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.
RkJQdWJsaXNoZXIy MTM0Mzk2