El declive de los polinizadores naturales requiere el desarrollo de nuevas tecnologías de polinización. En este trabajo, proponemos un sistema de polinización autónoma habilitado por drones (APS) que consta de cinco módulos principales: detección del entorno, percepción de flores, planificación de rutas, control de vuelo y mecanismos de polinización. Estos módulos dependen en gran medida unos de otros, con cada módulo confiando en entradas de los otros módulos. En este artículo, nos centramos en los enfoques para los módulos de percepción de flores, planificación de rutas y control de vuelo. Primero, introducimos brevemente un método de percepción de flores de nuestro trabajo anterior para crear un mapa de ubicaciones de flores. Con un mapa de flores, la planificación de rutas del APS se define como una variante del Problema del Viajante (TSP). Se comparan dos enfoques de planificación de rutas basados en programación entera mixta (MIP) y algoritmos genéticos (GA), respectivamente. Se elige el enfoque GA como el superior debido a los enormes ahorros computacionales con una pérdida de optimalidad despreciable. Para seguir con precisión la ruta generada para la polinización, desarrollamos un enfoque de optimización convexa para el problema de control de vuelo del quadrotor (QFCP). Este enfoque resuelve dos problemas convexos. El primer problema es un QFCP convexificado de tres grados de libertad. La solución a este problema se utiliza como una suposición inicial para el segundo problema convexo, que es un QFCP linealizado de seis grados de libertad. Se encuentra que cambiar el objetivo del segundo problema convexo para minimizar la desviación de la suposición inicial proporciona una mejor viabilidad física y soluciones similares a un optimizador de propósito general. Los enfoques de planificación de rutas y control de vuelo se prueban dentro de un marco de control predictivo de modelo (MPC) donde se observan ahorros computacionales significativos y ajustes integrados a la incertidumbre. Acoplar los dos módulos juntos proporciona una demostración simple de cómo funcionará todo el APS en la práctica.