RedacciónT21 
Los sistemas de monitorización de tráfico que se han desarrollado en estos últimos años se basan en su mayor parte en imágenes procedentes de cámaras visuales o sensores centralizados. Por ello, presentan limitaciones debido a la variabilidad de las condiciones de iluminación durante el día y la noche, la presencia de fenómenos que limitan la visibilidad como niebla, lluvia o humo, y a la complejidad del escenario con bifurcaciones, túneles o cambios de sentido.
Para superar estos obstáculos, investigadores del grupo de Robótica Visión y Control de la Universidad de Sevilla junto con el de Ingeniería de Sistemas y Automática de la Universidad de Málaga está desarrollando un sistema 3D de detección y monitorización del tráfico que combina cámaras y redes de sensores distribuidos.
Los expertos proponen un sistema de percepción basado en varios dispositivos como cámaras con diferentes bandas multiespectrales -es decir, que detectarán distintas zonas del espectro – a las que se sumarán nodos que contienen distintos sensores distribuidos por toda la carretera. Este mecanismo integrado permitirá obtener información precisa de los objetos móviles, incluso ante condiciones ambientales y de iluminación adversas. “El aumento del número de sensores aumenta la fiabilidad, ya que se hace una ponderación entre todos ellos, dependiendo de la confianza que se le otorgue a cada uno. Además, se cubre toda la carretera y se puede monitorizar el estado de ésta, es decir, si está afectada por lluvia o nieve o si tiene el pavimento deficiente”, explica el coordinador del estudio José Ramiro Martínez, de la Universidad de Sevilla.
Los investigadores abordarán la detección de situaciones de riesgo como bloqueos de carreteras y accidentes, la localización de comportamientos agresivos y la monitorización del tráfico. De esta forma, los datos obtenidos por las técnicas de percepción propuestas se integrarán en modelos de gestión de tráfico, permitiendo una visión dinámica. “Por ejemplo, los dispositivos nos permitirán detectar un accidente o el incremento imprevisto de densidad de tráfico en una vía y el modelo de gestión se adaptaría de forma dinámica, replanificando los semáforos o indicando rutas alternativas. Este enfoque representa una ventaja frente a los métodos tradicionales de gestión del tráfico que se basan en datos estadísticos estáticos y que, en general, no pueden considerar imprevistos”, destaca el experto.
Cámaras y sensores
El sistema combina cámaras y sensores. En cuanto a las primeras, los investigadores han experimentado sistemas de visión multiespectrales mediante la integración de cámaras en el espectro visible y cámaras de infrarrojos, que permiten la visión nocturna.Estos sistemas de visión permiten obtener imágenes de la misma escena en diferentes rangos espectrales, es decir, que permiten observar objetos que no se podrían ver por ninguna de las bandas espectrales de forma separada. “Por ejemplo, mediante cámara en las bandas del infrarrojo se puede ver a través de la niebla, lo cual no se puede conseguir por ninguna de las dos bandas espectrales de forma independiente”, explica Martínez.
La percepción obtenida de las cámaras se integrará con datos procedentes de redes de diversos sensores con el objetivo de conseguir información espacial de los objetos identificados en las imágenes multiespectrales.
En el proyecto se desplegará un conjunto de nodos comunicados entre sí. Estos puntos incluyen sensores de luminosidad, de rango y de presencia e incluso pequeñas cámaras de baja resolución, pero que permiten distinguir colores y detectar movimiento.
A todos estos dispositivos se une un sistema inalámbrico que permite la comunicación entre los nodos. “Éstos suelen ser de bajo coste y consumo energético, pequeño tamaño y con protección para trabajar en condiciones adversas”, matiza el experto.
Esta red de puntos de detección permite un seguimiento particularizado de cada coche, ya que la información se transmite de sensor a sensor a lo largo de todo el trayecto. Así, si un nodo localiza un automóvil en un punto y reconoce parámetros como su tamaño y velocidad, el siguiente recibe los datos de su homólogo más cercano e infiere que se trata del vehículo que detectó el primero.
Hacer un comentario