GREX IA
Microagentes que piensan, Enjambres que actúan
Nuestra misión es democratizar la inteligencia de enjambre autónomo para proteger comunidades y transformar industrias en América Latina y el mundo.
Powered by NanoKernel
Fig. 01 — Arquitectura jerárquica de tres niveles: Madre de Colmena → OverLord → (xenoths) TinyAgents
Madre de Colmena
Planificación estratégica
Q-MINUS-4B ejecuta planificación estratégica junto con el usuario en lenguaje natural. Recibe comandos complejos como 'Busca en el perímetro norte una persona de chaqueta roja en formación triangular' y genera planes de misión estructurados en JSON.
NVIDIA DGX Spark · H100 SXM
OverLord
Coordinador Táctico y de comunicación
O-MINUS-MoEx-1.7B descompone y codifica planes de misión en órdenes específicas por Xenoth. Consenso distribuido basado en SLM-Flock con comunicación UDP de baja latencia.
NVIDIA AGX Orin · 64-core ARM
Xenoths
Ejecutor reactivo
T-MINUS-MoE5 Controladores embarcados en microprocesador FPGA con 64Mb RAM. Control de vuelo y navegación reactiva basado en medición ToF, navegación perceptiva y detección de obstáculos en tiempo real usando camara RGB.
Microagent Deck · 168 MHz · Crazyflie 2.1 Brushless
Flujo de Vision
Percepcion Centralizada
Modelo VLM para detección y análisis de imágenes 24*24 px. son procesados localmente utilizando Agentic Deck a 8 FPS. Detección open-vocabulary, detección y segmentación rápida contextual centralizada en Madre de la Colmena.
Agentic Deck · Comunicacion Streaming
NCSE Framework
Causal Self-Evolution
Neural Causal Self-Evolution integra descubrimiento causal automático, redes auto-modificables, meta-aprendizaje anidado y razonamiento causal por GNN.
4 Pilares · Contribución ICRA/IROS 2026
Neural Causal Self-Evolution
NCSE Framework
El sistema propone un mecanismo de acoplamiento dinámico inédito entre descubrimiento causal y modificación sináptica: la estructura causal descubierta de forma autónoma actúa directamente como señal reguladora de la plasticidad hebbiana, generando un bucle de retroalimentación donde el agente no solo aprende de la experiencia, sino que modifica su propia regla de aprendizaje en función de relaciones causales inferidas. Cada nivel opera sobre la causalidad inferida por el nivel superior— permite predicción de efectos de intervención sin supervisión externa, capacidad que no emerge de ninguno de sus componentes por separado.
Lineas de Codigo
años en desarrollo
Ambientes Simulados
xenoths por aprendizaje
01 — Mission Autonomy
MISSION AUTONOMY
Sin autonomía resiliente, tu misión es solo un plan. En entornos degradados donde las comunicaciones fallan y el control manual no alcanza, la autonomía del enjambre es crítica. Nuestro sistema opera en entornos GPS-denied con coordinación descentralizada, garantizando la continuidad de la misión incluso bajo condiciones adversas.
Technical Specifications
Deep Architecture
Curriculum de Entrenamiento RL
Seis entornos de entrenamiento progresivo simulados en Nvidia IsaacLab. Cada entorno es la suma de sus partes sobre las capacidades del anterior.
* S2 Avoidance uses sparse rewards exclusively — dense rewards yield 0% evasion success
Hardware Stack
Ejecución en ambiente tecnológico informático cerrado de alta capacidad y baja dimensionalidad
Crazyflie 2.1 Brushless (XenothA) + ROSMASTER X3 Plus (XenothT) + Xenoth-Acuatico (Desarrollo)
Agentic Deck (168 MHz, 192KB RAM)
Nvidia AGX 32 Gb CAP + 516 MB RAM
Nvidia DGX Spark o Station DGX
Mac Book PRO M1 - 8Gb
Meta Quest 3 - 128Gb
Restricción crítica
TANG Nano: 64MB RAM. Un modelo de MoEx5 requiere ~125MB en 3,000× el límite. Los Xenoths por ahora son endpoints de ejecución hasta que este lista la Agentic Deck.
Roadmap
Ruta de Desarrollo
Santiago, Chile — 2026. Demostración en vivo de control coordinado de 4 drones mediante lenguaje natural.
Publicacion ICRA/IROS
- ▶Marco NCSE para enjambres con razonamiento causal
- ▶Evaluación comparativa: NCSE frente a IPPO/MAPPO
- ▶Sincronización de SemanticMap
- ▶Conjunto de datos de trayectorias de enjambres de Webots e Isaac Lab.
Sistema NCSE y Simulación Validada
- ▶Escenario A: Búsqueda, Exploración y Detección en cuadrícula coordinada 40x40 (Nivel 1)
- ▶Escenario B: Formación adaptativa con obstáculos dinámicos y Detección de 50 objetivos (Nivel 2)
Congreso Internacional CERN-ICNFP
- ▶Presentación proyecto de sistemas multiagenticos a base de Arquitecturas Hibrida RL
- ▶Se establece comunicación entre agentes usando Aprendizaje Federado
- ▶Primera version dummy model Adaptativo jerárquico
Primer lugar en competencia IA Sustainability Siemens Alemania
- ▶Premio a arquitectura y solución mas innovadora
- ▶Premio a mejor resultado en sistemas de monitoreo autonomo
FACEBOOK-IA (Partida)
- ▶Se presenta propuesta al Doctor Yann LeCun (Padre de la IA contemporanea)
- ▶Se realizan simulaciones en Supercomputadora de META
- ▶Se establece precedente en base a caso Facebook 2017