Por qué LiDAR está transformando la gestión de tráfico en ciudades inteligentes

Las iniciativas de ciudades inteligentes se centran cada vez más en sistemas de transporte inteligentes (ITS). Un piloto reciente en San Francisco usando sensores LiDAR demuestra cómo esta tecnología puede mejorar el proyecto de semáforos Vision Zero de la ciudad.

Vision Zero busca reducir las fatalidades viales a cero, con San Francisco perdiendo aproximadamente 30 vidas e hiriendo a más de 200 anualmente. El piloto prueba sistemas multimodales de señales de tráfico inteligentes (MMITSS), comunicación de corto alcance dedicada (DSRC), prioridad de señal de tránsito (TSP) y preemción de vehículos de emergencia (EVP) para dar prioridad a vehículos de tránsito y emergencia mientras también proporciona a peatones y ciclistas intervalos de cruce seguros.

La primera prueba de concepto, completada en enero de 2020, instaló LiDAR en cinco intersecciones y logró 96 % de precisión en perfilado anónimo de vehículos y peatones. La segunda PoC está añadiendo la capa de datos a la red de control de señales, prevista para principios de 2021.

Entrevistamos al director de marketing de Quanergy, Enzo Signore, y al consultor de estrategia independiente Paul Hoekstra, líder del proyecto SFMTA.

LiDAR: Rastreo Anónimo de Objetos a Través de Intersecciones

Enzo Signore de Quanergy explica que la ventaja clave de LiDAR en estadios y ciudades inteligentes es su capacidad para asignar un ID persistente y anónimo a cada objeto en movimiento, permitiendo rastreo de extremo a extremo a través de múltiples intersecciones sin revelar identidades.

Lograr rastreo continuo de ID a través de múltiples intersecciones requiere sensores sincronizados y computación perimetral. Los sistemas tradicionales pierden el ID cuando un objeto cruza de la vista de un sensor a otra, fragmentando el flujo de datos.

El mecanismo automático de traspaso de ID de Quanergy transfiere el ID de un objeto sin problemas entre sensores, preservando un solo identificador a lo largo de su viaje y entregando analíticas de flujo comprehensivas.

La serie M de Quanergy, incluyendo el MQ-8 de largo alcance, están diseñados para tareas de gestión de flujo. A diferencia del LiDAR convencional que emite un haz simétrico, el MQ-8 dirige todos los haces hacia abajo, asegurando cobertura completa del suelo y eliminando puntos ciegos. Este diseño produce un radio de detección de 70 m (15.000 m²) y reduce el número de sensores requeridos y el costo.

Como LiDAR captura solo datos geométricos, evita preocupaciones de privacidad por reconocimiento facial, proporcionando monitoreo de tráfico anónimo y conforme.

Superando Problemas de Privacidad Relacionados con Reconocimiento Facial

Paul Hoekstra para SFMTA describe la lógica y resultados del proyecto.

Cuando comenzamos el piloto en abril de 2019 con SFMTA, Cisco y Quanergy, inicialmente usamos sensores DSRC. Sin embargo, solo el 1 % de vehículos transmitían señales DSRC, volviendo la tecnología inefectiva para medición de flujo de tráfico.

Desplegamos 20 unidades LiDAR en cinco intersecciones a lo largo de 3rd Street, cerca del nuevo estadio de baloncesto. La computación perimetral corría en unidades Cisco TRX, ejecutando el software QORTEX de Quanergy, que transmite datos a un clúster VM impulsado por Cisco Kinetic que almacena ~30 millones de mensajes semanales.

Los informes dominicales detallan trayectorias de vehículos, marcas de tiempo, orígenes, destinos, conteos de paradas, duraciones, velocidades y contexto de eventos. Esta vinculación a través de intersecciones nos permite cuantificar movimientos como entradas en dirección norte y desvíos.

Usando la lógica calibrada de QORTEX, logramos 96 % de precisión en coincidencia de IDs de entrada y salida. Para peatones, definiciones de zona revelan presencia en bordillo, límites de cruce y proximidad a vehículos, permitiendo análisis de casi-accidentes basado en vectores y velocidades.

El sistema captura solo formas anónimas —vehículos como bloques y peatones como puntos— asegurando que no se almacenen datos personales.

La primera PoC se centró en análisis de datos. La segunda PoC duplicará el conteo de intersecciones de cinco a diez, extendiendo el alcance del corredor.

Estamos integrando los datos del controlador de señales —lazos, pulsadores, sensores de rail— en la plataforma central, creando un flujo de información bidireccional. La clasificación de objetos desde sensores perimetrales informa tiempos de permanencia de tránsito predichos basados en composición de pasajeros (sillas de ruedas, cochecitos, bicicletas).

La analítica backend estimará tiempos de permanencia óptimos (ej. 20 s vs 32 s) y extrapolará a lo largo del corredor completo.

Optimizar el corredor requiere verlo como una red interconectada en lugar de nodos aislados. Recalculaciones algorítmicas de alta frecuencia —potencialmente superando 1 Hz— permiten ajustes de señal en tiempo real.

Estos algoritmos alimentan comandos en tiempo real a controladores de señales, completando el bucle y ejemplificando gestión de tráfico integrada.

San Francisco ya alberga 7.000 cámaras, pero proporcionan solo imágenes 2D y datos de ubicación menos precisos. LiDAR ofrece precisión superior, opera en lluvia y de noche, y evita preocupaciones de privacidad ligadas a identificación visual.

El proyecto busca dar prioridad a vehículos de emergencia, optimizar horarios de tránsito y facilitar pelotoneo de vehículos cuando el tránsito público no está disponible, mejorando así la eficiencia del corredor.