La clasificación de superficies en robótica móvil es un área que tradicionalmente ha dependido de señales inerciales, como acelerómetros y giroscopios, para discriminar entre asfalto, tierra, césped u otros terrenos. Sin embargo, un enfoque emergente basado en características energéticas —derivadas del consumo eléctrico o la potencia de los motores— está demostrando ser sorprendentemente eficaz. Estudios recientes muestran que, con arquitecturas modernas de deep learning como redes neuronales convolucionales (CNN), transformadores encoder-only o modelos de espacio de estado Mamba, es posible alcanzar precisiones del 85–90% empleando únicamente datos energéticos, y del 96–99% al combinarlos con señales inerciales. El incremento consistente del 1–2% al añadir estas características evidencia que la energía no es un mero complemento, sino una modalidad con entidad propia.

Desde una perspectiva empresarial, este hallazgo abre oportunidades para desarrollar sistemas de navegación autónoma más robustos y eficientes. Empresas como Q2BSTUDIO integran este tipo de avances en sus soluciones de inteligencia artificial para empresas, permitiendo que robots de logística, vehículos autónomos o plataformas de inspección tomen decisiones contextuales basadas en patrones energéticos. La capacidad de operar con un sensor menos costoso (solo medidores de corriente) reduce la dependencia de hardware especializado y facilita el despliegue en entornos industriales. Además, la combinación de estas técnicas con servicios cloud AWS y Azure posibilita el procesamiento en tiempo real y la actualización continua de modelos mediante agentes IA.

En Q2BSTUDIO desarrollamos aplicaciones a medida que incorporan estas aproximaciones, ya sea para clasificación de superficies, monitorización de maquinaria o análisis de rendimiento. Nuestro equipo también ofrece servicios inteligencia de negocio con Power BI para visualizar las métricas extraídas de los sensores, así como ciberseguridad para proteger la transmisión de datos críticos. Cada proyecto se adapta a las necesidades específicas del cliente, aprovechando tanto el software a medida como las últimas arquitecturas de deep learning. La investigación demuestra que las características energéticas no son ruido, sino una fuente de información valiosa que, bien explotada, puede redefinir los estándares de la robótica móvil.