|
||||
Introducción La seguridad vial es una preocupación global que afecta a todas las sociedades y economías del mundo. La creciente urbanización, el aumento en el número de vehículos en las carreteras y las interconexiones de sistemas de transporte intensifican la importancia de abordar los desafíos y buscar soluciones innovadoras y efectivas para atender la urgencia de la seguridad. En este contexto, una herramienta poderosa con el potencial de mejorar significativamente la seguridad vial es la inteligencia artificial (IA), ya que ofrece capacidades de identificación, análisis y toma de decisiones que pueden ser de ayuda en la detección y prevención de siniestros viales, así como en la gestión del flujo vehicular, sistemas de asistencia para el conductor, análisis de datos e interacción vehículo-peatón-infraestructura, adaptabilidad a cambios climáticos y condiciones ambientales, entre otros. En este artículo, se explora el estado actual de las investigaciones en el campo de la IA aplicada a la seguridad vial, sus aplicaciones prácticas, desafíos y el futuro potencial de esta tecnología. La creciente preocupación por la seguridad vial y el potencial disruptivo de la IA nos invita a reflexionar sobre la creación de modelos para migrar hacia un entorno de tránsito más seguro y eficiente. Enfoques, métodos y tecnologías utilizadas La implementación de la IA en seguridad vial abarca una amplia gama de enfoques, como: · IA generativa para análisis de datos de siniestralidad de tránsito u optimización del transporte y creación de contenidos para campañas y programas de concientización y prevención. · Investigación en sistemas de alerta anticipada para la detección de comportamientos de conducción riesgosos. · Desarrollo de algoritmos para la predicción y prevención de siniestros viales en tiempo real. · Mejora de la gestión del tránsito en entornos urbanos congestionados mediante la integración de IA y semáforos inteligentes. · Investigación en sistemas de control cooperativo que permitan una mejor coordinación entre vehículos autónomos y conductores humanos. · Evaluación de la efectividad de sistemas de asistencia al conductor basados en IA en condiciones adversas. Los métodos y tecnologías utilizados pueden ser diversos y ofrecen oportunidades para futuras investigaciones en el área de la IA en temas de seguridad vial que continua en constante evolución, las más optimas son:
Aunque exista una gran diversidad de métodos y tecnologías basadas en IA, muchas de ellas son compatibles entre sí, tanto para recopilación de datos como para toma de decisiones en tiempo real y análisis de las diferentes variables e índices. Lo principal es definir el enfoque y el alcance, sin perder de vista los desafíos que marcaran la pauta sobre las direcciones futuras y de mejora. Estado actual en investigaciones. Vehículos autónomos Uno de los grandes esfuerzos para la convergencia de la inteligencia artificial y la seguridad en medios de transporte han sido los vehículos autónomos. Debido a su prometedora capacidad para reducir colisiones asociadas al error humano, así como para permitir una navegación sin esfuerzo, estos vehículos representan una innovación significativa en el ámbito de la movilidad. Sin embargo, el desarrollo de la autonomía aún debe evolucionar con los retos que esto implica para la infraestructura; por otra parte, el ser humano asocia al vehículo con un sentido de libertad que se verá coartada si éste es autónomo. Paulatinamente la sociedad estará más expuesta a este tipo de tecnología mejorando la aceptación. Esto ha introducido un nuevo desafío para los vehículos autónomos y que ha sido denominado como seguridad de la funcionalidad prevista o SOTIF (safety of the intended functionality) el cual se refiere a los problemas que surgen de las ineficiencias funcionales con respecto a lo previsto en las funciones de un vehículo autónomo o su implementación, de acuerdo a la estandarización de la ISO 21448, que se centra en la seguridad de estos vehículos, de los riesgos por deficiencias o el mal uso previsible por parte de los humanos. Las preocupaciones sobre la seguridad de la funcionalidad prevista son dependientes a dos condiciones, una es la activación o desencadenantes y la otra son limitaciones por rendimiento. En las primeras influyen las condiciones climáticas extremas, la infraestructura y el comportamiento inesperado de los involucrados en el flujo de tránsito. Y en las limitaciones por rendimiento surgen en función de insuficiencia del modelo con respecto a la detección, identificación, toma de decisiones y ejecución e incluso deficiencias del sistema. En el artículo, A Survey on an Emerging Safety Challenge for Autonomous Vehicles: Safety of the Intended Functionality, Wang et al. (2024) exponen el panorama de SOTIF abarcando estudios a nivel del sistema, problemas y soluciones y, actividades prácticas en distintos ámbitos; así como las perspectivas en el futuro y los desafíos, destacando que no existe una solución general para mitigar los problemas SOTIF y proponiendo soluciones para facilitar las investigaciones sobre vehículos autónomos como: i) análisis sistemáticos y cuantificación de riesgos en etapas de desarrollo, ii) debido a la complejidad matemática de los algoritmos es necesario desarrollar tecnología de verificación, iii) desarrollo de simuladores para validación y exposición en escenarios desconocidos e inseguros, iv) monitoreo de los algoritmos de IA bajo condiciones de clima e infraestructura dinámicos y el cumplimiento con las normas de tránsito. Predicción y prevención de siniestros viales Las interacciones en entornos viales como el de los peatones al cruzar las calles y las posibles situaciones que deben enfrentar los vehículos frente una colisión vuelve impredecible el manejo o gestión para las mejoras de los señalamientos, sistemas en vehículos autónomos y toma de decisiones de los peatones y conductores. Las técnicas de aprendizaje automático para predecir atropellamientos están en función de características como: el tiempo de reacción, el carril donde se puede producir por el alto flujo vehicular, agudeza visual, el nivel de atención e incluye factores cognitivos y el propio comportamiento y movimiento de los peatones. La inclusión de un modelo en algoritmos con IA que permita modular la respuesta para que el propio algoritmo pueda tomar una decisión según el escenario que se presente. Un ejemplo de lo anterior, Losada et al. (2022) expone en el artículo Application of Machine Learning Techniques for Predicting Potential Vehicle-to-Pedestrian Collisions in Virtual Reality Scenarios en el que se plantea un estudio sobre modelos de clasificación con Machine Learning (aprendizaje automático) en el que mediante información obtenida del comportamiento de los peatones a partir de experimentación en entornos controlados con realidad virtual, se realizan análisis de precisión, optimización, medición de errores y la capacidad de clasificación con el objetivo de crear un sistema de frenado de emergencia para predecir o evitar colisiones. El uso de estos modelos permite resolver problemas de predicción cuando las variables de respuesta están definidas por clase o categorías. En especial el modelo de árbol de decisión individual por la precisión y la identificación del comportamiento del algoritmo y su ajuste está resultando ser la opción más viable para implementaciones prácticas. Otro ejemplo en la predicción de siniestros es el propuesto en el artículo From Prediction to Prevention: Leveraging Deep Learning in Traffic Accident Prediction Systems por Jin y Noh (2023) en el que se propone un método basado en aprendizaje profundo (Deep Learning) para predecir y estimar la gravedad. En este artículo los autores, toman en cuenta las variables como comportamientos peligrosos al volante, movilidad del tránsito e información de instalaciones de seguridad. A diferencia del ejemplo anterior sustentado en machine learning, éste se centra en el uso de un mapa al que se le agrega un grid (malla), en la que cada celda contiene información de siniestros ocurridos, muertos y lesionados para predecir la ocurrencia de nuevos eventos, donde las características de las celdas son de utilidad para definir a todo el grid permitiendo al modelo captar características regionales específicas. Y con la combinación de una red neuronal convolucional, la cual se encarga de crear conexiones con las celdas vecinas que tengan información relevante por compartir que mejore la precisión de los datos y una red neuronal profunda, donde esta última es utilizada como clasificador de riesgo para estimar la severidad de una colisión potencial y/o que verifique la consistencia de los patrones asociados a las celdas. A esto se le conoce como “autómatas celulares”, el cual es un modelado matemático para sistemas con un gran número de componentes simples que interactúan entre sí y con el entorno. Cada componente asume una condición o estatus de un conjunto finito de posibilidades y con las reglas definidas del algoritmo evolucionan en el tiempo, con base en características de los componentes vecinos. Este tipo de modelo es utilizado para simular complejos fenómenos en física, biología y ciencias sociales demostrando cómo patrones con alta complejidad pueden surgir de interacciones simples y locales, por lo que resulta muy eficiente para intentar predecir la ocurrencia de siniestros viales por regiones. Predicción de tránsito y tránsito inteligente Parte esencial en la obtención de datos para alimentar algoritmos basados en IA es el flujo de tránsito, como se mencionó antes, es importante para la predicción y prevención de siniestros. Sin embargo, también se puede emplear en tareas más específicas como: la planificación de rutas alternas cuando existen zonas con un gran congestionamiento, zonas de obra o en las que ha ocurrido un siniestro, generando así ahorros de combustible para los usuarios, menores emisiones de contaminación, menor desgaste de los vehículos, reducción en el número de paradas y reanudaciones de marcha, reducción en los tiempos de conducción y bajo una perspectiva más ambiciosa, el desarrollo de mejores sistemas de navegación con autonomía. Cualquier enfoque de predicción de tránsito se centra en pronosticar métricas en la red como flujos, velocidad, tiempo de recorrido y la alta demanda de las vías en función de las condiciones del espacio y el tiempo. En el trabajo de postgrado de Correas Ramos, L.M. (2022) titulado, “Predicción de tráfico mediante redes neuronales basadas en grafos” en el que desarrolló un sistema de aprendizaje automático el cual permitirá obtener una imagen cartográfica del estado del tránsito en la ciudad de Madrid, España en un momento concreto del futuro mediante el análisis de datos históricos del tránsito en esa ciudad. El uso de grafos para el diseño del modelo permite que los nodos tengan una regresión y clasificación con nodos vecinos para lograr las relaciones espaciales en función de una conexión directa, los arcos o vectores de conexión contienen estás tareas de clasificación o predicción para crear nuevos arcos y calcular una vía más ajustada o de menor distancia. El desafío que conlleva es la complejidad en los procesos de detección, extracción y sintetizado que son dependientes del espacio y el tiempo, existen eventos recurrentes como la congestión en las horas de máxima demanda que resultan más sencillos de encontrar y reproducir con mayor fidelidad dentro del modelo, en contraparte los eventos no recurrentes como cambios en el clima o siniestros vuelven más difícil esta tarea. La alternativa para el mejoramiento de tiempos de viaje, predicción de siniestros viales y estimación de rutas alternas ante eventos no recurrentes es el desarrollo del tránsito inteligente. Este concepto busca que la infraestructura funcione con base en tecnología con IA, en la que se observe el comportamiento de los usuarios, los vehículos, infraestructura, temporalidad y efectos del clima. Una de las aplicaciones con mayor potencial es el control de semáforos de manera autónoma y adaptativa, en el artículo A Deep Reinforcement Learning Approach to Adaptive Traffic Lights Management Vidali et al. (2019) se explora este tipo de gestión utilizando aprendizaje profundo por refuerzo (Q-learning) en el que se entrena un agente autónomo para manejar los semáforos, en el estudio hacen uso de simulación para crear un entorno controlado pero realista para explorar diversas representaciones del estado de la vía, conjuntos de acciones y comportamiento. Como métrica de estimación en la eficacia de este modelo en comparación con sistemas tradicionales estáticos, es la longitud de las colas de vehículos y la mejora en el tiempo de espera promedio que se efectúa con la mejora del flujo vehicular. Quizá el mayor desafío con este tipo de modelos radica en cómo enfrentar condiciones y/o situaciones dinámicas y cambiantes para tener un mejor control y que pueda funcionar eficientemente. En este estudio abordan la exploración de integrar técnicas más avanzadas del Q-learning para la gestión de diversas intersecciones de manera coordinada con la posibilidad de utilizar modelos predictivos para mejorar la precisión en la toma de decisiones del control. Otro caso muy similar es el presentado en el artículo Traffic Flow Prediction for Smart Traffic Lights Using Machine Learning Algorithms Navarro-Espinoza et al. (2022) con modelos basados en Redes Neuronales Perceptrón Multicapa (MLP-NN), Gradient Boosting, y Redes Neuronales Recurrentes (RNNs); enfocándose en la precisión de las predicciones para mejorar la eficiencia de los semáforos inteligentes. Se busca predecir el flujo de tránsito para ajustar los semáforos de manera proactiva, es decir, la capacidad de anticipar y ajustar los semáforos basándose en predicciones del flujo de tránsito antes de que ocurran cambios significativos. Esto implica utilizar datos históricos y tendencias actuales para prever situaciones futuras y ajustar los semáforos de manera que se minimicen los embotellamientos y se mejore la eficiencia del flujo vehicular antes de que los problemas se manifiesten, en contraste con una respuesta reactiva que ajusta los semáforos después de detectar cambios en las condiciones de operación. Casos existentes No es un tema nuevo el uso de IA en aplicaciones de seguridad vial, desde hace algunos años ha sido una tendencia que ha dado pie a investigaciones exploratorias y de implementación experimental; existen casos que han llevado a la práctica este tipo de desarrollos y de los cuales se hace una breve mención en los siguientes párrafos. El control de semáforos en intersecciones situado en la ciudad de Mönchengladbach, Alemania. En la intersección de los semáforos de las calles Fliethstraße/Bleichstraße de cuatro carriles y por las que circulan 36,000 vehículos, lo que vuelve el cruce de la calle un desafío para los peatones, en especial para los que tienen una movilidad reducida o niños en edad escolar. Actualmente, el sistema de semáforos cuenta con cámaras para visualización de peatones que permite las funciones de detección de personas que se mueven a menos de 3 km/h, esto prolonga la luz verde peatonal al menos cinco segundos y el tiempo se ajusta dinámicamente, también permite la detección de más de cinco personas esperando en el cruce, ajustando así el ciclo del semáforo (KI Ampeln - Moenchengladbach, s. f.). Un caso similar sucede en la ciudad alemana de Hamm en Renania del Norte-Westfalia, Wilkens (2023) donde también se implementó este sistema en la intersección de eßler Strasse y Marker Allee, donde la detección en video se filma en diagonal a través de las calles para capturar ciclovías y senderos. La tecnología de punta es capaz de analizar movimientos de todos los usuarios incluyendo peatones y ciclistas con imágenes en vivo de las intersecciones, permite la detección, clasificación y rastreo de ciclistas hasta 70 metros antes de la intersección y lo toma en cuenta para el cálculo de la duración de las fases del semáforo. También es importante aclarar que garantiza la privacidad de los usuarios de la carretera, ya que solo se capturan momentáneamente las imágenes con fines de control sin almacenar los datos. Otro ejemplo existente fue la aplicación para priorizar los servicios de emergencia, este fue probado con éxito en la ciudad de Linz en Austria (Linz, s. f.) , el sistema denominado como “cambio de ruta de despliegue” (Einsatzroutenschaltung) permite que los servicios de emergencia a través del sistema de semáforos emitan una “onda verde” desde el centro de control durante emergencias, esto garantiza rutas más rápidas y seguras para vehículos de rescate en puntos de entrada a la ciudad o en salidas a autopistas hacia hospitales. Es un complemento a las sirenas y luces de emergencia para respuestas más rápidas en beneficio de todos. Recientemente en diciembre del 2023 en Sídney, Australia; el túnel del puerto occidental que es un cruce nuevo debajo del puerto de Sídney cuenta con un control del tránsito que permite respuestas automatizadas a eventos críticos aumentando la seguridad en los túneles y reduciendo la congestión, este sistema va desde el control de iluminación hasta la ventilación y el control de tránsito que anteriormente se hacía con otros sistemas por separado. En Tailandia, se implementó una solución denominada "IA para la Seguridad Vial" (Artificial Intelligence And Road Safety: A New Eye On The Highway - Microsoft Stories Asia, 2019) por parte de PTT Global Chemical Public Company Limited, que utiliza IA de reconocimiento facial junto con análisis de video y datos para monitorear el comportamiento del conductor en tiempo real. Los vehículos de la empresa están equipados con cámaras enfocadas en el conductor y un GPS para detectar el exceso de velocidad. Los datos de reconocimiento facial se recopilan y transfieren a la nube, donde se interpretan mediante machine learning. Este sistema ha sido un primer paso en Tailandia para mejorar la seguridad en las carreteras y reducir los siniestros viales. En México actualmente, se realizan pruebas para la elaboración de una campaña de seguridad vial en autopistas del Grupo IDEAL. Se suministran insumos a la IA generativa ChatGPT (Generative Pre-trained Transformer) tales como manuales, lineamientos y políticas con fundamentos de seguridad vial, además de archivos de Excel con datos de pendientes y datos de curvatura asociados a coordenadas geográficas y de sistemas geoespaciales como archivos .shp y, se le solicita a ChayGPT crear contenido audiovisual para la campaña tomando en cuenta los parámetros de las carreteras y algunos rasgos distintivos de la cultura del país. Líneas de investigación potenciales El punto de partida para potenciales investigaciones en temas de seguridad vial es el desarrollo de aplicaciones de visión computacional, lo que resultaría en la obtención de patrones para distintos enfoques. El reconocimiento de objetos puede resultar de un desarrollo de algoritmos de seguimiento de vehículos en entornos complejos, cambios bruscos o patrones de interacción entre los objetos permitiendo análisis detallados del flujo vehicular utilizando conjuntos de datos de vehículos en entornos urbanos y suburbanos mediante el uso de deep learning. Otro enfoque es la prevención y anticipación de eventos como congestiones, colisiones o comportamientos anómalos, en los que se pueden aplicar técnicas de análisis de series temporales y detección de cambios en patrones de flujo vehicular, detección de desviaciones inusuales como cambios de velocidad o fluctuaciones en el volumen del tránsito haciendo uso de datos históricos, meteorológicos, de eventos no recurrentes e imágenes de cámaras de vigilancia de tránsito. En el ámbito de las investigaciones de experimentación, el control del tránsito mediante optimización de semáforos en función del análisis del flujo vehicular se pueden desarrollar algoritmos basados en técnicas de optimización, algoritmos genéticos o búsquedas heurísticas que maximicen los flujos y minimicen los tiempos de espera en intersecciones usando como fuentes, los datos del tránsito en tiempo real y datos de planificación urbana. Del mismo modo, la implementación de sistemas de priorización de vehículos de emergencia, ya que requieren un paso rápido y seguro a través del tránsito para atender eficazmente a situaciones críticas. Estos sistemas detectan la presencia de vehículos de emergencia para ajustar las señales y proporcionar una ruta clara y sin obstáculos. Todo esto aunado a sistemas con algoritmos de detección de emergencias y planificación de rutas prioritarias, usando datos de ubicación en tiempo real de los vehículos, datos del tránsito y datos sobre las características de las vialidades. Realizar investigaciones más avanzadas puede conllevar más estudios y experimentación, quizás las más relevante y con mayor nivel de urgencia sea la creación de modelos predictivos o de prevención de siniestros. Estos modelos permitirían el desarrollo de campañas de prevención, mostrar nuevos índices, factores de riesgo y mejorar la infraestructura y el diseño de vías. En el desarrollo de un modelo de este tipo se utilizan técnicas como el machine learning, arboles de decisión, redes neuronales y modelos de regresión, esto con la finalidad de abarcar una amplia gama de variables e incluso factores como condiciones del camino o comportamientos en la conducción con la finalidad de proporcionar recomendaciones en mejora de la seguridad de áreas específicas, para ello es necesario usar fuentes de información con datos históricos de colisiones, datos de la infraestructura vial, datos de las condiciones climatológicas y del comportamiento del conductor. Un enfoque más sencillo sería, la creación de algoritmos estadísticos con técnicas de optimización y búsqueda con IA para el análisis de datos históricos que puedan revelar patrones y factores de riesgo subyacentes que contribuyen a la ocurrencia de siniestros. Con la utilización de técnicas de minería de datos y análisis estadístico para identificar relaciones entre variables para mitigar o prevenir siniestros futuros. Potencialidades de la IA en la seguridad vial Retomando la experiencia de otros países a manera de resumen se exponen algunas ideas sobre el uso potencial de la IA en la seguridad vial.
Futuras líneas de investigación
La IA ofrece oportunidades significativas para mejorar la seguridad vial y la eficiencia del tránsito. Los avances en sistemas de detección de siniestros, predicción de eventos viales, gestión del tránsito urbano y vehículos autónomos muestran el potencial de la IA para salvar vidas y reducir lesiones en las vialidades. Una de las áreas de oportunidad radica en la gestión del tránsito y en la predicción/prevención de colisiones. Donde la primera implica el desarrollo de aplicaciones de visión computacional para que ésta a su vez permita su desarrollo en sistemas de semáforos, mejoras e identificación de tiempos de espera en casetas, patrones de comportamiento de vehículos ante eventos no recurrentes, implementación de mejoras en señalamiento e infraestructura, estrategias para rutas alternas y mejor planificación en zonas de obra. Por otra parte, con la ayuda de la visión computacional es posible hacer reconocimiento facial durante simulaciones de conducción y así detectar patrones por gestos y posturas ante eventos específicos o bajo condiciones de fatiga. Una vez que se obtengan los datos que generaría el reconocimiento facial, se podrían construir otros modelos con IA para el análisis de estos patrones que permitan la toma de decisiones y la retroalimentación en tiempo real para mejorar la precisión de las aplicaciones y una mejor interpretación de eventos. Para un modelo predictivo para prevenir la ocurrencia de siniestros, resulta más complejo ya que está compuesto por varias fases y no depende únicamente de la construcción con entradas de datos históricos ya que el modelo puede generar distintos tipos de salidas o resultados, por lo tanto, además de contar con un enfoque de aprendizaje no supervisado debe tener uno con supervisión humana por las diferencias entre variables y las inconsistencias en la captura de los datos. Respecto a la información histórica de siniestros, se le puede agregar el desarrollo de algoritmos de limpieza y selección de datos relevantes para los análisis y de manera más avanzada la integración de datos contextuales como eventos especiales, zonas de obras o condiciones ambientales, con el uso de técnicas de fusión de datos y análisis multidimensional; esto mejoraría en gran medida la precisión del modelo volviéndolo más adaptable a las características de los siniestros. De esta manera los algoritmos de predicción tendrían condiciones óptimas con mejores datos para realizar los cálculos con predicciones más precisas. Aunque puedan existir modelos sin la parte del tratamiento de los datos, estos quedan sujetos a errores en donde el modelo se verá obligado a interpretar y generar datos sin parámetros. Lo anterior no quiere decir que los modelos sean malos o tengan constantes fallas, sino que el desarrollo puede llevar más tiempo para mitigar estos riesgos por inconsistencias, además de realizar análisis manuales y de limpieza de datos debido a que el banco de datos proporcionado no es ideal en principio como entrada del modelo, perdiendo la precisión objetiva del estudio que es la predicción. El realizar un modelo de predicción o con visualización computacional también implica una complejidad alta para el desarrollo de los algoritmos y el entorno de ejecución ya que se requiere de una alta potencia de cómputo para manejar grandes cantidades de datos y cálculos matemáticos; dependerá mucho de la escala de los proyectos, el que se consideren las características de la computadora y las herramientas de desarrollo y el entorno donde se realicen las pruebas. Asimismo, existen desafíos importantes que deben abordarse, como la seguridad de la funcionalidad prevista en vehículos autónomos, la interoperabilidad de sistemas de IA en entornos viales complejos y la privacidad de datos en sistemas de gestión del tránsito. Además, se necesita una mayor colaboración entre investigadores, empresas y gobiernos para desarrollar soluciones integrales y sostenibles que aprovechen al máximo el potencial de la IA en seguridad vial. En el futuro, se espera que la IA continúe desempeñando un papel clave en la transformación de los sistemas de transporte y en la creación de entornos viales más seguros, eficientes y sostenibles para las generaciones futuras. Reflexión Es indudable que la tecnología avanza a pasos agigantados y su aplicación en una gran diversidad de campos es sorprendente y este pequeño artículo contiene una muestra muy reducida del gran universo que representa la IA. Por un lado, el Plan Mundial del Segundo Decenio de Acción para la Seguridad Vial 2021-2030 plantea que el enfoque de sistemas de seguridad debe anticipar y tomar en cuenta los errores humanos; por otra parte, como ha quedado expuesto la IA es una apuesta interesante para mejorar la seguridad vial; la combinación de ambas acciones en definitiva podría arrojar buenos resultados en la prevención de lesiones y muertes ocasionadas por el tránsito. Ahora bien, es paradójico que resulte más fácil enseñarle a la IA a detectar patrones de riesgo que educar a las personas respecto a la evitación de conductas viales que ponen en riesgo su vida. Las potencialidades de la IA son muy amplias, pero es necesario apostarle un poco más al factor humano; actualmente, contamos con software sofisticado para el diseño de carreteras, los centros para el control del tránsito en vialidades urbanas y rurales, vehículos con sistemas de asistencia para el conductor, entre otros; y todo esto no parece ser suficiente. Asumir que el ser humano comete errores y generar los mecanismos que mitiguen las consecuencias de las fallas es un buen principio, pero no suficiente. La teoría general de sistemas de Ludwig von Bertalanffy plantea que las propiedades de los sistemas no pueden describirse significativamente en términos de sus elementos separados. La comprensión de los sistemas sólo ocurre cuando se estudian globalmente, involucrando todas las interdependencias de sus partes. El factor humano está presente en todos los elementos del sistema que representa el tránsito: conduce, camina, planifica, construye y gestiona, por tanto, sería recomendable que todos en cada uno de estos roles fuera consciente de que sus acciones tendrán repercusiones en la vida de las personas. La IA puede ser una herramienta muy útil, podríamos alcanzar un alto grado de tecnificación en carreteras, vehículos y sistemas de transporte, pero sin apostarle al factor humano el futuro pareciera no ser tan prometedor. Referencias Artificial Intelligence and road safety: A new eye on the highway - Microsoft Stories Asia. (2019, 11 marzo). Microsoft Stories Asia. https://news.microsoft.com/apac/features/artificial-intelligence-and-road-safety-a-new-eye-on-the-highway/ Jin, Z., & Noh, B. (2023). From Prediction to Prevention: Leveraging Deep Learning in Traffic Accident Prediction Systems. Electronics, 12(20), 4335. https://doi.org/10.3390/electronics12204335 KI Ampeln - Moenchengladbach. (s. f.). https://www.moenchengladbach.de/de/smartcity/logbuch/intelligente-kamerafassung-fuer-schulklassen-groessere-gruppen-und-sehr-langsame-fussgaengerinnen-und-bedarfsgerechte-verlaengerung-der-gruenphasen-an-einer-signalisierten-kreuzung Linz, S. (s. f.). Grüne Welle für die Rettung. Stadt Linz. https://www.linz.at/medienservice/2023/202311_122813.php Losada, Á., Páez, F. J., Luque, F. J., & Piovano, L. (2022). Application of Machine Learning Techniques for Predicting Potential Vehicle-to-Pedestrian Collisions in Virtual Reality Scenarios. Applied Sciences, 12(22), 11364. https://doi.org/10.3390/app122211364 Navarro-Espinoza, A., López-Bonilla, O. R., García-Guerrero, E. E., Tlelo ‐ Cuautle, E., López-Mancilla, D., Hernández-Mejía, C., & Inzunza-González, E. (2022). Traffic Flow Prediction for Smart Traffic Lights Using Machine Learning Algorithms. Technologies (Basel), 10(1), 5. https://doi.org/10.3390/technologies10010005 Vidali, A., Crociani, L., Vizzari, G., & Bandini, S. (2019). A Deep Reinforcement Learning Approach to Adaptive Traffic Lights Management. WOA, 42-50. http://ceur-ws.org/Vol-2404/paper07.pdf Wang, H., Shao, W., Sun, C., Yang, K., Cao, D., & Li, J. (2024). A Survey on an Emerging Safety Challenge for Autonomous Vehicles: Safety of the Intended Functionality. Engineering. https://doi.org/10.1016/j.eng.2023.10.011 Wilkens, A. (2023, 13 julio). KI steuert an Hammer Kreuzung die Ampeln. Autos. https://www.heise.de/news/Deutschlands-erste-KI-Ampel-regelt-in-Hamm-den-Verkehr-9215018.html
SILVA Manuel Eduardo CUEVAS Ana Cecilia “Las opiniones expresadas en esta publicación son de los autores y no necesariamente reflejan los puntos de vista del Instituto Mexicano del Transporte” |