Los algoritmos de inteligencia artificial y el aprendizaje automático pueden procesar grandes volúmenes de datos de diferentes fuentes para generar conocimiento y predicciones

El sector del transporte está experimentando una transición digital impulsada por la rápida adopción de tecnologías digitales como las nuevas infraestructuras de comunicación. Dichas infraestructuras tienen como objetivo proporcionar una conectividad más rápida y fiable, lo que permite el intercambio de datos en tiempo real y la comunicación entre las partes interesadas (stakeholders) en las distintas cadenas de valor en el sector transporte. En esta dirección, la Inteligencia Artificial está siendo uno de los principales facilitadores de dicha transición. Los algoritmos de IA y el aprendizaje automático pueden procesar grandes volúmenes de datos de diferentes fuentes para generar conocimiento y predicciones que respalden la planificación y operaciones de transporte. Para ello, se requiere la implementación de un adecuado flujo de procesamiento de datos y una interfaz de usuario que permita una mejor toma de decisiones informada.

Centros tecnológicos como Eurecat, líder del proyecto, universidades y empresas de Europa se han unido en el proyecto FRONTIER para facilitar la transición hacia la movilidad multimodal autónoma desarrollando modelos de IA para la predicción de tráfico y la detección de accidentes, definiendo procesos de colaboración y arbitraje entre los diferentes actores involucrados y estableciendo modelos de negocio para asegurar la viabilidad comercial de las soluciones desarrolladas.

La validación de las mismas se lleva a cabo mediante pruebas piloto en tres localizaciones específicas: estructuras inteligentes para la integración de vehículos autónomos conectados (CAVs) en Oxfordshire, Inglaterra; análisis de rendimiento de red para la planificación y desarrollo de políticas en Atenas, Grecia, y movilidad multimodal para pasajeros y mercancías en Amberes, Bélgica.

FRONTIER captura datos en tiempo real de diversas fuentes para poder ejecutar los diferentes algoritmos, planes de respuesta y simulaciones necesarias en cada uno de los casos de estudio. Los datos se exponen temporalmente y se intercambian mediante herramientas de subscripción/publicación y a través de REST-APIs, que son interfaces de comunicación e intercambio de datos estándar usadas por los sistemas informáticos. El acceso a los datos queda protegido por claves privadas y herramientas de gestión de la identidad como Keyrock de FIWARE. Además, para asegurar una comunicación eficiente entre los distintos componentes, los cuales interactúan con diferentes fuentes de datos, se ha adoptado el standard DATEX-II y se ha elaborado una ontología propia partiendo de la extensión de SAREF (Smart Applications REFerence ontology) para el sector de la automoción del ETSI (European Telecommunications Standards Institute).

El objetivo del piloto de Oxfordshire es probar, validar y evaluar en condiciones controladas y reales aspectos de gestión de la red viaria relacionados con enfoques de gestión del tráfico que incluyan vehículos autónomos conectados.

Para esta demostración se han considerado cinco escenarios que representan restricciones en la carretera: límites de velocidad, ruta obstruida por un vehículo averiado, zona inundada, todas las rutas cerradas y escenario sin limitaciones. La demostración se ha llevado a cabo en la instalación Millbrook - Culham Urban Test Bed en el centro RACE (Remote Applications for Challenging Environments) de UKAEA (UK Atomic Energy Authority). Se han configurado y desplegado CAVs para probar aspectos como la integración de servicios de gestión de flotas basados en la nube/centro de control de misiones con el centro de gestión de tráfico, la fusión de planes de respuesta de gestión de tráfico con planes de misión de CAVs y los ajustes dinámicos del comportamiento de la misión por parte de los CAVs basados en dichos planes.

La capacidad de proporcionar comandos y restricciones centralizadas a una flota de vehículos autónomos conectados en una extensa red de carreteras tiene el potencial de transformar la movilidad urbana. La primera etapa para permitir que esto suceda es demostrar en un entorno seguro y protegido que los comandos se pueden proporcionar y ejecutar correctamente, lo que luego abre un potencial mucho más amplio para ejecutar escenarios y recopilar datos valiosos.

Para la integración del vehículo autónomo conectado a la red convencional, también se han realizado simulaciones con diferentes porcentajes de CAVs en la red, mostrando que la integración de un 20 por ciento de CAVs puede reducir un 10 por ciento el tiempo medio del viaje y hasta un 57 por ciento los retrasos totales en la vía.

El piloto realizado en Atenas aborda eventos disruptivos en corredores multimodales mediante la implementación de medidas de mitigación colaborativas basadas en las necesidades y objetivos de las partes interesadas involucradas, incluidos tanto los operadores como los viajeros. El objetivo es restaurar eficaz y rápidamente el rendimiento de la red, como respuesta a diferentes escenarios.

Con el fin de ayudar a la toma de decisiones a los operadores de la red de tráfico, FRONTIER ha desarrollado herramientas de IA para la predicción del estado del tráfico, incluyendo flujo de vehículos, ocupación de la vía y velocidad media, y algoritmos de detección de incidentes. Los modelos de predicción de tráfico permiten conocer el estado de las carreteras a futuro, lo que facilita una mejor gestión y planificación de recursos, mientras que la detección de incidentes proporciona avisos en tiempo real de disrupciones en la red, permitiendo una respuesta más rápida en caso de accidentes.

Para facilitar a los operadores de la red viaria y otros organismos de gestión del tráfico conocer el estado de las carreteras en tiempo real, FRONTIER ha desarrollado una plataforma web que permite acceder a diferentes servicios, entre los cuales se encuentran las herramientas de predicción del tráfico y la detección de incidentes.

Desde la plataforma web, los responsables de la gestión pueden visualizar en tiempo real el estado de las carreteras, acceder a los detalles del estado de los incidentes en las vías de transporte y acordar decisiones entre los distintos agentes que gestionan la red. Ante la detección de un incidente, el motor inteligente que gestiona la plataforma, ANTME (Autonomous Network Traffic Management Engine), propone planes de respuesta para facilitar en consenso por todas las partes del más adecuado mediante un proceso de arbitraje. La plataforma proporciona además un servicio de chat para propiciar un intercambio fluido de información.

Finalmente en Amberes, FRONTIER trabaja para facilitar el traspaso bidireccional de mercancías y personas entre las carreteras y los canales. El puerto de Amberes es un punto de llegada y salida de mercancías muy concurrido, y un gran porcentaje de estas se transporta por carretera en camiones de gran envergadura. Por este motivo, las carreteras que conectan la ciudad con el puerto se ven afectadas por largas congestiones e incidentes de forma recurrente. Esto genera retrasos en la entrega y recogida de mercancías y, a la vez, retrasos a los pasajeros usuarios de las carreteras. FRONTIER utiliza la herramienta de simulación AIMSUN Next para representar la compleja red de canales y carreteras de Amberes y simular distintos escenarios para evaluar los beneficios de la movilidad multimodal. En este caso, la herramienta de predicción del tráfico resulta muy útil para planificar el mejor momento para los desplazamientos y para el traspaso de mercancías de la carretera al canal y viceversa.

Se han analizado diferentes zonas de conexión canal-carretera con disrupciones causadas por accidentes y horas de congestión pico, evaluando casos optimistas, moderados y pesimistas. Para poder analizar estos efectos se han asumido tres consideraciones, la primera en la que siempre hay barcos disponibles en las terminales, la segunda en la que las partes interesadas aceptan la propuesta de transferencia y una tercera en la que los camiones siempre se dirigen a la terminal más cercana una vez activado el plan de respuesta. Las simulaciones realizadas indican una reducción en los retrasos de hasta el 35,5%, siendo del 17,8% la reducción media para los casos estudiados.

En resumen, FRONTIER sigue trabajando en las diferentes soluciones descritas en cada una de las zonas de estudio para mejorar la movilidad desde todas sus vertientes mediante la implementación de nuevas tecnologías y herramientas de gestión que permitan a las entidades responsables mejorar la movilidad actual y ayudar en la planificación de la red de transporte para la movilidad del futuro.