doble: compartir mi pasión por resolver problemas reales con inteligencia artificial y mostrar mi forma de trabajar. Actualmente, estoy en búsqueda activa de nuevas oportunidades laborales donde pueda aportar este nivel de ingeniería, resolución de problemas y visión de producto, ya sea en el sector de la defensa, la seguridad o la innovación tecnológica.

Si te interesa saber más sobre la arquitectura técnica de este proyecto, tienes consejos sobre la optimización en TensorRT, o quieres charlar sobre desarrollo de IA, ¡no dudes en conectar conmigo! Seguiré publicando actualizaciones a medida que el sistema avance.

Fernando González

Digital Strategist

Diseño y escalo sistemas digitales integrando marketing, automatización e Inteligencia Artificial.

Conectar