MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 588 / SEPTIEMBRE 2026 1
MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 588 / SEPTIEMBRE 2026 2
MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 588 / SEPTIEMBRE 2026 3
MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 588 / SEPTIEMBRE 2026 4
MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 588 / SEPTIEMBRE 2026 5
MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 588 / SEPTIEMBRE 2026 6
MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 588 / SEPTIEMBRE 2026 7
MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 588 / SEPTIEMBRE 2026 8
MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 588 / SEPTIEMBRE 2026 9
MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 588 / SEPTIEMBRE 2026 10 CONTENIDO POTENCIAL GEOLÓGICO, TECNOLOGÍA Y DESARROLLO SOLUCIÓN DIGITAL PARA EL MAPEO GEOLÓGICO Y GEOMECÁNICO EN LABORES SUBTERRÁNEAS Y SU IMPLEMENTACIÓN EN EL PERÚ GEOMETALURGIA PRESCRIPTIVA PARA PÓRFIDOS DE COBRE Editorial Innovación Cantera de Talentos 12 76 90 ROBOT AUTÓNOMO PARA EXPLORACIÓN Y MUESTREO GEOLÓGICO EN MINAS SUBTERRÁNEAS CON NAVEGACIÓN SLAM, SISTEMA DE TOMA DE MUESTRAS Y CONTROL EMBEBIDO DE RETORNO AUTÓNOMO PÓRFIDOS DE CU-MO EN EL SUR DE PERÚ: ORIGEN, FORMACIÓN Y EXPLORACIÓN DURANTE LA TRANSICIÓN CRETÁCEO - PALEÓGENO Exploraciones 14 54 MAPEO PROSPECTIVO MINERAL DE PÓRFIDOS-SKARN DE COBRE EN FRANJA ANDAHUAYLAS-YAURI CON REDES CONVOLUCIONALES DE GRAFOS 36
MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 588 / SEPTIEMBRE 2026 11 Nuestra Portada: Ofrecer a nuestros lectores conocimiento, tecnología e innovación, orientados al desarrollo productivo y sostenible de las operaciones mineras, buscando la mejora de la calidad y competitividad del sector minero. Misión: MINERÍA es la publicación oficial del Instituto de Ingenieros de Minas del Perú Calle Los Canarios 155-157, Urb. San César - II Etapa, La Molina, Lima 12, Perú. Telf. (511) 313-4160 / E-mail: rmineria@iimp.org.pe http://www.iimp.org.pe «Hecho el Depósito Legal Nº 98-3584 en la Biblioteca Nacional del Perú» El Instituto de Ingenieros de Minas del Perú no se solidariza necesariamente con las opiniones expresadas en los artículos publicados en esta edición de MINERÍA. Se autoriza la reproducción de los textos siempre que se cite la fuente Director: Homar Lozano Editor: Hebert Ubillús Arriola Publicidad: 961748318 / 944570038 Colaboradores: Alem Huayta, Charly Cueva y Diego Cajachagua – Alejandro Bueno, Fernando Saez y Antoine Caté – William Martínez, Alonso Marchena y Jorge Chira – Iván Reyna Bregette Falcón y Stefan Vollger – Paty Ortega, Yorlin Chiguala, Pablo Flores, Omar Torres y Martha Paredes. Diagramación: César Blas Valdivia Corrección: C & S Comunicaciones PUBLICACIÓN OFICIAL DEL IIMP www.revistamineria.com.pe / rmineria@iimp.org.pe Volumen 73, N° 588 - Septiembre 2026 PRESIDENTE Juan Carlos Ortiz Zevallos 1er. VICEPRESIDENTE Tomás Gonzales Paihua 2do.VICEPRESIDENTE Roberto Fernando Maldonado Astorga EXPRESIDENTE Darío Amet Ali Zegarra Macchiavello REPRESENTANTE CIP Jorge Enrique Soto Yen GERENTE GENERAL Gustavo De Vinatea COMITÉ EDITORIAL Miguel Cardozo Roberto Maldonado Richard Contreras Darío Zegarra Luz Cabrera Diógenes Uceda DIRECTORES Miguel Ángel Sánchez Váldez Susy Magaly Bardales Rojas Camila Anastasia Yepez Silva Santisteban Ricardo Valderrama Matellini Carlos Fredy Cotera Avellaneda Raúl Máximo Garay Villanueva José Enrique Ramírez Ostolaza Carlos Homar Lozano Domínguez Jimena Patricia Sologuren Arias Edgardo Daniel Orderique Luperdi Foto: Anglo American Quellaveco.
MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 588 / SEPTIEMBRE 2026 12 POTENCIAL GEOLÓGICO, TECNOLOGÍA Y DESARROLLO Entre los principales países productores de minerales en el ámbito global, no cabe duda, que el Perú resalta por el vasto potencial geológico que alberga la cordillera de los Andes, lo que, con el uso de las nuevas tecnologías para la exploración, avizora el futuro descubrimiento de nuevos yacimientos, con el fin de atender la creciente demanda de metales para la transición tecnológica y energética que atraviesa el mundo. En ese marco, es plausible que los actuales estudios que se desarrollan en las unidades mineras y los que realizan los proveedores del sector, progresivamente van incorporando el machine learning, sensores multiespectrales y la inteligencia artificial, entre otros, para hacer más eficientes los procesos relacionados con la exploración minera, siendo una actividad de alto riesgo y el primer eslabón en la cadena de valor de la minería. Los trabajos que presentamos dan muestra de estos avances que se suman a las tecnologías relacionadas con la geoquímica, geofísica, parámetros indirectos de geoestadística y modelos espaciales multivariantes, por citar algunos, con lo que se abre el abanico de oportunidades para la identificación de nuevos targets exploratorios. Junto a estas tecnologías, saludamos las recientes medidas adoptadas por el Ejecutivo, a través del Ministerio de Energía y Minas, para recuperar niveles de competitividad similares a los de otros países mineros, inclusive de la región, donde los plazos para la aprobación de autorizaciones de exploración demoran mucho menos tiempo. Es fundamental que el Perú siendo un país minero por excelencia, donde la minería aporta más del 60% de los ingresos de divisas por exportaciones, cuente con procesos robustos, pero a su vez ágiles, para que las empresas de exploraciones puedan desarrollar plenamente su labor para el descubrimiento de nuevos yacimientos de cobre, litio, oro, tierras raras y otros minerales críticos. De manera paralela, urge que la mayor parte de la cartera de proyectos mineros, que supera los US$ 64 mil millones, se ejecute en el menor plazo, para primero, reemplazar la producción de los yacimientos que progresivamente se van agotando y, segundo, incrementar nuestra participación global, lo que coadyuvará a cubrir la demanda actual y futura, y generar ingresos para cerrar las brechas sociales.
MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 588 / SEPTIEMBRE 2026 13 EDITORIAL Homar Lozano Director Con ese último objetivo, también es primordial que el Ejecutivo implemente mecanismos para apoyar a los gobiernos subnacionales, con la finalidad que la inversión pública efectivamente sirva y gatille el progreso sostenible y que las poblaciones de las zonas mediatas e inmediatas a las operaciones mineras formen parte y alcancen el desarrollo que merecen. Del mismo modo, no puede dejarse de atender la situación de la pequeña minería y minería artesanal, con el fin que se incorpore a la legalidad, con mecanismos formales que respondan eficientemente a la realidad de este segmento duramente afectado por la criminalidad, lo que repercute en las operaciones de la mediana y gran minería. Para alcanzar estos objetivos, consideramos que la participación de los jóvenes profesionales es clave, en la medida que constituyen el capital humano que puede contribuir a la incorporación de las nuevas tecnologías en los procesos mineros y aportar con ideas innovadoras en la recuperación de la competitividad del sector. Las universidades e institutos superiores deben continuar con el esfuerzo permanente de actualizar las currículas de cada especialidad, para que la formación de los nuevos profesionales y técnicos responda a las necesidades actuales de la industria. El Perú es un país privilegiado por su vasto potencial geológico y ecosistema maduro, que requiere un trabajo articulado entre el sector público y privado, para sin relajar los estándares ambientales y sociales, recuperar la competitividad que requerimos como una de las jurisdicciones mineras más importantes del mundo.
MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 588 / SEPTIEMBRE 2026 14 Exploraciones ROBOT AUTÓNOMO PARA EXPLORACIÓN Y MUESTREO GEOLÓGICO EN MINAS SUBTERRÁNEAS CON NAVEGACIÓN SLAM, SISTEMA DE TOMA DE MUESTRAS Y CONTROL EMBEBIDO DE RETORNO AUTÓNOMO Abstrac This technical study details the comprehensive development of an autonomous robotic system designed specifically for geological exploration and sampling in underground mines. The system is engineered to operate in GPS-denied environments and under adverse environmental conditions. The proposed solution integrates SLAM-based navigation algorithms, multispectral perception (RGB + IR), articulated robotic manipulation, and an automatic return system, all built on a high-efficiency embedded architecture. Validation was conducted in four sequential phases: autonomous path planning, functional simulation in underground environments, subsystem-level
MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 588 / SEPTIEMBRE 2026 15 Por: Alem Huayta Uribe, Charly Cueva Ricse y Diego Cajachagua Guerreros, Universidad Continental. energy modeling, and analysis of sampling time accuracy. Simulations demonstrated stable energy consumption (62 Wh/h), with power consumption concentrated in movement (50%), sensing, and manipulation, while maintaining a mean SLAM localization error of 3.82 cm. Sampling times ranging from 8.4 to 18.5 seconds per event were also recorded, depending on the structural complexity and optical conditions of the environment. Multispectral perception enabled the identification of geologically relevant areas through thermal and spectral contrasts, improving sampling efficiency. Resumen El presente estudio técnico detalla el desarrollo integral de un sistema robótico autónomo especializado en exploración y muestreo geológico en minas subterráneas, diseñado para operar en entornos carentes de señal GPS y bajo condiciones ambientales adversas. La solución propuesta incorpora navegación basada en algoritmos SLAM, percepción multiespectral (RGB+IR), manipulación robótica articulada y un sistema de retorno automático, todo articulado sobre una arquitectura embebida de alta eficiencia. La validación se estructuró en cuatro fases secuenciales: planificación de trayectorias autónomas, simulación funcional en escenarios subterráneos, modelado energético por subsistemas y análisis de precisión en los tiempos de muestreo. Las simulaciones demostraron una operación energéticamente estable (62 Wh/h), con distribución del consumo concentrada en tracción (50%), sensado y manipulación, manteniendo un error medio de localización SLAM de 3.82 cm. Asimismo, se registraron tiempos de muestreo entre 8.4 y 18.5 s por evento, determinados por la complejidad estructural y condiciones ópticas del entorno. La percepción multiespectral permitió discriminar zonas geológicamente relevantes mediante contrastes térmicos y espectrales, incrementando la eficacia en la toma de muestras. En conjunto, el prototipo representa una herramienta avanzada para operaciones autónomas en minería subterránea, al conjugar precisión operativa, autonomía energética y navegación inteligente adaptativa, con potencial de escalabilidad para misiones de reconocimiento geotécnico y monitoreo en espacios confinados o de difícil acceso.
MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 588 / SEPTIEMBRE 2026 16 Overall, the prototype represents an advanced tool for autonomous underground mining operations, combining operational precision, energy autonomy, and adaptive intelligent navigation. It also has the potential to be scaled for geotechnical reconnaissance and monitoring missions in confined or hard-toaccess spaces. Palabras clave: sistema robótico autónomo, exploración y muestreo geológico, minas subterráneas, navegación SLAM. Introducción La creciente complejidad de las operaciones mineras subterráneas y la necesidad de minimizar la exposición humana a entornos de alto riesgo han impulsado el desarrollo de soluciones robóticas especializadas para tareas de prospección geológica (Konieczna-Fuławka et al., 2025). La exploración en túneles profundos impone exigencias técnicas severas, debido a la ausencia de señal GPS, condiciones de baja visibilidad, geometría estructural irregular y presencia de agentes contaminantes. En respuesta, la comunidad científica ha consolidado tecnologías de percepción espacial avanzada, como sensores Lidar 2D/3D, visión multiespectral y sensores térmicos, acopladas a plataformas móviles con sistemas de navegación autónoma basados en algoritmos Simultaneous Localization and Mapping (SLAM), (Li, Benndorf y Trybała 2025). Si bien se han reportado avances relevantes en robótica aplicada a minería, la mayoría de estos desarrollos se limitan a tareas de transporte, inspección o asistencia remota, careciendo de capacidades integradas para navegación autónoma, toma precisa de muestras geológicas y retorno automático en situaciones críticas (Baranval et al., 2025). Normas internacionales como la ISO 102181:2011 (robots industriales y de servicio) y la IEC 61508 (seguridad funcional de sistemas electrónicos) establecen los criterios mínimos de desempeño y confiabilidad para este tipo de aplicaciones, destacando la necesidad de robustez estructural, procesamiento embebido, redundancia operativa y autonomía energética. Sin embargo, la implementación práctica de estos estándares en entornos mineros subterráneos sigue siendo incipiente (Kolapo et al., 2025). En el contexto peruano, donde la minería representa un eje central de la economía nacional, las actividades de exploración subterránea continúan siendo ejecutadas mayoritariamente por personal técnico que opera en condiciones peligrosas (Mestanza-Ramón et al., 2024). La dependencia de procedimientos manuales incrementa el riesgo de exposición a colapsos estructurales, atmósferas tóxicas o accidentes mecánicos, además de limitar la precisión en la caracterización del subsuelo (Olivares et al., 2024). Esta brecha tecnológica contrasta con la urgencia de modernizar las operaciones mediante soluciones automatizadas que garanticen continuidad operativa, trazabilidad de datos y reducción de riesgos ocupacionales (Zulkarnayeva y Tsamaraev 2024). Figura 1. Metodología de investigación.
MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 588 / SEPTIEMBRE 2026 17
MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 588 / SEPTIEMBRE 2026 18 Particularmente en la región central de los Andes peruanos, las condiciones geológicas y climáticas adversas requieren el desarrollo de sistemas autónomos adaptables, capaces de operar en túneles estrechos, con alta humedad y sin infraestructura de soporte. La arquitectura técnica de estos sistemas debe incorporar tracción reforzada, sensores de alta resolución, módulos de manipulación mecánica y plataformas de control embebido con capacidad de toma de decisiones en tiempo real. Asimismo, resulta indispensable integrar protocolos de retorno automático ante fallos, mediante lógica de contingencia basada en niveles de batería, pérdida de señal o finalización de misión. El presente artículo documenta el desarrollo, validación funcional y simulación predictiva de un robot autónomo de exploración subterránea para minería. El sistema integra navegación SLAM, manipulación robótica articulada y una interfaz de supervisión local, complementado por una evaluación operativa basada en modelado estadístico y análisis energético. La propuesta busca responder a las demandas técnicas de entornos subterráneos hostiles, aportando una solución innovadora para la exploración geológica autónoma en el ámbito minero latinoamericano. Objetivos Objetivo general Desarrollar y validar un sistema robótico autónomo para exploración y muestreo geológico en minas subterráneas, integrando tecnologías de navegación SLAM, manipulación robótica, percepción espacial multiespectral y control embebido de retorno automático, con capacidad operativa en entornos sin señal GPS y condiciones ambientales adversas. Objetivos específicos Diseñar la arquitectura funcional del robot subterráneo, incorporando un sistema de tracción reforzada, sensores Lidar 360°, cámaras RGB+IR y brazo robótico articulado con garra giroscópica para toma precisa de muestras geológicas. Implementar un sistema de navegación autónoma basado en SLAM, que permita la localización y mapeo tridimensional del entorno en tiempo real sin depender de infraestructura externa de posicionamiento. Desarrollar un protocolo embebido de retorno automático, capaz de activarse por condiciones críticas como pérdida de señal, nivel bajo de batería o finalización de misión, garantizando la seguridad y recuperación del equipo. Evaluar el desempeño energético del sistema mediante simulación predictiva, considerando parámetros como consumo promedio, distribución por subsistemas y autonomía operativa en misiones continuas de larga duración. Validar la precisión del sistema de localización SLAM y los tiempos de toma de muestras, mediante modelado estadístico y análisis de eventos simulados en entorno subterráneo representativo. Compilación de datos y desarrollo del trabajo El presente estudio adoptó un enfoque técnico-experimental orientado al diseño, integración y validación funcional de un sistema robótico autónomo para exploración subterránea (Fan, Agha-mohammadi y Theodorou 2022). Se analizaron parámetros operativos clave como consumo energético, error de localización SLAM, tiempos de muestreo y condiciones de activación del protocolo de retorno automático. Figura 2. Funciones robóticas.
MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 588 / SEPTIEMBRE 2026 19 El diseño estructural y electrónico del robot se fundamentó en la integración modular de subsistemas mecánicos, sensores de percepción activa y unidades de control embebido, configurados para operar en túneles sin señal GPS (Li et al., 2025). La validación se realizó mediante simulaciones predictivas en MATLAB, utilizando distribuciones normalizadas para emular escenarios realistas de operación durante 60 minutos continuos. Se evaluaron métricas de eficiencia energética, confiabilidad de navegación y estabilidad funcional del sistema en condiciones variables. La metodología se complementa con el análisis estadístico de eventos, permitiendo evaluar la robustez del sistema frente a variabilidad ambiental y dinámica operativa, como se muestra en la Figura 1 que detalla el esquema funcional del proceso de investigación. En la Figura 2 se ilustra el funcionamiento de un sistema robótico autónomo diseñado para la exploración subterránea. El proceso comienza con el entorno subterráneo, donde los sensores Lidar y RGB-IR capturan información, la cual es procesada por un controlador Raspberry Pi. Este controlador gestiona los actuadores que permiten al robot moverse (tracción) y realizar la toma de muestras (brazo robótico). El sistema emplea algoritmos SLAM (localización y mapeo simultáneo) y un protocolo de retorno automático, asegurando que el robot pueda navegar y regresar de manera segura en áreas sin cobertura GPS. El sistema funciona de manera autónoma gracias a baterías de 12V/24V, y una Interfaz Hombre-Máquina (HMI), que permite al usuario interactuar con el equipo para monitorearlo y controlarlo en tiempo real. Planificación de trayectoria autónoma y estimación temporal La planificación de trayectoria del robot se basa en algoritmos SLAM que integran datos de sensores Lidar y cámaras multiespectrales, permitiendo la construcción dinámica de mapas tridimensionales en entornos sin GPS. El sistema emplea un enfoque mixto de navegación local y global, priorizando rutas seguras y eficientes según la geometría del túnel y condiciones ambientales. El ciclo operativo incluye fases de desplazamiento, escaneo del entorno y evaluación de zonas de interés geológico, reguladas mediante lógica embebida. La trayectoria se adapta continuamente en función de obstáculos, cambios térmicos o bifurcaciones, permitiendo una cobertura autónoma del entorno. La estimación temporal se estructura por bloques funcionales, sincronizados por estados de misión, incluyendo un protocolo de retorno que se activa bajo criterios energéticos o de finalización de tarea. Simulación y condiciones operativas relativas La validación del sistema se realizó mediante una simulación predictiva de tipo probabilístico, orientada a representar el comportamiento operativo del robot durante una misión subterránea continua. Se modelaron tres parámetros críticos: conFigura 3. Grafica de consumo energético. Tabla 1. Consumo Energético - Operación Subsistema técnico Participación estimada Energía consumida (Wh) Motores de tracción 50% 30.28 Brazo robótico articulado 25% 15.14 Sensores y control embebido 25% 15.14
MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 588 / SEPTIEMBRE 2026 20 sumo eléctrico, precisión de localización SLAM y tiempo de ejecución de muestreo, utilizando distribuciones normalizadas que emulan la variabilidad de cada fenómeno físico bajo condiciones realistas. El consumo eléctrico fue simulado en función de la carga dinámica de los subsistemas activos, motores, sensores y actuadores, considerando fluctuaciones propias del desplazamiento, giros y procesos de toma de muestras. El error de localización fue estimado como resultado del comportamiento del algoritmo SLAM en túneles con diferentes geometrías y densidad de referencias espaciales. Por su parte, el tiempo de muestreo fue simulado como una función de la estabilidad del entorno, la complejidad del material geológico detectado y la respuesta del sistema de manipulación. Estas simulaciones permitieron reproducir un conjunto representativo de condiciones operativas, evaluando la estabilidad funcional del robot y su capacidad de mantener eficiencia energética, precisión de navegación y periodicidad de muestreo sin supervisión directa. Simulación de consumo energético La simulación del consumo energético se estructuró considerando la demanda eléctrica diferenciada de los principales subsistemas del robot: tracción, manipulación robótica, sensado y procesamiento. Cada subsistema fue modelado como una carga variable dependiente de su ciclo de actividad, configurando un perfil energético dinámico que refleja la operación continua durante una misión (Hou et al., 2025). Se implementó un modelo de potencia activa dependiente del tiempo, que considera tanto el régimen operativo nominal como las fluctuaciones inducidas por cambios en la velocidad, ejecución de maniobras o intensidad de escaneo sensorial. Las curvas de consumo acumulado se generaron integrando estas cargas sobre el tiempo, permitiendo estimar la tasa de descarga de la batería y los umbrales operativos críticos para el retorno automático. Simulación de sensado multiespectral y detección de zona de muestreo La simulación del sistema de sensado multiespectral se diseñó para evaluar la capacidad de operar en entornos subterráneos con condiciones visuales complejas. Se replicaron escenarios con variabilidad térmica, irregularidad de superficies y alteración de la visibilidad, con el fin de verificar la estabilidad funcional de los sensores y su adaptación a ambientes no estructurados. El modelo incluyó la simulación de la percepción visual en espectros visible e infrarrojo, considerando perturbaciones comunes como presencia de gases, humedad elevada y cambios de textura del entorno. Se evaluó el desempeño del sistema para detectar zonas potenciales de interés geológico en situaciones dinámicas, analizando la respuesta bajo distintos niveles de complejidad ambiental. Presentación y discusión de resultados Consumo energético del sistema robótico Los resultados de la simulación energética mostraron una operación estable del sistema durante 60 minutos continuos, sin sobrecargas ni picos de consumo. El comportamiento lineal de la energía acumulada evidencia un diseño eficiente de distribución de cargas, con predominancia de demanda en los motores de tracción. Figura 4. Análisis visual de bocamina.
MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 588 / SEPTIEMBRE 2026 21
MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 588 / SEPTIEMBRE 2026 22 La desagregación funcional del consumo permitió identificar que el 50% de la energía fue destinada al desplazamiento, mientras que el sensado y la manipulación representaron el restante. Esta estabilidad sugiere que la arquitectura energética del robot está correctamente dimensionada para misiones prolongadas, con una autonomía estimada que supera el mínimo operativo crítico en contextos subterráneos, como se detalla en la Tabla 1. En la Figura 3 se muestra la evolución de la energía acumulada (Wh) consumida por el robot autónomo durante 60 minutos de operación continua, evidenciando una curva de pendiente lineal constante que alcanza un total aproximado de 62 Wh. Esta tendencia refleja un consumo energético estable y eficiente, sin picos ni sobrecargas, lo que indica un buen dimensionamiento del sistema de baterías (12V y 24V) y un control uniforme de los subsistemas, sensores, motores, actuadores y procesamiento, incluso durante maniobras como desplazamientos, giros o toma de muestras. Este comportamiento es clave en entornos subterráneos, donde la autonomía energética es crítica y no se dispone de recarga inmediata. Precisión del sistema de localización Con el objetivo de validar el desempeño del robot autónomo en condiciones operativas realistas, se diseñó una simulación numérica de tipo predictivo, utilizando distribuciones aleatorias normalizadas para emular los parámetros críticos del sistema durante una misión subterránea de 60 minutos (Liang et al., 2023). La simulación fue realizada en MATLAB, considerando variables clave como consumo energético, error de localización SLAM, tiempo de toma de muestras y activación del protocolo de retorno. Análisis de trayectoria o localización SLAM En esta investigación, el algoritmo A* fue implementado sobre un mapa binario simulado de una mina subterránea, donde los píxeles blancos representan zonas no transitables (paredes o rocas) y los píxeles negros representan corredores navegables. Se diseñaron corredores superiores e inferiores, así como una cavidad central que simula la zona de toma de muestras geológicas. Donde todo parte de una imagen real para posterior a ello realizar un análisis de niveles de grises. En las imágenes 4a y 4b, se muestran dos representaciones de la misma estructura, pero con diferentes técnicas de iluminación para resaltar detalles específicos. La Figura 4a utiliza una iluminación suave para crear sombras que realzan las formas del objeto, mientras que en la Figura 4b, se emplea una iluminación más contrastante, lo que intensifica las texturas y detalles superficiales. Esta simulación evidencia que A* no solo valida la factibilidad geométrica del entorno, sino también la operabilidad segura del sistema autónomo, mejorando la capacidad del sistema autónomo para identificar áreas relevantes para el muestreo y garantizar su operabilidad en entornos con diferentes condiciones visuales. La Figura 5, presenta el resultado de la simulación de trayectorias planificadas mediante el algoritmo A* en un entorno subterráneo modelado como mina. Se visualizan tres rutas distintas hacia la zona de muestreo, representadas en verde, naranja y roja. Estas trayectorias se planifican considerando tanto la geometría irregular del entorno como las restricciones de seguridad establecidas, las cuales incluyen márgenes de seguridad para evitar el contacto con las paredes del túnel. La simulación refleja cómo el algoritmo A* optimiza las Figura 5. Trayectorias planificadas con A*.
MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 588 / SEPTIEMBRE 2026 23 rutas disponibles, adaptándose a los obstáculos presentes y ajustando la trayectoria en tiempo real para maximizar la eficiencia operativa del robot autónomo, garantizando una navegación segura en condiciones de visibilidad y accesibilidad complejas propias de la minería subterránea. El algoritmo A*, como método de búsqueda informada, es fundamental para la planificación de trayectorias en robots autónomos operando en entornos no estructurados. La integración con el Robot Operating System (ROS), particularmente en la distribución ROS Noetic, permite una gestión eficiente y modular de los diversos componentes del sistema robótico, como los sensores, actuadores y unidades de control. A* utiliza una heurística para determinar la ruta más óptima, considerando costos asociados al desplazamiento y evitando obstáculos en el entorno, lo que es crucial en espacios subterráneos donde la geometría del espacio es irregular. A través de ROS, se facilita la comunicación entre las plataformas de simulación como Gazebo y RViz, permitiendo que el algoritmo A* interactúe en tiempo real con la reconstrucción del entorno realizada mediante el algoritmo SLAM. Esta combinación permite la localización y mapeo simultáneos sin dependencia de señales GPS, asegurando que el robot pueda calcular y ajustar dinámicamente las trayectorias durante el desplazamiento, garantizando una navegación autónoma precisa y eficiente en espacios confinados y con condiciones variables, como las galerías mineras o túneles subterráneos. La Figura 6 muestra una vista superior del entorno de prueba simulado en Gazebo, utilizado para evaluar el comportamiento del robot autónomo en túneles subterráneos. El entorno está modelado con geometría hexagonal y presenta varios obstáculos estructurales que representan las características físicas de los túneles. El robot se desplaza en este entorno utilizando un sensor virtual LaserScan que captura datos a lo largo de los ejes X, Y y Z. Este enfoque de simulación permite estudiar cómo el sistema de navegación autónoma maneja las restricciones físicas de los túneles y ajusta las trayectorias en función de la información capturada, sin depender de señales GPS, lo cual es crucial para la operación en espacios confinados y sin infraestructura de geolocalización. La Figura 7 presenta la reconstrucción en tiempo real del entorno subterráneo, utilizando el algoritmo SLAM, alimentado por los datos obtenidos del sensor LaserScan. Esta reconstrucción es visualizada en RViz, una herramienta integrada en ROS Noetic, que permite generar mapas detallados del entorno mientras el robot se desplaza en el túnel. El algoritmo SLAM realiza el mapeo y la localización simultáneamente, lo que permite al robot determinar su posición relativa dentro del túnel sin necesidad de un sistema GPS. Este enfoque es esencial para la navegación autónoma en entornos subterráneos donde la señal GPS no está disponible, garantizando la precisión del sistema en condiciones de visibilidad limitada. La Figura 8 ilustra la ejecución simultánea de la simulación en Gazebo y la reconstrucción del entorno en RViz, ambas plataformas de ROS Noetic trabajando en conjunto. Este enfoque integral perTabla 2. Parámetros Estadísticos Variable (μ) (σ) Und. Justificación técnica Consumo eléctrico (corriente) 2.5 0.2 A Corriente típica en motores de tracción Error SLAM 3.5 1.2 cm Basado en algoritmos SLAM 2D-Lidar Tiempo de muestreo 12.5 2 s Tiempos esperados en brazo robótico Figura 6. Gazebo – ROS.
MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 588 / SEPTIEMBRE 2026 24 mite validar la correspondencia entre el entorno físico simulado y la representación digital generada por el sistema de navegación autónoma. A medida que el robot se desplaza dentro del túnel, los datos del sensor LaserScan son procesados para crear un mapa actualizado del entorno en tiempo real. La simulación y la reconstrucción simultánea aseguran que el robot pueda navegar de manera autónoma y eficiente, sin necesidad de GPS, lo que es fundamental en la minería subterránea y otros entornos sin infraestructura de geolocalización. Precisión de localización SLAM durante operación La localización precisa es un factor crucial en la operación de sistemas autónomos en entornos complejos y no estructurados, como las minas subterráneas. El algoritmo SLAM se utiliza para permitir que el robot autónomo se ubique en tiempo real y cree un mapa del entorno sin necesidad de señal GPS. Dada la naturaleza impredecible de los espacios subterráneos, con geometrías irregulares y condiciones ambientales cambiantes, es esencial que el sistema mantenga un alto nivel de precisión en todo momento para garantizar una navegación segura y eficiente. La Figura 9 muestra la evolución temporal del error de localización SLAM durante 60 minutos de desplazamiento continuo en un entorno subterráneo simulado, sin acceso a señal GPS. La variación del error en centímetros, calculada por el algoritmo SLAM mediante sensores Lidar 2D, odometría y procesamiento de imágenes, se visualiza a través de una curva en rojo. A lo largo del experimento, el sistema alcanzó un error medio de 3.82 cm, lo cual es adecuado para las tareas de navegación y exploración en espacios confinados. El análisis del comportamiento del sistema revela cuatro puntos críticos que reflejan su adaptabilidad frente a diversas condiciones operativas: Minuto 11 (Error: 2.76 cm): este valor relativamente bajo indica una trayectoria estable, probablemente dentro de un segmento rectilíneo bien referenciado. Las condiciones ideales para la triangulación de datos sensoriales permitieron una localización precisa en esta fase. Minuto 21 (Error: 5.20 cm): aquí se observa un incremento en el error, lo cual podría ser causado por irregularidades topográficas, giros pronunciados o deficiencias en la lectura de referencias visuales o térmicas. Este comportamiento muestra la respuesta del sistema ante cambios bruscos en la geometría del entorno. Minuto 34 (Error: 6.60 cm): este es el punto de mayor error registrado. Factores como superficies reflectantes, humo, vapor o estructuras con baja definición geométrica pueden haber dificultado la correspondencia de puntos en el mapa generado, lo que explica este pico de error. Minuto 51 (Error: 0.93 cm): este valor refleja un periodo de navegación altamente eficiente, donde el sistema se benefició de condiciones óptimas para la localización, como túneles rectos con geometría uniforme y una adecuada respuesta de los sensores. En conjunto, estos resultados validan la capacidad del sistema SLAM para mantener una precisión subdecimétrica en la mayoría del tiempo, a pesar de los picos ocasionados por factores ambientales y las perturbaciones comunes en entornos subterráneos. Esto asegura la fiabilidad de la navegación autónoma en aplicaciones críticas, como el monitoreo ambiental, las misiones de búsqueda y rescate, y la exploración minera. Figura 7. Reconstrucción Lidar.
MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 588 / SEPTIEMBRE 2026 25 Tiempos promedio de toma de muestra por evento La toma de muestras en el sistema robótico autónomo posee un proceso crítico que depende de múltiples factores ambientales y operativos. La eficiencia del sistema de adquisición de datos se evalúa en función de los tiempos necesarios para realizar la toma de muestra en eventos consecutivos, considerando la variabilidad en el entorno de operación. En el presente estudio, se analizaron los tiempos promedio de toma de muestras durante 30 eventos consecutivos ejecutados por el robot autónomo en un entorno subterráneo simulado. Los resultados, representados en la Figura 10, muestran que los tiempos de adquisición varían entre los eventos, debido a factores como la irregularidad del terreno, interferencias por partículas suspendidas, y cambios en la visibilidad. Distribución de los tiempos de muestreo Los tiempos promedio de muestreo se concentraron principalmente en el rango de 10 a 14 segundos en la mayoría de los eventos, lo que indica un comportamiento consistente y eficiente del sistema. Sin embargo, se observaron casos atípicos. Por ejemplo, el evento 1 alcanzó un tiempo máximo cercano a 18.5 segundos, mientras que el evento 16 presentó el menor valor, con aproximadamente 8.4 segundos. Estas variaciones son indicativas de la sensibilidad del algoritmo de adquisición frente a cambios dinámicos en el entorno, como irregularidades del terreno, interferencias por gases o polvo, y fluctuaciones en la visibilidad del entorno, que pueden requerir la repetición de lecturas para asegurar la precisión de los datos. Factores que afectan los tiempos de toma de muestra En los eventos 1, 2 y 30, se observaron los tiempos de adquisición más elevados, lo cual podría estar relacionado con zonas del túnel que presentan una alta concentración de partículas suspendidas o interferencias en los sensores de escaneo, lo que obliga al robot a realizar lecturas adicionales para asegurar la calidad de los datos. En contraste, los eventos 16, 23 y 27 presentaron los tiempos de muestreo más bajos, lo que sugiere condiciones más favorables para la captura rápida de datos, posiblemente asociadas a zonas con geometría regular, buena iluminación o señalización térmica que facilita la detección precisa. Resultados de la simulación de detección de zonas de muestreo y navegación autónoma La detección automatizada de zonas de muestreo constituye una función crítica en sistemas robóticos orientados a la exploración subterránea, ya Figura 8. Ejecución continua Gazebo – ROS. Figura 9. Precisión de localización SLAM durante operación.
MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 588 / SEPTIEMBRE 2026 26 que permite optimizar la adquisición de datos geológicos sin intervención humana directa. Esta tarea implica identificar, de forma autónoma, regiones del entorno que presenten características espectrales o térmicas relevantes para análisis posteriores, al mismo tiempo que se mantiene una navegación segura y eficiente. En la presente simulación, se modeló el comportamiento de un sistema robótico equipado con sensores multiespectrales (RGB, NIR e infrarrojos térmicos), orientado a detectar áreas del túnel subterráneo con atributos distintivos. La selección de zonas de interés se fundamentó en tres criterios espectrales principales: Baja reflectancia en el espectro infrarrojo cercano (NIR), indicador asociado a humedad superficial o acumulación de materia orgánica. Elevada temperatura superficial, identificada mediante termografía, posible evidencia de actividad geotérmica o filtraciones. Variaciones anómalas en textura y color del terreno, potencialmente relacionadas con afloramientos minerales o cambios en la composición litológica. Estas condiciones fueron procesadas mediante algoritmos de segmentación espectral y análisis de contraste multibanda, los cuales generaron mapas de prioridad que resaltan regiones diferenciadas respecto al fondo ambiental. Las imágenes resultantes mostraron que las zonas óptimas se concentraron en formaciones rocosas laterales y en el eje central superior del túnel, donde convergen dos o más de los criterios definidos. De manera integrada, el sistema de navegación autónoma planificó rutas que maximizan la cobertura de estas zonas detectadas, empleando algoritmos de inteligencia artificial que consideran tanto la transitabilidad del entorno como la relevancia espectral de las regiones. Este resultado valida la interoperabilidad entre los módulos de percepción remota y locomoción inteligente. En conjunto, la simulación confirmó que el sistema es capaz de discriminar regiones geológicamente relevantes bajo condiciones visuales complejas, y de adaptar su desplazamiento en función de dicha información, reforzando así su aplicabilidad para tareas autónomas de prospección y caracterización subterránea. La Figura 11 representa una simulación del sistema de sensado multiespectral aplicado a un entorno subterráneo, en el que se proyectan distintas longitudes de onda sobre la superficie de la pared rocosa. Esta simulación tiene por objetivo evaluar la capacidad del sistema robótico para discriminar visualmente zonas de interés geológico mediante diferencias espectrales. Se identifican tres zonas de tonalidad dominante: Magenta (centro-izquierda): esta región muestra una combinación de respuestas en bandas roja y azul, lo cual podría estar relacionado con áreas con humedad superficial, acumulación de material orgánico o heterogeneidad composicional en la roca. Verde (centro-derecha): tonalidad asociada a regiones con mayor reflectancia en el espectro visible y posiblemente vinculada a superficies secas o de diferente mineralogía. Amarillo (zona intermedia): coloración resultante de la combinación de altas respuestas en rojo y Figura 10. Tiempos promedio de toma de muestra por evento.
MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 588 / SEPTIEMBRE 2026 27
MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 588 / SEPTIEMBRE 2026 28 verde, lo que sugiere una transición entre zonas de distinta composición o condiciones térmicas diferenciadas. La aplicación de esta técnica permite segmentar automáticamente el entorno en regiones prioritarias para la toma de muestra, guiando al sistema robótico hacia áreas con mayor relevancia físico-química, tal como se establece en estudios previos de minería asistida por espectroscopía (Saha et al., 2025). Esta simulación, además de validar el modelo óptico-teórico de percepción, refuerza la capacidad del sistema para operar en ambientes no estructurados, donde la visibilidad y la regularidad superficial son limitadas. El enfoque multiespectral se posiciona como una herramienta fundamental para mejorar la selectividad del muestreo autónomo y reducir la incertidumbre operativa en exploraciones sin intervención humana directa. La transformación de imágenes multiespectrales a escala de grises constituye una técnica fundamental en el procesamiento visual automatizado, especialmente en entornos con geometría irregular y condiciones de visibilidad variable como los túneles mineros. Esta conversión elimina la influencia del color, permitiendo enfocar el análisis en los contrastes de intensidad lumínica, lo cual facilita la extracción de formas, bordes y patrones texturales. En la Figura 12, se aprecia la distribución de intensidad sobre una pared rocosa, donde zonas más claras indican alta reflectancia superficial, mientras que áreas oscuras reflejan posibles depresiones, rugosidades o variaciones estructurales. Esta codificación en escala de grises permite discriminar entre superficies lisas, fracturadas o mineralizadas, sin la interferencia de tonalidades cromáticas. El uso de esta técnica en el contexto del sistema robótico autónomo contribuye significativamente a la identificación de formaciones de interés geológico, ya que resalta irregularidades del relieve y diferencias de reflectancia que pueden asociarse a procesos hidrotermales, vetas minerales o zonas alteradas. Este enfoque refuerza la capacidad del robot para generar una percepción estructural robusta, necesaria para la planificación de trayectorias, el posicionamiento frente a zonas de muestreo y la priorización de regiones con potencial exploratorio. Además, sienta las bases para la implementación de algoritmos de análisis morfológico y clasificación automatizada, pilares de una exploración geológica inteligente y sin supervisión directa. La generación de un mapa binario a partir de imágenes procesadas constituye un paso crítico en Figura 11. Simulación de detección de zonas de muestreo. Figura 12. Simulación de detección de zonas de muestreo en escala de grises.
MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 588 / SEPTIEMBRE 2026 29 los sistemas de navegación autónoma en entornos subterráneos. Esta técnica permite segmentar el entorno en dos clases: zonas transitables y zonas no accesibles, simplificando así la planificación de trayectorias por parte del robot. En la Figura 13, el umbral aplicado sobre la imagen de entrada permitió clasificar las regiones en dos niveles: Blanco (camino libre): superficies navegables, compatibles con desplazamiento y posicionamiento para actividades de muestreo. Negro (obstáculo): presencia de paredes, formaciones rocosas, elementos intrusivos o zonas con alto riesgo de colisión. Esta segmentación binaria facilita la integración de algoritmos de planificación como A*, D* o RRT, al proporcionar un modelo espacial claro y libre de ambigüedad para el sistema de control. Además, en esta simulación particular, se observa que la zona central del entorno fue clasificada como completamente transitable, resultado coherente con la distribución original de la iluminación y geometría superficial capturada previamente. La capacidad del sistema para transformar imágenes multiespectrales y en escala de grises en mapas binarios operativos reafirma su robustez para operar en condiciones visuales complejas, sin necesidad de intervención manual. Este enfoque no solo garantiza un desplazamiento seguro, sino que también optimiza los cálculos computacionales necesarios para la generación de rutas eficientes y seguras en ambientes confinados y no estructurados. La segmentación automática mediante algoritmos de agrupamiento no supervisado representa una herramienta clave en la identificación de zonas geológicamente diferenciadas dentro de un entorno subterráneo. En la Figura 14, se aplicó el algoritmo K-means con k = 3 para clasificar los píxeles de la imagen en tres grupos con patrones espectrales similares. Esta técnica permitió dividir el entorno visual en tres zonas con distinta respuesta espectral, agrupando regiones que comparten características de reflectancia y textura, lo cual es particularmente útil para inferir diferencias mineralógicas o físicas del sustrato. El uso de K-means facilita esta discriminación sin requerir entrenamiento previo ni etiquetas, lo que resulta ideal en escenarios de exploración autónoma. Un hallazgo relevante de la segmentación fue que el clúster con mayor intensidad espacial coincidió con la región magenta identificada en el análisis multiespectral original, lo que sugiere que esta área posee una reflectancia distintiva o una composición superficial diferente. Esto valida la consistencia del enfoque multiespectral y demuestra la efectividad del algoritmo para resaltar zonas prioritarias de muestreo, incluso bajo condiciones visuales alteradas. La segmentación por K-means no solo mejora la interpretación del entorno por parte del sistema, sino que aumenta la autonomía cognitiva del robot, permitiéndole priorizar zonas de interés sin intervención humana directa y reduciendo la incertidumbre en la toma de decisiones geológicas. La validación espacial de las regiones identificadas como prioritarias para el muestreo se realizó mediante la superposición de la máscara de segmenFigura 13. Mapa binario del entorno subterráneo.
MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 588 / SEPTIEMBRE 2026 30 tación generada por el algoritmo K-means sobre la imagen original multiespectral. Esta visualización compuesta, mostrada en la Figura 15, permite evaluar con mayor claridad la coherencia espacial entre los datos espectrales procesados y las características físicas reales del entorno subterráneo. La imagen destaca en color verde brillante la región que el sistema clasificó como zona de muestreo con mayor prioridad. Esta región coincide con el área magenta previamente detectada en el análisis multiespectral, lo cual valida la consistencia entre la segmentación espectral automatizada y las anomalías visuales detectadas en la escena original. Esta técnica de superposición no solo facilita la validación visual del algoritmo, sino que también permite analizar la precisión posicional del modelo de segmentación, esencial para operaciones de manipulación robótica precisa en ambientes restringidos. Además, refuerza la capacidad del sistema para ejecutar una toma de decisiones geoespacialmente informada, integrando percepción, procesamiento y actuación autónoma de forma coherente. La determinación de centroides en regiones segmentadas constituye un paso clave para la planificación eficiente de operaciones de muestreo automatizado en sistemas robóticos. En la Figura 16, se visualiza la ubicación de los centroides calculados a partir de los clústeres previamente identificados mediante el algoritmo de segmentación K-means. Los puntos marcados en rojo sobre la imagen representan las posiciones más representativas de cada subregión espectralmente diferenciada. Estas ubicaciones fueron calculadas como el centroide geométrico de los grupos de píxeles clasificados, y son interpretadas como los puntos óptimos para la ejecución de tareas de muestreo directo. Esta estrategia presenta varios beneficios operativos: Evita la redundancia de mediciones dentro de una misma región espectralmente homogénea. Reduce el número total de desplazamientos necesarios, optimizando el tiempo y consumo energético del robot. Mejora la cobertura espacial del análisis sin comprometer la precisión del muestreo. La distribución uniforme y centrada de los puntos sobre las regiones de color magenta, verde y amarilla, ya identificadas como zonas prioritarias, confirma que el algoritmo de clustering generó una separación espacial adecuada entre regiones, fa- Figura 14. Segmentación espectral mediante K-means. Figura 15. Superposición de zona prioritaria de muestreo.
MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 588 / SEPTIEMBRE 2026 31
MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 588 / SEPTIEMBRE 2026 32 cilitando una respuesta autónoma precisa por parte del sistema. Esta etapa final del procesamiento visual evidencia la capacidad del sistema robótico no solo para detectar zonas relevantes, sino también para delimitar puntos de intervención concretos, garantizando una operación selectiva, sistemática y eficiente. En sistemas robóticos autónomos desplegados en entornos subterráneos sin infraestructura de posicionamiento global (GPS), la planificación de rutas seguras y eficientes, así como la activación de protocolos de retorno automático, son componentes esenciales para garantizar la autonomía operativa, la integridad de los datos recolectados y la seguridad del sistema. Ambos procesos requieren integración sinérgica entre percepción del entorno, análisis topológico, gestión energética y toma de decisiones en tiempo real. En cuanto a la planificación de rutas mediante el algoritmo A*, la Figura 17 muestra la implementación del algoritmo de planificación A* (A-star) sobre un mapa binario del entorno subterráneo, en el que las zonas blancas representan áreas transitables y las zonas negras corresponden a obstáculos o regiones no accesibles. A partir de un punto inicial ubicado en la esquina inferior izquierda del mapa, el algoritmo trazó rutas hacia los centroides de las zonas de muestreo previamente identificadas, visualizados como puntos verdes. Este método de planificación garantiza un desplazamiento autónomo libre de colisiones, evaluando continuamente el costo heurístico de cada trayecto para seleccionar rutas óptimas en función de la topología del entorno. En escenarios subterráneos donde la visibilidad es limitada y la geometría es irregular, el uso de A* proporciona una solución robusta y replicable, asegurando la cobertura de zonas de interés sin comprometer la eficiencia operativa. Respecto a la activación del protocolo de retorno automático, como complemento a la planificación de rutas, el sistema incorpora un protocolo de retorno cuya finalidad es asegurar que el robot regrese a su base ante situaciones críticas o tras completar la misión, garantizando la preservación del hardware, la integridad de los datos recolectados y la continuidad operativa del sistema. Durante las 30 simulaciones realizadas, se evaluaron las causas de activación de este protocolo, con los siguientes resultados: Retorno normal (66.7%): en 20 ejecuciones, el robot retornó al punto de origen de manera programada al finalizar su misión, lo que indica una planificación eficiente y un funcionamiento estable del sistema. Batería baja (16.7%): en cinco casos, el retorno fue activado tras la detección de niveles energéticos críticos. Esta respuesta valida la efectividad del subsistema de monitoreo energético, evitando que el sistema quede inoperativo en zonas remotas. Pérdida de señal (16.7%): en otros cinco eventos, la pérdida de comunicación remota activó el retorno. Este comportamiento sugiere que, aunque el sistema responde adecuadamente, se requiere fortalecer la robustez del canal de comunicación, especialmente en entornos con geometrías complejas o interferencia electromagnética. Figura 16. Cálculo de centroides en zonas de muestreo.
RkJQdWJsaXNoZXIy MTM0Mzk2