Edición en Markdown

AI-translated from English; not yet reviewed by a fluent editor.

# El artículo de TU Delft sobre MonoRace explica su sistema de carreras de drones con una sola cámara

> Un nuevo artículo de Science Robotics detalla la cámara, la IMU y el control a bordo detrás de una victoria en carreras de drones de 2025. El resultado se limita a un circuito de competición conocido.

By BIG CHANGE Editorial

Published: 2026-10-15T06:59:17.849Z
Updated: 2026-10-15T06:59:17.849Z
Canonical: https://bigchange.ai/blog/tudelft-monorace-one-camera-autonomous-drone-racing

![Conceptual charcoal illustration of an unbranded quadrotor flying toward a freestanding orange-edged gate on an open field.](https://bigchange.ai/api/media/file/monorace-drone-gate-concept-v2.png)
AI-generated conceptual illustration by BIG CHANGE; no actual MonoRace aircraft, A2RL event or race result is depicted.

Los investigadores de TU Delft publicaron el método de MonoRace en [*Science Robotics*](https://doi.org/10.1126/scirobotics.aee9250) el 14 de octubre de 2026. El resultado que explica es anterior: el dron ganó la Abu Dhabi Autonomous Drone Racing Competition en abril de 2025. El artículo detalla cómo colaboraron a velocidad de carrera una cámara frontal, una unidad de medición inercial (IMU) y una pequeña red de control a bordo.

El [preprint accesible de los autores](https://arxiv.org/html/2601.15222v1), enviado el 21 de enero de 2026, informa de victorias frente a los demás equipos autónomos y tres campeones mundiales humanos en una eliminatoria. Dice que MonoRace alcanzó hasta 100 km/h en el circuito de competición sin seguimiento externo del movimiento. [La publicación del campus de TU Delft informó de la victoria](https://delta.tudelft.nl/en/article/ai-drone-from-tu-delft-outpaces-human-pilots-at-world-championship-in-abu-dhabi) en abril de 2025. BIG CHANGE no ha probado el sistema.

## El gran cambio

- **Qué cambió:** El artículo de octubre de 2026 explica cómo el equipo volvió a ajustar la alineación de la cámara de MonoRace después de impactos o reparaciones, usando imágenes de vuelo a bordo y formas conocidas de las puertas, sin seguimiento externo del movimiento.
- **Por qué importa:** Los equipos que evalúan varias aeronaves deben valorar por separado la prevención de colisiones. MonoRace quedó tercero en la prueba con varios drones porque carecía de esa capacidad, pese a sus victorias individuales y frente a pilotos humanos.
- **Qué observar:** Los resultados en un circuito señalizado no demuestran fiabilidad fuera de una pista, navegación de propósito general, seguridad de despliegue, disponibilidad comercial ni transferencia a otros robots.

## De la imagen de la puerta al comando del motor

El dron de competición usó una cámara visual junto con una IMU que medía el movimiento. La cámara de obturador rodante proporcionaba imágenes a un ordenador a bordo, donde una red neuronal marcaba las puertas del circuito. Después, el software detectaba sus esquinas, las contrastaba con la vista esperada y combinaba la estimación visual de posición con las lecturas de la IMU en un estimador de estado. Un modelo de dinámica del dron ayudaba al estimador cuando las maniobras bruscas llevaban el acelerómetro más allá de su rango de medición, según el [método del artículo](https://arxiv.org/html/2601.15222v1).

Los investigadores también usaron grabaciones de vuelo para mejorar la calibración entre recorridos. Compararon dónde deberían aparecer en la imagen de la cámara puertas de forma y tamaño conocidos con los puntos donde las detectó el sistema de segmentación. Ese ajuste fuera de línea resultó especialmente útil para afinar la posición y el ángulo de la cámara respecto al dron después de una reparación o un impacto. El ajuste aprovechaba el conocimiento de las puertas de competición y no requería seguimiento externo del movimiento.

El estado estimado se enviaba después a una pequeña red neuronal de guiado y control en el controlador de vuelo. Entrenada mediante simulación, enviaba órdenes directamente a los motores 500 veces por segundo, evitando un bucle de control interno separado. Las imágenes de la cámara se procesaban en un NVIDIA Jetson Orin NX a bordo; la red de 500 Hz se ejecutaba en el controlador de vuelo. El procesador de imagen y el controlador de motores de 500 Hz funcionaban en hardware distinto a bordo.

## Qué demuestra la carrera

Según los investigadores, MonoRace ganó en 2025 el Grand Challenge individual y la competición eliminatoria de IA contra humanos. El artículo también registra un tercer puesto en la carrera con varios drones, en la que carecía de capacidad para evitar colisiones. El resultado demostrado es un vuelo rápido alrededor de un circuito conocido de puertas, en condiciones de competición, con toda la percepción y el control a bordo y sin seguimiento externo del movimiento. El artículo no demuestra navegación de propósito general, un historial de seguridad de despliegue, disponibilidad comercial ni transferencia a otros tipos de robots.

Un sistema anterior, [Swift](https://pmc.ncbi.nlm.nih.gov/articles/PMC10468397/), venció a pilotos humanos campeones en un circuito interior usando sensores a bordo durante sus carreras. Su investigación empleó percepción visual-inercial estereoscópica y datos de captura de movimiento durante el desarrollo. El avance atribuido a MonoRace es un resultado de competición con una sola cámara visual y una IMU a bordo, junto con un estimador basado en las puertas y un controlador directo de motores. Los estudios usaron pistas y pruebas diferentes, así que sus tiempos no permiten comparar directamente qué sistema es más rápido.

## Fuentes y lecturas adicionales

- [Preprint de los autores de MonoRace](https://arxiv.org/html/2601.15222v1), enviado el 21 de enero de 2026. Es el relato accesible de métodos y resultados usado para este artículo; el artículo posterior de la revista se enlaza por separado.
- [*Science Robotics*, registro de la revista](https://doi.org/10.1126/scirobotics.aee9250), publicado el 14 de octubre de 2026. El DOI de la revista y la [bibliografía del comunicado de TU Delft](https://www.brightsurf.com/news/8Y4G736L/the-science-behind-the-worlds-fastest-autonomous-racing-drone.html) respaldan la información de publicación; la página completa de la editorial no estaba accesible durante esta revisión, por lo que los detalles técnicos anteriores se atribuyen al preprint.
- [El informe de la carrera de TU Delft Delta del 16 de abril de 2025](https://delta.tudelft.nl/en/article/ai-drone-from-tu-delft-outpaces-human-pilots-at-world-championship-in-abu-dhabi) documenta la cobertura contemporánea de la victoria de Abu Dabi.
- [Artículo de investigación de Swift](https://pmc.ncbi.nlm.nih.gov/articles/PMC10468397/) ofrece la comparación limitada con el sistema anterior.

## Sources

- [MonoRace: carreras de drones de nivel campeón con IA monocular robusta, preprint de autor v1](https://arxiv.org/html/2601.15222v1)
- [MonoRace, DOI de la revista Science Robotics](https://doi.org/10.1126/scirobotics.aee9250)
- [La ciencia detrás del dron de carreras autónomo más rápido del mundo, bibliografía del comunicado de TU Delft](https://www.brightsurf.com/news/8Y4G736L/the-science-behind-the-worlds-fastest-autonomous-racing-drone.html)
- [Dron de IA de TU Delft supera a pilotos humanos en el campeonato mundial de Abu Dabi, Delta](https://delta.tudelft.nl/en/article/ai-drone-from-tu-delft-outpaces-human-pilots-at-world-championship-in-abu-dhabi)
- [Carreras de drones de nivel campeón mediante aprendizaje por refuerzo profundo, Nature](https://pmc.ncbi.nlm.nih.gov/articles/PMC10468397/)