RAMON MORROS. Investigador del Grupo de Procesamiento de Imágenes y Vídeo (GPI), Universitat Politècnica de Catalunya · BarcelonaTech
La movilidad sostenible en las ciudades es una cuestión de vital importancia. El transporte público es sin duda un factor clave en la implementación de un modelo más razonable que los actuales, muy basados en vehículos de combustión privados. Pero el transporte público de superficie tiene algunos grandes problemas que lo pueden hacer poco atractivo. Quizás el más importante es la duración del trayecto, que puede ser muy superior a la de un vehículo privado.
Un factor relevante a la hora de disminuir la duración de los trayectos es la mejora de la interacción con los vehículos privados, que pueden invadir los carriles reservados al transporte público en momentos de saturación del tráfico. Otros aspectos cruciales son el número de paradas y la frecuencia de paso. Más paradas permiten incrementar la granularidad y proximidad con el usuario, pero también implican un mayor tiempo de trayecto. Para planificar correctamente las redes de transporte público es clave tener información que permita optimizar todos estos parámetros.
El grupo de investigación GPI@IDEAI de la UPC trabaja en soluciones basadas en la visión por computador y la inteligencia artificial para obtener información en tiempo real de aspectos como la ocupación de las paradas de autobús, el tiempo promedio de espera y el número de personas que suben o bajan del bus. Esta información permitirá tomar decisiones con más información en el diseño de las redes. La recogida de datos siempre se hace respetando la privacidad, puesto que se elimina la información del rostro de personas y de las matrículas de los vehículos. Nuestra tecnología también permite determinar la ocupación de los carriles reservados por parte de vehículos no autorizados. Estas herramientas pueden ser una ayuda importante para las administraciones en la hora de hacer una correcta planificación de la movilidad en las ciudades.
Además del transporte público, los últimos años se ha visto un aumento considerable en el uso de micromovilidad, es decir, bicicletas, patinetes eléctricos y otros similares. Estos vehículos pueden complementar el transporte público sin contaminar y permiten una mayor agilidad y versatilidad en los desplazamientos. Las normativas de las ciudades se han adaptado despacio a estas modalidades, pero muchos usuarios todavía las desconocen. Esto hace que haya conflictos con peatones y conductores, y puede incrementar el número de accidentes.
La UPC, a través del GPI@IDEAI y del RSLAB, es miembro del consorcio que desarrolla RideSafeUM, un proyecto financiado por el EIT Urban Mobility que tiene como objetivo incrementar la seguridad en los vehículos de micromovilidad. Utilizando una cámara y sistemas de geolocalización, se puede determinar si el vehículo circula por la acera, la calzada o por el carril bici, y avisar en tiempo real de si están incumpliendo la normativa en la vía concreta por la cual circulan. Por ejemplo, el sistema detectará si el vehículo circula por la acera y avisará que esto es prohibido. También se detectan posibles accidentes mediante el uso de un acelerómetro, cosa que permite avisado los servicios de emergencia si hace falta.
Finalmente, la información anonimizada de los trayectos realizados, de posibles infracciones y de accidentes se envía a un servidor centralizado donde las administraciones pueden recoger información del uso de microvehículos, lo que permitirá mejorar las redes de movilidad urbana. Es importante mencionar que en ningún caso el sistema se puede usar para multar los usuarios, puesto que los datos se anonimizan antes de su envío. Actualmente, se están realizando pruebas piloto del sistema en tres ciudades europeas: Barcelona, Roma y Tesalónica. La comercialización de la solución RideSafeUM está prevista a partir del 2023.
Además de estos proyectos de movilidad, las investigadoras e investigadores del GPI@IDEAI también centran su investigación en otros aspectos relacionados con la visión por computador y la inteligencia artificial como, por ejemplo, la imagen médica, el análisis de imagen de satélite, la agricultura de precisión y el análisis de deportes, entre otros.