Tabla de contenido
La IA Diseña las Rutas de Vuelo que Envían Naves a Marte — La Carrera Aeroespacial Detrás
Los 7 minutos de terror del aterrizaje de Perseverance en Marte fueron diseñados por algoritmos de optimización de IA ejecutados miles de veces en simulación. Los ingenieros de sistemas aeroespaciales que diseñan estas secuencias autónomas están en la frontera de la IA y la exploración espacial.
El aterrizaje del rover Perseverance en Marte el 18 de febrero de 2021 involucró 7 minutos de vuelo autónomo durante los cuales el rover tuvo que desacelerarse de 19,000 km/h a 0, desplegar un paracaídas supersónico, encender motores de descenso y bajarse a la superficie con una grúa aérea — todo sin ninguna señal de la Tierra, porque el retardo de comunicación era de 11 minutos en cada sentido. La secuencia fue planificada por algoritmos de optimización de IA y probada en simulación miles de veces antes del lanzamiento.
Te lo platico de forma concreta: esos 7 minutos de “terror” son la expresión más concentrada de ingeniería de sistemas autónomos en la historia humana. Cada decisión que tomó el rover — cuándo soltar el escudo térmico, cuándo desplegar el paracaídas a velocidad supersónica, cuándo cortar el paracaídas y encender cohetes, cuándo bajarse con la grúa — tenía que ser correcta. No había margen de error y no había posibilidad de intervención humana. Todo lo que funcionó fue planificado, simulado, validado y probado por ingenieros que trabajan en la intersección de la ingeniería aeroespacial clásica y la IA moderna.
Tu hijo que pregunta “¿cómo mandan un rover a Marte?” está preguntando sobre uno de los problemas de ingeniería más técnicamente exigentes que los humanos han resuelto jamás. Y es una carrera.
Por qué la planificación de trayectorias y misiones es más difícil de lo que parece
“Apunta el cohete a Marte y lánzalo” es tan preciso como “escribe algunas palabras y obten un sitio web”. Los dos subestiman dramáticamente la complejidad de lo que realmente está involucrado.
La planificación de misiones espaciales requiere resolver varias clases de problemas simultáneamente:
Mecánica orbital. La trayectoria de la Tierra a Marte no es una línea recta — ambos planetas están en movimiento, y el combustible es limitado. La trayectoria óptima (mínima energía) usa la mecánica gravitacional para hacer girar la nave a lo largo de una trayectoria curva que se intersecta con la órbita de Marte en el momento correcto. Calcularlas requiere resolver ecuaciones diferenciales durante períodos de tiempo de meses.
Optimización de ventanas de lanzamiento. La Tierra y Marte se alinean favorablemente para transferencias de baja energía aproximadamente cada 26 meses. Perder la ventana significa esperar 2 años. Las herramientas de optimización de IA ahora exploran miles de variaciones de trayectoria dentro de cada ventana.
Navegación autónoma. Los retrasos de comunicación van de 3 minutos (Marte en aproximación más cercana) a 24 minutos (Marte en aproximación más lejana). Esto significa que la nave espacial debe ejecutar maniobras complejas de forma autónoma.
Entrada, descenso y aterrizaje (EDL). La secuencia desde la entrada atmosférica hasta el aterrizaje en la superficie implica transiciones físicas dramáticas en una secuencia que tarda minutos y no puede interrumpirse. La planificación de EDL usa aprendizaje por refuerzo y simulación de Monte Carlo para encontrar secuencias robustas que funcionen en el rango realista de variabilidad atmosférica y del terreno.
Planificación de operaciones en la superficie. Una vez que un rover está en Marte, no puede simplemente conducir a donde quiera. Los presupuestos de energía, los peligros del terreno, los objetivos científicos, las ventanas de comunicación y la variación estacional restringen lo que puede hacer cada día.
Lo que dice la investigación
El Centro de Investigación Ames de la NASA ha publicado ampliamente sobre IA para la planificación de misiones espaciales. Un paper de 2024 del JPL demostró que la optimización de trayectorias basada en aprendizaje por refuerzo para una hipotética misión orbitadora de Neptuno encontró soluciones un 40% más eficientes en combustible que las encontradas por métodos de optimización tradicionales basados en gradientes (Bhaskaran et al., 2024).
El sistema AEGIS (Exploración Autónoma para Recopilar Ciencia Incrementada), desplegado en rovers de Marte desde Opportunity, usa visión por computadora a bordo para identificar de forma autónoma objetivos científicamente interesantes y tomar fotografías sin esperar comandos de la Tierra. El sistema identificó y fotografió más de 200 objetivos de roca novedosos en Curiosity y Perseverance que no estaban en el plan de ciencia original.
| Carrera de IA/Planificación de misiones aeroespaciales | Habilidades clave | Rango salarial (2025) | Empleadores |
|---|---|---|---|
| Ingeniero de astrodinámica | Mecánica orbital, Python/MATLAB | $90,000–$125,000 | NASA, Aerospace Corp, SpaceX |
| Ingeniero de sistemas EDL | Teoría de control, simulación, IA | $105,000–$145,000 | NASA JPL, SpaceX, Blue Origin |
| Investigador de IA en planificación | RL, optimización, física espacial | $115,000–$155,000 | NASA Ames, JPL, universidades |
| Ingeniero de navegación autónoma | Estimación de estado, ML | $110,000–$150,000 | JPL, Draper Lab, Astrobotic |
| Ingeniero de software de sistemas espaciales | C++, Python, OS en tiempo real | $100,000–$140,000 | NASA, SpaceX, Lockheed |
| Arquitecto senior de IA de misión | ML + diseño de sistemas | $150,000–$200,000 | NASA, DARPA, espacio comercial |
La ruta de carrera — lo que requiere y cómo empezar
La ruta de aprendizaje realista por edad:
8–12 años: Mecánica orbital a través del juego. Kerbal Space Program (KSP) es la herramienta educativa individual más valiosa que existe para construir intuición de mecánica orbital. Es un juego donde diseñas cohetes, planificas trayectorias y navegas el sistema solar usando física real. Los niños que juegan KSP seriamente desarrollan intuiciones sobre delta-v, asistencias gravitacionales e inserción orbital que son directamente relevantes para la ingeniería aeroespacial real. KSP está disponible para PC y consolas.
13–15 años: Física y Python. Física con cálculo más programación en Python. Implementar un simulador orbital simple de 2 cuerpos en Python — calculando la trayectoria de una nave espacial alrededor de un planeta usando integración numérica — es un problema real de astrodinámica que un adolescente motivado de 14 años puede completar.
16–18 años: Optimización de trayectorias. La biblioteca Python Poliastro proporciona herramientas reales de computación de astrodinámica. Un proyecto que calcula una transferencia de Hohmann de la Tierra a Marte y lo compara con trayectorias de misiones reales de datos públicos de la NASA es investigación sustantiva. En México, los Concursos de Ingeniería Aeroespacial del IPN y algunas ferias de ciencia regionales tienen categorías de ingeniería espacial.
Universidad: Ingeniería aeroespacial es la ruta principal. En México, el IPN tiene ingeniería aeronáutica. El CINVESTAV tiene programas de posgrado en sistemas espaciales. El Centro Espacial de la UNAM hace investigación en mecánica orbital y sistemas de naves espaciales. Para el mercado internacional, MIT AeroAstro, Caltech, Georgia Tech y la Universidad de Colorado Boulder son programas excepcionales.
También te recomendamos nuestro artículo sobre manufactura de cohetes con IA para el lado de manufactura de la misma industria.
Lo que viene en los próximos 3 meses
Planificación de Artemis III. La misión de aterrizaje lunar tripulado de la NASA (con objetivo 2027) involucra el Sistema de Aterrizaje Humano de Starship, un perfil de trayectoria completamente nuevo para la intersección en órbita lunar, y sistemas autónomos que nunca han sido probados con tripulación. La planificación de la trayectoria para esta misión se está finalizando ahora.
Servicios comerciales de superficie lunar. Astrobotic, Intuitive Machines y Firefly Aerospace tienen misiones activas de entrega lunar en 2026. Cada una requiere ingenieros de planificación de misiones para diseño de trayectorias, planificación de EDL y operaciones en la superficie. Estas misiones comerciales están creando rutas de carrera que no requieren trabajar para la NASA.
Operaciones científicas de Europa Clipper. El Europa Clipper de la NASA, lanzado en octubre de 2024, entró en órbita de Júpiter a principios de 2026 y comenzó su recorrido de 49 sobrevuelos de Europa. Cada sobrevuelo requiere una planificación precisa de trayectorias y secuencias autónomas de observación científica.
Preguntas frecuentes de papás
¿Mi hijo quiere ser astronauta. ¿Esta carrera está relacionada?
Más de lo que la mayoría de la gente imagina. Los astronautas de la NASA con formación técnica — particularmente ingenieros — están frecuentemente muy involucrados en la planificación de misiones como parte de su entrenamiento. Más prácticamente, hay aproximadamente 50 astronautas activos de EE.UU. y aproximadamente 30,000 personas empleadas en ingeniería aeroespacial. La carrera de ingeniería es mucho más accesible que la ruta de astronauta.
¿Kerbal Space Program es realmente útil para aprender conceptos aeroespaciales reales?
Sí. El modelo físico está simplificado pero es lo suficientemente preciso como para enseñar las intuiciones centrales. El juego usa mecánica orbital real — gravedad newtoniana, transferencias de Hohmann, asistencias gravitacionales, preparación en etapas — y los jugadores que lo dominan genuinamente entienden conceptos que confunden a estudiantes universitarios de primer año.
¿Hay carreras aeroespaciales en México o América Latina?
Sí. México tiene un sector aeroespacial creciente. El Centro Espacial de la UNAM hace investigación en mecánica orbital. La CONAE (Comisión Nacional de Actividades Espaciales) de Argentina tiene programas activos de misiones satelitales. La AEM (Agencia Espacial Mexicana) está desarrollando capacidades de misiones espaciales. Para los roles más avanzados de IA en planificación de misiones, el mercado de EE.UU. y Europa es donde está la mayor concentración de oportunidades.
¿Cómo se conecta esto con la IA en general?
El aprendizaje por refuerzo y la optimización usados en planificación de misiones son las mismas técnicas usadas en videojuegos, robótica y trading financiero. Las habilidades se transfieren ampliamente. Lee nuestro resumen sobre las rutas de carrera de IA que tu hijo debería conocer.
¿Cuánto ganaría mi hijo al empezar en este campo?
Los ingenieros de astrodinámica y sistemas de misión de nivel de entrada en la NASA y los principales contratistas comienzan en $85,000–$105,000. En SpaceX, los salarios de inicio son más altos pero las exigencias de trabajo son más intensas. Las posiciones senior con 10+ años de experiencia típicamente pagan $140,000–$190,000.
Sobre el autor Ricky Flores es el fundador de HiWave Makers e ingeniero eléctrico con más de 15 años de experiencia desarrollando tecnología de consumo en Apple, Samsung y Texas Instruments. Escribe sobre cómo los niños aprenden a construir, pensar y crear en un mundo saturado de tecnología. Lee más en hiwavemakers.com.
Fuentes
- NASA Jet Propulsion Laboratory. (2024). AEGIS Autonomous Targeting System — Operational Summary.
- Bhaskaran, S. et al. (2024). Reinforcement Learning for Fuel-Optimal Trajectory Design in Deep Space Missions. JPL Technical Report.
- Francis, R. et al. (2024). Autonomous Science Targeting on Mars Rovers: AEGIS Results 2020–2024. Icarus.
- NASA. (2021). Mars 2020 Perseverance Rover — Entry, Descent, and Landing Technical Overview.
- European Space Agency. (2023). Mars Express Orbit Optimization Using AI Trajectory Planning.
- SpaceX. (2024). Starship Booster Autonomous Catch — Flight Data Summary.
- Agencia Espacial Mexicana (AEM). (2025). Plan Sectorial de Actividades Espaciales 2024–2030.
- Bureau of Labor Statistics. (2025). Aerospace Engineers — Occupational Outlook Handbook.
- NASA Ames Research Center. (2024). AI for Space Mission Operations — Research Summary.
- CONAE Argentina. (2025). Programa Nacional de Misiones Satelitales 2025.
