La evolución del IoT para la micromovilidad compartida

En los últimos años, la micromovilidad se ha convertido en el método de transporte preferido en entornos urbanos, proporcionando naturalmente aire fresco y distanciamiento físico. Sin embargo, eso no significa que todavía no haya problemas por resolver. Si tuviera que preguntar a los operadores y a las ciudades, «¿Cuáles son los mayores problemas con los programas LEV (Low Emission Vehicle.)?» obtendría algunas respuestas bastante divergentes. Estas respuestas tocarían varios temas, como la eficiencia operativa, la economía de la unidad, el cumplimiento normativo, el intercambio de datos y los requisitos de seguros.

Manejo del Comportamiento

Probablemente, el tema más crítico en el que ambas partes estarían de acuerdo es que la gestión del comportamiento del usuario es una herramienta ineficaz para producir el resultado deseado en cualquier escenario, ya sea siguiendo las reglas de tránsito, usando cascos o estacionando (y a veces bloqueando) scooters donde debiera ser. Es una verdad innegable que algunos humanos encuentran un placer particular en evitar (a veces deliberadamente) reglas con las que no están familiarizados o que consideran inconvenientes, en favor de una mayor conveniencia o conveniencia personal.

En el mundo de la micromovilidad, esto produce resultados menos que óptimos, que a veces implican lesiones o fatalidades y, a menudo, resultan en sanciones reglamentarias e infracciones. Irónicamente, el escrutinio bajo el cual se encuentran los operadores y usuarios de micromovilidad es draconiano en comparación con los estándares establecidos para el comportamiento de los usuarios de automóviles en circunstancias similares.

IA y visión por computadora: los módulos IoT de «Dash Cam»

La buena noticia es que la Inteligencia Artificial (IA) está demostrando ser bastante capaz de dominar el tipo de toma de decisiones aburridas pero impactantes en el espacio de la micromovilidad que los humanos a menudo parecen no estar dispuestos a hacer, es decir, obedecer las regulaciones. Además del aspecto humano del problema, estas regulaciones a menudo varían de una ciudad a otra, lo que dificulta aún más que los usuarios las cumplan de manera consistente, incluso si así lo desean. Los operadores, los agregadores de datos y las nuevas empresas auxiliares ya están utilizando la IA para mejorar su comprensión de los datos recopilados con el objetivo de optimizar el reequilibrio, predecir la demanda y realizar el mantenimiento preventivo.

Si bien estas valiosas actividades aumentarán la eficiencia y la rentabilidad, quiero desarrollar un tipo diferente de IA aplicada, una que brinde la capacidad basada en la computación en el borde (edge) para que los LEV reconozcan su posición contextualmente en un entorno urbano, junto con el control del vehículo en tiempo real para optimizar eficiencia operativa y prevenir abusos regulatorios. Si bien este tipo de IA se usa de manera omnipresente en la búsqueda de la conducción autónoma de nivel 5, aún no se ha aplicado a la micromovilidad.

Es decir, hasta ahora. Las empresas están explorando el uso de la visión por computadora impulsada por IA como parte de las soluciones de IoT para la micromovilidad compartida. Los módulos IoT tradicionales que aprovechan el GPS y la conectividad celular ya son la norma en esta industria, y se utilizan principalmente para ubicar, rastrear y administrar estos vehículos flotantes.

Piense en la evolución habilitada para la inteligencia artificial y la visión por computadora como módulos de IoT «dashcam» que son capaces de ofrecer una distinción de infraestructura granular en tiempo real. Con la introducción de cámaras, esta nueva generación de módulos IoT puede distinguir de manera precisa y confiable entre categorías de infraestructura como aceras, calles y carriles para bicicletas. Esta característica por sí sola mejora drásticamente las capacidades de geocercas de una manera granular que las soluciones basadas en GPS existentes simplemente no pueden, particularmente en entornos urbanos densos donde más importa. La aplicación más pertinente de este conocimiento preciso es la detección de aceras en tiempo real y el posterior control de vehículos que permite.

Soluciones basadas en el edge : suministro de información crítica

La infraestructura adecuada para andar en bicicleta se queda corta en la mayoría de las ciudades, y está claro que la inversión adicional en carriles exclusivos y seguros para bicicletas produciría mejores resultados, como lo hicieron muchas ciudades durante el COVID. Sin embargo, incluso la infraestructura adecuada no detendrá por completo el comportamiento de burlarse de la ley: las bicicletas y los scooters seguirán circulando por las aceras, y los usuarios de ciclomotores utilizarán ilegalmente las aceras, los carriles para bicicletas y los senderos de los parques. Algunos argumentan que la incidencia de andar en la acera (u otros ilegales) es exagerada, pero el hecho es que resolver los casos extremos en el transporte generalmente produce una solución y un producto general más equitativo.- sin restar valor a la experiencia más amplia.

Más allá del valor regulatorio y de seguridad de los entornos infinitos de reconocimiento de vehículos en tiempo real, la visión por computadora basada en el borde se puede aprovechar para verificar el estacionamiento adecuado en tiempo real donde los «corrales» se utilizan como áreas de estacionamiento designadas. Esta tecnología reduce la necesidad de depender de las fotos generadas por los usuarios para finalizar un viaje y aumenta la eficiencia operativa. También se puede entrenar para reconocer scooters caídos y marcarlos para tomar medidas correctivas, proporcionando a los equipos de la calle información inmediata para recuperar y reubicar activos.

Los algoritmos se pueden entrenar para reconocer tipos de infraestructura adicionales y específicos en función de las necesidades del operador y de la ciudad, que se pueden aprovechar para mitigar la pérdida y el robo de vehículos. Las secretarias de transito reflexionan sobre la posibilidad de restringir el uso de scooters en estructuras de estacionamiento cubiertas. Su preocupación es que se estan utilizando scooters para perpetrar robos y destrozar propiedades en automóviles estacionados. Para los operadores, esta característica también tiene un valor considerable. Cuando los vehículos chocan contra tales estructuras (o edificios), su señal de GPS se ve significativamente comprometida, y esto lleva a que se desperdicien muchas horas-persona en la búsqueda de esos vehículos, que a veces nunca se localizan.

El conocimiento de la ubicación contextual también proporciona información valiosa sobre los datos a los operadores y las ciudades. Actualmente, el seguimiento de los movimientos de los vehículos es tan bueno como la información proporcionada por el GPS: la visión por computadora puede proporcionar una distinción contextual incluso más allá del «nivel de carril» para incluir datos de rutas sobre aceras, carriles para bicicletas y calles. Estos datos pueden ser utilizados por los operadores para comprender mejor el comportamiento de la flota, por las ciudades para ayudar a informar la planificación de infraestructura amigable con las bicicletas y por las compañías de seguros para evaluar mejor el riesgo y ofrecer precios más dinámicos.

El futuro de la micromovilidad

Ahora vivimos en un mundo drásticamente diferente. COVID ha acelerado la necesidad de que las ciudades y los operadores trabajen juntos y alineen sus objetivos colaborando más estrechamente. Esto permitirá que florezcan nuevas modalidades amigables con el medio ambiente. La tecnología, y la visión por computadora impulsada por IA, en particular, tienen un papel valioso que desempeñar para unir los intereses públicos y privados en la evolución de la micromovilidad como una solución de tránsito urbano a largo plazo.