Leslie Vargas-Ramirez. Miembro fundadora de AIpocrates.
Internista – Neumóloga – Experta en medicina del sueño
Directora Clínica de sueño Instituto Neumológico del Oriente
Miembro Asociación Colombiana de Medicina del Sueño (ACMES)
Diariamente vemos noticias de accidentes viales de distinta gravedad alrededor del mundo, los cuales se pueden presentar por factores humanos, condiciones ambientales o del tráfico y el estado de la carretera.
Con gran frecuencia los conductores que sobreviven reportan episodios de “microsueños”, pero no es fácil relacionar la somnolencia diurna excesiva como causa directa del evento, ya que las manifestaciones de sueño insuficiente son variables y pueden ir desde disminución de la atención o del desempeño.
La apnea del sueño es una de las causas de somnolencia y se ha identificado como un factor que aumenta 7 veces el riesgo de presentar accidentes de tránsito; sin embargo, en Colombia no hay obligatoriedad en el tamizaje en poblaciones de alto riesgo de accidentabilidad como los conductores de vehículos de transporte o de carga.
A nivel mundial la seguridad en el transporte es un tema de interés general y de amplia investigación con importantes avances, muchos de ellos gracias a la inteligencia artificial (IA).
Los Sistemas Inteligentes de Transporte se basan en el procesamiento de grandes cantidades de datos y permiten prevenir o mitigar la gravedad de los accidentes de tráfico, analizar y procesar las circunstancias en las que se producen para predecir futuros eventos y aumentar la probabilidad de supervivencia de los implicados.
Los sistemas y aplicaciones inteligentes relacionados con la seguridad vial y la predicción de accidentes comprenden sistemas de monitoreo visual, modelado y análisis de accidentes, determinación de las causas de un accidente, detección de fatiga del conductor, identificación de conducción peligrosa, detección automática de incidentes y sistemas de frenado automático.
| Sistemas de Asistencia al Conductor – ADAS | Incluyen el control de crucero adaptativo, detección de puntos ciegos, asistencia para mantenerse en el carril, detección de peatones. |
| Procesamiento de voz y reconocimiento de gestos | Utilizan procesamiento de lenguaje natural y aprendizaje automático para comprender comandos de voz y gestos del conductor que indiquen por ejemplo somnolencia o pérdida de atención. |
| Alerta de punto ciego | Detecta vehículos en puntos ciegos del conductor a partir de radares o cámaras y los comunica por mensaje visual o auditivo. |
| Frenado de emergencia | A partir del análisis de señales que identifican posibles choques inminentes |
Las fuentes de estos datos van desde los teléfonos inteligentes, los sensores instalados en los vehículos, las conexiones con sistemas de vigilancia, e incluso las redes sociales.
La máxima expresión de sistemas inteligentes es el vehículo autónomo (VA), el cual funciona a partir de tecnología que le permite percibir el entorno, planificar, tomar decisiones y controlar el movimiento. Los datos recopilados por los sensores del vehículo se pueden clasificar según la función:
- Percepción: recopila información de sensores que le permiten identificar objetos alrededor del vehículo incluyendo otros vehículos, ciclistas, peatones, así como las señales de tránsito, obstáculos, cambio de dirección de la vía, curvas, etc. En la medida en que esta percepción sea amplia y precisa, los VA pueden planificar y tomar mejores decisiones.
| LIDAR (Light Detection and Ranging) | Sistema de medición y detección a través de rayos de luz que rebotan sobre los objetos. |
| RADAR | Sistema de medición y detección a través de ondas de radio |
| CÁMARA | Adquisición de imágenes |
| UMI (Unidad de medición inercial) | Dispositivo para medición de velocidad, orientación y fuerzas gravitacionales |
| FUENTES EXTERNAS | Mapas de alta definición |
2. Planificación: toma las decisiones dependiendo de la percepción y proporciona al VA una ruta hacia un destino, libre de choques, teniendo en cuenta la dinámica del vehículo, la capacidad de maniobra en presencia de obstáculos, las normas de tránsito y las restricciones viales.
3. Control: traduce las intenciones del VA en acciones a través del control físico como la dirección, aceleración y frenado.
La autonomía del vehículo depende entonces de que cada una de estas “capas” realice las operaciones propias y posteriormente se organicen interacciones entre capas para diferentes escenarios.
La toma de decisiones es la clave para permitir la conducción automatizada y se realiza a través de algoritmos de planificación. El componente de toma de decisiones se basa en la comprensión del contexto del entorno recibido del módulo de percepción y luego un planificador de ruta genera un plan que luego se pasa al módulo de control para su ejecución.
- Planificación de la misión (ruta): se determina a partir de los mapas y de información en tiempo real acerca de la tura teniendo en cuenta los criterios elegidos como escogencia de la ruta de menor tiempo o la eficiencia de combustible.
- Planificación del comportamiento: responsable de la toma de decisiones tácticas o planificación de maniobras frente a los objetos estáticos, dinámicos, eventos inesperados y señales de tránsito. Traduce los pensamientos en acciones por lo tanto es la tarea que define los objetivos de los mayores niveles de automatización.
- Planificación de movimiento: después de tomar las decisiones se planifica un conjunto de acciones para llegar al destino evitando cualquier tipo de accidente.
Las herramientas de IA utilizadas en los sistemas de asistencia al conductor varían según el fabricante y el modelo del vehículo, así como la tecnología empleada. Los más usados son:
Redes neuronales convolucionales (CNN): de especial uso en el procesamiento de datos de imágenes. Se utilizan en los sistemas de asistencia al conductor para tareas como la detección de objetos, reconocimiento de señales de tránsito y análisis de imágenes capturadas por cámaras instaladas en el vehículo. Se utiliza en ADAS para diversas tareas, como la detección de objetos, el análisis de señales de tráfico y el reconocimiento de gestos del conductor.
Redes neuronales recurrentes (RNN): analizan secuencias de datos, como el seguimiento de trayectorias de vehículos o la predicción de comportamientos futuros. Estas redes pueden ayudar a predecir la trayectoria de un objeto detectado y tomar decisiones en consecuencia.
Aprendizaje por refuerzo (Reinforcement Learning): utiliza un sistema de recompensa y castigo para que el modelo aprenda a tomar decisiones óptimas en función de las interacciones con el entorno. Puede ser utilizado en sistemas de asistencia al conductor para aprender a tomar decisiones de conducción seguras y eficientes.
Detección de incidentes
En las últimas décadas se ha realizado un importante esfuerzo de investigación para desarrollar mecanismos de detección de accidentes de tránsito en diferentes tipos de vías.
Estos esfuerzos se centran en la identificación del tiempo, la ubicación y la gravedad de un incidente y comprenden varios enfoques, desde informes manuales que tomarán tiempo y presentan demora para la respuesta, nada deseable especialmente cuando se requiere asistencia médica; hasta procedimientos totalmente automatizados utilizando redes neuronales artificiales alimentadas datos de velocidad, flujo y ocupación promediados en todos los carriles de las autopistas e incluso a partir de datos compartidos en redes sociales (Twitter) .
Se han desarrollado aplicaciones que se pueden descargar en los celulares y que se activan cuando detectan el movimiento del vehículo. En caso de presentarse un accidente, la app enviará de forma automática la información de la localización y la gravedad del evento a centros de referencia en cualquier lugar del mundo.
En los últimos modelos de iPhone o Apple Watch viene incorporada la función de detección de choques la cual utiliza los sensores del dispositivo para identificar eventos graves especialmente aquellos de impacto frontal, lateral, posterior y volcamientos, así como los que incluyen más pasajeros.
En estos teléfonos la alarma se activa, apareciendo la opción de deslizar en la pantalla para realizar llamada de emergencia, pero si el involucrado no está en condiciones, pasados 20 segundos de espera el dispositivo hará la llamada de forma automática reproduciendo en el idioma del país donde se encuentre un mensaje con la ubicación del accidente.
Predicción de accidentes e identificación de patrones
Los modelos de predicción de accidentes e identificación de patrones capaces de capturar los cambios espaciotemporales de los accidentes e identificar sus patrones usan en su mayoría redes neuronales artificiales. En 2018 se introdujo y se evaluó en Beijín, la correlación espacio temporal utilizando un modelo de memoria a largo plazo (LSTM) de alta precisión para predecir el riesgo de accidentes de tráfico.
También se ha descrito el uso de enfoques de aprendizaje automático como agrupamiento de K-means o K-medoids, algoritmo de maximización de expectativas y algoritmo a priori, para descubrir patrones en conjuntos de datos con accidentes históricos
Conclusiones
Mas de 7000 personas fallecieron en Colombia en 2022 en accidentes de tránsito, cifra que aumenta cada año. La somnolencia, la disminución en la vigilancia y en la respuesta ante eventos debidas a sueño insuficiente o a apnea del sueño es una de las causas reconocidas de accidentabilidad.
La aplicaciones de la IA en siniestralidad vial están encaminadas a la predicción de accidentes, detección de incidentes o fallas, identificación de patrones y asistencia al conductor.
Hoy en día en muchos vehículos se tiene disponibilidad de sistemas de asistencia al conductor que utilizan una combinación de métodos y algoritmos de IA, adaptados específicamente a las necesidades y requisitos del sistema en particular.
La investigación y el desarrollo en este campo están en constante evolución, y nuevos métodos y enfoques de IA están siendo explorados y desarrollados continuamente para llegar algún día a la masificación del uso de vehículos autónomos.
REFERENCIAS
The association between sleep apnea and the risk of traffic accidents. Cooperative Group Burgos-Santander. N Engl J Med 1999;340(11):847-51.
The usefulness of artificial intelligence for safety assessment of different transport modes. Accid Anal Prev. 2023 Jun;186:107034.
How Do Autonomous Vehicles Decide? Sensors 2023, 23, 317
Sleepiness and Driving: The Role of Official Regulation. Sleep Med Clin. 2019 Dec;14(4):491-498.
European Respiratory Society statement on sleep apnoea, sleepiness and driving risk. Eur Respir J 2021; 57: 2001272.
aipocrates.blog 