La demanda de robots barredores de pavimentos autónomos a gran escala y de servicio pesado está aumentando debido al crecimiento urbano, las necesidades de higiene y la escasez de mano de obra. Asegurar su salud y operación segura en entornos exteriores dinámicos es vital, ya que la irregularidad del terreno y las pendientes pueden acelerar el desgaste, aumentar los costos de mantenimiento y plantear riesgos de seguridad. Este estudio presenta un marco de monitoreo de condiciones (CM) impulsado por inteligencia artificial diseñado para detectar la irregularidad del terreno y las pendientes en tiempo real, distinguiendo entre condiciones seguras y no seguras. Dado que los niveles de vibración del sistema y el consumo de energía varían con la irregularidad del terreno y las pendientes, se recopilan datos de vibración y corriente para cinco clases de CM identificadas: terreno seguro, terreno moderadamente seguro, pendiente moderadamente segura, terreno no seguro y pendiente no segura. Se desarrolla un modelo de red neuronal convolucional unidimensional de estructura simple (1D CNN) para una predicción rápida y precisa de las clases seguras a no seguras para aplicación en tiempo real. Se utiliza un robot barredor de pavimentos autónomo a gran escala desarrollado internamente, PANTHERA 2.0, para la recopilación de datos y experimentos en tiempo real. El conjunto de datos de entrenamiento se genera extrayendo datos representativos de vibración e inclinación heterogénea utilizando tres tipos de sensores interoceptivos montados en diferentes zonas del robot. Estos sensores se complementan entre sí para permitir una predicción precisa de la clase. El conjunto de datos incluye datos de velocidad angular de un IMU, datos de aceleración de vibración de tres sensores de vibración y datos de consumo de corriente de tres sensores de corriente adjuntos a los motores clave. Se desarrolla un marco de mapa de CM para monitoreo en tiempo real del robot fusionando las clases anómalas predichas en un mapa de ocupación 3D del espacio de trabajo. El rendimiento del marco de CM entrenado se evalúa a través de pruebas de campo fuera de línea y en tiempo real utilizando métricas de medición estadística, logrando una precisión promedio de predicción de clase del 92% y 90.8%, respectivamente. Esto demuestra que el marco de CM propuesto permite a los equipos de mantenimiento tomar acciones oportunas y apropiadas, incluida la adopción de estrategias de mantenimiento adecuadas.