Clasificación del estado vial con sensores celulares e inteligencia artificial

En Colombia, la longitud estimada de malla vial es de 206.102 km, con 69% de vías terciarias, 21% de vías secundarias, y 7% de vías primarias. No obstante, el inventario de la localización, longitud e información sobre su estado de las vías precario y de difícil actualización. Según el INVIAS, se conoce el estado de 11 mil km de vías primarias, que representan tan solo el 6% de la totalidad de la malla vial conocida. En este proyecto se desarrolló un método de bajo costo y fácil masificación para categorizar automáticamente el estado de una vía. Se utilizaron sensores disponibles en teléfonos celulares (acelerómetros, giroscopios, GPS) para medir aceleración lineal, aceleración angular y velocidad durante recorridos en automóvil. A partir de una base de datos de 200 señales, se calculan características estadísticas en tiempo y frecuencia relacionadas con el estado de la vía. Posteriormente, se implementaron algoritmos de aprendizaje de máquina para clasificar automáticamente las señales en cuatro categorías: destapada buena, pavimentada buena, destapada mala y pavimentada mala. Se encontró que varias características temporales lograron diferenciar las vías buenas de las vías malas, mientras que características frecuenciales de la aceleración angular lograron una alta separación de las cuatro categorías. Finalmente, se midió el desempeño en diferentes clasificadores lineales y no lineales, obteniendo un resultado mayor al 86% para clasificadores SVM (Support Vector Machine), demostrando la utilidad de los sensores de teléfonos celulares para actualizar el estado de la malla vial de manera rápida, precisa, barata y con gran cobertura.

• Autores: Cepeda Benavides, Juan Sebastián; Bermúdez Beltrán, Matheo Alexander
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2023
• Institución: Pontificia Universidad Javeriana
• Repositorio: Repositorio Universidad Javeriana
• Idioma: spa
• OAI Identifier: oai:repository.javeriana.edu.co:10554/63684
• Acceso en línea: http://hdl.handle.net/10554/63684
• Palabra clave: Calidad vial; Aprendizaje de máquina; Sensores de teléfonos; Road condition; Machine learning; Smartphone sensors; Ingeniería electrónica - Tesis y disertaciones académicas; Concesiones de vías; Aprendizaje de máquinas; Mejoramiento de procesos
• Rights: openAccess
• License: Atribución-NoComercial-SinDerivadas 4.0 Internacional