El auge de los coches autónomos: cronología definitiva hacia la autonomía

El camino hacia los coches sin conductor es más largo, extraño y humano de lo que parece.

Un siglo imaginando la autonomía

Mucho antes de que el código se encontrara con la acera, la gente imaginaba viajes sin manos en el volante. En 1939, General Motors organizó la exposición Futurama en Nueva York, prometiendo autopistas controladas por radio que se encargarían de la dirección. Durante las décadas de 1950 y 1960, prototipos de investigación usaron clavos magnéticos, cables enterrados y cámaras primitivas para explorar el mantenimiento automático de carril en circuitos cerrados. Los sueños eran ambiciosos; la potencia informática no lo era. Aun así, estas primeras pruebas sembraron una creencia crucial: la automatización sería más segura si carreteras y vehículos trabajaran juntos. Ese debate —infraestructura inteligente frente a vehículos inteligentes— sigue resonando hoy en discusiones sobre mapas HD, conectividad V2X y geofencing. Para los años 70, la visión por ordenador maduró lo suficiente para detección de carril a escala de laboratorio. La autonomía dejó de ser solo un concepto dibujado; se convirtió en un reto técnico con hitos medibles.

1980s–1990s: Los primeros prototipos modernos ruedan

La era moderna comienza en laboratorios universitarios. A mediados de los años 80, el proyecto Navlab de Carnegie Mellon puso redes neuronales sobre ruedas con ALVINN, una furgoneta capaz de seguir carreteras aprendiendo patrones visuales. En Alemania, el profesor Ernst Dickmanns y el programa PROMETHEUS adaptaron sedanes Mercedes con cámaras, radar y procesadores a medida; a principios de los 90, esos coches navegaban por autopistas europeas a alta velocidad, adelantando tráfico lento y incorporándose de forma autónoma. Surgió la pila esencial: percepción (cámaras, radar), localización (odometría, puntos de referencia), planificación (generación de trayectorias) y control (dirección, acelerador, freno). Se parecía mucho a lo que usan los sistemas de producción hoy, solo más lento y voluminoso. Crucialmente, estos equipos demostraron que la autonomía no era magia; era disciplina de ingeniería: iterar, probar, registrar datos, corregir modos de fallo, repetir. Los cuellos de botella eran la potencia de cómputo, los datos etiquetados y sensores fiables que soportaran la suciedad del mundo real.

2004–2007: Los DARPA Grand Challenges convierten la autonomía en deporte

En 2004, la Agencia de Proyectos de Investigación Avanzada de Defensa de EE. UU. (DARPA) ofreció un premio de 1 millón de dólares para una carrera autónoma a través del desierto de Mojave. Todos los robots fracasaron pronto; la arena, el polvo y los desprendimientos humillaron al mejor software. Un año después, “Stanley” de Stanford ganó el segundo challenge, completando un duro recorrido de 132 millas con lidar, radar, cámaras y un software ingenioso que aprendía el terreno a partir del color. En 2007, el Urban Challenge simuló la conducción en ciudad con intersecciones, normas de tráfico y obstáculos dinámicos. “Boss” de Carnegie Mellon quedó primero; “Junior” de Stanford le siguió. Estos eventos fusionaron el rigor académico con la energía de las startups, impulsaron el lidar hacia el uso general y formaron a una generación de líderes que luego irían a Google, Waymo, Aurora, Cruise, Nvidia y otros. El campo pasó de pruebas de concepto a ingeniería de sistemas: fusión de sensores robusta, planes de redundancia y la idea de que enormes flotas de simulación podían poner a prueba casos límite antes de que un humano tuviera que tomar el volante.

2009–2015: Silicon Valley toma el volante

En 2009, Google lanzó su proyecto de coche autónomo bajo Sebastian Thrun, reclutando estrellas de los equipos ganadores de DARPA. La flota inicial acumuló miles de millas en calles y autopistas de California, demostrando que una autonomía basada en reglas podía funcionar más allá de un curso desértico. El equipo luego se convirtió en Waymo, y silenciosamente comenzó a construir una pila verticalmente integrada—hardware personalizado, mapas HD, percepción y marcos de seguridad—mientras presionaba a los reguladores por permisos de prueba y reportes transparentes. Mientras tanto, Tesla introdujo Autopilot en 2014–2015, popularizando la conducción semi-automatizada mediante asistencia al conductor con cámara frontal (ADAS). Esto no era “conducción autónoma” en sentido estricto, pero normalizó el centrado de carril y el control de crucero adaptativo entre conductores cotidianos. Mobileye emergió como proveedor clave para sistemas basados en visión; Nvidia empezó a enviar GPUs de grado automotriz; HERE y otras empresas de mapas refinaron mapas HD a nivel de carril; y startups exploraron cartografiado crowdsourced para mantener los datos actualizados. El impulso crecía rápido, pero surgían dos preguntas técnicas: ¿hasta qué punto confiar en mapas HD? y ¿pueden solo las cámaras igualar la precisión del lidar en condiciones difíciles?

2016–2018: Avances que se encuentran con lecciones sobrias

La mitad de los años 2010 trajo madurez y tragedia. En mayo de 2016, un Tesla Model S con Autopilot chocó contra un camión en Florida, desatando el debate sobre la supervisión del conductor y la denominación de funciones. En marzo de 2018, un vehículo de pruebas de Uber ATG atropelló y mató a un peatón en Tempe, Arizona, la primera víctima conocida en pruebas totalmente autónomas. Las investigaciones expusieron brechas en el software, el diseño de casos de seguridad y la supervisión. Los reguladores respondieron: la NHTSA de EE. UU. emitió documentos orientativos y animó a autorreflexiones de seguridad; los estados refinaron las reglas de permisos de prueba; Europa avanzó en regulaciones UNECE para sistemas de mantenimiento automatizado de carril. La industria se adaptó mejorando la supervisión del conductor, formalizando sistemas de gestión de seguridad e invirtiendo mucho en simulación para explorar casos raros. En el plano tecnológico, Audi anunció funciones Level 3 para atascos en el A8 (que luego vieron activaciones limitadas), mientras que Baidu lanzó Apollo en China, una plataforma abierta que reunió un amplio ecosistema de socios. La frontera había pasado de “¿puede funcionar?” a “¿cómo lo hacemos seguro, dirigido por datos y auditable?”

2018–2022: Los robotaxis pasan de demostración a servicio temprano

A finales de 2018, Waymo lanzó Waymo One en el área metropolitana de Phoenix, ofreciendo viajes de pago en zonas geocercadas con conductores de seguridad, y gradualmente pasando a trayectos totalmente sin conductor para usuarios seleccionados. Cruise, con respaldo de GM, construyó un banco de pruebas urbano denso en San Francisco, centrándose en giros a la izquierda, ciclistas y furgonetas de reparto doblemente estacionadas—las realidades ásperas del tráfico urbano. En China, Apollo Go de Baidu comenzó pruebas públicas en ciudades como Pekín y Wuhan; AutoX y Pony.ai ampliaron las pruebas sin conductor en distritos específicos. Bajo el capó, las pilas convergieron en algunas ideas clave: lidar de largo alcance emparejado con radar de imágenes y juegos de múltiples cámaras; mapas HD con carriles semánticos y bordillos; localización que fusiona GPS, datos inerciales y características del mapa; predicción de comportamiento que modela interacciones multiagente; y planificadores que razonan sobre la intención, no solo la geometría. El cómputo pasó del maletero a plataformas de grado vehículo como Nvidia Orin, mientras las actualizaciones OTA mantenían las flotas al día. La mirada empresarial también se agudizó: pilotos de reparto, corredores de lanzadera y operaciones de robotaxis con geocercas estrictas y dominios operativos definidos.

2023–2024: Expansión, retiradas y un reajuste de expectativas

Los últimos dos años fueron una mezcla de progreso y reajustes dolorosos. En agosto de 2023, California autorizó a Waymo y Cruise a operar servicios de robotaxi día y noche en San Francisco; luego, una colisión de alto perfil entre un vehículo de Cruise y un peatón llevó a una suspensión estatal para Cruise, cambios ejecutivos y una profunda revisión interna. Waymo, en contraste, se expandió con cautela—ampliando servicios en Phoenix, añadiendo viajes de pago sin conductor en San Francisco y abriendo listas de espera en Los Ángeles y Austin. Mercedes obtuvo aprobaciones en Nevada y California para Drive Pilot Level 3 en ciertas autopistas hasta 40 mph, marcando el primer despliegue en EE. UU. de un sistema Level 3 de producción en condiciones limitadas. En Japón, Honda continuó el despliegue Level 3 en atascos con el Legend. Los reguladores endurecieron el escrutinio: la NHTSA investigó la seguridad de la asistencia al conductor y promovió retiradas y cambios de software; la CPUC y líderes municipales debatieron volúmenes de servicio; y los reguladores europeos refinaron los informes de pruebas. Apple supuestamente canceló su prolongado proyecto de coche, recordatorio de que incluso las mayores compañías enfrentan decisiones difíciles cuando los plazos se alargan y las normas de seguridad evolucionan.

Lo que cambió bajo el capó

Tres cambios técnicos definieron esta fase:

De la percepción cruda a la comprensión de la escena: los modelos empezaron a inferir no solo qué es un objeto, sino cómo podría moverse y por qué, captando la intención en intersecciones y pasos de peatones.
De reglas codificadas a políticas basadas en aprendizaje: el aprendizaje de extremo a extremo y el aprendizaje por imitación informaron a los planificadores, incluso cuando una jaula modular de seguridad seguía imponiendo restricciones.
De métricas de laboratorio a ingeniería de fiabilidad: la seguridad pasó de los recuentos de desconexión a casos de seguridad estructurados, inyección de fallos en simulación, catálogos de escenarios y redundancia en sensores y cómputo. El resultado: mejor manejo de la “cola larga” de escenarios como cierres por obras, vehículos de emergencia y peatones ocultos.

_{Photo by Darren Halstead on Unsplash}

Level 2, Level 3, Level 4: Por qué las etiquetas importan en la vida real

Sistemas de consumo como Tesla Autopilot y GM Super Cruise son Level 2: el humano sigue siendo responsable en todo momento, aunque el coche gestione la dirección y la velocidad. Level 3 cede la responsabilidad al sistema dentro de límites estrictos; cuando el coche lo indique, el humano debe retomar el control, pero no antes. Level 4 es sin conductor dentro de un dominio definido; fuera de ese ámbito, el vehículo debe alcanzar un estado seguro por sí mismo. Esto importa para la ley, los seguros y el comportamiento del usuario. Mezclar estos niveles en el tráfico genera expectativas diversas: un robotaxi no asumirá riesgos que un humano podría tomar, y un conductor de Level 2 puede confiar en exceso en funciones que aún requieren vigilancia. La claridad en la denominación, la supervisión del conductor y el diseño de interfaces humano-máquina no son asuntos secundarios: están en el centro de la seguridad.

Una cronología concisa de hitos

1939: Futurama de GM imagina autopistas automatizadas.
1986–1994: CMU Navlab y ALVINN muestran conducción autónoma basada en cámaras en carreteras reales.
Principios de los 90: los coches Dickmanns/PROMETHEUS realizan maniobras en autopista en Europa.
2004: Primer DARPA Grand Challenge; no hay finalistas.
2005: Stanley de Stanford gana el segundo challenge.
2007: Boss de CMU gana el DARPA Urban Challenge; llega la autonomía estilo ciudad.
2009: Se lanza el proyecto de coche autónomo de Google (luego Waymo).
2014–2015: Tesla introduce Autopilot; ADAS llega al gran público.
2016: Primer accidente mortal con Autopilot; los reguladores de EE. UU. emiten orientaciones.
2018: Primera muerte de un peatón en pruebas autónomas (Uber ATG); Waymo One se lanza en Phoenix.
2020–2021: Surgen marcos UNECE ALKS; Honda despliega Level 3 en Japón.
2022: Cruise inicia viajes de pago nocturnos en San Francisco (con expansión antes de la pausa de 2023).
2023: Waymo y Cruise obtienen aprobaciones en SF; Cruise pausa tras un incidente serio; Mercedes obtiene Level 3 aprobado en NV y CA.
2024: Waymo se expande en Phoenix y SF y abre LA; China avanza pilotos sin conductor en zonas designadas.

La economía detrás del volante

Los sueños de robotaxis siempre fueron algo más que tecnología. Para competir con el rideshare, las flotas deben alcanzar un coste por milla atractivo y una alta disponibilidad. Eso requiere vehículos diseñados para la autonomía desde el chasis: colocación limpia de sensores, redundancia en energía y frenado, hardware fácil de reparar y componentes duraderos. También exige alta utilización: usuarios a todas horas, no solo en picos de desplazamiento. Las rutas logísticas (comida, paquetería) pueden suavizar la demanda. Seguro y responsabilidad cambian con Level 4: los operadores, no los pasajeros, asumen el riesgo, lo que empuja a las empresas hacia casos de seguridad ricos en datos e informes de incidentes transparentes. La economía por unidad depende de los precios de los sensores (especialmente el lidar), los costes de computación y el mantenimiento. La tendencia es favorable: los precios del lidar han caído, el rendimiento por vatio mejora y el software de operaciones de flotas exprime más viajes por coche. Aun así, la rentabilidad es una maratón, no un sprint.

Mapas, localización y el debate “¿cuánto mapa?”

Los mapas HD—modelos densos a nivel de carril del mundo—proporcionan fuertes priors: centroides de carril, geometría de bordillos, semáforos y señalización estática. Permiten que los vehículos se localicen a centímetros mediante la coincidencia de características con cámaras y lidar, posibilitando una planificación fluida y confiada. Los críticos señalan que los mapas pueden quedar obsoletos rápidamente ante obras y abogan por enfoques más “ligeros en mapa” que se adapten sobre la marcha con percepción robusta y memoria a corto plazo. En la práctica, los líderes mezclan ambos: mapas sólidos en zonas complejas, actualizaciones rápidas en vehículo, detección de cambios en la nube a partir de la percepción de la flota y políticas que degradan con gracia cuando el mapa falla. La fórmula ganadora no es mapa versus no mapa; es mapa más resiliencia.

Métricas de seguridad que importan

Los recuentos de desconexión hicieron titulares, pero los expertos miran indicadores más ricos:

Comportamiento pre-colisión: márgenes de tiempo hasta la colisión, frecuencia de frenadas bruscas y tasas de conflicto en intersecciones.
Violaciones de política: cumplimiento de señales de stop, disciplina de carril, comportamiento de ceder el paso y control de velocidad.
Eventos raros: manejo de vehículos de emergencia, comportamiento de reserva bajo fallos de sensores y rendimiento en lluvia intensa o deslumbramiento.
Referencias comparativas: millas por incidente frente a datos de conducción humana emparejados en las mismas carreteras, horas y condiciones.

La seguridad es una propiedad del sistema. Abarca factores humanos (expectativas del pasajero), aseguramiento del software, redundancia y análisis disciplinado tras incidentes. Las empresas que mejoran más rápido comparten el mismo hábito: se obsesionan con los casi-accidentes, no solo con los choques.

Política, ciudades y el nuevo bordillo

A las ciudades les importan menos las demostraciones espectaculares que los resultados: menos choques, menores emisiones, operaciones de autobús más fluidas y acceso justo. Eso ha metido a los robotaxis en una conversación más amplia sobre el espacio del bordillo, carriles bici, planificación prioritaria para el transporte público y dónde pueden hacerse recogidas sin bloquear el tráfico. Pilotos V2X—vehículos que hablan con semáforos—ayudaron a priorizar autobuses, advertir sobre infractores de semáforo en rojo y coordinar desvíos por obras. Mientras tanto, las normas sobre informes, asistencia remota y retención de datos maduraron, dando a las agencias públicas mejor visibilidad. El objetivo final no es solo viajes más seguros sino calles más inteligentes: menos giros a la izquierda peligrosos, flujo de tráfico más calmado y un bordillo que sirva a las personas, no solo a los vehículos.

2025 y más allá: hitos prácticos, no milagros

No llegará un único “año de la autonomía”; en su lugar, hay que vigilar expansiones constantes:

Más ciudades con zonas limitadas de servicio sin conductor y de pago.
Level 3 creciendo más allá de atascos hacia velocidades mayores en condiciones controladas.
Vehículos de flota (lanzaderas, furgonetas logísticas) adoptando autonomía en rutas fijas.
Productos de seguro diseñados para operadores Level 4, vinculados a datos de seguridad transparentes.
Mejor rendimiento en todo tipo de clima gracias a radar de imagen y modelos de fusión de sensores.
Pods de sensores integrados y más baratos que parezcan menos prototipos y más productos de consumo.

La cola larga seguirá siendo larga—escombros inesperados, comportamientos erráticos, señalización pobre—pero cada iteración la acorta. El futuro puede sentirse insulsamente cotidiano día a día y luego, de repente, normal: un coche que toma el turno de noche sin protestar, un reparto que llega al amanecer en silencio, un carril bus que avanza más rápido porque el software le dio olas verdes.

La conclusión escondida en un siglo de trabajo

La conducción autónoma no es un único gran avance; es una acumulación de decisiones cuidadosas sobre sensores, aprendizaje, ética, política y el trabajo poco glamuroso de las operaciones. La maquinaria impresiona, pero la historia es humana: investigadores que convirtieron fracasos en el desierto en resiliencia urbana, reguladores que exigieron claridad, ingenieros que trataron cada casi-accidente como una lección y pasajeros que, al final, decidirán si el viaje transmite confianza. Esa es la verdadera cronología—no una cuenta regresiva hacia un titular, sino una línea de progreso que sigue inclinándose hacia calles más seguras, noches más silenciosas y más tiempo devuelto a las manos de las personas.

External Links

[PDF] History Of Self Driving Cars Timeline - Tangent Blog 100 Years of Autonomous Vehicles: A Journey through History and … The Self-Driving Car Timeline - Predictions from the Top 11 Global … Autonomous Vehicles: Timeline and Roadmap Ahead History of self-driving cars - Wikipedia