Entre 2010 y 2020, la Uni贸n Europea logr贸 una reducci贸n media del 36% en el n煤mero de muertes por accidentes de tr谩fico.  Sin embargo, La UE ha establecido regulaciones estrictas para mejorar la seguridad vial. En 2021, , con el objetivo de reducir las muertes y lesiones graves en un 50% para 2030.

La llegada de los veh铆culos aut贸nomos ofrece beneficios como la reducci贸n de accidentes causados por errores humanos y la mejora de la eficiencia del tr谩fico. Sin embargo, plantea retos significativos en t茅rminos de seguridad para el peat贸n.

Uno de los principales problemas es la 鈥渞esponsabilidad鈥� de los veh铆culos aut贸nomos de reconocer y reaccionar adecuadamente a la presencia de peatones. Aunque los sistemas de sensores y c谩maras han avanzado considerablemente, a煤n existen situaciones complejas, como peatones que cruzan inesperadamente o en condiciones de baja visibilidad, donde los veh铆culos pueden no reaccionar a tiempo.

La interacci贸n entre peatones y veh铆culos aut贸nomos tambi茅n es un 谩rea de preocupaci贸n. Los peatones est谩n acostumbrados a comunicarse con los conductores a trav茅s de se帽ales visuales y gestos. Con veh铆culos aut贸nomos, esta comunicaci贸n se pierde, lo que puede llevar a malentendidos y accidentes.

Aunque los veh铆culos aut贸nomos tienen el potencial de mejorar la seguridad vial, es crucial abordar estos desaf铆os para garantizar que los peatones est茅n protegidos. La 肠辞濒补产辞谤补肠颈贸苍 entre fabricantes, reguladores y la sociedad en general ser谩 esencial para crear un entorno seguro y confiable para todos. La Comisi贸n Europea, a trav茅s de CCAM (), ha publicado varios informes y recomendaciones sobre la implementaci贸n segura de esta tecnolog铆a en Europa. Uno de sus informes, “Challenges for Automated Vehicles in Detecting and Responding to Vulnerable Road Users” (顿别蝉补蹿铆辞蝉 para los veh铆culos automatizados en la detecci贸n y respuesta a los usuarios vulnerables de la v铆a), aborda espec铆ficamente el tema de la percepci贸n de peatones y ciclistas. Existen adem谩s proyectos europeos de investigaci贸n sobre veh铆culos aut贸nomos y la interacci贸n con peatones, como el proyecto INTERACTIV o el proyecto BRAVE, que han desarrollado soluciones y recomendaciones en este 谩mbito.

eHMI actuales

Hoy en d铆a existen diferentes tipos de eHMI (external human machine interface) que cubren diferentes necesidades y ayudan a hacer el tr谩fico m谩s seguro tanto para conductores como para peatones y otros veh铆culos.

Sistema ac煤stico de alerta en veh铆culos

El sistema AVAS (Acoustic Vehicle Alerting System) es un sistema ac煤stico para veh铆culos que usen motor el茅ctrico, que utiliza el sonido para indicar a los usuarios de su entorno que el coche est谩 en movimiento cuando circula a baja velocidad (menos de 20 km/h). Cuando el coche va a esta velocidad, tiene que emitir un sonido para avisar a los usuarios de la v铆a, pero no hace diferencias entre los tipos de usuarios de la v铆a o las situaciones en las que conducen.

Sistemas visuales

Todos los veh铆culos tienen sistemas de mensajes visuales para comunicarse con los veh铆culos o los peatones. Se trata de los intermitentes, las luces de emergencia, las luces delanteras y traseras, la luz de freno, la luz de marcha atr谩s, la luz diurna o las luces cortas y largas. Estas luces son reconocibles por todos y hacen la conducci贸n m谩s f谩cil y segura.

Sistemas ac煤sticos

Todos los veh铆culos cuentan con sistemas de alertas ac煤sticas como puede ser el claxon. Se utiliza para comunicar el veh铆culo con otros veh铆culos o con los peatones. Generalmente se utiliza para advertir sobre una situaci贸n de peligro. Otros veh铆culos pesados, como camiones o m谩quinas de construcci贸n, disponen de un sonido para avisar cuando est谩n realizando un movimiento marcha atr谩s.

Beneficios

Los veh铆culos aut贸nomos representan una innovaci贸n significativa en el 谩mbito del transporte, con el potencial de transformar la seguridad vial de manera profunda. Uno de los principales beneficiarios de esta tecnolog铆a son los peatones, quienes a menudo se encuentran en situaciones de vulnerabilidad en las v铆as urbanas.

Los errores humanos, como la distracci贸n, la fatiga y la conducci贸n bajo los efectos del alcohol, son causas comunes de accidentes de tr谩fico. Los veh铆culos aut贸nomos, al estar controlados por sistemas avanzados de inteligencia artificial, eliminan estos factores de riesgo, reduciendo significativamente la probabilidad de accidentes que involucren a peatones. En 2020, la Comisi贸n Europea public贸 . En este estudio, la CE analiza los impactos esperados de los veh铆culos automatizados y aut贸nomos en el comportamiento de los usuarios de la v铆a y los flujos de tr谩fico y concluye que los veh铆culos aut贸nomos, al eliminar los errores humanos como factor, tienen el potencial de reducir dr谩sticamente los accidentes de tr谩fico, incluyendo aquellos que involucran a peatones.

Equipados con sensores avanzados, c谩maras y radares, los veh铆culos aut贸nomos pueden detectar la presencia de peatones en su entorno con gran precisi贸n. Estos sistemas permiten una reacci贸n r谩pida y adecuada ante situaciones imprevistas.

Los veh铆culos aut贸nomos estar谩n programados para cumplir estrictamente con las normas de tr谩fico, incluyendo l铆mites de velocidad y se帽ales de circulaci贸n. Esto asegura que los veh铆culos se detengan en los pasos de peatones y respeten las se帽ales de tr谩fico, creando un entorno m谩s seguro para los peatones.

Otro aspecto beneficioso ser铆an los sistemas de comunicaci贸n que permitir铆an a los veh铆culos interactuar con los peatones. Por ejemplo, mediante se帽ales luminosas o ac煤sticas, los veh铆culos pueden indicar a los peatones cu谩ndo es seguro cruzar la calle, mejorando la coordinaci贸n y reduciendo el riesgo de accidentes.

El despliegue de veh铆culos aut贸nomos tambi茅n impulsara mejoras en la infraestructura urbana. Se est谩n desarrollando ciudades inteligentes con sem谩foros conectados, pasos de peatones inteligentes y otras tecnolog铆as que facilitan la integraci贸n segura de veh铆culos aut贸nomos y peatones.

顿别蝉补蹿铆辞蝉

Es esencial que los sistemas de percepci贸n sean capaces de identificar y reaccionar adecuadamente ante la presencia de peatones en diversas situaciones. Los veh铆culos aut贸nomos deben estar equipados con una combinaci贸n de sensores avanzados, como c谩maras, radares y LiDAR, que trabajen juntos para proporcionar una visi贸n completa del entorno. Estos sensores deben ser capaces de detectar peatones en diferentes condiciones de luz y clima, as铆 como en situaciones complejas, como cuando est谩n parcialmente ocultos por otros objetos. Cualquier error en estos sistemas es cr铆tico.

Adem谩s, los algoritmos de inteligencia artificial utilizados en los veh铆culos aut贸nomos deben ser capaces de reconocer a los peatones con alta precisi贸n. Esto incluye la capacidad de distinguir entre peatones y otros objetos en movimiento, as铆 como predecir el comportamiento de los peatones. La capacidad de reacci贸n ante la presencia de peatones tambi茅n es fundamental. Los sistemas de frenado autom谩tico deben activarse en milisegundos para evitar colisiones. Adem谩s, los veh铆culos deben ser capaces de realizar maniobras evasivas de manera segura cuando sea necesario.

Tambi茅n es importante que exista una actualizaci贸n continua de datos y algoritmos basados en nuevas informaciones y situaciones encontradas en la carretera. Esto incluye aprender de incidentes pasados y mejorar sus sistemas de percepci贸n y reacci贸n en consecuencia.

Es muy importante tambi茅n poder desarrollar sistemas de comunicaci贸n inequ铆voca entre veh铆culos aut贸nomos y peatones para mejorar significativamente la seguridad. Esta comunicaci贸n bidireccional puede ayudar a reducir la incertidumbre y mejorar la coordinaci贸n en las interacciones entre veh铆culos y peatones. Sin embargo, el desarrollo de esta comunicaci贸n es un reto al tratarse de algo no definido.

Optimizar el uso de se帽ales ac煤sticas en veh铆culos aut贸nomos es esencial para reducir su impacto ambiental. A trav茅s de un uso selectivo, ajustes de volumen y frecuencia, alternativas visuales, integraci贸n con infraestructura inteligente y la implementaci贸n de normativas adecuadas, es posible minimizar la contaminaci贸n ac煤stica y mejorar la calidad de vida en las ciudades. Es fundamental establecer normativas claras sobre el uso de se帽ales ac煤sticas en veh铆culos aut贸nomos y educar a los desarrolladores y operadores sobre las mejores pr谩cticas. Las regulaciones pueden incluir l铆mites de volumen, restricciones de uso en ciertas 谩reas y horarios, y la promoci贸n de tecnolog铆as alternativas. La educaci贸n y la concienciaci贸n sobre estos aspectos pueden ayudar a garantizar que los veh铆culos aut贸nomos contribuyan a un entorno m谩s silencioso y sostenible.

El proyecto AWARE2ALL

AWARE2ALL tiene como objetivo facilitar el despliegue de veh铆culos aut贸nomos en el tr谩fico, abordando los cambios en la seguridad vial y la interacci贸n entre los usuarios de la carretera mediante el desarrollo de tecnolog铆as innovadoras y herramientas de evaluaci贸n. El proyecto se basa en resultados de programas anteriores y se enfoca en desarrollar sistemas de seguridad y HMI (interfaz hombre m谩quina) para garantizar la operaci贸n segura de los veh铆culos aut贸nomos.

Dentro del veh铆culo, se realizar谩 un monitoreo continuo del estado de los ocupantes para evaluar situaciones internas y, en caso de emergencia, decidir si es posible transferir el control al conductor o ejecutar una maniobra de emergencia. Si una colisi贸n es inevitable, los sistemas avanzados de seguridad pasiva se adaptar谩n para minimizar la gravedad de las lesiones. Fuera del veh铆culo, un sistema de percepci贸n del entorno permitir谩 identificar el comportamiento de los usuarios vulnerables de la carretera (VRUs) y anticipar situaciones cr铆ticas de seguridad, comunic谩ndose eficazmente con ellos para evitar peligros.

Para asegurar la aceptaci贸n de los usuarios, se integrar谩n aspectos culturales y psicol贸gicos en todas las etapas del proyecto. Adem谩s, se proporcionar谩n sugerencias para futuras regulaciones y est谩ndares, abordando tanto las nuevas tecnolog铆as desarrolladas como los m茅todos de validaci贸n.

Para ello, 乌鸦传媒 presenta una soluci贸n innovadora basada en una comunicaci贸n ac煤stica efectiva entre los veh铆culos aut贸nomos y las personas usuarias de la v铆a, haciendo foco especialmente en personas discapacitadas. El eHMI enviar谩 diferentes tipos de sonidos considerando el ruido ambiental, el tipo del VRU y c贸mo reacciona este VRU. Estos mensajes ser谩n enviados de forma visual y ac煤stica mediante varios altavoces ubicados en puntos estrat茅gicos del veh铆culo, permiti茅ndoles enviar estos mensajes de manera 贸ptima, para que sean m谩s reconocibles por los usuarios, ajustando el volumen, frecuencia y direcci贸n seg煤n se especifique. 

Primero necesitamos de un sistema de percepci贸n que permita la identificaci贸n de la situaci贸n externa del veh铆culo y de los VRUs con los que el veh铆culo debe interactuar. El sistema deber谩 detectar y analizar la atenci贸n de los VRUs, a trav茅s de una combinaci贸n de fusi贸n de sensores y detecci贸n de objetos que se realizar谩 simult谩neamente, permitiendo generar un mapa representativo del entorno del veh铆culo.

Con esta informaci贸n el sistema de comunicaci贸n permitir谩 la interacci贸n con los VRUs utilizando interfaces multimodales (Visuales y Ac煤sticas). Despu茅s del reconocimiento del entorno del veh铆culo por los sistemas de percepci贸n, se transferir谩n a los Sistemas Ac煤sticos y Visuales los patrones definidos por la estrategia de comunicaci贸n.

En la siguiente imagen se muestra la arquitectura completa de soluci贸n desarrollada en el proyecto partiendo del sistema de percepci贸n hasta la comunicaci贸n, pasando por un sistema de decisi贸n.

Conclusiones

El advenimiento de la conducci贸n aut贸noma depende m谩s del marco regulatorio que de la madurez tecnol贸gica de los propios veh铆culos. Sin embargo, a煤n existen retos y preguntas sin respuesta en relaci贸n con la seguridad de otros usuarios que requieren un esfuerzo investigador. AWARE2ALL plantea una soluci贸n para aumentar la seguridad vial, enfocada en Usuarios Vulnerables de la Carretera, que no suelen aparecer en los percentiles y pueden quedar fuera de estudios y nuevas aplicaciones. Este proyecto ofrece algunas ventajas basadas en el sistema externo de interfaz hombre-m谩quina (eHMI) en veh铆culos para la seguridad de peatones vulnerables.

El eHMI desempe帽a un papel crucial en la industria al permitir una comunicaci贸n efectiva entre humanos y sistemas automatizados. Garantiza que la informaci贸n cr铆tica se transmita con precisi贸n, lo que permite al veh铆culo y los peatones tomar las mejores decisiones para aumentar la seguridad. Esta informaci贸n esencial se transmite de forma clara y comprensible al usuario mediante los mensajes visuales y ac煤sticos conduciendo a decisiones m谩s racionales y pr谩cticas.

En resumen, AWARE2ALL apuesta por la integraci贸n de HMI externas en los veh铆culos mejora la seguridad al mejorar la comunicaci贸n, proporcionar una representaci贸n clara de la informaci贸n y ayuda en la toma de decisiones. Estos sistemas contribuyen significativamente a la seguridad de los peatones y a la seguridad vial en general facilitando el tr谩nsito de los VRUs y de todos los veh铆culos y peatones.

Con esp铆ritu internacional y centrados en articular las tecnolog铆as m谩s potenciales para reducir este impacto en las pr贸ximas d茅cadas principalmente en Europa, nace en 2021 鈥淐lean Aviation Joint Undertaking – CAJU鈥�, iniciativa focalizada en una futura Aviaci贸n Limpia, que es el principal programa de investigaci贸n e innovaci贸n de la Uni贸n Europea para transformar la aviaci贸n hacia un futuro sostenible y clim谩ticamente neutro.

Al reunir los mejores talentos y capacidades de los sectores p煤blico y privado, desarrollar tecnolog铆as de vanguardia y ponerlas a disposici贸n para dar un salto transformador en el rendimiento de las aeronaves en la d茅cada de 2030, la nueva Empresa Com煤n para una Aviaci贸n Limpia allanar谩 el camino hacia la ambici贸n de la UE de alcanzar la neutralidad clim谩tica para 2050, para todo el sector aeron谩utico, tanto civil como militar.

Al operar en el centro de un ecosistema amplio y diverso de actores en toda Europa, que abarca desde la comunidad aeron谩utica, las pymes pioneras, los centros de investigaci贸n y el mundo acad茅mico, act煤a como un centro para nuevas ideas e innovaciones.

Como asociaci贸n p煤blico-privada europea, Clean Aviation lleva la tecnolog铆a y la ciencia aeron谩utica m谩s all谩 de los l铆mites actuales, al crear nuevas tecnolog铆as que reducir谩n significativamente el impacto de la aviaci贸n en el planeta, permitiendo que las generaciones futuras disfruten de los beneficios sociales y econ贸micos de los viajes a茅reos en el futuro.

Con un presupuesto de 4.100 M鈧�, Clean Aviation fomentar谩 el desarrollo de tecnolog铆as punteras que hagan que la aviaci贸n sea neutra para el clima en 2050.

CAJU (Clean Aviation Joint Undertaking) es la iniciativa com煤n para una Aviaci贸n Limpia. Se basa en el 茅xito de otras iniciativas como Clean Sky, que seguir谩 funcionando hasta 2024. Gracias a Clean Sky se entregar谩n m谩s de 100 demostradores con tecnolog铆as relevantes, que contribuir谩n a estos objetivos.

乌鸦传媒 impulsa tanto internamente como externamente entre sus clientes, la transici贸n digital y transici贸n de tecnolog铆as sostenibles. En este sentido, ha conseguido ser la primera compa帽铆a, con conocimientos 铆ntegros en servicios de ingenier铆a y sin producto propio, en entrar como miembro internacional de CAJU, siendo parte oficialmente desde noviembre de 2023. Con un compromiso claro de inversi贸n y apoyo a los objetivos claves de Clean Aviation.

Clean aviation define dos horizontes claros hacia la neutralidad clim谩tica para 2050:

• 2030: demostrar e introducir conceptos de aeronaves de bajas emisiones que aprovechen los resultados de la investigaci贸n de la Clean Aviation, haciendo un uso acelerado de combustibles sostenibles y operaciones 芦verdes禄 optimizadas, de modo que estas innovaciones puedan ofrecerse a las aerol铆neas y operadores para 2030 para una entrada en servicio [EIS] en el per铆odo 2030-2035.
• 2050: aviaci贸n clim谩ticamente neutra, mediante la explotaci贸n de tecnolog铆as futuras maduradas m谩s all谩 de la fase de Aviaci贸n Limpia junto con el despliegue completo de combustibles de aviaci贸n sostenibles y portadores de energ铆a alternativos.

El programa se articula en torno a tres ejes principales, cada uno de ellos con esfuerzos espec铆ficos de I+D y demostradores que impulsan la eficiencia energ茅tica y la reducci贸n de emisiones de las futuras aeronaves. En cada uno de ellos se desarrollar谩n tecnolog铆as y facilitadores, se aprovechar谩n los conocimientos y capacidades esenciales, y tambi茅n se reducir谩n los riesgos de las tecnolog铆as y soluciones identificadas cuando se requiera una mayor maduraci贸n, validaci贸n y demostraci贸n para maximizar su impacto:

• Aviones regionales el茅ctricos h铆bridos. Investigaci贸n e innovaci贸n en nuevas arquitecturas (h铆bridas) de energ铆a el茅ctrica y su integraci贸n, y maduraci贸n de tecnolog铆as para la demostraci贸n de nuevas configuraciones, conceptos de energ铆a a bordo y control de vuelo.
• Aviones ultraeficientes de corto y medio alcance. Respuesta a las necesidades de corto y medio alcance con arquitecturas innovadoras de aeronaves que utilicen sistemas de propulsi贸n t茅rmica ultraeficientes y altamente integrados y que aporten mejoras revolucionarias en la eficiencia del combustible. Esto ser谩 esencial para la transici贸n a fuentes de energ铆a de baja o nula emisi贸n (combustibles sint茅ticos, combustibles no drop-in como el hidr贸geno), cuya producci贸n ser谩 m谩s intensiva en energ铆a, m谩s cara y s贸lo disponible en cantidades limitadas.
• Tecnolog铆as disruptivas para habilitar aviones propulsados por hidr贸geno. Respuesta a las necesidades de corto y medio alcance con arquitecturas innovadoras de aeronaves que utilicen sistemas de propulsi贸n t茅rmica ultraeficientes y altamente integrados y que aporten mejoras revolucionarias en la eficiencia del combustible. Esto ser谩 esencial para la transici贸n a fuentes de energ铆a de baja o nula emisi贸n (combustibles sint茅ticos, combustibles no drop-in como el hidr贸geno), cuya producci贸n ser谩 m谩s intensiva en energ铆a, m谩s cara y s贸lo disponible en cantidades limitadas.

A continuaci贸n, se indican los :

乌鸦传媒, como miembro de Clean Aviation desde noviembre de 2023, trabajar谩 en los proyectos de I+D de Clean Aviation en calidad de socio, con una financiaci贸n impulsada por Europa dirigida a la innovaci贸n tecnolog铆a en este sector, en su m谩xima expresi贸n.

El proyecto HE-ART

La aviaci贸n regional ser谩 la primera en beneficiarse de las nuevas tecnolog铆as de propulsi贸n y de las soluciones complementarias asociadas (sistemas m谩s h铆bridos, m谩s eficientes energ茅ticamente y mucho m谩s interconectados) para reducir la huella ambiental de la aviaci贸n. El , de 60 M鈧� financiados en parte por la UE (44 M鈧�), en el que estamos involucrados, ser谩 un primer paso en el camino hacia la hibridaci贸n el茅ctrica de los aviones regionales. Se estudiar谩 la viabilidad de un turboh茅lice el茅ctrico h铆brido en un demostrador de pruebas en tierra a escala real, mediante la combinaci贸n de un tren motriz el茅ctrico en un turboh茅lice ultra eficiente y la compatibilidad con combustibles de aviaci贸n 100% sostenibles, llamados SAF. HE-ART perseguir谩 una mejora de la eficiencia y una reducci贸n de las emisiones de gases de efecto invernadero de hasta el 30%. Adem谩s, integrar谩 nuevas tecnolog铆as, como el n煤cleo del motor t茅rmico, el tren motriz el茅ctrico, la distribuci贸n el茅ctrica, la caja de cambios, la h茅lice, la g贸ndola y el intercambiador de calor.

乌鸦传媒 participa en el paquete de trabajo del sistema de gesti贸n de calor de 煤ltima generaci贸n del proyecto HE-ART, que trata del desarrollo de un sistema integral de gesti贸n t茅rmica para todos los componentes del interior de la g贸ndola del motor hibrido-el茅ctrico, que incluyen las nuevas tecnolog铆as mencionadas. La experiencia de 乌鸦传媒 en sistemas de gesti贸n t茅rmica, modelado, c谩lculo de actuaciones t茅rmicas y dise帽o ha tenido como resultado nuevas propuestas de configuraciones optimizadas de circuitos de refrigeraci贸n aire-l铆quido de alta eficiencia que favorecen la reducci贸n del consumo y el pleno rendimiento en todas las condiciones de funcionamiento.

Por tanto, 乌鸦传媒 trabaja junto a las mejores empresas del sector, en sistemas clave que representar谩n un hito en la evoluci贸n de motores turbo h茅lices hibrido-el茅ctrico, para la siguiente generaci贸n de aeronaves regionales, m谩s respetuosas con el medio ambiente.

Los esfuerzos de inversi贸n e investigaci贸n est谩n cada vez m谩s centrados en optimizar estas tecnolog铆as de fusi贸n para mejorar la seguridad y rendimiento del veh铆culo en diversas condiciones ambientales. Es por esta raz贸n que el proyecto (Percepci贸n Inteligente para Veh铆culos Conectados y Aut贸nomos), en el que 乌鸦传媒 ha participado activamente, investiga el uso de t茅cnicas basadas en IA para la fusi贸n de im谩genes de c谩mara y radar (INPERCEPT, 2024).

En la fusi贸n c谩mara-radar, las c谩maras ofrecen informaci贸n visual de alta resoluci贸n en 2D, pero con ellas no es sencillo realizar una estimaci贸n de la distancia a los objetos detectados. Sin embargo, el radar es capaz de proporcionar medidas precisas de distancia y velocidad de los objetos del entorno. Por tanto, combinando estas fuentes de datos, los AVs pueden detectar y clasificar objetos con precisi贸n, operar eficazmente en diversas condiciones y tomar decisiones de conducci贸n m谩s seguras . Mientras que el LiDAR proporciona una estimaci贸n espacial m谩s densa y detallada, el radar se est谩 convirtiendo en el sensor preferido para la fusi贸n con c谩maras en veh铆culos aut贸nomos debido a su mejor rendimiento en condiciones clim谩ticas adversas, su menor coste, menor consumo de energ铆a, mayor alcance de medici贸n y capacidad para medir directamente la velocidad de los objetos.

Una aplicaci贸n cr铆tica de la fusi贸n radar-c谩mara es la estimaci贸n de profundidad densa, que implica generar mapas detallados que asignan valores precisos de profundidad a cada p铆xel dentro de las im谩genes capturadas. Estos mapas de profundidad proporcionan informaci贸n espacial esencial sobre las distancias y posiciones de los objetos en el entorno del veh铆culo. Este mapeo preciso es crucial para funcionalidades avanzadas como la detecci贸n de obst谩culos y la planificaci贸n de rutas, permitiendo que los AVs naveguen de manera segura y efectiva.

Los avances recientes en algoritmos de estimaci贸n de profundidad monocular han revolucionado este campo al generar mapas de profundidad relativa utilizando una sola c谩mara. Estos mapas transmiten las relaciones espaciales entre objetos basadas en sus distancias percibidas entre s铆, en lugar de unidades f铆sicas absolutas como metros. Esta capacidad permite a los AVs discernir qu茅 objetos est谩n m谩s cerca o m谩s lejos, proporcionando un contexto cr铆tico para los procesos de toma de decisiones.

Al integrar el mapa de profundidad relativa derivado 煤nicamente de la imagen con datos de radar, se hace posible convertir estas distancias relativas en medidas absolutas precisas. El radar desempe帽a un papel fundamental en este proceso al escalar y transformar el mapa de profundidad relativa en un mapa de profundidad absoluto preciso. En el proyecto INPERCEPT, esta integraci贸n se realiza mediante algoritmos basados en redes neuronales, de la manera expuesta en el presente art铆culo.

惭别迟辞诲辞濒辞驳铆补

Esquema general

El algoritmo de fusi贸n propuesto toma como entrada una imagen proveniente de una c谩mara de v铆deo y una nube de puntos proveniente del radar. En primer lugar, la imagen se procesa con un modelo para la estimaci贸n de profundidad monocular llamado Depth Anything (Lihe Yang, 2024), que genera un mapa de profundidad relativo. Posteriormente, dicho mapa relativo es combinado con la nube de puntos del radar utilizando una red neuronal basada en U-Net  (Olaf Ronneberger, 2015) para generar como salida el mapa de profundidad absoluto en metros (ver Ilustraci贸n 2). Para supervisar el entrenamiento de dicha red neuronal, se utilizan datos de un LiDAR, ya que generan nubes de puntos mucho m谩s densas que funcionan a modo de referencia para el aprendizaje. En la Ilustraci贸n 1 se muestra el esquema completo.

Dataset

El algoritmo propuesto es entrenado utilizando el dataset de Nuscenes (Holger Caesar, 2019), que recoge 1.000 escenas de conducci贸n, en las que se ejecutan diversas maniobras en diferentes condiciones de tr谩fico y meteorolog铆a. Entre sus datos, se encuentran im谩genes y nubes de puntos (de LiDAR y radar), que son los necesarios para el entrenamiento del algoritmo.

Los datos deben ser preprocesados para adecuarse al formato esperado por la red neuronal. A grandes rasgos, los datos se adaptan de la siguiente manera:

1. Imagen: debe ser normalizada y ajustada al tama帽o esperado por Depth Anything.
2. Mapa relativo de profundidad: debe expresar las distancias entre 0 y 1, siendo 0 los pixeles m谩s cercanos, y 1 los m谩s lejanos. Tambi茅n debe ajustarse al tama帽o de la U-Net.
3. Nubes de puntos: deben proyectarse al plano de la imagen utilizando los par谩metros intr铆nsecos de la c谩mara (tambi茅n proporcionados en el dataset de Nuscenes). Luego deben normalizarse sus coordenadas para facilitar la labor de la red neuronal, y finalmente se debe escoger un n煤mero fijo de puntos (por ejemplo, 100). Si la nube inicial tiene menos puntos, se deben repetir de manera aleatoria hasta llegar a 100. Si la nube inicial excede este n煤mero, se considerar谩n los 100 puntos m谩s representativos.

Red neuronal

La estrategia general seguida para fusionar el mapa relativo de profundidades con el radar se muestra en la  Ilustraci贸n 2, y consiste en crear una U-Net que toma el mapa relativo de profundidades del que va extrayendo features con capas convolucionales, y disminuyendo su dimensi贸n con capas de pooling, lo que constituye el encoder. Al final de dicho encoder, donde la imagen tiene menor dimensi贸n, se concatena con las features del radar y luego vuelve paulatinamente a su tama帽o original utilizando convoluciones transpuestas (parte de decoder), dando como resultado una imagen del mismo tama帽o que la inicial que se corresponde con el mapa absoluto de profundidades.

En cuanto al radar, partiendo de una nube de puntos de tama帽o 3×100 (donde 100 es el n煤mero fijo de puntos elegido en el paso anterior), en primer lugar se pasa por un extractor de features basado en PointNet (Charles R. Qi, 2017). PointNet extrae caracter铆sticas de manera que el resultado es invariante del orden de los puntos de entrada. Est谩 basado en perceptrones multicapa (MLP) compartidos, que se implementan usando convoluciones unidimensionales. Hay que asegurar que la dimensi贸n final de las features de la nube de puntos coincide con la del encoder de la U-net, para que se puedan concatenar.

La supervisi贸n se realiza con la ayuda de las medidas de LiDAR, que tambi茅n son proyectadas en la misma imagen. Ello permite calcular el error como la media de todos los errores entre la profundidad estimada de cada pixel con la red neuronal y el valor proporcionado por el LiDAR en dicho pixel. Este error constituye el t茅rmino fundamental de la funci贸n de coste para el entrenamiento, que incluye otros t茅rminos relacionados con mantener la consistencia e informaci贸n estructural del mapa de profundidad (esto implica que se mantenga el mismo orden relativo de profundidades respecto al mapa relativo de entrada).

Implementaci贸n en el proyecto INPERCEPT

El proyecto INPERCEPT (INPERCEPT, 2024) tiene como objetivo principal mejorar las tecnolog铆as clave que permitan a los veh铆culos aut贸nomos operar de manera m谩s eficiente y segura en t茅rminos energ茅ticos, detectando obst谩culos y condiciones adversas. Entre sus metas se incluye el desarrollo de sistemas de percepci贸n externa para una mejor detecci贸n del entorno en situaciones exigentes. Es aqu铆 donde entra en juego la fusi贸n de datos (Ilustraci贸n 3), que recibe datos de radar y c谩mara frontal para generar un mapa de profundidad. Este mapa es posteriormente utilizado para generar los llamados mapas de coste, que son representaciones espaciales que indican la presencia de obst谩culos o peligros, y son fundamentales para planificar rutas y ejecutar acciones como el frenado.

En lo que respecta al hardware, el algoritmo ha sido implementado en una Nvidia Jetson AGX Orin 64GB (Nvidia, 2024), una plataforma avanzada de computaci贸n dise帽ada para aplicaciones de inteligencia artificial (IA) y computaci贸n de alto rendimiento, particularmente en el 谩mbito de la rob贸tica, la visi贸n por computadora y el edge computing. El dispositivo se ha configurado para optimizar la inferencia de los algoritmos basados en redes neuronales, utilizando C++ y TensorRT, explotando el uso de GPUs.

El radar empleado es el modelo AWR1843 de Texas Instruments (TI), que es un radar de Onda Continua Modulada en Frecuencia (FMCW) de M煤ltiple Entrada y M煤ltiple Salida (MIMO), dise帽ado para operar en la banda de 77 a 81 GHz. Este radar incluye tres antenas de transmisi贸n y cuatro antenas de recepci贸n, y es uno de los modelos m谩s avanzados, fiables y modernos creados por TI.

La c谩mara, desarrollada por Ficosa, ofrece la imagen en formato H.264 con un frame rate de 25 fps, un campo de visi贸n de 196潞x150潞 y una resoluci贸n horizontal-vertical de 1344 x 968 pixeles.

Por 煤ltimo, hay que se帽alar que los datos generados en INPERCEPT no tienen exactamente la misma naturaleza que los del dataset de Nuscenes empleados para entrenar el algoritmo. Se genera menos cantidad de puntos de radar y el rango de medida es distinto, porque los objetos de la base de datos de Nuscenes est谩n m谩s alejados. Ello nos ha obligado a entrenar el algoritmo con el paradigma de Data Augmentation para aumentar la diversidad del dataset de Nuscenes.

Resultados

Para evaluar la calidad de las estimaciones de profundidad, se ha calculado, utilizando el set de datos de test de Nuscenes, el error medio entre la profundidad estimada y la proporcionada por el LiDAR hasta cierta distancia m谩xima, y despreciando los puntos m谩s alejados de dicha distancia. Se ha tomado como distancia m谩xima desde los 10 metros hasta los 50 metros para comprobar c贸mo el error evoluciona a medida que debe estimar mayores distancias, y se proporcionan valores absolutos y relativos. Los resultados se recogen en la Tabla 1.

En la Tabla 1 se puede observar c贸mo el error absoluto aumenta a medida que las distancias consideradas aumentan, lo que resulta razonable ya que mantener la precisi贸n de las estimaciones se complica a medida que se consideran objetos m谩s lejanos. Sin embargo, el error relativo es bastante uniforme, oscilando alrededor del 3% y el 4%, lo cual se considera un 茅xito en cuanto a calidad de estimaci贸n. Por su parte, en la Ilustraci贸n 4 se muestra gr谩ficamente el resultado de la aplicaci贸n del algoritmo de fusi贸n c谩mara-radar con im谩genes tomadas en el exterior del Automotive Technological Center (ATC) de 乌鸦传媒.

En modo inferencia con la Nvidia Jetson AGX Orin, la red neuronal Depth Anything requiere unos 40 ms en ejecutar, mientras que la red neuronal U-Net tarda unos 3 ms, siendo el tiempo de c贸mputo total de 43 ms, lo que lo habilita para tiempo real. Es importante tener en cuenta que nuestra red funciona a partir de un mapa de profundidad relativo que se puede obtener por cualquier m茅todo, no necesariamente con Depth Anything. En este trabajo se eligi贸 Depth Anything por su novedad y gran precisi贸n, pero pueden existir otros modelos (o se lanzar谩n en el futuro) que aligeren la obtenci贸n de la profundidad relativa, que es el principal cuello de botella computacional en la estimaci贸n de profundidad densa.

颁辞苍肠濒耻蝉颈贸苍

Este art铆culo propone un m茅todo para la estimaci贸n de profundidad densa empleando un modelo basado en una red neuronal de tipo U-Net que, en lugar de tomar como entrada la imagen captada por la c谩mara, utiliza un mapa relativo de profundidades que se asume preciso, y que se combina con la nube de puntos proveniente del radar. Este planteamiento experimental es posible gracias a la aparici贸n de nuevos algoritmos, como Depth Anything, que son capaces de proporcionar mapas de profundidad relativos muy precisos, porque han sido entrenados con una cantidad ingente de im谩genes de manera no supervisada. En este trabajo, esta informaci贸n se asume m谩s valiosa que la imagen original en la tarea de obtener profundidades absolutas.

El algoritmo de fusi贸n ha sido entrenado con el dataset de Nuscenes y luego se ha probado en el contexto del proyecto INPERCEPT como parte de fundamental de los servicios dedicados a percibir los obst谩culos para planificaci贸n de rutas o frenado, y en el que se utilizan radar, c谩mara y un dispositivo de computaci贸n de Nvidia de 煤ltima generaci贸n. Los resultados objetivos proporcionados en el entrenamiento de la red con Nuscenes avalan la eficacia del m茅todo, mientras que su posterior aplicaci贸n con datos reales de INPERCEPT demuestran una integraci贸n v谩lida pese a la diferente naturaleza de los datos, a falta de comprobaciones de mayor rigor, por ejemplo comparando los resultados con los de un LiDAR.

El algoritmo presentado no solo demuestra su viabilidad t茅cnica y efectividad en entornos controlados y reales, sino que tambi茅n ofrece un camino prometedor hacia soluciones de percepci贸n m谩s seguras, econ贸micas y adaptables para la industria de los veh铆culos aut贸nomos. Este art铆culo demuestra la integraci贸n exitosa de radar y c谩maras, potenciada por algoritmos avanzados, y contribuye al avance hacia la pr贸xima generaci贸n de veh铆culos aut贸nomos capaces de navegar de manera segura y eficiente en un mundo cada vez m谩s complejo y din谩mico.

Referencias

Charles R. Qi, H. S. (2017). PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation. IEEE / CVF Computer Vision and Pattern Recognition Conference (CVPR), (p谩gs. 652-660).

Holger Caesar, V. B. (2019). nuScenes: A multimodal dataset for autonomous driving. arXiv preprint arXiv:1903.11027. Obtenido de https://www.nuscenes.org/nuscenes

INPERCEPT. (2024). INPERCEPT: Intelligent Perception. Obtenido de https://www.inpercept.es/

Lihe Yang, B. K. (2024). Depth Anything: Unleashing the Power of Large-Scale Unlabeled Data. IEEE / CVF Computer Vision and Pattern Recognition Conference (CVPR), (p谩gs. 10371-10381).

Nvidia. (2024). Jetson Orin. Obtenido de https://www.nvidia.com/en-us/autonomous-machines/embedded-systems/jetson-orin/

Olaf Ronneberger, P. F. (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation. Medical Image Computing and Computer Assisted Interventions.

Este proyecto ha sido subvencionado por el CDTI, cofinanciado con fondos Europeos del Mecanismo de Recuperaci贸n y Resiliencia y apoyado por el Ministerio de Ciencia e Innovaci贸n. Este proyecto tiene n煤mero de expediente PTAS-20211011

驴Qu茅 son los espacios de datos?

Los Espacios de Datos son infraestructuras federadas y abiertas que facilitan el intercambio de datos seguro y controlado entre los miembros participantes, bas谩ndose en pol铆ticas, normas y est谩ndares comunes. Garantizan que las organizaciones mantengan el control total sobre sus datos, a la vez que cumplen con las pol铆ticas y los requisitos regulatorios predefinidos. Tecnolog铆as avanzadas como la criptograf铆a, blockchain y la gesti贸n de identidades descentralizadas refuerzan estos espacios, creando un marco s贸lido para el intercambio seguro de los datos.

La visi贸n de la Uni贸n Europea

Reconociendo la importancia estrat茅gica de los Espacios de Datos, la Uni贸n Europea (UE) invertir谩 2.000 millones de euros entre 2021 y 2027 en iniciativas como Gaia-X, para establecer un marco com煤n para la infraestructura de datos y la gobernanza. Estas iniciativas tienen como objetivo promover la interoperabilidad y la seguridad de los datos en los Estados miembros y las industrias, fortaleciendo la cadena de valor industrial, fomentando la innovaci贸n y garantizando el cumplimiento de las estrictas regulaciones europeas de protecci贸n de datos.

La iniciativa ESPADIN en 乌鸦传媒

ESPADIN (Espacios de Datos para la Industria) de 乌鸦传媒 es un proyecto pionero de I+D que desarrolla una soluci贸n integral de espacios de datos alineada con las directrices y est谩ndares europeos. ESPADIN ofrece un entorno seguro y descentralizado para el intercambio y la gesti贸n de datos en tiempo real, integrando tecnolog铆as dentro de un marco compatible con Gaia-X e IDS.

El proyecto ESPADIN cuenta con importantes socios industriales -Repsol, Grupo Antolin y FCC-, as铆 como con centros de investigaci贸n, para validar su arquitectura a trav茅s de casos de uso pr谩cticos. Estas colaboraciones demuestran la aplicabilidad y eficacia del proyecto en escenarios industriales del mundo real.

Entendiendo los espacios de datos

Las principales caracter铆sticas de los espacios de datos son:

• Infraestructura federada: Habilita la 肠辞濒补产辞谤补肠颈贸苍 sin centralizar los datos, garantizando que los datos permanezcan dentro de la jurisdicci贸n de su propietario al mismo tiempo que est谩n accesibles para las partes autorizadas.
• Pol铆ticas, normas y est谩ndares comunes: Garantizan la interoperabilidad y el cumplimiento, dictando la gesti贸n, el acceso y el intercambio de datos.
• Soberan铆a y control de los datos: Los propietarios de los datos mantienen el control sobre sus datos, decidiendo el acceso, las condiciones y los fines.
• Seguridad y privacidad: La encriptaci贸n robusta, los protocolos de comunicaci贸n seguros y las tecnolog铆as de preservaci贸n de la privacidad protegen los datos.
• Gesti贸n de identidades descentralizada: Los sistemas de identidad soberana (SSI) mejoran la privacidad y la seguridad al reducir la dependencia de proveedores centralizado
• Conectores y protocolo del espacio de datos: Los conectores son esenciales para compartir datos en un espacio de datos, habilitando el intercambio de datos confiable y seguro entre los participantes. El Protocolo del Espacio de datos (DSP) garantiza la interoperabilidad entre los participantes, promoviendo la adopci贸n de vocabularios y ontolog铆as comunes.

Innovaci贸n tecnol贸gica en ESPADIN

IoT H铆brido, Edge y Arquitectura Cloud: ESPADIN integra tecnolog铆as de IoT, edge computing y cloud para garantizar la disponibilidad y el procesamiento de datos en tiempo real, habilitando la recopilaci贸n, el procesamiento y el an谩lisis eficiente de los datos.

Blockchain y Tecnolog铆as de Identidad autogestionada: La tecnolog铆a blockchain proporciona un manejo de datos seguro e inmutable, mientras que la identidad soberana (SSI) asegura una autenticaci贸n y autorizaci贸n de datos seguras, mejorando la privacidad y la seguridad.

Validaci贸n colaborativa: ESPADIN colabora con Repsol, Grupo Antolin y FCC en casos de uso clave:

• Repsol: Demostraci贸n de la trazabilidad de la producci贸n de hidr贸geno verde.
• Grupo Antolin: Supervisi贸n en tiempo real y garant铆a de calidad en la producci贸n de piezas de pl谩stico para veh铆culos.
• FCC: Inspecci贸n y mantenimiento mejorados de t煤neles utilizando tecnolog铆as IoT y blockchain.

El proyecto se desarrolla seg煤n la siguiente arquitectura:

Cumplimiento de los est谩ndares europeos

ESPADIN garantiza el cumplimiento de las normativas europeas, incluyendo la RGPD y la Ley de Gobernanza de Datos, aline谩ndose con las directrices de Gaia-X e IDSA. Este marco de cumplimiento asegura la soberan铆a de los datos, la seguridad y la interoperabilidad.

Futuras l铆neas de trabajo

ESPADIN persigue ampliar su alcance a diversas industrias m谩s all谩 de sus casos de uso iniciales, mejorando la cadena de valor industrial y fomentando la innovaci贸n. La arquitectura flexible del proyecto y las tecnolog铆as en las que se ha fundado lo posicionan para abordar nuevos desaf铆os y oportunidades en la econom铆a digital.

颁辞苍肠濒耻蝉颈贸苍

ESPADIN representa un avance significativo en el desarrollo de los Espacios de Datos, aline谩ndose con las iniciativas y los marcos regulatorios europeos para proporcionar una infraestructura de datos segura, interoperable y estandarizada. A trav茅s de su arquitectura innovadora y sus esfuerzos colaborativos, ESPADIN est谩 preparado para revolucionar la gesti贸n de datos en la industria inteligente, estableciendo nuevos est谩ndares para la soberan铆a de los datos y la innovaci贸n digital.

Contenidos relacionados

Este proyecto ha sido subvencionado por el CDTI, cofinanciado con fondos Europeos del Mecanismo de Recuperaci贸n y Resiliencia y apoyado por el Ministerio de Ciencia e Innovaci贸n. Este proyecto tiene n煤mero de expediente MIG-20221071

Como con cada cambio de generaci贸n de telefon铆a m贸vil, se espera que 6G traiga una mayor velocidad en la transmisi贸n de los datos, y tambi茅n una reducci贸n de la latencia en las conexiones respecto a la generaci贸n anterior, 5G. Detr谩s de estos requerimientos de mejores prestaciones en cuanto a velocidad y latencia, y que har谩n que 6G habilite el camino hacia un mundo hiper-conectado, hay cambios tecnol贸gicos sustanciales, adem谩s de otros factores diferenciadores a tener en cuenta, como la sostenibilidad ambiental.

En 5G, los principales novedades tecnol贸gicas respecto a 4G vinieron en gran parte relacionadas con desagregaci贸n de la gesti贸n de red con tecnolog铆as como las redes controladas por software (SDN); Multi-access Edge Computing (MEC), llevando la computaci贸n en la nube al extremo de la red para reducir latencia; y la virtualizaci贸n de red (Network Function Virtualization), que posibilit贸 hacer un “rebanado” de la red (network slicing) y que defini贸, seg煤n ITU, tres tipos de servicios: eMBB (Enhanced Mobile Broad Band), URLLC (Ultra Reliable Low Latency Communication), y mMTC (Massive Machine Type Communication). De esta forma, mediante la creaci贸n de m煤ltiples redes virtuales (network slice) sobre una misma red f铆sica, fue posible optimizar el uso de los recursos de red seg煤n la priorizaci贸n de ciertos KPIs (Key Performance Indicators) para cada caso de uso. Esto aument贸 el rendimiento, posibilitando nuevos casos de uso como por ejemplo en Industria 4.0, protecci贸n p煤blica en emergencias (PPDR), coche conectado (V2X) y en sector salud, cirug铆a en remoto, entre otros.

6G toma de base por supuesto 5G, proponiendo nuevos casos de uso con requerimientos de red mucho m谩s exigentes (latencia por debajo de milisegundos y velocidades de Gbps), y que seg煤n la tienen como hilo conductor la interconexi贸n entre los mundos f铆sico, virtual y personal. As铆 mismo, no es posible hablar de 6G sin considerar el enfoque social, a trav茅s de lo que se han denominado Key Value indicators entre los que se encuentran sostenibilidad (ambiental, social y econ贸mica), inclusividad y confiabilidad.  

Los se clasifican en las siguientes familias principales: telepresencia hologr谩fica para experiencias inmersivas, robots colaborativos (co-bots), ubicuidad de sensores (physical awareness), movilidad en UAVs, gemelos digitales, e Internet de los Sentidos con aplicaciones h谩pticas gracias a la inclusi贸n de nuevos dispositivos inteligentes.

Estos nuevos dispositivos finales, m谩s all谩 de los smartphones, como robots inteligentes, coches conectados, etc., por un lado requieren comunicaciones m谩s avanzadas en tiempo real, pero tambi茅n pueden proporcionar por s铆 mismos capacidades de computaci贸n extra en el extremo final de la red, lo que se denomina “extreme edge”. De esta manera, el servicio de red se puede desplegar a lo largo de todo el compute continuum, desde el Cloud, al Edge e incluso al Extreme Edge como un continuo, y aprovechando la mayor capacidad de computaci贸n de los nuevos terminales de forma local junto al usuario final, reduciendo a煤n m谩s la latencia.

Esta distribuci贸n de nodos de computaci贸n incluyendo el Extreme Edge, propuesta desde el inicio de especificaci贸n de 6G, se est谩 encontrando con importantes retos; por ejemplo, la heterogeneidad de los nodos en el extreme Edge hace m谩s complicada su gesti贸n de forma hol铆stica, as铆 como su volatilidad, ya que pueden conectarse/desconectarse con frecuencia, a diferencia de recursos de computaci贸n est谩ticos en el Edge o cloud. La Inteligencia Artificial puede ayudar en este caso a crear patrones en cuanto al comportamiento que se puede esperar en este tipo de nodos. La IA incorporada de forma nativa en la arquitectura de 6G es uno de los diferenciadores claves de esta nueva generaci贸n de red m贸vil. As铆, los componentes de AI/ML son agregados de forma intr铆nseca en el dise帽o de la arquitectura a todos los niveles, e.g. infraestructura, red, y aplicaci贸n, y en todos los dominios. El aprendizaje autom谩tico (Machine Learning, ML) se aplica para la toma de decisiones predictivas, anticip谩ndose a posibles errores, permitiendo aumentar la fiabilidad y disponibilidad del servicio de red considerablemente, as铆 como anticipar posibles degradaciones de la calidad de servicio (latencia, velocidad, etc.).  Sin embargo a pesar de que los beneficios de aplicar IA en la gesti贸n de red son claros y aceptados por los operadores, incluyendo la reducci贸n de costes operacionales (OPEX) y consumo energ茅tico, entre otros hay importantes barreras a煤n de adopci贸n, como son: dificultades para cuantificar el retorno de inversi贸n, falta de perfiles en ciencia de datos en el sector telco, y otras barreras m谩s t茅cnicas como preocupaci贸n por la privacidad de los datos y mecanismos espec铆ficos de la explicabilidad de la IA en sistemas de gesti贸n de red de los operadores.

En relaci贸n con la incorporaci贸n de sensores ubicuos con red m贸vil ha surgido con fuerza recientemente el t茅rmino Integrated Sensing and Communication (ISAC), tambi茅n conocido como Joint Communication and Sensing (JCAS); ISAC integra informaci贸n de sensores y localizaci贸n espacial de objetivos pasivos (no conectados) con la red m贸vil expandiendo la funcionalidad de red m谩s all谩 de la pura comunicaci贸n. Esto est谩 asociado a casos de uso como los enjambres de drones, la movilidad, la log铆stica, etc. 

Otra caracter铆stica inherente a 6G es la cobertura global, lo que incluye conectividad a zonas rurales y m谩s remotas, alineado con la inclusividad. Por ello existe una importante l铆nea de trabajo en 6G para la integraci贸n de red terrestres con redes no terrestres (NTN) t铆picamente con conectividad a trav茅s de sat茅lite, pero en las que, dados los requisitos exigentes de baja latencia, los HAPs (high altitude platform station) han irrumpido con fuerza como soluci贸n intermedia con la que se mejora el alcance de conectividad a zonas remotas sin comprometer en exceso la latencia, como ocurre a trav茅s de las conexiones con sat茅lites.

Considerando que la complejidad de las redes en 6G crecer谩 exponencialmente, esto tambi茅n significar谩 nuevos retos en la seguridad, verificaci贸n de identidades, etc. Las tecnolog铆as Quantum y basadas en Tecnolog铆a de Contabilidad Distribuida o Distributed Ledger Technologies (DLT) tendr谩n un papel muy relevante en este sentido.

Las bandas de frecuencia en el espectro de 6G esperan cubrir un amplio rango m谩s all谩 de las frecuencias que existen hoy. El objetivo es ir a banda pr贸xima a Teraherzios, entre 100 Ghz a 1 Thz.

Finalmente, y no menos importante, alienado con el objetivo clave de sostenibilidad, 6G incluir谩 medidas concretas para la mejora de la eficiencia energ茅tica y m谩s a煤n para descarbonizaci贸n (mediante de uso de fuentes de energ铆a limpias) y reducci贸n del consumo energ茅tico de las redes de telecomunicaciones, lo que est谩 suponiendo un campo muy amplio de investigaci贸n dentro del sector telco.

El proyecto 6G-XR (6G eXperimental Research)

El es una iniciativa financiada por la Uni贸n Europea bajo el programa Horizon Europe dentro del programa de Smart Networks and Services Joint Undertaking, SNS-JU.

6G-XR est谩 formado por un consorcio de 15 entidades en el cual 乌鸦传媒 colabora con empresas como Telef贸nica, Ericsson, Nokia e Intel, adem谩s de con universidades y centros de investigaci贸n de prestigio.

El objetivo 煤ltimo del proyecto es fortalecer el liderazgo europeo en tecnolog铆as 6G a trav茅s de la generaci贸n de servicios de Realidad Extendida (XR) e infraestructuras que proporcionan capacidades hacia la era 6G.

6G-XR est谩 desarrollando un laboratorio experimental de 6G que abarca m煤ltiples localizaciones en diferentes pa铆ses de Europa y que servir谩 como plataforma de validaci贸n para varios casos de uso de 6G, con especial foco en aplicaciones de Realidad Extendida (XR) y Comunicaciones Hologr谩ficas, en entornos multidominio. M谩s concretamente la infraestructura del proyecto comprende por un lado un nodo en el norte de Europa formado por testbeds en la Universidad de Oulu y el Centro de Investigaci贸n de Finlandia VTT, y por otro lado un nodo en el sur de Europa con localizaciones (Madrid) en el que participan Telefonica, Ericsson y 乌鸦传媒, y en Barcelona por parte del centro de investigaci贸n i2cat.   

Como se mencionaba en la secci贸n anterior, se espera que 6G juegue un papel clave en la convergencia entre los mundos f铆sico y virtual, fundamentada en aplicaciones de XR, Spatial Computing y comunicaciones hologr谩ficas, siendo las experiencias inmersivas uno de los casos de uso claves en 6G. La telepresencia XR permitir谩 a las personas ser recreados en su representaci贸n virtual en tiempo real, lo que requerir谩 el consumo de muchos m谩s recursos tanto de red como de computaci贸n, por lo que ser谩 necesario la optimizaci贸n de dichos recursos a la vez que se adopta una soluci贸n de compromiso desde el punto de visto de la sostenibilidad ambiental. Para que la comunicaci贸n hologr谩fica tenga lugar con una calidad aceptable para el usuario final, se requerir谩n tasas de datos mucho mayores que hoy en d铆a, del orden de Gbps, con restricciones de latencia muy estrictas entre 1-10ms y con una tasa de 茅xito de entrega de paquetes del 99-99,99%.

Con el fin de alcanzar estos requisitos, el proyecto 6G-XR est谩 dise帽ando e implementando nuevos mecanismos de gesti贸n de recursos de red, computaci贸n y tecnolog铆as de radio acceso y soluciones espec铆ficas para aplicaciones XR que est茅n orientados a esta optimizaci贸n sin comprometer el consumo de energ铆a.

Asimismo, se est谩n incorporando algoritmos de Machine Learning como parte de los mecanismos de gesti贸n de los recursos para proporcionar mayor nivel de automatizaci贸n y ser capaces de anticipar acciones de reasignaci贸n de recursos, buscando compromiso entre una calidad de experiencia aceptable para el usuario y el objetivo de reducir consumo energ茅tico.

El rol principal de 乌鸦传媒 en 6G-XR es el de coordinar los trabajos en cuanto al dise帽o e implementaci贸n de los componentes que habilitan las tecnolog铆as de Multi-access Edge computing (MEC). Adem谩s, 乌鸦传媒 despliega en 5Tonic su framework de MEC Intelligence Edge Application Platform (IEAP), desarrollando nuevas APIs que facilitan el acceso para proveedores de aplicaciones externos. Por un lado, el IEAP se est谩 integrando con la infraestructura de red de Ericsson; por otro se est谩 trabajando adem谩s en la federaci贸n con el orquestador de MEC de i2cat en Barcelona, seg煤n especificaciones de para habilitar casos de uso multidominio.

El trabajo de 乌鸦传媒 en 6G-XR posiciona a la compa帽铆a en tecnolog铆a MEC y automatizaci贸n con IA en el sector telco en general, y en particular para el despliegue de aplicaciones XR y comunicaciones hologr谩ficas. Este trabajo, por ende, impactar铆a positivamente tambi茅n en otras industrias que pueden utilizar este tipo de soluciones, como sector transporte, industrial, energ铆a etc.

El proyecto 6G-XR tiene planificado el lanzamiento de tres 鈥�open calls鈥� a lo largo de todo el proyecto. Estas open calls ofrecen la infraestructura desarrollada en el proyecto 6G-XR a entidades externas para hacer sus propios experimentos. La primera open call, cuyos proyectos finalizaron a mitad de 2024, estuvo orientada a la experimentaci贸n con componentes de infraestructura proporcionados por entidades externas; los proyectos de la segunda open call, que est谩 centrada en componentes m谩s disruptivos alineados con el 谩mbito de otros proyectos de investigaci贸n actuales de 6G, se implementar谩n entre Septiembre de 2024 y Febrero de 2025. En marzo de 2025 se abrir谩 la convocatoria para la tercera open call que estar谩 dirigida a proveedores de aplicaciones de otras industrias verticales que deseen desplegar sus servicios sobre la infraestructura del proyecto 6G-XR.

Sobre la participaci贸n de 乌鸦传媒 en la definici贸n de l铆neas de investigaci贸n e innovaci贸n hacia 6G

乌鸦传媒 es miembro de la asociaci贸n industrial a nivel europeo 6G-IA (6G Infrastructure Association). La 6G-IA es la voz de la Industria y organismos de Investigaci贸n europeos para la pr贸xima generaci贸n de redes y servicios. Su objetivo principal es contribuir al liderazgo de Europa en 5G, 5G avanzado e investigaci贸n en 6G. La 6G-IA representa el lado privado en la 5G-PPP y en la Smart Networks and Services JU (Joint Undertaking), en donde el sector p煤blico est谩 representado por la Comisi贸n Europea. La 6G-IA aglutina una comunidad de actores digitales y de telecomunicaciones, como operadores, fabricantes, organismos de investigaci贸n, universidades, industrias verticales, PYMEs y asociaciones de ICT. La 6G-IA lleva a cabo un amplio n煤mero de actividades en 谩reas estrat茅gicas como estandarizaci贸n, definici贸n de frecuencias del espectro, proyectos de I+D, capacitaci贸n tecnol贸gica, 肠辞濒补产辞谤补肠颈贸苍 con otras industrias verticales para despliegue de pilotos, y cooperaci贸n internacional.

Por ejemplo, como parte de las actividades como miembro de la 6G-IA, 乌鸦传媒 actualmente est谩 participando en la elaboraci贸n de un Whitepaper sobre que actualiza la visi贸n de 6G por parte de la asociaci贸n, y que se publicar谩 en Octubre de 2025.

Para m谩s informaci贸n sobre la participaci贸n de 乌鸦传媒 en la 6G-IA, y en proyectos de Investigaci贸n, Desarrollo e Innovaci贸n de 6G, incluyendo 6G-XR, pueden contactar con Aurora Ramos (ver firma)

Aurora Ramos ha sido elegida por como una de las 100 mujeres en el mundo m谩s influyentes en 6G en este a帽o 2024.

Contenidos relacionados

6G-XR project has received funding from the  under the European Union鈥檚  under Grant Agreement No 101096838.

Este consorcio est谩 creando una soluci贸n inteligente capaz de identificar en fases iniciales enfermedades neurol贸gicas, motoras y degenerativas como la insuficiencia card铆aca, en la que el coraz贸n no bombea sangre de manera eficiente; el ictus, causado por la interrupci贸n del flujo sangu铆neo al cerebro; la sarcopenia, caracterizada por la p茅rdida de masa y fuerza muscular; el Parkinson, que afecta el control motor; la hipoacusia, que reduce la capacidad auditiva; adem谩s del c谩ncer de pr贸stata y colon, ambos tipos de tumores malignos que afectan com煤nmente a personas mayores y requieren detecci贸n precoz para un tratamiento eficaz. Este sistema utiliza algoritmos de IA para realizar pron贸sticos tempranos y apoyar la toma de decisiones en el tratamiento de personas mayores. 

La detecci贸n temprana de enfermedades relacionadas con la edad es fundamental para mejorar la calidad de vida y la longevidad de la poblaci贸n. A medida que las personas envejecen, aumenta el riesgo de desarrollar condiciones cr贸nicas como enfermedades cardiovasculares, diabetes, c谩ncer y demencia. Identificar estas enfermedades en sus primeras etapas permite una intervenci贸n m茅dica oportuna, lo cual puede retrasar la progresi贸n de la enfermedad, reducir complicaciones y mejorar significativamente los resultados cl铆nicos. Adem谩s, la detecci贸n temprana facilita la implementaci贸n de cambios en el estilo de vida y la administraci贸n de tratamientos preventivos, lo que no solo beneficia al individuo, sino que tambi茅n reduce la carga econ贸mica y social sobre los sistemas de salud, haciendo de la detecci贸n precoz una herramienta esencial para posibilitar un envejecimiento saludable y sostenible en la sociedad. 

乌鸦传媒 dirige el proyecto y participa llevando a cabo una exploraci贸n integral del modelado predictivo y las tecnolog铆as de aprendizaje federado, abarcando tres casos de uso clave que impulsan el avance en la atenci贸n m茅dica: 

• En primer lugar, la implementaci贸n del aprendizaje federado en los centros de salud revoluciona la capacitaci贸n de modelos al utilizar datos distribuidos sin centralizaci贸n, lo que refuerza la solidez del modelo de diagn贸stico. Este enfoque colaborativo no solo garantiza la privacidad del paciente y el cumplimiento del RGPD, sino que tambi茅n optimiza la calidad del diagn贸stico y la eficacia del tratamiento mediante la agregaci贸n de datos interinstitucionales. 

• En segundo lugar, aprovechando los sensores IMU port谩tiles, el proyecto se centra en predecir el potencial de recuperaci贸n de los pacientes con accidente cerebrovascular (ictus) mediante algoritmos avanzados de aprendizaje autom谩tico y an谩lisis de datos de movimiento. Este enfoque personalizado permite terapias personalizadas, optimizando la eficiencia del tratamiento y reduciendo los costos y el tiempo de rehabilitaci贸n. 

• Por 煤ltimo, el proyecto tiene como objetivo la predicci贸n personalizada del potencial de recuperaci贸n de los pacientes con insuficiencia card铆aca mediante el an谩lisis de datos de ECG, lo que conduce a mejores resultados cl铆nicos, per铆odos de rehabilitaci贸n m谩s cortos y una mejor calidad de vida. 

Al adoptar la medicina personalizada, esta iniciativa tiene como objetivo minimizar los costos y mejorar el manejo de la insuficiencia card铆aca. Al incorporar la explicabilidad junto con tecnolog铆as innovadoras, el proyecto AI4HealthyAging garantiza que los modelos predictivos no solo funcionen bien, sino que tambi茅n sean interpretables, fomentando la confianza y una adopci贸n m谩s amplia en la comunidad sanitaria. 

Contenidos relacionados

Situaci贸n del transporte p煤blico aut贸nomo

El transporte p煤blico con autobuses aut贸nomos ya ha comenzado a implementarse en varias ciudades alrededor del mundo. Aunque todav铆a es una tecnolog铆a en desarrollo y en muchas 谩reas los proyectos est谩n en fase piloto, existen diversas iniciativas que est谩n demostrando su viabilidad del despliegue y mostrando los beneficios que aporta.

Fuera de Europa podemos mencionar proyectos como los de Singapur, Ciudad de M茅xico, Se煤l, Shenzhen, San Francisco, Las Vegas, Dub谩i, S铆dney, Tokio o Toronto.

En Europa existen tambi茅n diferentes iniciativas como las de Sion, en Suiza, Helsinki, Par铆s u Oslo lideradas por diferentes fabricantes:

• Volkswagen Commercial Vehicles (VWCV) es el veh铆culo m谩s ambicioso y avanzado. Recientemente, anunciaron la integraci贸n de tecnolog铆a de Mobileye en sus veh铆culos y pretenden realizar el lanzamiento de veh铆culos L4 en 2026.
• EasyMile ha desplegado veh铆culos en m谩s de 30 pa铆ses y m谩s de 300 localizaciones. Su EZ10 es el veh铆culo m谩s usado en Europa, aunque solo tienen desplegados veh铆culos L4 en una carretera p煤blica de Francia.
• Renault form贸 equipo con Waymo en 2019 y tambi茅n ha firmado una alianza con WeRide para posibilitar el transporte p煤blico aut贸nomo en Francia. Sin embargo, hasta la fecha no se conocen datos de despliegues de veh铆culos L4.
• GAMA absorbi贸 a Navya en 2023, ofreciendo actualmente una tecnolog铆a limitada a rutas fijas y con bajas velocidades que evolucionar谩 en los pr贸ximos a帽os.

Como se puede apreciar, ninguno de los fabricantes europeos ha alcanzado una implementaci贸n completamente aut贸noma a gran escala. La mayor铆a de las empresas en la regi贸n se encuentran en fases de prueba y desarrollo, lo que contrasta con la situaci贸n en Am茅rica y, sobre todo, en Asia, donde algunas compa帽铆as est谩n liderando la integraci贸n de AVs en sus operaciones de transporte p煤blico.

Beneficios

Incorporar veh铆culos aut贸nomos para el transporte de pasajeros o de mercanc铆as y la log铆stica de 煤ltima milla presenta m煤ltiples beneficios como la reducci贸n de costes operativos, la optimizaci贸n de recursos o una mejor cobertura de 谩reas con poca conectividad. Pero, sobre todo, cambiar谩 la forma en que concebimos un transporte m谩s eficiente y sostenible, al promover el uso compartido de veh铆culos y reducir la dependencia de los autom贸viles particulares.

A diferencia de los sistemas de transporte p煤blico tradicionales que operan en rutas fijas y horarios establecidos, los veh铆culos aut贸nomos pueden ajustar su ruta y horario en funci贸n de la demanda real, ofreciendo un servicio m谩s flexible y personalizado, adaptado a las necesidades cambiantes de los usuarios y a las condiciones del entorno. Es lo que se conoce como Transporte Sensible a la Demanda o Demand Responsive Transport (DRT).

En este modelo emergente, potentes algoritmos de Machine Learning y T茅cnicas de Anal铆ticia de Datos son capaces de predecir patrones de demanda en tiempo real y ajustar las rutas de los veh铆culos aut贸nomos din谩micamente.  Esto no solo garantiza una distribuci贸n eficiente de los recursos, sino que tambi茅n minimiza tiempos de espera y evita la saturaci贸n de veh铆culos en determinadas zonas. Este enfoque flexible y adaptable permite mejorar la eficiencia del sistema y hacer frente a fluctuaciones en la demanda (Bischoff, F眉hrer, & Maciejewski, 2019); beneficios que se multiplican considerando que los veh铆culos aut贸nomos operaran como parte de flotas inteligentes, colaborando entre s铆 para disminuir la congesti贸n vial optimizando el uso de la energ铆a y reduciendo las emisiones y fomentar una movilidad m谩s equitativa y accesible.

顿别蝉补蹿铆辞蝉

M谩s all谩 de los desaf铆os inherentes a los diferentes niveles de conducci贸n aut贸noma, el transporte p煤blico presenta retos espec铆ficos.

En primer lugar, adem谩s de desplegar mecanismos para evitar accidentes y garantizar una conducci贸n segura y responsable, es crucial priorizar la protecci贸n continua de los pasajeros en el interior de los autobuses aut贸nomos, m谩s teniendo en cuenta que no dispondr谩n de un conductor o empleado de la compa帽铆a que pueda hacer frente a situaciones imprevistas. Esto requiere la creaci贸n de protocolos claros para manejar emergencias y situaciones imprevistas, asegurando que los pasajeros se sientan seguros y confiados al utilizar estos servicios, y el despliegue de sistemas inteligentes que monitoricen el interior y exterior del veh铆culo, capaces de detectar, alertar y gestionar situaciones de riesgo como ca铆das de los pasajeros, disturbios, peleas o vandalismo en el interior del veh铆culo. La combinaci贸n de protocolos y tecnolog铆as junto con la transparencia en la operaci贸n y la garant铆a de un servicio consistente y bien gestionado ser谩n claves para construir esta confianza.

Garantizar la escalabilidad de los sistemas de transporte aut贸nomos es tambi茅n esencial para su implantaci贸n y adopci贸n generalizada. Esto implica no solo la capacidad de manejar un aumento en la demanda, sino tambi茅n la integraci贸n fluida con la infraestructura existente para soportar la comunicaci贸n continua entre veh铆culos, centros de supervisi贸n y otros actores del sistema de transporte.

Aunque ya hemos comentado los importantes beneficios del transporte aut贸nomo en cuanto a la reducci贸n de su impacto ambiental, es tambi茅n fundamental asegurarlo a largo plazo, adoptando el uso de fuentes de energ铆a renovables para alimentar las flotas de veh铆culos, la selecci贸n de de rutas que minimicen el consumo de energ铆a y asegurando una gesti贸n sostenible de la producci贸n y eventual eliminaci贸n de los veh铆culos.

Adicionalmente, la infraestructura existente debe adaptarse y expandirse para soportar la operaci贸n de veh铆culos aut贸nomos en el transporte p煤blico. Esto incluye no solo la instalaci贸n de redes de comunicaci贸n robustas que permitan una interacci贸n continua entre los AVs y los sistemas de supervisi贸n, sino tambi茅n la implementaci贸n de estaciones de carga para flotas el茅ctricas y la adaptaci贸n de carreteras para mejorar la precisi贸n de los sensores y c谩maras. La infraestructura vial, como sem谩foros inteligentes y se帽alizaci贸n espec铆fica para AVs, tambi茅n ser谩 necesaria para permitir una integraci贸n eficiente y segura. El reto radica en garantizar que estas mejoras se implementen de manera escalable y econ贸mica, adapt谩ndose a las necesidades de cada regi贸n.

El marco regulatorio es otro desaf铆o crucial para la implementaci贸n de AVs. Los gobiernos y las autoridades de transporte deben desarrollar normas que garanticen la seguridad, la privacidad y la interoperabilidad de los sistemas de transporte aut贸nomos. Esto incluye establecer reglas claras sobre la responsabilidad en caso de accidentes, la protecci贸n de los datos personales de los pasajeros, y la certificaci贸n de los veh铆culos y sus sistemas. Adem谩s, es necesario que las regulaciones se mantengan actualizadas con los avances tecnol贸gicos, permitiendo una innovaci贸n constante mientras se protege a los usuarios y se garantiza una operaci贸n justa y equitativa en el mercado.

Un 煤ltimo aspecto fundamental para el 茅xito de la integraci贸n de AVs es la 肠辞濒补产辞谤补肠颈贸苍 entre legisladores, autoridades, comunidades locales, operadores de transporte y desarrolladores de tecnolog铆a. Para ello es necesario crear un entorno que permita la interoperabilidad entre los diferentes actores, plataformas y proveedores. Esta 肠辞濒补产辞谤补肠颈贸苍 debe garantizar la creaci贸n de est谩ndares de seguridad, as铆 como una educaci贸n p煤blica eficaz que facilite la adopci贸n y el uso de estos sistemas. A largo plazo, este enfoque multidisciplinario es esencial para garantizar una implementaci贸n segura, eficiente y sostenible de los veh铆culos aut贸nomos en el transporte p煤blico.

El proyecto ULTIMO

El proyecto ULTIMO (Ultimo, 2024) tiene como objetivo crear la primera integraci贸n econ贸micamente viable y sostenible de veh铆culos aut贸nomos (AVs) para el transporte p煤blico como servicio (MaaS) y para el transporte urbano de mercanc铆as como servicio (LaaS):

• El MaaS abarca varias capas clave para ofrecer un transporte eficiente y conectado: La primera capa se encarga del hardware y software necesarios para la conducci贸n aut贸noma, incluyendo sensores y algoritmos de control. La segunda capa incluye la concepci贸n de veh铆culos equipados y homologados para operar de forma aut贸noma dentro de un entorno definido. La tercera capa gestiona las operaciones y mantenimiento de la flota de veh铆culos aut贸nomos, tanto a nivel f铆sico como digital. La cuarta capa cubre la interfaz con el usuario, gestionando la experiencia del cliente, la fijaci贸n de precios y la planificaci贸n de viajes. La quinta capa proporciona plataformas de contenido digital y servicios asociados a los usuarios. Finalmente, la sexta capa incluye la infraestructura f铆sica y tecnol贸gica necesaria para habilitar el servicio, como servicios en la nube y tecnolog铆a V2X.
• En el caso de transporte urbano de mercanc铆as como servicio (LaaS), la estructura es similar, sustituyendo la cuarta y quinta capas por una capa de gesti贸n de la mercanc铆a desde el expedidor hasta el receptor.

ULTIMO cuenta en el consorcio con diferentes fabricantes de veh铆culos aut贸nomos SAE de Nivel 4 proporcionado al consorcio 15 veh铆culos que ser谩n desplegados en tres ubicaciones europeas en Suiza, Noruega y Alemania, dando as铆 soporte a las dos primeras capas de estas arquitecturas.

Sin embargo, ofrecer servicios de movilidad aut贸noma a gran escala, bajo demanda, puerta a puerta, bien aceptados, compartidos, integrados de manera fluida y econ贸micamente viables requiere un intercambio de informaci贸n sin interrupciones entre diversos actores y exige una infraestructura avanzada de hardware, software y comunicaciones para manejar desde decisiones de alto nivel, como la planificaci贸n de rutas, hasta operaciones de bajo nivel, como la detecci贸n de obst谩culos. Son, por tanto, necesarias innovaciones significativas en todas las capas de estas arquitecturas.

En particular, y relacionadas con las capas 2 y 3, 乌鸦传媒 est谩 dise帽ando y desarrollando la Unidad de Monitoreo a Bordo (PS-OBU) capaz de facilitar la comunicaci贸n entre el veh铆culo y la infraestructura externa, compuesta por un Centro de Supervisi贸n y un Orquestador de Flota, y de recibir la informaci贸n de los sensores instalados para monitorizar el interior del veh铆culo y ejecutar servicios asociados a la seguridad de los pasajeros. El acceso a esta unidad se realizar谩 mediante APIs estandarizadas que garanticen la escalabilidad del sistema.

A continuaci贸n, se expone la arquitectura de comunicaciones a nivel general, mostrando el papel de la PS-OBU en el conjunto del Sistema Inteligente de Transporte (ITS) y c贸mo est谩 se integra en el interior del veh铆culo con el resto de elementos con los que interact煤a. Por 煤ltimo, se expone el framework de la PS-OBU, mostrando los servicios de seguridad a los pasajeros y el llamado Sistema de Informaci贸n para Pasajeros (PIS), que proporciona informaci贸n relevante a los pasajeros y contribuye a una mejor aceptaci贸n y confianza.

Arquitectura de la soluci贸n

En el proyecto ULTIMO, el sistema se divide en dos partes diferenciadas (ver la Ilustraci贸n 1), correspondientes a la infraestructura externa el veh铆culo (Centro de Supervisi贸n, Orquestador de Flota) y a los elementos del interior del veh铆culo (OBUs, sensores, router).

El elemento que coordina el env铆o de informaci贸n desde el interior del veh铆culo hacia la infraestructura es la PS-OBU. Dicha comunicaci贸n se realiza de dos formas:

• Para vol煤menes grandes de datos como v铆deo en vivo, la PS-OBU implementa un servidor de streaming que permite al Centro de Supervisi贸n acceder e integrar estos datos en su panel de control.
• Para datos ligeros, se utiliza un protocolo est谩ndar de intercambio de datos que publica la informaci贸n proporcionada por los sensores y los eventos de seguridad interna detectados (peleas, vandalismo, riesgos relacionados con la salud de un pasajero como ca铆das, presencia de humo, temperatura excesiva, etc.) por algoritmos de IA que procesan la informaci贸n de los sensores a bordo (v铆deo, audio, ambientales).

La informaci贸n recopilada por la PS-OBU de cada veh铆culo de la flota y las alertas de seguridad son enviadas a un Centro de Supervisi贸n externo, capaz as铆 de detectar cualquier incidente en el interior de los veh铆culos y tomar las medidas oportunas como detener el veh铆culo, enviar mensajes a los pasajeros o enviar un equipo de intervenci贸n.

La PS-OBU est谩 tambi茅n conectada al Orquestador de Flota para recibir datos de utilidad, como rutas, para su visualizaci贸n dentro del veh铆culo, y poder modificar el estado de la aplicaci贸n m贸vil de los pasajeros para ofrecerles una comunicaci贸n personalizada.

Finalmente, la PS-OBU tambi茅n se conecta a un Sistema de Informaci贸n para Pasajeros (PIS), consistente en una interfaz de usuario mostrada en una pantalla t谩ctil dentro del veh铆culo, con informaci贸n 煤til para los pasajeros relativa al trayecto (rutas, paradas, mensajes) que tambi茅n permite interactuar con el Centro de Supervisi贸n mediante videollamadas.

En el siguiente diagrama (Ilustraci贸n 1) se muestran las conexiones entre todos estos elementos.

颁辞苍肠濒耻蝉颈贸苍

Un sistema de conducci贸n aut贸noma basado en flotas que proporcione servicio de Demand Responsive Transport (DRT) requiere una arquitectura estandarizada que permita el funcionamiento a escala de todos los subsistemas involucrados, con integraci贸n autom谩tica de las funcionalidades para cualquier veh铆culo de la flota. Esto facilita el conocimiento del estado de cada veh铆culo y permite una r谩pida actuaci贸n por parte de los servicios de supervisi贸n en caso de una emergencia.

Este documento presenta la arquitectura de comunicaciones del proyecto ULTIMO, con especial 茅nfasis en las caracter铆sticas de la Unidad de Monitoreo a Bordo (PS-OBU), actualmente en desarrollo por 乌鸦传媒. Esta unidad no solo act煤a como nexo entre el interior y el exterior del veh铆culo mediante la implementaci贸n de protocolos de comunicaci贸n, sino que gestiona todos los servicios asociados a los pasajeros basados en inteligencia artificial gracias a su capacidad de computaci贸n avanzada. Dichos servicios buscan garantizar la seguridad de los pasajeros, evitando o subsanando incidentes tan pronto como ocurran. Adem谩s, a帽adiendo elementos como la Passenger Information System (PIS) se mejora el nivel de confianza de los pasajeros, al poder visualizar toda la informaci贸n necesaria y tener la capacidad de contactar o pedir ayuda de manera 谩gil y sencilla.

Por 煤ltimo, el esfuerzo en la estandarizaci贸n de las APIs para permitir la comunicaci贸n eficiente de la PS-OBU con los dem谩s actores del sistema es crucial para enfrentar el reto de la escalabilidad. Las APIs, embebidas en un middleware robusto, no solo proporcionan descriptores estandarizados, sino que tambi茅n gestionan las comunicaciones, asegurando una operaci贸n fluida y confiable del sistema. De esta manera, el proyecto ULTIMO contribuye significativamente a superar los retos asociados con la integraci贸n de veh铆culos aut贸nomos en el transporte p煤blico, promoviendo una movilidad m谩s segura, eficiente y accesible.

Referencias

Bischoff, J., F眉hrer, K., & Maciejewski, M. (2019). Impact assessment of autonomous DRT systems. Transportation Research Procedia, 440-446.

Nvidia. (2024). Jetson Orin. Retrieved from https://www.nvidia.com/en-us/autonomous-machines/embedded-systems/jetson-orin/

Ultimo. (2024). ULTIMO: Unlocking large-scale and passenger-centric automated mobility. Retrieved from https://ultimo-he.eu/