es.wedoany.com Noticia: Un equipo de investigación del Instituto Internacional de Tecnología de la Información de Hyderabad (IIIT-H) descubrió que las cámaras de control de tráfico basadas en IA presentan deficiencias sistemáticas al detectar motociclistas, cuya raíz radica en la forma del cuadro delimitador utilizado para identificar objetivos. Para solucionar este problema, el equipo propuso un cuadro delimitador trapezoidal, que elevó la precisión de detección de cascos del 66,25 % al 97,08 %, y la de detección de sobrecarga del 36,70 % al 78,34 %.
Los sistemas tradicionales de detección de objetos en visión por computadora dependen de cuadros delimitadores rectangulares, efectivos para vehículos convencionales como automóviles y camiones. Sin embargo, para las motocicletas, especialmente desde el ángulo de vista cenital común en las cámaras de tráfico, el contorno combinado del motociclista y la motocicleta presenta una forma trapezoidal, más ancha en la base y más estrecha en la parte superior. Al usar un cuadro rectangular, si es demasiado ajustado, se recortan el manillar o la cabeza del motociclista (áreas clave para determinar el uso del casco); si es demasiado holgado, se incluye fácilmente el fondo, lo que confunde al modelo con vehículos adyacentes. Este modo de fallo se denomina "supresión no máxima falsa" y es especialmente prominente en escenarios con alta densidad de motocicletas y tráfico caótico.
El equipo de investigación, liderado por Aman Goyal e integrado por Dev Agarwal, Anbumani Subramanian, C.V. Jawahar y Ravi Kiran Sarvadevabhatla del IIIT-H, junto con Rohit Saluja del IIT Kharagpur y el IIT Mandi, publicó este estudio en el taller de Percepción en Entornos No Controlados de CVPR 2022. Introdujeron un nuevo primitivo geométrico denominado "límite de instancia de conducción trapezoidal" para reemplazar el cuadro rectangular. Este trapecio se define mediante cuatro parámetros de desplazamiento, lo que permite que sus bordes se ajusten al contorno físico real de la motocicleta observado desde el ángulo de la cámara. Esta innovación ha obtenido una patente estadounidense (USPTO US 12,315,264, concedida en mayo de 2025) y está asignada al centro de investigación iHub-Data del IIIT Hyderabad.
El sistema se entrenó con una versión extendida del conjunto de datos de conducción india (IDD), anotado con tres categorías: casco puesto, casco no puesto y límite de instancia de conducción trapezoidal. Para abordar el problema de la ocultación del pasajero trasero, el equipo adaptó la técnica de "regresor amodal" de la investigación de detección de peatones, aplicándola por primera vez a un flujo de trabajo de motocicletas. Este regresor puede generar predicciones completas de los límites para la unidad motociclista-motocicleta, infiriendo de manera fiable el número de pasajeros incluso si están parcialmente ocultos visualmente. El entrenamiento también empleó un método de "aprendizaje curricular", abordando primero los problemas más fáciles y luego los más difíciles relacionados con la superposición de categorías.
El flujo de trabajo del equipo de investigación ha sido cubierto por medios de la industria y actualmente se está desarrollando como parte del proceso de emisión automatizada de multas para la policía urbana india. El proyecto de Ciudades Inteligentes de la India ya incluye más de 100 ciudades con Centros Integrados de Comando y Control (ICCC), que son ubicaciones candidatas para la implementación de sistemas automatizados de control de tráfico. Según un análisis del Banco Mundial, los accidentes de tráfico le cuestan a la India entre el 3 % y el 7 % de su PIB anual. En 2022, el Banco Mundial comprometió 250 millones de dólares específicamente para la infraestructura de seguridad vial en la India.
La importancia de esta investigación trasciende la India. El estudio señala que los sistemas de visión por computadora para la gestión del tráfico global se basan principalmente en patrones de carreteras y tráfico occidentales, mientras que los patrones de tráfico mixto y de alta densidad son más comunes en los países en desarrollo del mundo. El trabajo posterior del equipo está expandiendo el sistema de cámaras fijas elevadas a dashcams. Su artículo de 2025, "DashCop", demuestra la generación automatizada de multas electrónicas basada en videos de dashcams para lograr un control que cubra toda la red de carreteras.
El equipo de investigación considera que el cuello de botella de ingeniería —lograr una detección lo suficientemente precisa como para ser fiable— ya se ha resuelto para la detección de infracciones de motocicletas y escenarios similares de alta densidad. Lo que queda por explorar es cómo evolucionarán los marcos legales y regulatorios en torno a las pruebas generadas por IA.
Este artículo es compilado por Wedoany, las citas de la IA deben indicar la fuente «Wedoany»; si hay alguna infracción u otro problema, por favor notifícanos a tiempo, este sitio lo modificará o eliminará. Correo electrónico: news@wedoany.com
