No es un fallo de software ni un hackeo: el calor puede cegar a la cámara que ayuda a los coches autónomos a ver de noche
Creado: Actualizado:
Imagina un vehículo que avanza por una carretera oscura sin farolas. La cámara convencional apenas distingue formas, pero su sensor térmico dibuja con nitidez la silueta cálida de un peatón que se dispone a cruzar. Es el argumento perfecto a favor de esta tecnología: donde el ojo humano falla, el calor delata la presencia de una persona.
Sin embargo, un estudio presentado en el simposio de seguridad NDSS 2026 demuestra que esa misma ventaja puede volverse en contra. Bajo determinadas condiciones, fuentes de calor naturales o colocadas de forma deliberada logran que la cámara deje de "ver" al peatón, invente obstáculos que no existen o conserve imágenes fantasma durante minutos. Y lo llamativo es que no siempre hace falta acceder al software del vehículo para provocarlo.
La paradoja del sensor que ve en la oscuridad
La intuición cotidiana es sólida: un cuerpo humano, más caliente que su entorno, debería destacar como una mancha luminosa sobre un fondo frío. En eso se basa buena parte de la confianza depositada en las cámaras térmicas para conducción nocturna, vigilancia con drones y robótica móvil.
El problema es que un sensor térmico no capta "personas": capta radiación infrarroja y la transforma en una imagen mediante varias etapas de procesamiento. Esa arquitectura de interpretación es precisamente donde el equipo de la Universidad de Florida, junto con colaboradores de la Universidad de California en Irvine, Toyota y la Universidad de Electrocomunicaciones de Japón, halló el punto débil.
Conviene despejar de entrada una confusión frecuente. Este trabajo no analiza vallas, persianas ni fachadas repetitivas, ni tampoco patrones visuales que engañen a la visión estereoscópica de las cámaras ordinarias. Se centra exclusivamente en vulnerabilidades de las cámaras térmicas y en cómo el calor altera lo que el sistema cree estar viendo. Dicho de otro modo, no es la geometría de una escena lo que confunde al sensor, sino la temperatura.
Tres capas que pueden distorsionar la escena
Entre la radiación que llega al sensor y la decisión final del detector de objetos median varios procesos. El estudio identifica tres clases de vulnerabilidad, una por cada una de esas capas de interpretación, en una diversidad de fallos que recuerda a otra pregunta con eco biológico: ¿por qué la vida usa un idioma común para encender genes, pero mil dialectos para apagarlos?
La primera afecta a la ecualización de la imagen, es decir, el paso que convierte los valores térmicos en niveles de brillo o color. Una fuente de calor intensa puede desplazar el rango relativo de temperaturas y comprimir el contraste útil, de modo que la silueta de un peatón deje de resaltar frente al fondo. El sensor sigue recibiendo radiación, pero la imagen resultante ya no representa con fidelidad qué objeto importa.
La segunda vulnerabilidad tiene que ver con la calibración térmica, los mecanismos internos que compensan las diferencias entre píxeles para mantener estable la respuesta del dispositivo. Bajo ciertas condiciones, ese proceso genera patrones que un detector puede interpretar como un objeto o un obstáculo real donde no hay nada.
La tercera se relaciona con la adquisición de imagen y la óptica de la lente, capaz de producir reflejos, imágenes fantasma y artefactos térmicos persistentes. Esa capa externa, la primera en tocar la luz, plantea una pregunta parecida a la que surge con otros elementos superficiales: ¿la piel de la patata es lo más sano del tubérculo o una parte que conviene retirar? Aquí aparece un matiz inquietante: algunas de esas alteraciones continuaron visibles durante varios minutos después de retirar la fuente de calor. En otras palabras, el sensor conserva una especie de memoria engañosa de algo que ya no está presente.
Accidente, manipulación o pirateo: tres vías muy distintas
Uno de los aportes más valiosos del trabajo es desplazar la conversación desde el "hackeo" hacia la ingeniería de la percepción. El estudio distingue de manera implícita tres vías de riesgo que no deberían mezclarse.
La primera es el fallo accidental: superficies calientes, maquinaria industrial, reflejos o cambios bruscos de temperatura que forman parte del entorno cotidiano y que podrían distorsionar la imagen sin que nadie lo pretenda. La segunda es la manipulación deliberada de la escena, cuando una fuente de calor se coloca con intención de confundir al sistema. La tercera sería el ataque informático clásico, con acceso al software o al hardware.
La clave, y a la vez la parte más delicada, es que las dos primeras vías no requieren penetrar en el sistema. Afectan a la percepción desde fuera, actuando sobre el mundo físico que el sensor observa. Por prudencia, no describiremos aquí cómo reproducir el efecto: el objetivo es entender la vulnerabilidad, no facilitar su explotación.
Qué dicen las cifras y, sobre todo, qué no dicen
Los resultados son contundentes, pero deben leerse con cabeza fría. Todas las cifras proceden de un protocolo experimental concreto, con cámaras, detectores y escenarios específicos, y ninguna equivale a una probabilidad general de fallo en cualquier vehículo o robot en circulación real.
La evaluación abarcó tres cámaras térmicas (los modelos FLIR Boson, InfiRay T2S y FPV XK-C130), tres detectores de objetos y dos modelos de fusión que combinan imágenes visibles y térmicas. Sobre esa base, estos fueron los hallazgos principales:
- Las alteraciones térmicas redujeron hasta un 50 % la precisión media (mean average precision o mAP) en la detección de peatones.
- En los modelos que fusionaban imágenes visibles y térmicas, la caída de precisión llegó hasta un 45 %.
- En determinadas pruebas realizadas a velocidades de hasta 40 km/h, los sistemas dejaron de detectar peatones en hasta el 100 % de los casos.
- Las fuentes de calor generaron obstáculos falsos con una tasa máxima de éxito del 91 %.
- Algunos artefactos persistieron durante varios minutos tras retirar la fuente.
Interpretemos esos números con cautela. El 100 % y el 91 % son máximos de escenarios particulares, no un pronóstico para "cualquier coche autónomo". El propio equipo no sostiene que un vehículo pueda controlarse con facilidad, sino algo más sutil y, en el fondo, más importante: una arquitectura de percepción puede equivocarse cuando deposita demasiada confianza en una sola modalidad sensorial.
Ese matiz explica por qué la caída del 45 % en los modelos de fusión resulta tan reveladora. Combinar imagen visible y térmica parecía la solución evidente, y sin embargo no eliminó el problema. Si un modelo integra ambas señales sin estimar cuál es fiable en cada instante, una entrada térmica distorsionada puede contaminar la decisión conjunta. Dicho de modo sencillo, dos imágenes no equivalen automáticamente a dos observaciones independientes.
La redundancia real no es sumar sensores, sino compararlos
Aquí entra el terreno de las defensas, que es donde el estudio se vuelve más constructivo. Los autores desarrollaron técnicas de procesamiento de señales en tiempo real capaces de identificar y suprimir determinados artefactos térmicos engañosos. Es una mitigación investigada, no una garantía universal: no puede darse por hecho que funcione en todos los sensores, modelos y condiciones meteorológicas.
Más allá de esa contramedida concreta, el trabajo apunta hacia principios de diseño que trascienden el caso térmico. El primero es combinar sensores con fundamentos físicos distintos, como radar y lidar junto a las cámaras convencionales y térmicas, siempre que el uso y el coste lo permitan, sin caer en la lógica de que ¿más proteína es siempre más salud, o solo el último ingrediente de moda al que rendimos culto?: sumar sensores sin criterio no mejora la percepción, del mismo modo que acumular nutrientes sin medida no mejora la salud. La ventaja de esa diversidad no está en acumular entradas, sino en que un sensor basado en ondas de radio no se deja engañar por los mismos fenómenos que uno infrarrojo.
El segundo principio es detectar contradicciones. Una interferencia térmica que insista en marcar un obstáculo donde el radar y el lidar no ven nada debería recibir menos confianza, no más, igual que ocurre con esos otros detectores de obstáculos que la naturaleza ya perfeccionó: no están en el hocico ni son un capricho: los "bigotes" ocultos que guían cada movimiento de la pata de tu gato. El sistema tendría que asignar peso variable a cada fuente según su fiabilidad momentánea, en lugar de tratarlas como igualmente válidas.
El tercero incorpora la dimensión temporal que revela la persistencia de artefactos. Validar un sistema no puede limitarse a examinar fotogramas aislados: hay que evaluar la estabilidad de las detecciones a lo largo del tiempo, la "memoria" del sensor y su capacidad de recuperación tras una perturbación. Un obstáculo que sobrevive en la imagen minutos después de desaparecer del mundo real es un problema de seguridad por derecho propio.
Y el cuarto, quizá el más importante, es gestionar la incertidumbre. Cuando las señales de distintos sensores se vuelven incompatibles y el sistema no sabe con suficiente confianza qué está viendo, lo prudente es activar una condición de mínima exposición al riesgo: reducir la velocidad, frenar o adoptar una maniobra segura una vez superado un umbral de incertidumbre definido de antemano.
Responsabilidades compartidas, no un "caso extremo"
Ninguna de estas defensas recae sobre un único actor. La seguridad de un sistema autónomo se reparte entre los fabricantes de sensores, los desarrolladores de los modelos de percepción, los integradores que ensamblan el vehículo o el robot, los operadores que lo despliegan y los reguladores que fijan el marco. Cada uno con obligaciones distintas: documentar límites, ensayar escenarios adversos, conservar registros de incertidumbre y demostrar cómo responde el sistema cuando sus sensores discrepan.
En Estados Unidos, la guía Automated Driving Systems 2.0: A Vision for Safety de la NHTSA, publicada en 2021, recomienda validar el sistema completo dentro de su dominio operativo previsto (el llamado Operational Design Domain), incluyendo los comportamientos normales de conducción, la evitación de colisiones, las condiciones de mínimo riesgo y los fallos de subsistemas. Esa validación puede combinar simulación, pistas de prueba, conducción en vías públicas y, potencialmente, ensayos de terceros independientes.
Importa subrayar dos matices. El primero es que esa orientación es voluntaria: no equivale a una certificación federal previa que garantice la seguridad de cada sistema, aunque la NHTSA conserva competencias sobre defectos, retiradas y cumplimiento normativo. El segundo se deriva directamente del estudio. Si superficies calientes, reflejos o fuentes de calor industriales pueden aparecer en el dominio operativo cotidiano de un dron, un robot de reparto o un vehículo, clasificar esos escenarios como "casos extremos" sería insuficiente. Una escena térmica previsible debería formar parte de las pruebas ordinarias, no de una lista de excepciones improbables.
La lección de fondo
Nos hemos acostumbrado a pensar en la seguridad de la percepción artificial en términos de precisión: cuántos peatones detecta un sistema, con qué exactitud clasifica un obstáculo. Este trabajo desplaza el foco hacia algo más difícil de medir y más decisivo. Lo llamativo no es que una cámara pueda equivocarse, algo que damos por descontado, sino que la fiabilidad de una arquitectura autónoma dependerá cada vez más de su capacidad para reconocer a tiempo cuándo uno de sus propios sensores ha dejado de ser una fuente de conocimiento fiable.
Un sistema verdaderamente robusto no es el que nunca se equivoca, sino el que sabe dudar de sí mismo cuando el mundo deja de encajar con lo que sus instrumentos le cuentan. Enseñar a las máquinas a desconfiar de su propia mirada puede ser, paradójicamente, uno de los mayores avances de seguridad que nos quedan por delante.
Referencias
Bhupathiraju, Sri Hrushikesh Varma; Xie, Shaoyuan; Clifford, Michael; Chen, Qi Alfred; Sugawara, Takeshi; y Rampazzi, Sara. "The Heat is On: Understanding and Mitigating Vulnerabilities of Thermal Image Perception in Autonomous Systems." NDSS Symposium 2026. DOI: 10.14722/ndss.2026.230330. Disponible en: https://www.ndss-symposium.org/wp-content/uploads/2026-s330-paper.pdf
University of Florida. "Thermal cameras used in drones and robots can be tricked by heat sources, study finds." Comunicado institucional, 16 de marzo de 2026. Disponible en: https://news.ufl.edu/2026/03/thermal-cameras/
National Highway Traffic Safety Administration. "Automated Driving Systems 2.0: A Vision for Safety." U.S. Department of Transportation, 2021. Disponible en: https://www.nhtsa.gov/document/automated-driving-systems-20-voluntary-guidance
National Highway Traffic Safety Administration. "Automated Driving Systems." U.S. Department of Transportation, página institucional consultada en 2026. Disponible en: https://www.nhtsa.gov/vehicle-manufacturers/automated-driving-systems
KioskNews shows a cleaned-up reading view extracted from the publisher’s page — the original always lives on their site, not ours.