Un equipo de investigadores del departamento de Ingeniería Electrónica, Sistemas Informáticos y Automática de la Universidad de Huelva diseña pasos de cebra inteligentes gracias a una herramienta de machine learning. El objetivo, reducir el número de atropellos y mejorar la seguridad vial.
La investigación ha sido financiada a través del proyecto “Industrialización de un sistema autónomo de señalización vial para pasos peatonales inteligentes”. Una iniciativa de la consejería de Transformación Económica, Industria, Conocimiento y Universidades de la Junta de Andalucía. Los resultados forman parte de la tesis doctoral del profesor José Manuel Lozano Domínguez.
Machine learning para predecir los movimientos de los peatones
Inicialmente, los investigadores plantearon un sistema que distinguía a los peatones de los vehículos mediante alertas visuales. Esta metodología resultaba muy costosa ya que requería la configuración manual en cada localización específica. Por eso, optaron por modelos de machine learning para solventar este problema.
En este caso, no es necesario reajustar los parámetros en función de la ubicación del sistema, de las características de la carretera o de las condiciones climatológicas. Los modelos de aprendizaje automáticos aprenden por sí solos a medida que aumentan los datos que recogen. Tal y como aseguran en el artículo “Analysis of machine learning techniques applied to sensory detection of vehicles in intelligent crosswalks”, este sistema es capaz de predecir los movimientos en tiempo real para que la alerta sea efectiva.
“La alta versatilidad de este sistema hace que sea el más adecuado para su aplicación en pasos de peatones inteligentes ya que permite que su instalación se automatice y, además, promueve su difusión y uso en las ciudades”, afirma Tomás Mateo Sanguino, coautor del artículo publicado en la revista Sensors e investigador de la Universidad de Huelva.
Algoritmos con redes neuronales
Este machine learning está basado en una serie de algoritmos con una arquitectura entre la que se encuentran las redes neuronales. Este tipo de redes tienen la capacidad de, a partir de una gran cantidad de datos, aprender y diferenciar automáticamente diferentes situaciones. Después, utiliza esta información para hacer predicciones correctas y retroalimentarse con la información que genera.
Otra de las metodologías que los investigadores incluyeron ha sido la técnica de gran memoria a corto plazo que aporta conexiones de retroalimentación de manera simultánea, uniendo los datos actuales con los históricos. Esto permite que el sistema sea capaz de reconocer eventos relacionados con el tiempo. “Este aspecto es especialmente relevante porque la detección de vehículos depende en gran medida del factor temporal”, asegura el investigador Tomás Mateo.
Para obtener estos resultados, los expertos han desarrollado las pruebas con datos reales tomados en condiciones de tráfico fluido en cinco ubicaciones diferentes, tanto en España como Portugal. Una investigación que no habría sido posible sin la colaboración entre la Universidad de Huelva y la Universidad do Algarve.
El siguiente paso que proponen los investigadores es que estos resultados sean aplicados a otras situaciones. Por ejemplo, como dispositivo de control de tráfico, en la detección de estacionamientos o para predecir un adelantamiento. Según datos de la Dirección General de Tráfico (DGT), en 2020 hubo 870 fallecimientos provocados por accidentes de tráfico. El machine learning ayudará a reducir el número de víctimas y mejorar la seguridad vial.
