Entre 2010 y 2020, la Unión Europea logró una reducción media del 36% en el número de muertes por accidentes de tráfico.  Sin embargo, La UE ha establecido regulaciones estrictas para mejorar la seguridad vial. En 2021, , con el objetivo de reducir las muertes y lesiones graves en un 50% para 2030.

La llegada de los vehículos autónomos ofrece beneficios como la reducción de accidentes causados por errores humanos y la mejora de la eficiencia del tráfico. Sin embargo, plantea retos significativos en términos de seguridad para el peatón.

Uno de los principales problemas es la “responsabilidad� de los vehículos autónomos de reconocer y reaccionar adecuadamente a la presencia de peatones. Aunque los sistemas de sensores y cámaras han avanzado considerablemente, aún existen situaciones complejas, como peatones que cruzan inesperadamente o en condiciones de baja visibilidad, donde los vehículos pueden no reaccionar a tiempo.

La interacción entre peatones y vehículos autónomos también es un área de preocupación. Los peatones están acostumbrados a comunicarse con los conductores a través de señales visuales y gestos. Con vehículos autónomos, esta comunicación se pierde, lo que puede llevar a malentendidos y accidentes.

Aunque los vehículos autónomos tienen el potencial de mejorar la seguridad vial, es crucial abordar estos desafíos para garantizar que los peatones estén protegidos. La colaboración entre fabricantes, reguladores y la sociedad en general será esencial para crear un entorno seguro y confiable para todos. La Comisión Europea, a través de CCAM (), ha publicado varios informes y recomendaciones sobre la implementación segura de esta tecnología en Europa. Uno de sus informes, “Challenges for Automated Vehicles in Detecting and Responding to Vulnerable Road Users” (¶Ù±ð²õ²¹´Úí´Ç²õ para los vehículos automatizados en la detección y respuesta a los usuarios vulnerables de la vía), aborda específicamente el tema de la percepción de peatones y ciclistas. Existen además proyectos europeos de investigación sobre vehículos autónomos y la interacción con peatones, como el proyecto INTERACTIV o el proyecto BRAVE, que han desarrollado soluciones y recomendaciones en este ámbito.

eHMI actuales

Hoy en día existen diferentes tipos de eHMI (external human machine interface) que cubren diferentes necesidades y ayudan a hacer el tráfico más seguro tanto para conductores como para peatones y otros vehículos.

Sistema acústico de alerta en vehículos

El sistema AVAS (Acoustic Vehicle Alerting System) es un sistema acústico para vehículos que usen motor eléctrico, que utiliza el sonido para indicar a los usuarios de su entorno que el coche está en movimiento cuando circula a baja velocidad (menos de 20 km/h). Cuando el coche va a esta velocidad, tiene que emitir un sonido para avisar a los usuarios de la vía, pero no hace diferencias entre los tipos de usuarios de la vía o las situaciones en las que conducen.

Sistemas visuales

Todos los vehículos tienen sistemas de mensajes visuales para comunicarse con los vehículos o los peatones. Se trata de los intermitentes, las luces de emergencia, las luces delanteras y traseras, la luz de freno, la luz de marcha atrás, la luz diurna o las luces cortas y largas. Estas luces son reconocibles por todos y hacen la conducción más fácil y segura.

Sistemas acústicos

Todos los vehículos cuentan con sistemas de alertas acústicas como puede ser el claxon. Se utiliza para comunicar el vehículo con otros vehículos o con los peatones. Generalmente se utiliza para advertir sobre una situación de peligro. Otros vehículos pesados, como camiones o máquinas de construcción, disponen de un sonido para avisar cuando están realizando un movimiento marcha atrás.

Beneficios

Los vehículos autónomos representan una innovación significativa en el ámbito del transporte, con el potencial de transformar la seguridad vial de manera profunda. Uno de los principales beneficiarios de esta tecnología son los peatones, quienes a menudo se encuentran en situaciones de vulnerabilidad en las vías urbanas.

Los errores humanos, como la distracción, la fatiga y la conducción bajo los efectos del alcohol, son causas comunes de accidentes de tráfico. Los vehículos autónomos, al estar controlados por sistemas avanzados de inteligencia artificial, eliminan estos factores de riesgo, reduciendo significativamente la probabilidad de accidentes que involucren a peatones. En 2020, la Comisión Europea publicó . En este estudio, la CE analiza los impactos esperados de los vehículos automatizados y autónomos en el comportamiento de los usuarios de la vía y los flujos de tráfico y concluye que los vehículos autónomos, al eliminar los errores humanos como factor, tienen el potencial de reducir drásticamente los accidentes de tráfico, incluyendo aquellos que involucran a peatones.

Equipados con sensores avanzados, cámaras y radares, los vehículos autónomos pueden detectar la presencia de peatones en su entorno con gran precisión. Estos sistemas permiten una reacción rápida y adecuada ante situaciones imprevistas.

Los vehículos autónomos estarán programados para cumplir estrictamente con las normas de tráfico, incluyendo límites de velocidad y señales de circulación. Esto asegura que los vehículos se detengan en los pasos de peatones y respeten las señales de tráfico, creando un entorno más seguro para los peatones.

Otro aspecto beneficioso serían los sistemas de comunicación que permitirían a los vehículos interactuar con los peatones. Por ejemplo, mediante señales luminosas o acústicas, los vehículos pueden indicar a los peatones cuándo es seguro cruzar la calle, mejorando la coordinación y reduciendo el riesgo de accidentes.

El despliegue de vehículos autónomos también impulsara mejoras en la infraestructura urbana. Se están desarrollando ciudades inteligentes con semáforos conectados, pasos de peatones inteligentes y otras tecnologías que facilitan la integración segura de vehículos autónomos y peatones.

¶Ù±ð²õ²¹´Úí´Ç²õ

Es esencial que los sistemas de percepción sean capaces de identificar y reaccionar adecuadamente ante la presencia de peatones en diversas situaciones. Los vehículos autónomos deben estar equipados con una combinación de sensores avanzados, como cámaras, radares y LiDAR, que trabajen juntos para proporcionar una visión completa del entorno. Estos sensores deben ser capaces de detectar peatones en diferentes condiciones de luz y clima, así como en situaciones complejas, como cuando están parcialmente ocultos por otros objetos. Cualquier error en estos sistemas es crítico.

Además, los algoritmos de inteligencia artificial utilizados en los vehículos autónomos deben ser capaces de reconocer a los peatones con alta precisión. Esto incluye la capacidad de distinguir entre peatones y otros objetos en movimiento, así como predecir el comportamiento de los peatones. La capacidad de reacción ante la presencia de peatones también es fundamental. Los sistemas de frenado automático deben activarse en milisegundos para evitar colisiones. Además, los vehículos deben ser capaces de realizar maniobras evasivas de manera segura cuando sea necesario.

También es importante que exista una actualización continua de datos y algoritmos basados en nuevas informaciones y situaciones encontradas en la carretera. Esto incluye aprender de incidentes pasados y mejorar sus sistemas de percepción y reacción en consecuencia.

Es muy importante también poder desarrollar sistemas de comunicación inequívoca entre vehículos autónomos y peatones para mejorar significativamente la seguridad. Esta comunicación bidireccional puede ayudar a reducir la incertidumbre y mejorar la coordinación en las interacciones entre vehículos y peatones. Sin embargo, el desarrollo de esta comunicación es un reto al tratarse de algo no definido.

Optimizar el uso de señales acústicas en vehículos autónomos es esencial para reducir su impacto ambiental. A través de un uso selectivo, ajustes de volumen y frecuencia, alternativas visuales, integración con infraestructura inteligente y la implementación de normativas adecuadas, es posible minimizar la contaminación acústica y mejorar la calidad de vida en las ciudades. Es fundamental establecer normativas claras sobre el uso de señales acústicas en vehículos autónomos y educar a los desarrolladores y operadores sobre las mejores prácticas. Las regulaciones pueden incluir límites de volumen, restricciones de uso en ciertas áreas y horarios, y la promoción de tecnologías alternativas. La educación y la concienciación sobre estos aspectos pueden ayudar a garantizar que los vehículos autónomos contribuyan a un entorno más silencioso y sostenible.

El proyecto AWARE2ALL

AWARE2ALL tiene como objetivo facilitar el despliegue de vehículos autónomos en el tráfico, abordando los cambios en la seguridad vial y la interacción entre los usuarios de la carretera mediante el desarrollo de tecnologías innovadoras y herramientas de evaluación. El proyecto se basa en resultados de programas anteriores y se enfoca en desarrollar sistemas de seguridad y HMI (interfaz hombre máquina) para garantizar la operación segura de los vehículos autónomos.

Dentro del vehículo, se realizará un monitoreo continuo del estado de los ocupantes para evaluar situaciones internas y, en caso de emergencia, decidir si es posible transferir el control al conductor o ejecutar una maniobra de emergencia. Si una colisión es inevitable, los sistemas avanzados de seguridad pasiva se adaptarán para minimizar la gravedad de las lesiones. Fuera del vehículo, un sistema de percepción del entorno permitirá identificar el comportamiento de los usuarios vulnerables de la carretera (VRUs) y anticipar situaciones críticas de seguridad, comunicándose eficazmente con ellos para evitar peligros.

Para asegurar la aceptación de los usuarios, se integrarán aspectos culturales y psicológicos en todas las etapas del proyecto. Además, se proporcionarán sugerencias para futuras regulaciones y estándares, abordando tanto las nuevas tecnologías desarrolladas como los métodos de validación.

Para ello, ÎÚÑ»´«Ã½ presenta una solución innovadora basada en una comunicación acústica efectiva entre los vehículos autónomos y las personas usuarias de la vía, haciendo foco especialmente en personas discapacitadas. El eHMI enviará diferentes tipos de sonidos considerando el ruido ambiental, el tipo del VRU y cómo reacciona este VRU. Estos mensajes serán enviados de forma visual y acústica mediante varios altavoces ubicados en puntos estratégicos del vehículo, permitiéndoles enviar estos mensajes de manera óptima, para que sean más reconocibles por los usuarios, ajustando el volumen, frecuencia y dirección según se especifique. 

Primero necesitamos de un sistema de percepción que permita la identificación de la situación externa del vehículo y de los VRUs con los que el vehículo debe interactuar. El sistema deberá detectar y analizar la atención de los VRUs, a través de una combinación de fusión de sensores y detección de objetos que se realizará simultáneamente, permitiendo generar un mapa representativo del entorno del vehículo.

Con esta información el sistema de comunicación permitirá la interacción con los VRUs utilizando interfaces multimodales (Visuales y Acústicas). Después del reconocimiento del entorno del vehículo por los sistemas de percepción, se transferirán a los Sistemas Acústicos y Visuales los patrones definidos por la estrategia de comunicación.

En la siguiente imagen se muestra la arquitectura completa de solución desarrollada en el proyecto partiendo del sistema de percepción hasta la comunicación, pasando por un sistema de decisión.

Conclusiones

El advenimiento de la conducción autónoma depende más del marco regulatorio que de la madurez tecnológica de los propios vehículos. Sin embargo, aún existen retos y preguntas sin respuesta en relación con la seguridad de otros usuarios que requieren un esfuerzo investigador. AWARE2ALL plantea una solución para aumentar la seguridad vial, enfocada en Usuarios Vulnerables de la Carretera, que no suelen aparecer en los percentiles y pueden quedar fuera de estudios y nuevas aplicaciones. Este proyecto ofrece algunas ventajas basadas en el sistema externo de interfaz hombre-máquina (eHMI) en vehículos para la seguridad de peatones vulnerables.

El eHMI desempeña un papel crucial en la industria al permitir una comunicación efectiva entre humanos y sistemas automatizados. Garantiza que la información crítica se transmita con precisión, lo que permite al vehículo y los peatones tomar las mejores decisiones para aumentar la seguridad. Esta información esencial se transmite de forma clara y comprensible al usuario mediante los mensajes visuales y acústicos conduciendo a decisiones más racionales y prácticas.

En resumen, AWARE2ALL apuesta por la integración de HMI externas en los vehículos mejora la seguridad al mejorar la comunicación, proporcionar una representación clara de la información y ayuda en la toma de decisiones. Estos sistemas contribuyen significativamente a la seguridad de los peatones y a la seguridad vial en general facilitando el tránsito de los VRUs y de todos los vehículos y peatones.

Con espíritu internacional y centrados en articular las tecnologías más potenciales para reducir este impacto en las próximas décadas principalmente en Europa, nace en 2021 “Clean Aviation Joint Undertaking – CAJUâ€�, iniciativa focalizada en una futura Aviación Limpia, que es el principal programa de investigación e innovación de la Unión Europea para transformar la aviación hacia un futuro sostenible y climáticamente neutro.

Al reunir los mejores talentos y capacidades de los sectores público y privado, desarrollar tecnologías de vanguardia y ponerlas a disposición para dar un salto transformador en el rendimiento de las aeronaves en la década de 2030, la nueva Empresa Común para una Aviación Limpia allanará el camino hacia la ambición de la UE de alcanzar la neutralidad climática para 2050, para todo el sector aeronáutico, tanto civil como militar.

Al operar en el centro de un ecosistema amplio y diverso de actores en toda Europa, que abarca desde la comunidad aeronáutica, las pymes pioneras, los centros de investigación y el mundo académico, actúa como un centro para nuevas ideas e innovaciones.

Como asociación público-privada europea, Clean Aviation lleva la tecnología y la ciencia aeronáutica más allá de los límites actuales, al crear nuevas tecnologías que reducirán significativamente el impacto de la aviación en el planeta, permitiendo que las generaciones futuras disfruten de los beneficios sociales y económicos de los viajes aéreos en el futuro.

Con un presupuesto de 4.100 M€, Clean Aviation fomentará el desarrollo de tecnologías punteras que hagan que la aviación sea neutra para el clima en 2050.

CAJU (Clean Aviation Joint Undertaking) es la iniciativa común para una Aviación Limpia. Se basa en el éxito de otras iniciativas como Clean Sky, que seguirá funcionando hasta 2024. Gracias a Clean Sky se entregarán más de 100 demostradores con tecnologías relevantes, que contribuirán a estos objetivos.

ÎÚÑ»´«Ã½ impulsa tanto internamente como externamente entre sus clientes, la transición digital y transición de tecnologías sostenibles. En este sentido, ha conseguido ser la primera compañía, con conocimientos íntegros en servicios de ingeniería y sin producto propio, en entrar como miembro internacional de CAJU, siendo parte oficialmente desde noviembre de 2023. Con un compromiso claro de inversión y apoyo a los objetivos claves de Clean Aviation.

Clean aviation define dos horizontes claros hacia la neutralidad climática para 2050:

• 2030: demostrar e introducir conceptos de aeronaves de bajas emisiones que aprovechen los resultados de la investigación de la Clean Aviation, haciendo un uso acelerado de combustibles sostenibles y operaciones «verdes» optimizadas, de modo que estas innovaciones puedan ofrecerse a las aerolíneas y operadores para 2030 para una entrada en servicio [EIS] en el período 2030-2035.
• 2050: aviación climáticamente neutra, mediante la explotación de tecnologías futuras maduradas más allá de la fase de Aviación Limpia junto con el despliegue completo de combustibles de aviación sostenibles y portadores de energía alternativos.

El programa se articula en torno a tres ejes principales, cada uno de ellos con esfuerzos específicos de I+D y demostradores que impulsan la eficiencia energética y la reducción de emisiones de las futuras aeronaves. En cada uno de ellos se desarrollarán tecnologías y facilitadores, se aprovecharán los conocimientos y capacidades esenciales, y también se reducirán los riesgos de las tecnologías y soluciones identificadas cuando se requiera una mayor maduración, validación y demostración para maximizar su impacto:

• Aviones regionales eléctricos híbridos. Investigación e innovación en nuevas arquitecturas (híbridas) de energía eléctrica y su integración, y maduración de tecnologías para la demostración de nuevas configuraciones, conceptos de energía a bordo y control de vuelo.
• Aviones ultraeficientes de corto y medio alcance. Respuesta a las necesidades de corto y medio alcance con arquitecturas innovadoras de aeronaves que utilicen sistemas de propulsión térmica ultraeficientes y altamente integrados y que aporten mejoras revolucionarias en la eficiencia del combustible. Esto será esencial para la transición a fuentes de energía de baja o nula emisión (combustibles sintéticos, combustibles no drop-in como el hidrógeno), cuya producción será más intensiva en energía, más cara y sólo disponible en cantidades limitadas.
• Tecnologías disruptivas para habilitar aviones propulsados por hidrógeno. Respuesta a las necesidades de corto y medio alcance con arquitecturas innovadoras de aeronaves que utilicen sistemas de propulsión térmica ultraeficientes y altamente integrados y que aporten mejoras revolucionarias en la eficiencia del combustible. Esto será esencial para la transición a fuentes de energía de baja o nula emisión (combustibles sintéticos, combustibles no drop-in como el hidrógeno), cuya producción será más intensiva en energía, más cara y sólo disponible en cantidades limitadas.

A continuación, se indican los :

ÎÚÑ»´«Ã½, como miembro de Clean Aviation desde noviembre de 2023, trabajará en los proyectos de I+D de Clean Aviation en calidad de socio, con una financiación impulsada por Europa dirigida a la innovación tecnología en este sector, en su máxima expresión.

El proyecto HE-ART

La aviación regional será la primera en beneficiarse de las nuevas tecnologías de propulsión y de las soluciones complementarias asociadas (sistemas más híbridos, más eficientes energéticamente y mucho más interconectados) para reducir la huella ambiental de la aviación. El , de 60 M€ financiados en parte por la UE (44 M€), en el que estamos involucrados, será un primer paso en el camino hacia la hibridación eléctrica de los aviones regionales. Se estudiará la viabilidad de un turbohélice eléctrico híbrido en un demostrador de pruebas en tierra a escala real, mediante la combinación de un tren motriz eléctrico en un turbohélice ultra eficiente y la compatibilidad con combustibles de aviación 100% sostenibles, llamados SAF. HE-ART perseguirá una mejora de la eficiencia y una reducción de las emisiones de gases de efecto invernadero de hasta el 30%. Además, integrará nuevas tecnologías, como el núcleo del motor térmico, el tren motriz eléctrico, la distribución eléctrica, la caja de cambios, la hélice, la góndola y el intercambiador de calor.

ÎÚÑ»´«Ã½ participa en el paquete de trabajo del sistema de gestión de calor de última generación del proyecto HE-ART, que trata del desarrollo de un sistema integral de gestión térmica para todos los componentes del interior de la góndola del motor hibrido-eléctrico, que incluyen las nuevas tecnologías mencionadas. La experiencia de ÎÚÑ»´«Ã½ en sistemas de gestión térmica, modelado, cálculo de actuaciones térmicas y diseño ha tenido como resultado nuevas propuestas de configuraciones optimizadas de circuitos de refrigeración aire-líquido de alta eficiencia que favorecen la reducción del consumo y el pleno rendimiento en todas las condiciones de funcionamiento.

Por tanto, ÎÚÑ»´«Ã½ trabaja junto a las mejores empresas del sector, en sistemas clave que representarán un hito en la evolución de motores turbo hélices hibrido-eléctrico, para la siguiente generación de aeronaves regionales, más respetuosas con el medio ambiente.

Los esfuerzos de inversión e investigación están cada vez más centrados en optimizar estas tecnologías de fusión para mejorar la seguridad y rendimiento del vehículo en diversas condiciones ambientales. Es por esta razón que el proyecto (Percepción Inteligente para Vehículos Conectados y Autónomos), en el que ÎÚÑ»´«Ã½ ha participado activamente, investiga el uso de técnicas basadas en IA para la fusión de imágenes de cámara y radar (INPERCEPT, 2024).

En la fusión cámara-radar, las cámaras ofrecen información visual de alta resolución en 2D, pero con ellas no es sencillo realizar una estimación de la distancia a los objetos detectados. Sin embargo, el radar es capaz de proporcionar medidas precisas de distancia y velocidad de los objetos del entorno. Por tanto, combinando estas fuentes de datos, los AVs pueden detectar y clasificar objetos con precisión, operar eficazmente en diversas condiciones y tomar decisiones de conducción más seguras . Mientras que el LiDAR proporciona una estimación espacial más densa y detallada, el radar se está convirtiendo en el sensor preferido para la fusión con cámaras en vehículos autónomos debido a su mejor rendimiento en condiciones climáticas adversas, su menor coste, menor consumo de energía, mayor alcance de medición y capacidad para medir directamente la velocidad de los objetos.

Una aplicación crítica de la fusión radar-cámara es la estimación de profundidad densa, que implica generar mapas detallados que asignan valores precisos de profundidad a cada píxel dentro de las imágenes capturadas. Estos mapas de profundidad proporcionan información espacial esencial sobre las distancias y posiciones de los objetos en el entorno del vehículo. Este mapeo preciso es crucial para funcionalidades avanzadas como la detección de obstáculos y la planificación de rutas, permitiendo que los AVs naveguen de manera segura y efectiva.

Los avances recientes en algoritmos de estimación de profundidad monocular han revolucionado este campo al generar mapas de profundidad relativa utilizando una sola cámara. Estos mapas transmiten las relaciones espaciales entre objetos basadas en sus distancias percibidas entre sí, en lugar de unidades físicas absolutas como metros. Esta capacidad permite a los AVs discernir qué objetos están más cerca o más lejos, proporcionando un contexto crítico para los procesos de toma de decisiones.

Al integrar el mapa de profundidad relativa derivado únicamente de la imagen con datos de radar, se hace posible convertir estas distancias relativas en medidas absolutas precisas. El radar desempeña un papel fundamental en este proceso al escalar y transformar el mapa de profundidad relativa en un mapa de profundidad absoluto preciso. En el proyecto INPERCEPT, esta integración se realiza mediante algoritmos basados en redes neuronales, de la manera expuesta en el presente artículo.

²Ñ±ð³Ù´Ç»å´Ç±ô´Ç²µÃ­²¹

Esquema general

El algoritmo de fusión propuesto toma como entrada una imagen proveniente de una cámara de vídeo y una nube de puntos proveniente del radar. En primer lugar, la imagen se procesa con un modelo para la estimación de profundidad monocular llamado Depth Anything (Lihe Yang, 2024), que genera un mapa de profundidad relativo. Posteriormente, dicho mapa relativo es combinado con la nube de puntos del radar utilizando una red neuronal basada en U-Net  (Olaf Ronneberger, 2015) para generar como salida el mapa de profundidad absoluto en metros (ver Ilustración 2). Para supervisar el entrenamiento de dicha red neuronal, se utilizan datos de un LiDAR, ya que generan nubes de puntos mucho más densas que funcionan a modo de referencia para el aprendizaje. En la Ilustración 1 se muestra el esquema completo.

Dataset

El algoritmo propuesto es entrenado utilizando el dataset de Nuscenes (Holger Caesar, 2019), que recoge 1.000 escenas de conducción, en las que se ejecutan diversas maniobras en diferentes condiciones de tráfico y meteorología. Entre sus datos, se encuentran imágenes y nubes de puntos (de LiDAR y radar), que son los necesarios para el entrenamiento del algoritmo.

Los datos deben ser preprocesados para adecuarse al formato esperado por la red neuronal. A grandes rasgos, los datos se adaptan de la siguiente manera:

1. Imagen: debe ser normalizada y ajustada al tamaño esperado por Depth Anything.
2. Mapa relativo de profundidad: debe expresar las distancias entre 0 y 1, siendo 0 los pixeles más cercanos, y 1 los más lejanos. También debe ajustarse al tamaño de la U-Net.
3. Nubes de puntos: deben proyectarse al plano de la imagen utilizando los parámetros intrínsecos de la cámara (también proporcionados en el dataset de Nuscenes). Luego deben normalizarse sus coordenadas para facilitar la labor de la red neuronal, y finalmente se debe escoger un número fijo de puntos (por ejemplo, 100). Si la nube inicial tiene menos puntos, se deben repetir de manera aleatoria hasta llegar a 100. Si la nube inicial excede este número, se considerarán los 100 puntos más representativos.

Red neuronal

La estrategia general seguida para fusionar el mapa relativo de profundidades con el radar se muestra en la  Ilustración 2, y consiste en crear una U-Net que toma el mapa relativo de profundidades del que va extrayendo features con capas convolucionales, y disminuyendo su dimensión con capas de pooling, lo que constituye el encoder. Al final de dicho encoder, donde la imagen tiene menor dimensión, se concatena con las features del radar y luego vuelve paulatinamente a su tamaño original utilizando convoluciones transpuestas (parte de decoder), dando como resultado una imagen del mismo tamaño que la inicial que se corresponde con el mapa absoluto de profundidades.

En cuanto al radar, partiendo de una nube de puntos de tamaño 3×100 (donde 100 es el número fijo de puntos elegido en el paso anterior), en primer lugar se pasa por un extractor de features basado en PointNet (Charles R. Qi, 2017). PointNet extrae características de manera que el resultado es invariante del orden de los puntos de entrada. Está basado en perceptrones multicapa (MLP) compartidos, que se implementan usando convoluciones unidimensionales. Hay que asegurar que la dimensión final de las features de la nube de puntos coincide con la del encoder de la U-net, para que se puedan concatenar.

La supervisión se realiza con la ayuda de las medidas de LiDAR, que también son proyectadas en la misma imagen. Ello permite calcular el error como la media de todos los errores entre la profundidad estimada de cada pixel con la red neuronal y el valor proporcionado por el LiDAR en dicho pixel. Este error constituye el término fundamental de la función de coste para el entrenamiento, que incluye otros términos relacionados con mantener la consistencia e información estructural del mapa de profundidad (esto implica que se mantenga el mismo orden relativo de profundidades respecto al mapa relativo de entrada).

Implementación en el proyecto INPERCEPT

El proyecto INPERCEPT (INPERCEPT, 2024) tiene como objetivo principal mejorar las tecnologías clave que permitan a los vehículos autónomos operar de manera más eficiente y segura en términos energéticos, detectando obstáculos y condiciones adversas. Entre sus metas se incluye el desarrollo de sistemas de percepción externa para una mejor detección del entorno en situaciones exigentes. Es aquí donde entra en juego la fusión de datos (Ilustración 3), que recibe datos de radar y cámara frontal para generar un mapa de profundidad. Este mapa es posteriormente utilizado para generar los llamados mapas de coste, que son representaciones espaciales que indican la presencia de obstáculos o peligros, y son fundamentales para planificar rutas y ejecutar acciones como el frenado.

En lo que respecta al hardware, el algoritmo ha sido implementado en una Nvidia Jetson AGX Orin 64GB (Nvidia, 2024), una plataforma avanzada de computación diseñada para aplicaciones de inteligencia artificial (IA) y computación de alto rendimiento, particularmente en el ámbito de la robótica, la visión por computadora y el edge computing. El dispositivo se ha configurado para optimizar la inferencia de los algoritmos basados en redes neuronales, utilizando C++ y TensorRT, explotando el uso de GPUs.

El radar empleado es el modelo AWR1843 de Texas Instruments (TI), que es un radar de Onda Continua Modulada en Frecuencia (FMCW) de Múltiple Entrada y Múltiple Salida (MIMO), diseñado para operar en la banda de 77 a 81 GHz. Este radar incluye tres antenas de transmisión y cuatro antenas de recepción, y es uno de los modelos más avanzados, fiables y modernos creados por TI.

La cámara, desarrollada por Ficosa, ofrece la imagen en formato H.264 con un frame rate de 25 fps, un campo de visión de 196ºx150º y una resolución horizontal-vertical de 1344 x 968 pixeles.

Por último, hay que señalar que los datos generados en INPERCEPT no tienen exactamente la misma naturaleza que los del dataset de Nuscenes empleados para entrenar el algoritmo. Se genera menos cantidad de puntos de radar y el rango de medida es distinto, porque los objetos de la base de datos de Nuscenes están más alejados. Ello nos ha obligado a entrenar el algoritmo con el paradigma de Data Augmentation para aumentar la diversidad del dataset de Nuscenes.

Resultados

Para evaluar la calidad de las estimaciones de profundidad, se ha calculado, utilizando el set de datos de test de Nuscenes, el error medio entre la profundidad estimada y la proporcionada por el LiDAR hasta cierta distancia máxima, y despreciando los puntos más alejados de dicha distancia. Se ha tomado como distancia máxima desde los 10 metros hasta los 50 metros para comprobar cómo el error evoluciona a medida que debe estimar mayores distancias, y se proporcionan valores absolutos y relativos. Los resultados se recogen en la Tabla 1.

En la Tabla 1 se puede observar cómo el error absoluto aumenta a medida que las distancias consideradas aumentan, lo que resulta razonable ya que mantener la precisión de las estimaciones se complica a medida que se consideran objetos más lejanos. Sin embargo, el error relativo es bastante uniforme, oscilando alrededor del 3% y el 4%, lo cual se considera un éxito en cuanto a calidad de estimación. Por su parte, en la Ilustración 4 se muestra gráficamente el resultado de la aplicación del algoritmo de fusión cámara-radar con imágenes tomadas en el exterior del Automotive Technological Center (ATC) de ÎÚÑ»´«Ã½.

En modo inferencia con la Nvidia Jetson AGX Orin, la red neuronal Depth Anything requiere unos 40 ms en ejecutar, mientras que la red neuronal U-Net tarda unos 3 ms, siendo el tiempo de cómputo total de 43 ms, lo que lo habilita para tiempo real. Es importante tener en cuenta que nuestra red funciona a partir de un mapa de profundidad relativo que se puede obtener por cualquier método, no necesariamente con Depth Anything. En este trabajo se eligió Depth Anything por su novedad y gran precisión, pero pueden existir otros modelos (o se lanzarán en el futuro) que aligeren la obtención de la profundidad relativa, que es el principal cuello de botella computacional en la estimación de profundidad densa.

°ä´Ç²Ô³¦±ô³Ü²õ¾±Ã³²Ô

Este artículo propone un método para la estimación de profundidad densa empleando un modelo basado en una red neuronal de tipo U-Net que, en lugar de tomar como entrada la imagen captada por la cámara, utiliza un mapa relativo de profundidades que se asume preciso, y que se combina con la nube de puntos proveniente del radar. Este planteamiento experimental es posible gracias a la aparición de nuevos algoritmos, como Depth Anything, que son capaces de proporcionar mapas de profundidad relativos muy precisos, porque han sido entrenados con una cantidad ingente de imágenes de manera no supervisada. En este trabajo, esta información se asume más valiosa que la imagen original en la tarea de obtener profundidades absolutas.

El algoritmo de fusión ha sido entrenado con el dataset de Nuscenes y luego se ha probado en el contexto del proyecto INPERCEPT como parte de fundamental de los servicios dedicados a percibir los obstáculos para planificación de rutas o frenado, y en el que se utilizan radar, cámara y un dispositivo de computación de Nvidia de última generación. Los resultados objetivos proporcionados en el entrenamiento de la red con Nuscenes avalan la eficacia del método, mientras que su posterior aplicación con datos reales de INPERCEPT demuestran una integración válida pese a la diferente naturaleza de los datos, a falta de comprobaciones de mayor rigor, por ejemplo comparando los resultados con los de un LiDAR.

El algoritmo presentado no solo demuestra su viabilidad técnica y efectividad en entornos controlados y reales, sino que también ofrece un camino prometedor hacia soluciones de percepción más seguras, económicas y adaptables para la industria de los vehículos autónomos. Este artículo demuestra la integración exitosa de radar y cámaras, potenciada por algoritmos avanzados, y contribuye al avance hacia la próxima generación de vehículos autónomos capaces de navegar de manera segura y eficiente en un mundo cada vez más complejo y dinámico.

Referencias

Charles R. Qi, H. S. (2017). PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation. IEEE / CVF Computer Vision and Pattern Recognition Conference (CVPR), (págs. 652-660).

Holger Caesar, V. B. (2019). nuScenes: A multimodal dataset for autonomous driving. arXiv preprint arXiv:1903.11027. Obtenido de https://www.nuscenes.org/nuscenes

INPERCEPT. (2024). INPERCEPT: Intelligent Perception. Obtenido de https://www.inpercept.es/

Lihe Yang, B. K. (2024). Depth Anything: Unleashing the Power of Large-Scale Unlabeled Data. IEEE / CVF Computer Vision and Pattern Recognition Conference (CVPR), (págs. 10371-10381).

Nvidia. (2024). Jetson Orin. Obtenido de https://www.nvidia.com/en-us/autonomous-machines/embedded-systems/jetson-orin/

Olaf Ronneberger, P. F. (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation. Medical Image Computing and Computer Assisted Interventions.

Este proyecto ha sido subvencionado por el CDTI, cofinanciado con fondos Europeos del Mecanismo de Recuperación y Resiliencia y apoyado por el Ministerio de Ciencia e Innovación. Este proyecto tiene número de expediente PTAS-20211011

¿Qué son los espacios de datos?

Los Espacios de Datos son infraestructuras federadas y abiertas que facilitan el intercambio de datos seguro y controlado entre los miembros participantes, basándose en políticas, normas y estándares comunes. Garantizan que las organizaciones mantengan el control total sobre sus datos, a la vez que cumplen con las políticas y los requisitos regulatorios predefinidos. Tecnologías avanzadas como la criptografía, blockchain y la gestión de identidades descentralizadas refuerzan estos espacios, creando un marco sólido para el intercambio seguro de los datos.

La visión de la Unión Europea

Reconociendo la importancia estratégica de los Espacios de Datos, la Unión Europea (UE) invertirá 2.000 millones de euros entre 2021 y 2027 en iniciativas como Gaia-X, para establecer un marco común para la infraestructura de datos y la gobernanza. Estas iniciativas tienen como objetivo promover la interoperabilidad y la seguridad de los datos en los Estados miembros y las industrias, fortaleciendo la cadena de valor industrial, fomentando la innovación y garantizando el cumplimiento de las estrictas regulaciones europeas de protección de datos.

La iniciativa ESPADIN en ÎÚÑ»´«Ã½

ESPADIN (Espacios de Datos para la Industria) de ÎÚÑ»´«Ã½ es un proyecto pionero de I+D que desarrolla una solución integral de espacios de datos alineada con las directrices y estándares europeos. ESPADIN ofrece un entorno seguro y descentralizado para el intercambio y la gestión de datos en tiempo real, integrando tecnologías dentro de un marco compatible con Gaia-X e IDS.

El proyecto ESPADIN cuenta con importantes socios industriales -Repsol, Grupo Antolin y FCC-, así como con centros de investigación, para validar su arquitectura a través de casos de uso prácticos. Estas colaboraciones demuestran la aplicabilidad y eficacia del proyecto en escenarios industriales del mundo real.

Entendiendo los espacios de datos

Las principales características de los espacios de datos son:

• Infraestructura federada: Habilita la colaboración sin centralizar los datos, garantizando que los datos permanezcan dentro de la jurisdicción de su propietario al mismo tiempo que están accesibles para las partes autorizadas.
• Políticas, normas y estándares comunes: Garantizan la interoperabilidad y el cumplimiento, dictando la gestión, el acceso y el intercambio de datos.
• Soberanía y control de los datos: Los propietarios de los datos mantienen el control sobre sus datos, decidiendo el acceso, las condiciones y los fines.
• Seguridad y privacidad: La encriptación robusta, los protocolos de comunicación seguros y las tecnologías de preservación de la privacidad protegen los datos.
• Gestión de identidades descentralizada: Los sistemas de identidad soberana (SSI) mejoran la privacidad y la seguridad al reducir la dependencia de proveedores centralizado
• Conectores y protocolo del espacio de datos: Los conectores son esenciales para compartir datos en un espacio de datos, habilitando el intercambio de datos confiable y seguro entre los participantes. El Protocolo del Espacio de datos (DSP) garantiza la interoperabilidad entre los participantes, promoviendo la adopción de vocabularios y ontologías comunes.

Innovación tecnológica en ESPADIN

IoT Híbrido, Edge y Arquitectura Cloud: ESPADIN integra tecnologías de IoT, edge computing y cloud para garantizar la disponibilidad y el procesamiento de datos en tiempo real, habilitando la recopilación, el procesamiento y el análisis eficiente de los datos.

Blockchain y Tecnologías de Identidad autogestionada: La tecnología blockchain proporciona un manejo de datos seguro e inmutable, mientras que la identidad soberana (SSI) asegura una autenticación y autorización de datos seguras, mejorando la privacidad y la seguridad.

Validación colaborativa: ESPADIN colabora con Repsol, Grupo Antolin y FCC en casos de uso clave:

• Repsol: Demostración de la trazabilidad de la producción de hidrógeno verde.
• Grupo Antolin: Supervisión en tiempo real y garantía de calidad en la producción de piezas de plástico para vehículos.
• FCC: Inspección y mantenimiento mejorados de túneles utilizando tecnologías IoT y blockchain.

El proyecto se desarrolla según la siguiente arquitectura:

Cumplimiento de los estándares europeos

ESPADIN garantiza el cumplimiento de las normativas europeas, incluyendo la RGPD y la Ley de Gobernanza de Datos, alineándose con las directrices de Gaia-X e IDSA. Este marco de cumplimiento asegura la soberanía de los datos, la seguridad y la interoperabilidad.

Futuras líneas de trabajo

ESPADIN persigue ampliar su alcance a diversas industrias más allá de sus casos de uso iniciales, mejorando la cadena de valor industrial y fomentando la innovación. La arquitectura flexible del proyecto y las tecnologías en las que se ha fundado lo posicionan para abordar nuevos desafíos y oportunidades en la economía digital.

°ä´Ç²Ô³¦±ô³Ü²õ¾±Ã³²Ô

ESPADIN representa un avance significativo en el desarrollo de los Espacios de Datos, alineándose con las iniciativas y los marcos regulatorios europeos para proporcionar una infraestructura de datos segura, interoperable y estandarizada. A través de su arquitectura innovadora y sus esfuerzos colaborativos, ESPADIN está preparado para revolucionar la gestión de datos en la industria inteligente, estableciendo nuevos estándares para la soberanía de los datos y la innovación digital.

Contenidos relacionados

Este proyecto ha sido subvencionado por el CDTI, cofinanciado con fondos Europeos del Mecanismo de Recuperación y Resiliencia y apoyado por el Ministerio de Ciencia e Innovación. Este proyecto tiene número de expediente MIG-20221071

Como con cada cambio de generación de telefonía móvil, se espera que 6G traiga una mayor velocidad en la transmisión de los datos, y también una reducción de la latencia en las conexiones respecto a la generación anterior, 5G. Detrás de estos requerimientos de mejores prestaciones en cuanto a velocidad y latencia, y que harán que 6G habilite el camino hacia un mundo hiper-conectado, hay cambios tecnológicos sustanciales, además de otros factores diferenciadores a tener en cuenta, como la sostenibilidad ambiental.

En 5G, los principales novedades tecnológicas respecto a 4G vinieron en gran parte relacionadas con desagregación de la gestión de red con tecnologías como las redes controladas por software (SDN); Multi-access Edge Computing (MEC), llevando la computación en la nube al extremo de la red para reducir latencia; y la virtualización de red (Network Function Virtualization), que posibilitó hacer un “rebanado” de la red (network slicing) y que definió, según ITU, tres tipos de servicios: eMBB (Enhanced Mobile Broad Band), URLLC (Ultra Reliable Low Latency Communication), y mMTC (Massive Machine Type Communication). De esta forma, mediante la creación de múltiples redes virtuales (network slice) sobre una misma red física, fue posible optimizar el uso de los recursos de red según la priorización de ciertos KPIs (Key Performance Indicators) para cada caso de uso. Esto aumentó el rendimiento, posibilitando nuevos casos de uso como por ejemplo en Industria 4.0, protección pública en emergencias (PPDR), coche conectado (V2X) y en sector salud, cirugía en remoto, entre otros.

6G toma de base por supuesto 5G, proponiendo nuevos casos de uso con requerimientos de red mucho más exigentes (latencia por debajo de milisegundos y velocidades de Gbps), y que según la tienen como hilo conductor la interconexión entre los mundos físico, virtual y personal. Así mismo, no es posible hablar de 6G sin considerar el enfoque social, a través de lo que se han denominado Key Value indicators entre los que se encuentran sostenibilidad (ambiental, social y económica), inclusividad y confiabilidad.  

Los se clasifican en las siguientes familias principales: telepresencia holográfica para experiencias inmersivas, robots colaborativos (co-bots), ubicuidad de sensores (physical awareness), movilidad en UAVs, gemelos digitales, e Internet de los Sentidos con aplicaciones hápticas gracias a la inclusión de nuevos dispositivos inteligentes.

Estos nuevos dispositivos finales, más allá de los smartphones, como robots inteligentes, coches conectados, etc., por un lado requieren comunicaciones más avanzadas en tiempo real, pero también pueden proporcionar por sí mismos capacidades de computación extra en el extremo final de la red, lo que se denomina “extreme edge”. De esta manera, el servicio de red se puede desplegar a lo largo de todo el compute continuum, desde el Cloud, al Edge e incluso al Extreme Edge como un continuo, y aprovechando la mayor capacidad de computación de los nuevos terminales de forma local junto al usuario final, reduciendo aún más la latencia.

Esta distribución de nodos de computación incluyendo el Extreme Edge, propuesta desde el inicio de especificación de 6G, se está encontrando con importantes retos; por ejemplo, la heterogeneidad de los nodos en el extreme Edge hace más complicada su gestión de forma holística, así como su volatilidad, ya que pueden conectarse/desconectarse con frecuencia, a diferencia de recursos de computación estáticos en el Edge o cloud. La Inteligencia Artificial puede ayudar en este caso a crear patrones en cuanto al comportamiento que se puede esperar en este tipo de nodos. La IA incorporada de forma nativa en la arquitectura de 6G es uno de los diferenciadores claves de esta nueva generación de red móvil. Así, los componentes de AI/ML son agregados de forma intrínseca en el diseño de la arquitectura a todos los niveles, e.g. infraestructura, red, y aplicación, y en todos los dominios. El aprendizaje automático (Machine Learning, ML) se aplica para la toma de decisiones predictivas, anticipándose a posibles errores, permitiendo aumentar la fiabilidad y disponibilidad del servicio de red considerablemente, así como anticipar posibles degradaciones de la calidad de servicio (latencia, velocidad, etc.).  Sin embargo a pesar de que los beneficios de aplicar IA en la gestión de red son claros y aceptados por los operadores, incluyendo la reducción de costes operacionales (OPEX) y consumo energético, entre otros hay importantes barreras aún de adopción, como son: dificultades para cuantificar el retorno de inversión, falta de perfiles en ciencia de datos en el sector telco, y otras barreras más técnicas como preocupación por la privacidad de los datos y mecanismos específicos de la explicabilidad de la IA en sistemas de gestión de red de los operadores.

En relación con la incorporación de sensores ubicuos con red móvil ha surgido con fuerza recientemente el término Integrated Sensing and Communication (ISAC), también conocido como Joint Communication and Sensing (JCAS); ISAC integra información de sensores y localización espacial de objetivos pasivos (no conectados) con la red móvil expandiendo la funcionalidad de red más allá de la pura comunicación. Esto está asociado a casos de uso como los enjambres de drones, la movilidad, la logística, etc. 

Otra característica inherente a 6G es la cobertura global, lo que incluye conectividad a zonas rurales y más remotas, alineado con la inclusividad. Por ello existe una importante línea de trabajo en 6G para la integración de red terrestres con redes no terrestres (NTN) típicamente con conectividad a través de satélite, pero en las que, dados los requisitos exigentes de baja latencia, los HAPs (high altitude platform station) han irrumpido con fuerza como solución intermedia con la que se mejora el alcance de conectividad a zonas remotas sin comprometer en exceso la latencia, como ocurre a través de las conexiones con satélites.

Considerando que la complejidad de las redes en 6G crecerá exponencialmente, esto también significará nuevos retos en la seguridad, verificación de identidades, etc. Las tecnologías Quantum y basadas en Tecnología de Contabilidad Distribuida o Distributed Ledger Technologies (DLT) tendrán un papel muy relevante en este sentido.

Las bandas de frecuencia en el espectro de 6G esperan cubrir un amplio rango más allá de las frecuencias que existen hoy. El objetivo es ir a banda próxima a Teraherzios, entre 100 Ghz a 1 Thz.

Finalmente, y no menos importante, alienado con el objetivo clave de sostenibilidad, 6G incluirá medidas concretas para la mejora de la eficiencia energética y más aún para descarbonización (mediante de uso de fuentes de energía limpias) y reducción del consumo energético de las redes de telecomunicaciones, lo que está suponiendo un campo muy amplio de investigación dentro del sector telco.

El proyecto 6G-XR (6G eXperimental Research)

El es una iniciativa financiada por la Unión Europea bajo el programa Horizon Europe dentro del programa de Smart Networks and Services Joint Undertaking, SNS-JU.

6G-XR está formado por un consorcio de 15 entidades en el cual ÎÚÑ»´«Ã½ colabora con empresas como Telefónica, Ericsson, Nokia e Intel, además de con universidades y centros de investigación de prestigio.

El objetivo último del proyecto es fortalecer el liderazgo europeo en tecnologías 6G a través de la generación de servicios de Realidad Extendida (XR) e infraestructuras que proporcionan capacidades hacia la era 6G.

6G-XR está desarrollando un laboratorio experimental de 6G que abarca múltiples localizaciones en diferentes países de Europa y que servirá como plataforma de validación para varios casos de uso de 6G, con especial foco en aplicaciones de Realidad Extendida (XR) y Comunicaciones Holográficas, en entornos multidominio. Más concretamente la infraestructura del proyecto comprende por un lado un nodo en el norte de Europa formado por testbeds en la Universidad de Oulu y el Centro de Investigación de Finlandia VTT, y por otro lado un nodo en el sur de Europa con localizaciones (Madrid) en el que participan Telefonica, Ericsson y ÎÚÑ»´«Ã½, y en Barcelona por parte del centro de investigación i2cat.   

Como se mencionaba en la sección anterior, se espera que 6G juegue un papel clave en la convergencia entre los mundos físico y virtual, fundamentada en aplicaciones de XR, Spatial Computing y comunicaciones holográficas, siendo las experiencias inmersivas uno de los casos de uso claves en 6G. La telepresencia XR permitirá a las personas ser recreados en su representación virtual en tiempo real, lo que requerirá el consumo de muchos más recursos tanto de red como de computación, por lo que será necesario la optimización de dichos recursos a la vez que se adopta una solución de compromiso desde el punto de visto de la sostenibilidad ambiental. Para que la comunicación holográfica tenga lugar con una calidad aceptable para el usuario final, se requerirán tasas de datos mucho mayores que hoy en día, del orden de Gbps, con restricciones de latencia muy estrictas entre 1-10ms y con una tasa de éxito de entrega de paquetes del 99-99,99%.

Con el fin de alcanzar estos requisitos, el proyecto 6G-XR está diseñando e implementando nuevos mecanismos de gestión de recursos de red, computación y tecnologías de radio acceso y soluciones específicas para aplicaciones XR que estén orientados a esta optimización sin comprometer el consumo de energía.

Asimismo, se están incorporando algoritmos de Machine Learning como parte de los mecanismos de gestión de los recursos para proporcionar mayor nivel de automatización y ser capaces de anticipar acciones de reasignación de recursos, buscando compromiso entre una calidad de experiencia aceptable para el usuario y el objetivo de reducir consumo energético.

El rol principal de ÎÚÑ»´«Ã½ en 6G-XR es el de coordinar los trabajos en cuanto al diseño e implementación de los componentes que habilitan las tecnologías de Multi-access Edge computing (MEC). Además, ÎÚÑ»´«Ã½ despliega en 5Tonic su framework de MEC Intelligence Edge Application Platform (IEAP), desarrollando nuevas APIs que facilitan el acceso para proveedores de aplicaciones externos. Por un lado, el IEAP se está integrando con la infraestructura de red de Ericsson; por otro se está trabajando además en la federación con el orquestador de MEC de i2cat en Barcelona, según especificaciones de para habilitar casos de uso multidominio.

El trabajo de ÎÚÑ»´«Ã½ en 6G-XR posiciona a la compañía en tecnología MEC y automatización con IA en el sector telco en general, y en particular para el despliegue de aplicaciones XR y comunicaciones holográficas. Este trabajo, por ende, impactaría positivamente también en otras industrias que pueden utilizar este tipo de soluciones, como sector transporte, industrial, energía etc.

El proyecto 6G-XR tiene planificado el lanzamiento de tres “open calls� a lo largo de todo el proyecto. Estas open calls ofrecen la infraestructura desarrollada en el proyecto 6G-XR a entidades externas para hacer sus propios experimentos. La primera open call, cuyos proyectos finalizaron a mitad de 2024, estuvo orientada a la experimentación con componentes de infraestructura proporcionados por entidades externas; los proyectos de la segunda open call, que está centrada en componentes más disruptivos alineados con el ámbito de otros proyectos de investigación actuales de 6G, se implementarán entre Septiembre de 2024 y Febrero de 2025. En marzo de 2025 se abrirá la convocatoria para la tercera open call que estará dirigida a proveedores de aplicaciones de otras industrias verticales que deseen desplegar sus servicios sobre la infraestructura del proyecto 6G-XR.

Sobre la participación de ÎÚÑ»´«Ã½ en la definición de líneas de investigación e innovación hacia 6G

ÎÚÑ»´«Ã½ es miembro de la asociación industrial a nivel europeo 6G-IA (6G Infrastructure Association). La 6G-IA es la voz de la Industria y organismos de Investigación europeos para la próxima generación de redes y servicios. Su objetivo principal es contribuir al liderazgo de Europa en 5G, 5G avanzado e investigación en 6G. La 6G-IA representa el lado privado en la 5G-PPP y en la Smart Networks and Services JU (Joint Undertaking), en donde el sector público está representado por la Comisión Europea. La 6G-IA aglutina una comunidad de actores digitales y de telecomunicaciones, como operadores, fabricantes, organismos de investigación, universidades, industrias verticales, PYMEs y asociaciones de ICT. La 6G-IA lleva a cabo un amplio número de actividades en áreas estratégicas como estandarización, definición de frecuencias del espectro, proyectos de I+D, capacitación tecnológica, colaboración con otras industrias verticales para despliegue de pilotos, y cooperación internacional.

Por ejemplo, como parte de las actividades como miembro de la 6G-IA, ÎÚÑ»´«Ã½ actualmente está participando en la elaboración de un Whitepaper sobre que actualiza la visión de 6G por parte de la asociación, y que se publicará en Octubre de 2025.

Para más información sobre la participación de ÎÚÑ»´«Ã½ en la 6G-IA, y en proyectos de Investigación, Desarrollo e Innovación de 6G, incluyendo 6G-XR, pueden contactar con Aurora Ramos (ver firma)

Aurora Ramos ha sido elegida por como una de las 100 mujeres en el mundo más influyentes en 6G en este año 2024.

Contenidos relacionados

6G-XR project has received funding from the  under the European Union’s  under Grant Agreement No 101096838.

Este consorcio está creando una solución inteligente capaz de identificar en fases iniciales enfermedades neurológicas, motoras y degenerativas como la insuficiencia cardíaca, en la que el corazón no bombea sangre de manera eficiente; el ictus, causado por la interrupción del flujo sanguíneo al cerebro; la sarcopenia, caracterizada por la pérdida de masa y fuerza muscular; el Parkinson, que afecta el control motor; la hipoacusia, que reduce la capacidad auditiva; además del cáncer de próstata y colon, ambos tipos de tumores malignos que afectan comúnmente a personas mayores y requieren detección precoz para un tratamiento eficaz. Este sistema utiliza algoritmos de IA para realizar pronósticos tempranos y apoyar la toma de decisiones en el tratamiento de personas mayores. 

La detección temprana de enfermedades relacionadas con la edad es fundamental para mejorar la calidad de vida y la longevidad de la población. A medida que las personas envejecen, aumenta el riesgo de desarrollar condiciones crónicas como enfermedades cardiovasculares, diabetes, cáncer y demencia. Identificar estas enfermedades en sus primeras etapas permite una intervención médica oportuna, lo cual puede retrasar la progresión de la enfermedad, reducir complicaciones y mejorar significativamente los resultados clínicos. Además, la detección temprana facilita la implementación de cambios en el estilo de vida y la administración de tratamientos preventivos, lo que no solo beneficia al individuo, sino que también reduce la carga económica y social sobre los sistemas de salud, haciendo de la detección precoz una herramienta esencial para posibilitar un envejecimiento saludable y sostenible en la sociedad. 

ÎÚÑ»´«Ã½ dirige el proyecto y participa llevando a cabo una exploración integral del modelado predictivo y las tecnologías de aprendizaje federado, abarcando tres casos de uso clave que impulsan el avance en la atención médica: 

• En primer lugar, la implementación del aprendizaje federado en los centros de salud revoluciona la capacitación de modelos al utilizar datos distribuidos sin centralización, lo que refuerza la solidez del modelo de diagnóstico. Este enfoque colaborativo no solo garantiza la privacidad del paciente y el cumplimiento del RGPD, sino que también optimiza la calidad del diagnóstico y la eficacia del tratamiento mediante la agregación de datos interinstitucionales. 

• En segundo lugar, aprovechando los sensores IMU portátiles, el proyecto se centra en predecir el potencial de recuperación de los pacientes con accidente cerebrovascular (ictus) mediante algoritmos avanzados de aprendizaje automático y análisis de datos de movimiento. Este enfoque personalizado permite terapias personalizadas, optimizando la eficiencia del tratamiento y reduciendo los costos y el tiempo de rehabilitación. 

• Por último, el proyecto tiene como objetivo la predicción personalizada del potencial de recuperación de los pacientes con insuficiencia cardíaca mediante el análisis de datos de ECG, lo que conduce a mejores resultados clínicos, períodos de rehabilitación más cortos y una mejor calidad de vida. 

Al adoptar la medicina personalizada, esta iniciativa tiene como objetivo minimizar los costos y mejorar el manejo de la insuficiencia cardíaca. Al incorporar la explicabilidad junto con tecnologías innovadoras, el proyecto AI4HealthyAging garantiza que los modelos predictivos no solo funcionen bien, sino que también sean interpretables, fomentando la confianza y una adopción más amplia en la comunidad sanitaria. 

Contenidos relacionados