La Universidad de La Laguna y Metropolitano de Tenerife implementan un sistema de IA para mejorar la seguridad del tranvía
La Universidad de La Laguna y Metropolitano de Tenerife han desarrollado un sistema de inteligencia artificial basado en redes neuronales para mejorar la seguridad y eficiencia del tranvía mediante la detección de obstáculos en tiempo real.
La integración de la inteligencia artificial en el transporte público urbano ha dado un paso significativo en Canarias, donde un proyecto conjunto entre la Universidad de La Laguna y la operadora Metropolitano de Tenerife ha logrado implementar un sistema de asistencia a la conducción para la red tranviaria. Tal y como recoge la publicación científica IEEE Transactions on Intelligent Transportation Systems, esta innovación busca mitigar los riesgos inherentes a la convivencia entre el transporte ferroviario ligero y el tráfico rodado o peatonal en entornos densamente poblados.
El núcleo de esta solución tecnológica reside en la aplicación de redes neuronales de aprendizaje profundo, específicamente mediante la arquitectura YOLO (You Only Look Once). Este modelo permite procesar flujos de vídeo en tiempo real con una latencia mínima, una capacidad crítica para la seguridad vial. El dispositivo, diseñado para ser instalado en la flota existente, procesa el entorno mediante visión artificial para identificar obstáculos físicos y el estado de la señalización luminosa, emitiendo avisos directos al operador del tranvía cuando detecta una anomalía.
El desarrollo ha sido liderado por un equipo multidisciplinar compuesto por Jorge Luis Díaz-Acosta, Sonia Díaz Santos, Pino Caballero Gil, Cándido Caballero Gil y Rubén Franco-Villa. Para dotar al algoritmo de fiabilidad, los investigadores han utilizado un conjunto de datos basado en la casuística real de la zona metropolitana de la isla, lo que permite al sistema diferenciar con mayor eficacia entre elementos del mobiliario urbano y situaciones que requieren una intervención inmediata.
Más allá de la mejora en la seguridad, el estudio subraya el impacto positivo que esta automatización podría tener en la eficiencia operativa. Al reducir las incidencias y las paradas imprevistas, el sistema favorece la regularidad del servicio. No obstante, los autores reconocen que la tecnología aún se encuentra en fase de optimización, con retos técnicos pendientes como la interpretación de señales bajo condiciones meteorológicas adversas o la detección de objetos que no se encuentran totalmente visibles.
La versatilidad del hardware, caracterizado por su bajo consumo energético y su diseño compacto, abre la puerta a que este modelo de gestión de riesgos sea escalable a otros sistemas de transporte público en el territorio nacional. Este avance se enmarca en una tendencia creciente de digitalización de la movilidad, donde la capacidad de procesamiento de datos se convierte en un aliado estratégico para la gestión de infraestructuras críticas en las ciudades.