01
Cápsula ESP32-S3
JPEG RGB, térmica opcional, BME280, watchdog y cola microSD en una carga compacta.
Objetivo ≤65 g
AERIS · Sistema aéreo de detección temprana
Ojos ligeros en el aire. IA segura en tierra.
Un microdron con ESP32-S3 captura RGB, térmica opcional y coordenadas. El portátil procesa la evidencia sin cargar al dron con cómputo pesado.
$832 mil
electrónica + margen
≤65 g
objetivo de diseño
0 solar
energía del dron + BEC
Recomendación ejecutiva
Empieza con cámara + SD. Añade térmica y LoRa solo después de pesar el conjunto y comparar el tiempo de vuelo. Panel solar, PMS5003 y anemómetro quedan fuera del dron.
Captura
XIAO ESP32-S3 Sense + microSD
Carga útil
65 g como objetivo, no como dato del dron
Enlace
LoRa para eventos; nunca video
Inferencia
Portátil en tierra con RT-DETR
Compra recomendada
Presupuesto y peso, lado a lado.
Activa o desactiva componentes y ajusta la carga útil que realmente admite tu dron. Los gramos son un sobre de diseño conservador: pesa el montaje final antes de volar. Los precios observados en Colombia el 31 de agosto de 2026 son referencias y pueden cambiar.
ComponenteEtapaCargaEstimado
Fase 1 · Simulación
Prueba la lógica multimodal antes de comprar.
Este cálculo didáctico combina el dron con información de tierra. Viento y PM no viajan en la aeronave: provienen del autopiloto, una estación meteorológica o una fuente externa. No reemplaza el FWI, una brigada ni la confirmación humana.
Evidencia de cámara
Nivel 0
Normal
Nivel 1
Condiciones favorables
Nivel 2
Evento sospechoso
Nivel 3
Probable incendio
Nivel 4
Emergencia confirmada
Arquitectura
El dron observa; la estación de tierra entiende.
Separar captura, navegación, inferencia y alerta mantiene la carga ligera. Este dron sirve para patrullas y reconocimiento: no reemplaza una estación fija que vigila 24/7.
02
Autopiloto + enlace
GPS, hora, altitud, actitud y batería desde el controlador de vuelo. LoRa solo para estado y evento.
Sin sensores duplicados
03
Gateway local
Portátil con Python, RT-DETR, tracking, clima de tierra, fusión temporal, FastAPI y SQLite.
Funciona sin nube
04
Decisión humana
Dashboard, evidencia, coordenadas, prioridad de rescate y escalamiento.
Humano en el circuito
Qué corre en el dron
Drivers y timestamp
JPEG y miniaturas
Filtros de rango / sensor trabado
Disparo por intervalos o waypoint
Cola microSD
Watchdog y telemetría ligera
Qué se queda en tierra
YOLO/RT-DETR multiclase a video fluido
Segmentación densa de humo
Tracking robusto de fauna y personas
Fusión RGB+térmica de alta resolución
Predicción física de propagación
Procesamiento de video continuo
Hardware con criterio
Cada sensor debe ganarse su lugar.
En un microdron, gramos, vibración, arrastre, ruido eléctrico y centro de gravedad importan tanto como la ficha técnica.
Regla de integración
Monta la cámara fuera del campo de hélice, desacopla vibración, separa el BEC del sensor térmico y no encierres la MLX90640 detrás de vidrio común. Pesa el conjunto con cables y tornillos.
Puede volar
XIAO ESP32-S3 Sense
Integra MCU, cámara y microSD en poco espacio; es la opción principal para este dron.
MLX90640
Opcional y de bajo consumo. Confirma calor cercano, pero sus 32×24 píxeles no ven focos pequeños a gran distancia.
BME280
Ligero. Solo sirve como tendencia porque motores, electrónica y flujo de hélice alteran la medición.
LoRa 915 MHz
Envía coordenadas, estado y alerta. El video queda en SD o viaja por Wi-Fi a corta distancia.
En tierra o desde el autopiloto
GPS, altitud y batería
Léelos del controlador de vuelo para no duplicar sensores ni peso.
Viento y lluvia
Obténlos de una estación meteorológica en tierra o una fuente pública; una hélice invalida un anemómetro a bordo.
PMS5003
Déjalo en una base fija: pesa cerca de 41 g y su ventilador sufre con el flujo turbulento del dron.
IA principal
Ejecuta RT-DETR, tracking y fusión en el portátil de tierra, no en el dron.
Descartado del dron
Panel solar
No aporta durante un vuelo corto y penaliza masa, arrastre y centro de gravedad.
Batería LiFePO4 externa
Usa la batería de vuelo mediante un mini BEC; no embarques otra batería grande.
Anemómetro y veleta
La estela de las hélices falsea la lectura y el montaje agrega demasiado arrastre.
Raspberry Pi / Jetson
Son potencia, consumo y masa innecesarios para capturar evidencia. La inferencia queda en tierra.
MQ-2 / MQ-7
La deriva, humedad, calentador y baja selectividad los vuelven débiles en exterior.
CO₂ como detector
Poca especificidad al aire libre y mayor consumo; no confirma fuego por sí solo.
Opción del MVP
MLX90640
32×24, I²C y conexión directa a la ESP32. Es limitada para objetivos lejanos, pero reduce costo, peso y complejidad durante las primeras pruebas.
Recomendación actual · conservar
Opción avanzada
PureThermal 2 + Lepton
La tarjeta de aproximadamente $300.000 es una interfaz USB UVC: no incluye el núcleo térmico FLIR Lepton. Ofrece mejor imagen, pero encarece y complica la integración con ESP32-S3.
Ver publicaciónIA y fusión
Modelos modernos, licencias claras, decisiones trazables.
La mejor primera versión no es el modelo más grande: es la que puedes entrenar, medir y desplegar sin esconder límites técnicos o legales.
Object detection
Personas, animales y vehículos
RT-DETR R18 o PP-PicoDet en el gateway. COCO da un inicio, pero fauna local y humo requieren datos propios.
Detección + tiempo
Humo y llama
Modelo específico con negativos difíciles y confirmación temporal. Una imagen no debe disparar nivel 4.
Multi-object tracking
Seguimiento
ByteTrack sobre detecciones. Mantén ID temporal, trayectoria y última coordenada; nunca identidad biométrica.
Segmentación
Vegetación seca
Segmentación MobileNet/DeepLab solo después de reunir etiquetas locales y mediciones de humedad de combustible.
Multimodal
Fusión térmica
Empieza con fusión tardía: puntaje RGB + delta térmico. La alineación pixel a pixel exige cámaras rígidas y calibradas.
Anomaly detection
Anomalías
Aprende el fondo por cámara y compara tendencias. Nunca dejes que una anomalía sin explicación sea emergencia automática.
Ruta completamente gratuita
PaddleDetection + RT-DETR (Apache-2.0), OpenCV, Python, Mosquitto, FastAPI, SQLite y Docker. Revisa también la licencia de cada peso de modelo y dataset.
Cuidado con Ultralytics YOLO
Es excelente para prototipos, pero su paquete y modelos usan AGPL-3.0. Si el proyecto no puede publicar el código derivado, puede requerir licencia empresarial de pago.
Motor de riesgo
Reglas científicas primero; ML cuando existan datos.
La puntuación final debe incluir la confiabilidad de cada sensor y una explicación: qué señales subieron la alerta, cuáles discreparon y cuánto tiempo persistieron.
1. Calidad de datos
Rangos físicos, valor congelado, saltos imposibles, comparación entre sensores y decaimiento de confianza cuando falta una lectura.
2. Riesgo ambiental
Usa temperatura, humedad relativa, viento y lluvia de 24 h para calcular FWI o componentes equivalentes; nunca solo umbrales arbitrarios.
3. Evidencia de evento
Combina humo/llama, PM, delta térmico, persistencia, hora, ubicación y contexto. Calibra luego con regresión logística o boosting.
Propagación experimental
Un cono probable, nunca una flecha exacta.
Proyecta una distribución usando viento, pendiente, combustible, humedad y puntos calientes. Publica el intervalo de incertidumbre y hora de vigencia.
Vector de viento y ráfagas
Tipo y continuidad de combustible
Pendiente y orientación del terreno
Frente térmico observado
Plan de desarrollo
Siete fases, cada una con una pregunta concreta.
No avances por calendario. Avanza cuando la fase anterior produzca evidencia reproducible.
01
Simular
Videos grabados + telemetría sintética. Esta página ya incluye el primer simulador de fusión.
02
Mesa
XIAO, cámara, SD y BEC: medir consumo, temperatura y estabilidad eléctrica.
03
Pesar
Pesar cada pieza, revisar centro de gravedad y fijar una carga útil real permitida.
04
Volar RGB
Primero solo cámara y registro local. Comparar tiempo de vuelo con y sin carga.
05
Añadir térmica
Incorporar MLX90640 únicamente si el margen de vuelo y vibración sigue siendo aceptable.
06
Fusionar
IA, tracking y riesgo en el portátil con GPS/autopiloto y clima de tierra.
07
Campo
Pruebas controladas con niebla teatral y fuentes térmicas seguras; nunca improvisar fuego real.
Estructura del repositorio
camera/captura RGB, calidad y desconexión
thermal/lectura MLX90640 y mapas térmicos
detection/personas, animales, humo, fuego y vehículos
tracking/ByteTrack, IDs temporales y última posición
sensors/drivers, limpieza y health checks
risk_engine/FWI, reglas, calibración y fusión
alerts/niveles, deduplicación y reintentos
database/SQLite primero; PostgreSQL/Timescale después
api/FastAPI, MQTT y contratos JSON
dashboard/mapa, evidencia y confirmación humana
tests/replay, unitarias, integración y campo
Contenido mínimo de una alerta
Fecha, hora y coordenadas
Nodo, cámara y sensor origen
Fotograma y recorte de evidencia
Personas, animales y trayectorias
Temperatura, HR, viento y PM
Índice, probabilidad y nivel
Dirección probable + incertidumbre
Prioridad de rescate y última posición
Calidad / fallas de los sensores
Estado de confirmación humana
Sin reconocimiento facial, biometría ni identidad personal. El tracking usa IDs efímeros y solo conserva lo necesario para seguridad.
Datos y entrenamiento
El dataset propio es parte del dispositivo.
Divide por lugar, fecha y evento —no por fotogramas aleatorios— para evitar que casi la misma imagen aparezca en entrenamiento y prueba.
Fuego y humo
Arranca con D-Fire y FASDD, luego agrega video local. Incluye negativos duros: nube, niebla, polvo, vapor, luces, atardecer y reflejos.
Personas, fauna y vehículos
COCO sirve como preentrenamiento general; el conjunto propio debe mostrar oclusión, humo, altura de cámara y especies de la zona.
Térmico
FLIR ADAS ayuda con personas, vehículos y perro, pero no representa un bosque ni el MLX90640. Recolecta pares RGB+térmico del dispositivo final.
Vegetación seca
Necesita etiquetas locales por condición y tipo de cobertura. Evita asumir que el color amarillo equivale a combustible seco.
Etiquetas recomendadas
Cajas para persona, animal, vehículo, llama y focos compactos; máscara para humo y vegetación seca; metadatos para noche, niebla, lluvia, distancia, tipo de cámara y certeza del anotador.
Aumentos útiles
Opacidad y deriva de humo, blur por viento, exposición nocturna, ruido, lluvia, niebla, contraluz, glare y cambios de ganancia térmica. La validación debe conservar escenas reales sin aumentos.
Validación
Mide errores que importan en el campo.
mAP no basta. Un sistema de emergencia debe demostrar cuánto tarda, cuántas alertas falsas produce y qué ocurre cuando una cámara o el enlace fallan.
Recall por clase
Fuego, humo, persona y animal; reportar también precision y mAP.
Falsos positivos
Alarmas por cámara-día, separadas por nube, polvo, niebla, reflejo y luces.
Tiempo a detección
Desde primera evidencia visible hasta evento y hasta notificación.
Disponibilidad
FPS, latencia p95, pérdida de paquetes, autonomía y porcentaje de datos válidos.
Prueba segura, nunca improvisada
En las primeras fases usa videos, niebla teatral y una fuente térmica controlada. No enciendas fogatas ni quemes vegetación para “probar” el sistema. Cualquier prueba con fuego real requiere bomberos, brigada, permisos, plan de extinción y condiciones meteorológicas autorizadas.
Estado del proyecto
AERIS distingue lo diseñado de lo que ya funciona.
La página es una guía de decisión y contiene una simulación didáctica. Todavía no representa telemetría real ni un detector entrenado. Esta separación evita confundir una propuesta técnica con un sistema operativo.
Listo para revisar
Documentado
Arquitectura aire–tierra, presupuesto, carga útil objetivo, sensores, niveles de alerta, datasets, métricas y plan de pruebas.
No usa sensores reales
Simulado
Índice experimental 0–100, persistencia temporal, escenarios ambientales y selección interactiva de componentes.
Siguiente etapa
Por construir
Firmware ESP32, captura y sincronización, inferencia, tracking, riesgo calibrado, alertas, base de datos y pruebas de vuelo.
Próximo entregable recomendado
Firmware mínimo: cámara RGB, microSD, alimentación estable y registro por intervalos.
Escalabilidad
Tres cargas útiles, una misma arquitectura.
Escala solo después de medir masa, centro de gravedad y pérdida de autonomía. Más sensores no significan automáticamente mejor detección.
01≈29–44 g objetivo
Mínima · RGB
XIAO Sense, cámara, microSD, mini BEC y soporte. Wi-Fi al aterrizar o descarga directa de la SD.
Es la primera configuración que debes volar y medir.
02≈42–57 g objetivo
Confirmación térmica
Añade MLX90640 y BME280 solo si el dron conserva estabilidad y tiempo de vuelo aceptable.
Mejora la evidencia cercana sin incorporar cómputo pesado.
03≈50–65 g objetivo
Telemetría remota
Añade LoRa para eventos, salud y coordenadas; RGB completo sigue en microSD o Wi-Fi.
Tope de diseño del prototipo. Requiere prueba de interferencia con radio y GPS.
Preguntas técnicas
Decisiones que conviene dejar resueltas.
La Seeed XIAO ESP32-S3 Sense es la compra principal por su formato de 21 × 17,8 mm, PSRAM, cámara y microSD integradas. Las unidades nuevas pueden traer OV3660; algunas publicaciones aún anuncian OV2640, así que confirma la revisión con el vendedor. Para este dron no recomiendo una cámara IP: pesa y consume demasiado.
Fuentes consultadas
Datos antes que promesas.
Fichas oficiales para capacidades; tiendas colombianas para referencias de precio. Verifica stock, garantía, interfaz eléctrica y regulación antes de comprar.
Seeed StudioXIAO ESP32-S3 Sense: cámara, microSD, 8 MB PSRAM y formato 21 × 17,8 mmSeeed StudioCambio de cámara de OV2640 a OV3660 en nuevas unidadesEspressifESP32-S3: CPU, memoria, interfaces y aceleración vectorialEspressifESP-WHO: ejemplos de visión y detección de peatonesBosch SensortecBME280: ±3 % HR y rango de operaciónMelexisMLX90640: 32×24, 0,5–64 Hz y dos campos de visiónGroupGetsPureThermal 2: USB UVC, STM32F412 y compatibilidad Lepton 2.x/3.xDidácticas ElectrónicasLa tarjeta PureThermal 2 se vende sin el núcleo FLIR LeptonNatural Resources CanadaFire Weather Index: temperatura, HR, viento y lluvia de 24 hNASAFIRMS: datos globales MODIS y VIIRS casi en tiempo realPaddlePaddlePaddleDetection / RT-DETR bajo Apache-2.0UltralyticsLicencia AGPL-3.0 de Ultralytics y uso empresarialGAIAD-Fire: más de 21.000 imágenes de fuego y humoAutores de FASDDFASDD: fuego, humo y negativos difíciles en cámara y UAVTeledyne FLIRDataset RGB+térmico anotado para personas, vehículos y perrosAgencia Nacional del EspectroLoRa de uso libre en 915–928 MHz en Colombia