Clear Sky Science · es

Optimización comparativa de sistemas de robo-taxi eléctricos (eRT) y vehículos aéreos no tripulados eléctricos (eUAV)

· Volver al índice

Nuevas formas de desplazarse por la ciudad

Imagine solicitar un viaje en una ciudad densa y tener dos opciones: un coche eléctrico sin conductor que se desliza por el tráfico, o una pequeña aeronave eléctrica que lo eleva sobre las calles y aterriza en una azotea cercana. Este estudio plantea una pregunta sencilla pero urgente: bajo las mismas reglas y restricciones, ¿qué sistema tiene más sentido para las ciudades: los robo‑taxis eléctricos terrestres o los vehículos aéreos no tripulados eléctricos usados como taxis aéreos? ¿Y qué compensaciones plantean entre el tiempo de viaje y el coste total?

Dos opciones futuristas de viaje, una ciudad de prueba común

Los investigadores desarrollaron un marco compartido para evaluar ambos sistemas de forma justa, usando la ciudad de Sejong en Corea del Sur como banco de pruebas. Introdujeron redes viarias realistas, velocidades de tráfico en tiempo real y solicitudes de pasajeros generadas estadísticamente. Para cada sistema, el marco decide cuántos vehículos se necesitan, cuántos cargadores rápidos instalar y dónde, y de qué tamaño deben ser las baterías. Luego simula un año de operación para 100 pasajeros diarios y suma todo lo que importa: el coste total de los vehículos, la infraestructura de carga, la electricidad y el tiempo de viaje que experimentan los pasajeros desde la solicitud hasta la llegada.

Figure 1
Figure 1.

Cómo operan realmente los robo-taxis y los taxis aéreos

En tierra, se asume que los robo‑taxis eléctricos son totalmente autónomos. Un sistema de control central rastrea constantemente sus ubicaciones, niveles de batería y solicitudes de pasajeros. Cada coche pasa por tres estados básicos: deambular en espera, transportar a un pasajero o dirigirse a una estación de carga. Cuando su batería baja, se le indica que vaya al cargador disponible más cercano; cuando llegan solicitudes por una aplicación, el sistema asigna el vehículo que puede alcanzar al pasajero rápidamente y aún tenga carga suficiente para llegar a un cargador después. Las ubicaciones de las estaciones de carga, el número de cargadores y la potencia de carga se tratan como decisiones de diseño que modelan fuertemente el coste y los tiempos de espera.

Qué cambia cuando se vuela

El sistema aéreo emplea vehículos eléctricos tipo multicóptero que trasladan a un único pasajero a la vez entre edificios altos preseleccionados. Aquí, el estado de espera ocurre en vertipuertos con estaciones de carga en azoteas en lugar de a lo largo de las carreteras. Los vehículos ascienden a una altitud de crucero fija para evitar obstáculos, vuelan por trayectorias casi rectilíneas y luego descienden a otra azotea. Debido a que las plataformas de despegue y aterrizaje ocupan espacio y deben ubicarse cuidadosamente, cada vertipuerto resulta más caro que un cargador terrestre, y cada aeronave necesita una posición de carga dedicada. El alcance de vuelo depende de forma sensible del peso, la aerodinámica y la capacidad de la batería, por lo que el modelo incluye cómo las baterías más pesadas amplían la provisión de energía pero a la vez aumentan el consumo energético por kilómetro.

Figure 2
Figure 2.

Equilibrar el ahorro de tiempo frente al coste total

Con esta configuración, el equipo utilizó un algoritmo genético —un método de búsqueda inspirado en la evolución— para encontrar los diseños más baratos que aún cumplan los objetivos de tiempo de viaje elegidos. Para objetivos relativamente relajados (alrededor de 27–30 minutos de puerta a puerta), los sistemas optimizados de robo‑taxis son mucho más baratos en conjunto que los sistemas aéreos, principalmente porque los cargadores y vehículos terrestres son menos costosos y pueden compartirse con mayor flexibilidad. Pero a medida que las ciudades exigen viajes más rápidos —por ejemplo, alrededor de 21 minutos— el coste del sistema terrestre se dispara: se necesitan más coches, más cargadores y más energía para combatir la congestión y reducir los tiempos de espera, y por debajo de unos 21 minutos no se encuentra ningún diseño factible de robo‑taxi. En contraste, el coste del sistema aéreo crece sólo de forma moderada al estrecharse los objetivos de tiempo, ya que volar sobre el tráfico acorta naturalmente la distancia y evita los atascos. El estudio también encuentra que, aunque los taxis aéreos ofrecen tiempos de viaje medianos mucho más cortos, sus tiempos de trayecto son más variables, con mayor probabilidad de retrasos largos, mientras que los robo‑taxis son más lentos de media pero más consistentes.

Qué significa esto para el futuro del transporte urbano

En condiciones cotidianas en las que la gente puede tolerar viajes más largos, los robo‑taxis eléctricos parecen ser la solución económica: usan las calles existentes, requieren menos estaciones más baratas y consumen menos energía por kilómetro. Sin embargo, cuando las ciudades o rutas específicas demandan viajes muy rápidos, los sistemas de taxis aéreos eléctricos bien diseñados pueden ofrecer velocidad que los coches simplemente no pueden igualar, a un coste total competitivo o incluso inferior, siempre que las ciudades estén dispuestas a invertir en una densa infraestructura en azoteas. En conjunto, el estudio sugiere que la movilidad urbana del mañana no será una carrera de ganador único entre ruedas y alas. En lugar de eso, los robo‑taxis terrestres podrían gestionar la mayoría de los viajes rutinarios de forma económica y fiable, mientras que los taxis aéreos eléctricos emergerían como una capa premium y de alta velocidad de la red, especialmente donde el tiempo es un bien escaso y lo permitan las normas de espacio aéreo y seguridad.

Cita: Seo, H., Kim, S., Shin, B. et al. Comparative optimization of electric robo-taxi (eRT) and electric unmanned aerial vehicle (eUAV) systems. Sci Rep 16, 12617 (2026). https://doi.org/10.1038/s41598-026-42843-y

Palabras clave: robo-taxis eléctricos, movilidad aérea urbana, transporte autónomo, infraestructura de carga, optimización de la movilidad