Sala de Prensa

Última tecnología aplicada en el mantenimiento de la vialidad de las carreteras

En pleno temporal de nieve y frío en la Meseta, recogemos este artículo de Cimbra 418, disponible online, en el que se analizan las últimas tendencias en los trabajos de mantenimiento de la vialidad de las carreteras, las grandes protagonistas de los últimos días en nuestro país. Se trata del proyecto SmartPilot, de la empresa de infraestructuras ALVAC, que ha obtenido el XVI Premio Nacional a la Seguridad en Conservación de la Asociación de Empresas de Conservación y Explotación de Infraestructuras, en la categoría de Asociado.

Introducción

Cuando conducimos, mantenemos la atención de manera sostenida al volante, tenemos que permanecer alerta frente a posibles estímulos durante un periodo continuado de tiempo. Los conductores profesionales, además, están especialmente expuestos a padecer fatiga y somnolencia en los trayectos especialmente largos. 

Probablemente el mayor problema de la atención sostenida es que requiere un gran esfuerzo por parte del conductor que, si le añadimos la vigilancia, es decir, detectar los daños e incidencias que se produzcan en la carretera y que afectan a la circulación, el escenario se complica.

A ellos se une el hecho de que los seres humanos no somos eficientes detectando diferencias. Nuestro cerebro a veces no identifica los cambios que se producen a nuestros alrededor, aunque en ocasiones éstos sean muy evidentes. Los científicos afirman que hay una "continuidad de campo" que hace que el cerebro confunda visualmente objetos similares vistos en un periodo de tiempo de 15 segundos (la atención sostenida tampoco puede mantenerse más de este intervalo). Por eso, el cerebro asume que la apariencia de los objetos de nuestro entorno es igual a la que vimos hace un momento. 

Con estas premisas, desde ALVAC, se vio una gran oportunidad de mejora en la realización de la vigilancia dentro del Servicio de Conservación de Carreteras y  se decidió diseñar un sistema que automatizase al máximo la detección de incidencias. Se liberaba, así, al vigilante de ese esfuerzo extra en su concentración, incrementando y ganando en efectividad. 

Así se originó SmartPilot, un proyecto en el que ha colaborado el Grupo de Procesado Multimedia (GPM) del Departamento de Teoría de la Señal y Comunicaciones de la Universidad Carlos III de Madrid. Esta iniciativa ha contado con financiación a través del programa FEDER INTERCONECTA que gestiona el Centro para el Desarrollo Tecnológico Industrial (CDTi) y con recursos del Fondo Europeo de Desarrollo Regional, FEDER (a través del programa operativo plurirregional de España 2014-2020).

SmartPilot se ha desarrollado en el Centro de Conservación de ALVAC en Albacete y ha tenido una duración final de 24 meses, en los que se ha invertido un presupuesto de aproximadamente 390.000 euros.

En septiembre de 2020, ha obtenido el XVI Premio Nacional a la Seguridad en Conservación de la Asociación de Empresas de Conservación y Explotación de Infraestructuras, en la categoría de Asociado.

Análisis de soluciones existentes en el mercado

Lo primero que se hizo fue analizar las soluciones del mercado: vehículos de Peso Bruto Verificado (VGM), etiquetas RFID (del inglés Radio Frequency Identification), sensores embarcados tipo AMAC, etc. Sin entrar en más detalle, se vio que ninguna cumplía con las expectativas ya que:

• Requieren post-tratamiento de imágenes.
• Iluminación complementaria.
• Funcionan a una velocidad inferior a la máxima permitida en la vía. 
• Se necesita un vehículo especializado que requieren grandes inversiones.

De esta manera, se comenzó con la definición las características que queríamos que tuviese el sistema:

• Un diseño conceptual de elementos simple. 
• La no necesidad de contar con un vehículo especial.
• Un operario por vehículo. 
• Inspección completamente automática que pudiese operar en tiempo real (sin trabajo de gabinete).
• Sin restricciones sobre la velocidad del vehículo.
• De aplicación a cualquier tipo de elemento de señalización.
• Económico y fácilmente escalable.

Diseño del proyecto

Se decidió apoyarse tecnológicamente en la Visión Artificial y se contactó con el Grupo de Procesado Multimedia del Departamento de Teoría de la Señal y Comunicaciones de la Universidad Carlos III de Madrid. Después de exponerles la idea, se propuso por su parte el uso de técnicas avanzadas de reconocimiento y de detección de patrones de objetos visuales y redes neuronales convolucionales como solución.

En seguida, desde ALVAC se dieron cuenta de que el resto que se habían planteado era muy complejo, dado que se pretendía que el sistema fuese aplicable a cualquier tipo de señalización. Debido a la gran cantidad de elementos que supervisar en la carretera, se tuvo que seleccionar por dónde empezar.

Dado que se había analizado el mercado, se vio que sí era posible la identificación de señales pero nadie se había planteado el análisis de los hitos. Los responsables del proyecto se dieron cuenta, a raíz de esta reflexión, que era un elemento realmente interesante por los siguientes motivos: 

• Por su sencillez, lo que hace que identificarlo por su forma sea más complicado.
• Pequeño tamaño, en un fondo infinito había más probabilidad de perderlo.
• El gran número de hitos que hay colocados, lo que hace extremadamente complicado saber cuántos tenemos.

El proyecto: etapas

• Definición de la estructura del  sistema.

El primer paso fue diseñar el esquema del sistema, el cual tenía que ser realmente sencillo, fácilmente escalable y que lo pudiese utilizar cualquier operario. Se buscó un modelo que se pudiera implantar en todas las conservaciones sin necesidad de grandes inversiones y personal altamente cualificado. 

Finalmente, el proyecto se decantó por una cámara instalada sobre el vehículo, recogiendo la información en carretera de los hitos (imágenes), que se descargan desde su memoria a un equipo informático en el que se tratan y analizan para, a continuación, generar los correspondientes informes o alarmas sobre el estado de los mismos.

Una vez definida la concepción básica del sistema, se llevó a cabo la selección del equipamiento más adecuado para el prototipo que embarcar en el vehículo de vigilancia, así como su localización. Tras una exploración de posibilidades en cuanto a cámaras y receptores de GPS, se optó por una solución integrada. Dicho de otra manera, una cámara que incorporaba el receptor GPS, puesto que esta alternativa ofrecía una solución mucho más económica y, lo que era más importante, mucho más robusta.

En este sentido, se tuvo en cuenta que el sistema de captura sería manipulado diariamente por los operarios, los cuales deberían montar la cámara en el vehículo para grabar y, posteriormente, desmontarla y conectarla al ordenador para la descarga de las imágenes. Por tanto, primaron en este punto la compacidad y la robustez de la solución escogida, seleccionándose finalmente un único dispositivo que debería integrar cámara de vídeo, receptor GPS y sistema de almacenamiento (tarjeta micro SD de alta capacidad).

Se probaron, así, dos alternativas concretas de cámaras de vídeo que proporcionaban alta resolución y contaban con GPS integrado, siendo finalmente escogido el modelo Garmin 360. 

• Caracterizar el caso de estudio que representarán los hitos.

El siguiente paso fue definir la apariencia de los elementos que se querían localizar basándose en imágenes. Se realizó, para ello, un inventario de las diferentes tipologías de los hitos, a través de una recopilación de fotografías.

Este inventario garantizaba que todas las potenciales apariencias de los hitos fueran tomadas en consideración, haciendo más robusto el sistema. También se realizaron capturas de vídeo con la cámara seleccionada. Inicialmente, se realizó una primera captura de imágenes con la cámara en la posición seleccionada para la generación del inventario en un “estado 0” o de partida de situación de la carretera, que sería comparado en medidas posteriores. A partir de ese momento, se realizaron grabaciones diarias en los recorridos habituales de vigilancia desde el Centro Conservación de Albacete.

En esta etapa, también se pudo verificar que el sistema de captura era fácil de colocar diariamente por los operarios y éstos encontraban sencillo el proceso posterior de desmontar la cámara y conectarla al PC para la descarga de las imágenes.

• Determinar los diferentes escenarios posibles en una carretera.

Por otro lado, se definió un listado de posibles escenarios en carretera que pudieran dificultar la detección de los hitos por visión artificial. En particular, se consideraron los escenarios que se derivan de la combinación de los siguientes factores:

• Condiciones de iluminación, dependiendo de la hora del día en la que se realice la inspección de la vía.
• Condiciones meteorológicas, las cuales influyen a su vez en el primer punto.
• Velocidad del vehículo de inspección, ya que uno de los objetivos era que el nuevo sistema en desarrollo fuera efectivo a velocidades “normales” para la vía en la que circulamos. Se realizaron ensayos a velocidades de hasta 100 km/h sin que se llegara a apreciar un nivel de degradación de la calidad del vídeo suficiente para afectar el proceso de detección automática.
• Otros factores, como por ejemplo, la posible presencia de suciedad en la luna frontal.

Tras analizar los primeros vídeos obtenidos con el sistema de captura seleccionado, se decidió descartar la posibilidad de actuación en horario nocturno, puesto que la cámara no ofrecía resultados satisfactorios. 

Por este motivo, el intervalo de tiempo operativo se fijó desde el amanecer hasta el atardecer, puesto que para que el sistema pudiera trabajar en horario nocturno sería necesario incorporar un hardware de captura más especializado y costoso, opción que fue finalmente descartada tanto por plazos como por consideraciones económicas.

• Diseño y desarrollo de sistemas basados en aprendizaje automático.

Para el desarrollo de un prototipo con el que detectar y analizar los hitos de señalización de carretera, la UC3M trabajó en el prototipo de detector. En particular, en las tareas de selección de la Región de Interés (ROI) en la que pueden aparecer hitos de arista, en la generación de datos de entrenamiento, en la generación de un conjunto de test (para evaluar el sistema) y en el diseño del detector propiamente dicho, finalizando con éxito el desarrollo del prototipo, con los modelos y algoritmos de detección.

• Desarrollar un piloto.

Una vez diseñado y desarrollado el prototipo del sistema, se ensayó  con éxito en varios recorridos con el vehículo de inspección en tramos reales. 

• Diseñar la interfaz de usuario y el formato de los informes.

Finalmente, se trabajó en la interfaz de usuario. Al igual que en el resto de facetas del proyecto, se buscaba la sencillez y la limitación de funcionalidades. Por ello, el sistema tiene una interfaz de usuario simple y de uso accesible para cualquier operario. La aplicación costa de tres ventanas principales que muestran:

• Un mapa donde se marcan los puntos geográficos de los hitos.
• Dos ventanas laterales donde se representan las imágenes (frames) de los hitos. La inferior, con las imágenes de la base de datos. La inferior, con las fotografías de las alarmas. 

Primero, se procesa un nuevo vídeo o varios. Una vez realizada esta acción, aparecen en el mapa los puntos con los hitos (a la derecha azules y a la izquierda, naranjas), pudiendo consultar sobre los puntos más información sobre los hitos, como, por ejemplo, las coordenadas GPS. 

Las alarmas aparecerán con rectángulos rojos en el mapa. Se da información también en el frame derecho, junto con imágenes del mismo punto tomadas otros días, para verificar (si se desea de forma manual) si se trata de una alarma que necesite intervención.

Finalmente, se puede solicitar al sistema la generación de un informe del estado de la situación, así como de las alarmas, mostrando el identificador de hito que presenta una anomalía y su posición.

Conclusiones 

Desde el punto de vista del equipo de trabajo, se ha conseguido diseñar el copiloto ideal: una herramienta que permite que el conductor esté pendiente de la carretera, sin distraerse en ningún momento. Entre las ventajas, destacan:

• El inventario requiere prestar una atención elevada y es bastante monótono, por lo que suele ser agotador y al cabo de un rato el operario ya no presta toda la atención. El copiloto virtual es un trabajador inagotable.
• Agilización en la toma de datos sin detención del vehículo, además de eliminar la peligrosidad que suponen las sucesivas paradas en el arcén de la carretera para la anotación de los defectos. 
• Reducción de personal y de maquinaria dedicados a inventarios, con la consiguiente mejora de rendimiento.
• Mayor exactitud en la toma de datos, al eliminar la introducción de errores derivados del cansancio por parte del operario y al tratarse de un proceso informatizado de inserción de los mismos en el sistema. 
• Realización y acceso al inventario en cualquier condición meteorológica o de luz.

En cuanto a los retos del futuro que persigue el equipo de trabajo, se encuentran:

• Ampliar el inventario a todos los elementos posibles y ser capaces de detectarlos al mismo tiempo, mientras el vehículo está en movimiento.
• Detección del estado de los elementos: la Visión Artificial incorpora la homogeneidad de criterio, teniendo siempre los mismos estándares de calidad.

Autora. Mª Angeles Jiménez Rufino, Grado en Ingeniería en Construcciones Civiles. Directora de I+D+i en ALVAC.

Artículo completo en Cimbra 418.