(Dr. Jan-Philipp Exner, jan-philipp.exner@aws-institut.de, Oliver Nalbach, oliver.nalbach@aws-institut.de, Dr. Dirk Werth, dirk.werth@aws-institut.de, Instituto AWS para Productos y Procesos Digitales, Saarbrücken, Alemania) y (MBA Diana Catalina Blanco, Sistemas Sostenibles SAS/Vialytics, cblanco@sistemassostenibles.com.co) RESUMEN Los sensores basados en Internet de las cosas (IoT) están mejorando y ampliando los métodos de recopilación de información para la planificación urbana. Así, cada vez más ciudades y municipios están usando los métodos basados en inteligencia artificial (IA). Especialmente el área de la planificación y la supervisión de la infraestructura vial se beneficiarán significativamente de la IA. Dado que la mayoría de infraestructura vial alemana fue planificada y construida hace varias décadas, y considerando que el volumen de tráfico y su inversión pública han aumentado enormemente, la urgencia en el desarrollo de mejores métodos de mantenimiento es evidente. Las soluciones actuales para el monitoreo de la infraestructura vial son demasiado laboriosas, intensivas en recursos o inflexibles para el escenario actual. Sin embargo, se abrió una vía prometedora para futuras investigaciones con la llegada de los dispositivos de comunicación móvil, como los teléfonos inteligentes, en combinación con enfoques de inteligencia artificial. Este documento describe la metodología aplicada en el proyecto de investigación en curso DatEnKoSt, en el que estos dispositivos comparativamente económicos y cargados de sensores se usan para realizar métodos de adquisición a bajo costo. Al montar el smartphone en un vehículo, se pueden registrar un flujo de datos de múltiples sensores, como, datos de acelerómetro, coordenadas GPS, imágenes o incluso datos de audio, etc. A partir de estos y de aprendizaje supervisado se puede extraer el estado actual de la infraestructura y mapearse en perfiles estandarizados. Aún más, los métodos predictivos pueden, además, proporcionar pronósticos más precisos y, aprovechando los algoritmos de optimización, derivar automáticamente las medidas de mantenimiento adecuadas para cada situación. La conservación de las vías de circulación municipal se vuelve más eficiente y sostenible. La metodología permite su potencial uso posterior a la luz del monitoreo predictivo y en tiempo real de la infraestructura vial. PALABRAS CLAVE: InteligenciaArtificial AI, Sistemas de Información Geográfica SIG, Mantenimiento predictivo de vías basado en sensores, Internet de las cosas (IoT). 1. MARCO TEÓRICO En los últimos años, la discusión sobre el aprovisionamiento de inversiones en infraestructura vial alemana ha entrado cada vez más en el discurso público, principalmente porque una gran parte de la infraestructura vial alemana fue planificada y construida hace varias décadas. Desde entonces, el volumen de tráfico general ha aumentado constantemente, y el tráfico pesado de mercancías en particular ha causado daños desproporcionados en las vías debido al gran peso de los vehículos (Bundesanstalt für Straßenwesen, 2017). Esto plantea la pregunta de cómo detectar y monitorear estos daños, así como predecir problemas potenciales en el contexto de presupuestos públicos reducidos. Por ejemplo, si las grietas finas en el asfalto no se reconocen como deficiencias en la carretera, de la misma manera, que los baches, pueden causar el mismo daño a los vehículos. En general, se pueden distinguir dos métodos para recopilar datos relacionados con las calles: un enfoque basado en sensores, en el que se centra nuestro proyecto, y un enfoque basado en contenido generado por el usuario (UGC), donde las personas detectan e informan problemas manualmente, como se puede observar en varios proyectos de los últimos años (FixMyStreet, 2015; Rock Solid, 2019). Para comprender la necesidad de nuevos enfoques para el monitoreo y el mantenimiento, vale la pena echar un vistazo a la práctica de registro actualmente en uso. A nivel estatal, la condición de la red vial clasificada se determina a intervalos regulares de acuerdo con las pautas precisas para el registro y la evaluación de la condición vial (Bundesanstalt für Straßenwesen, 2020), aunque muy pocas autoridades locales pueden recurrir a tales métodos debido a los altos costos involucrados. En cambio, la condición vial generalmente se determina en relación con el problema, pero solo de forma retrospectiva por parte de personal especializado, que registra las áreas problemáticas sobre una base de muestra y de manera parcialmente análoga (a menudo aún con lápiz y papel). Dichas mediciones son subjetivas por naturaleza, lo que conduce a una base de datos subóptima para las decisiones y la priorización de las medidas de inversión. El enfoque automático, basado en sensores, se puede dividirse aún más. Una opción es un enfoque “dedicado”, en el que los vehículos, especialmente diseñados, están equipados con sensores (StreetScan, 2017; Ramboll, 2019; Vaisala, 2020) que configuran y mantienen principalmente los proveedores de servicios. En el segundo enfoque, que tiene un carácter auxiliar, los vehículos ordinarios están equipados con tecnologías de sensores suplementarios. Por lo tanto, no se necesitan vehículos especialmente diseñados y la recopilación de datos se realiza mejorando los vehículos existentes con tecnologías de sensores móviles del mercado de consumo fácilmente conectables (como teléfonos inteligentes, por ejemplo). DatEnKoSt, presenta en este artículo, proyectos que utilizan este segundo enfoque, que ilustran la flexibilidad y la facilidad de implementación de dicho enfoque (MIT Senseable City Lab, 2018; NewUrbanMechanics, 2019; RoadBotics, 2019; Vialytics, 2020). La razón radica en el hecho de que se requiere diseñar un enfoque liviano, en el que los municipios y empresas, lo puedan adaptar lo más fácilmente posible a sus desafíos. Además, debido a la limitación de recursos y que sólo es posible realizar ciclos de investigación prolongados con la mayor parte de las comunidades, hace imposible lograr un análisis en tiempo real objetivamente interesante. Por lo tanto, los responsables carecen de una herramienta que, a diferencia de los procedimientos estandarizados clásicos, garantice de forma proactiva una evaluación del estado de la infraestructura vial más rentable y cualitativamente adecuada. Estas nuevas posibilidades tecnológicas y metodológicas incluyen dispositivos de comunicación móvil (enfoque IoT) para la adquisición de datos de sensores, que pueden recopilar continuamente datos en tiempo real y utilizar IA para la evaluación. 2.     METODOLOGÍA Una solución adecuada para que los municipios monitoreen y mantengan las vías, debe ser asequible, simple y flexible de usar. En esta sección, primero discutimos por qué y cómo una combinación de teléfonos inteligentes y algoritmos de IA pueden cumplir con estos requisitos (Sección 2.1) antes de brindar una descripción general del enfoque (Sección 2.2) y describir sus pasos principales (Sección 2.3-2.4). 2.1 Motivación Las autoridades públicas necesitan datos precisos y lo más actualizados posible para mantener sus vías, carreteras y ciclorutas, pero están luchando por encontrar formas adecuadas y sensibles a los costos para recopilar estos datos. Las formas estandarizadas existentes para la adquisición de datos, son ofrecidas por empresas especializadas, pero son demasiado costosas para la mayoría de los municipios: el precio medio por kilómetro puede alcanzar los €150. Para una ciudad media alemana, eso significaría cientos de miles de euros para obtener los datos de su red vial. Por el contrario, la metodología que presentamos en este documento permitiría recopilar datos, de magnitud comparable, por una fracción de esta suma. Hay dos razones principales por las que una monitorización estandarizada según directrices precisas como el diagnóstico vial estandarizado (ZEB) alemán es tan costoso. La primera razón es que se está utilizando hardware de medición altamente especializado. Por lo general, los vehículos de medición están equipados con múltiples sensores precisos: Múltiples escáneres láser, para medir la uniformidad de una carretera tanto en la dirección de conducción como ortogonalmente, varias cámaras para tomar imágenes de posibles grietas y baches, un equipo personalizado que consiste en una rueda inclinada y más sensores para determinar el agarre de la carretera. Como, por ejemplo, el sistema de medición S.T.I.E.R. de la empresa alemana Lehmann + Partner especializada en adquisiciones de datos ZEB, tiene un valor estimado de aproximadamente un millón de euros (Renninger, 2018). La segunda razón es el alto esfuerzo manual para procesar los datos adquiridos. En particular, los daños en la superficie, como las grietas, deben anotarse en muchos miles de fotografías. Curiosamente, ambas razones, la necesidad de sensores costosos y el alto esfuerzo manual para el etiquetado de datos, pueden abordarse utilizando IA, como demuestran los ejemplos en otros ámbitos distintos de la planificación urbana. En cuanto a la necesidad de sensores costosos para obtener mediciones con un nivel de calidad suficiente, el ejemplo de las cámaras de los teléfonos inteligentes demuestra que los métodos de procesamiento inteligente pueden, en gran medida, compensar en gran medida las deficiencias del hardware comparativamente más asequible y barato que se utiliza. A pesar de las limitaciones físicas debidas a: la reducida dimensión de su sensor de imagen, el ruido, las bandas de color de sus lentes, las cámaras de los teléfonos inteligentes son hoy capaces de competir con las cámaras digitales de precio medio. Por ejemplo, los métodos de eliminación de ruido ayudan a reducir el ruido visible; otros métodos de procesamiento de imágenes eliminan las franjas de color o la distorsión, e incluso el contraste y la exposición de la imagen se pueden optimizar automáticamente utilizando métodos basados en IA (Draa y Bouaziz, 2014). AI también puede ayudar cuando se trata de reducir el esfuerzo de etiquetado manual de datos. Los métodos de aprendizaje supervisado pueden aprender a etiquetar varios tipos de datos automáticamente en función de un conjunto de datos de entrenamiento que contienen ejemplos. Un ejemplo popular es la detección de objetos, es decir, reconocer objetos relevantes en imágenes y asignarlos a una clase definida, como “coche”, “perro” o “edificio”. Esta tarea, que tiene aplicaciones en escenarios de vigilancia o búsqueda de imágenes, se puede resolver con niveles de precisión de hasta el 90 % utilizando enfoques de aprendizaje profundo (Zhao et al., 2019). 2.2 Panorama general Las ideas descritas en el párrafo anterior motivan la idea de transferir el mismo enfoque al dominio del diagnóstico de la infraestructura vial, aprovechando los métodos de procesamiento inteligente que permiten a equipos de monitoreo más económicos y un esfuerzo manual reducido. El núcleo de la metodología propuesta (Fig. 1) es el uso de teléfonos inteligentes como hardware de medición relativamente económico, pero aún versátil. Los teléfonos inteligentes modernos están equipados con una amplia gama de sensores diferentes: sensores de imagen múltiple, acelerómetros, sensores de giroscopio, micrófonos y receptores GPS, por mencionar solo los más comunes. Esto significa que, al montar un dispositivo de este tipo en un vehículo y conducir por una carretera, se puede registrar un flujo diverso de datos de sensores múltiples (Fig. 1, a). Al hacerlo, la condición respectiva de una vía se refleja implícitamente en los datos registrados: el acelerómetro registrará vibraciones más fuertes para caminos irregulares o agrietados que para los recién pavimentados. Al orientar el teléfono inteligente para que su cámara apunte hacia la carretera, los baches individuales y los problemas de la superficie se harán visibles en las fotografías grabadas. Para derivar la condición real de la carretera a partir del flujo de datos de multisensor, este mapeo de la calidad de la carretera y los datos registrados deben “invertirse”, para lo cual se puede usar el aprendizaje supervisado para generalizar a partir de los datos de calidad estandarizados existentes para un conjunto de vías (Fig. .1, b). Este paso se detallará en la siguiente sección. Al estimar el estado actual de la red vial, de esta manera, ya reduce considerablemente los costos del monitoreo. Sin embargo, la IA también se puede usar para ayudar sobre la decisión de las tareas de mantenimiento resultantes, a partir de los datos de monitoreo. Al combinar enfoques de predicción y optimización de secuencias, se puede estimar la condición futura esperada (Fig. 1, c) y se pueden generar sugerencias automáticas para las próximas tareas de mantenimiento que se realizarán (Sec. 2.4). Finalmente, se prevé la integración de los componentes de IA mencionados anteriormente en una herramienta de planificación para las administraciones municipales (Fig. 1, d). La herramienta permitirá al personal administrativo acceder a resultados de monitoreo recientes y funciones predictivas de una manera fácil de usar. Figura 1. Descripción general de la metodología propuesta y el flujo de datos 2.3 Predicción del estado de las vías a partir de los datos de los sensores El objetivo en esta etapa es mapear los datos registrados durante la conducción a lo largo de una calle o carretera en particular, a un perfil de calidad estandarizado, con la mayor precisión posible. En un nivel abstracto, esto corresponde a un problema de aprendizaje supervisado: dados los datos del sensor del teléfono inteligente y los datos de monitoreo precisos, dentro del alcance de este documento, nos centraremos en los datos obtenidos de acuerdo con los estándares ZEB, el objetivo es entrenar un método de aprendizaje automático. Predecir lo segundo a partir de lo primero. Un modelo entrenado de esta manera toma los datos del teléfono inteligente registrados para un segmento de carretera como entrada y devuelve una estimación de cantidades importantes como la uniformidad, el agrietamiento y otros. Lograr esto requiere tres pasos: Primero, se debe construir un conjunto de datos etiquetados, que consta de datos registrados en teléfonos inteligentes (Fig. 2) y perfiles de calidad reales para un conjunto de segmentos de calles/carreteras e idealmente registrados en el mismo punto en el tiempo o con pequeño retraso temporal. El segundo paso implica la extracción de un conjunto de características descriptivas de los datos del sensor sin procesar registrados para cada segmento. Se pueden extraer diferentes características de diferentes tipos de datos de sensores. Luego, el tercer paso es entrenar un modelo supervisado para, finalmente mapear las características extraídas a la salida de calidad deseada, basada en el conjunto de datos etiquetado. 2.3.1     Creación de una base de datos Figura 3.Ejemplo de tramos viales de una adquisición ZEB. El fundamento de cualquier aplicación de aprendizaje automático es una base de datos. En nuestro escenario, la base de datos consistirá en datos de sensores medidos mediante el uso de un teléfono inteligente por un lado y los correspondientes datos reales ZEB para el mismo grupo de vías por otro lado. Las medidas ZEB se definen con respecto a los segmentos que se observan en la figura 3 donde buenos se colorean de verde, los problemáticos van del amarillo al rojo (el negro significa que no fue posible medir). La imagen de la izquierda muestra grietas mientras que la de la derecha muestra uniformidad. (Fuente Propia) (cf. Fig. 3). Estos segmentos tienen una longitud de 100 metros cuando se miden para una carretera (fuera de la ciudad) o 20 metros, respectivamente, cuando se miden para una calle (dentro de la ciudad). La ubicación de cada segmento se define de forma única por los dos nodos adyacentes de la red de carreteras entre los que se encuentra y un desplazamiento en metros que especifica la distancia de conducción desde uno de los nodos. Los datos del sensor del teléfono inteligente se registran en el transcurso de varias sesiones, junto con una pista de GPS. Usando un algoritmo de coincidencia de mapas (Karich y Schröder, 2014), los datos pueden asignarse primero a la calle o carretera correcta en la que se han registrado y luego dividirse de acuerdo con los segmentos definidos que cubren. Para los datos estandarizados correspondientes, nos basamos en dos fuentes: Los datos de las carreteras deben adquirirse a nivel estatal federal por ley, generalmente en intervalos de cuatro años. En Alemania, estos datos están disponibles públicamente previa solicitud y se pueden utilizar tal cual como se describe en la Sección 1, la situación es diferente para la mayoría de las comunidades alemanas que no pueden permitirse las mismas medidas. Sin embargo, es crucial incluir en la base de datos también las calles dentro de la ciudad, ya que sus características pueden variar de las de los caminos rurales y un modelo de aprendizaje automático entrenado. Solo en caminos rurales puede no generalizarse bien para los caminos comunales, a los que nuestro sistema de DatEnKoSt está destinado principalmente. Por lo tanto, dentro del alcance de nuestro proyecto, encargamos una adquisición ZEB para un conjunto de calles para obtener los datos necesarios. 2.3.2     Extracción de características de datos de sensores múltiples En la etapa de extracción de características, se deriva una serie de cantidades significativas de las entradas originales del sensor sin procesar. La idea detrás de esto es reducir la complejidad necesaria y la cantidad de datos de entrenamiento para el modelo supervisado subsiguiente (Sec. 2.3.3) al proporcionarle datos que tienen una relación más directa con las diferentes cantidades a predecir que los datos del sensor sin procesar. Si bien no se ha hecho antes una predicción de los resultados reales de ZEB a partir de datos de sensores múltiples, diferentes investigadores han propuesto métodos heurísticos para obtener estimaciones aproximadas de la “calidad de la via”, generalmente basadas en los datos de un solo tipo de sensor a la vez (Chugh , Bansal y Sofat, 2014). Los pasos de procesamiento propuestos en estos trabajos pueden servir como bloques de construcción para formar un conjunto sólido de características iniciales. A continuación, detallaremos algunos tipos de características elegidas con frecuencia, dando ejemplos de datos de imágenes y acelerómetros. Con respecto a los datos del acelerómetro, las características simples comunes son los valores mínimos o máximos del sensor registrados para un segmento (Allouch et al., 2017), varios momentos estadísticos (media, varianza, …) de esos valores (Rajamohan, Gannu y Rajan, 2015) o características extraídas automáticamente del espectro de frecuencia, por ejemplo, utilizando la selección de características basada en la correlación, de los datos del sensor que se pueden obtener utilizando la transformada rápida de Fourier (Allouch et al., 2017). Con respecto a los datos de imagen, un tipo de enfoque que se puede utilizar para la extracción de características en el contexto de nuestro sistema propuesto son los métodos de detección de grietas. Dada una imagen de entrada, estos métodos resaltan las partes de la imagen correspondientes a tipos de grietas potencialmente diferentes. Ejemplos son los trabajos de Mokhtari (2015), Quintana, Torres y Menéndez (2015) y Kim y Cho (2018). El resultado de estos enfoques se puede volver a traducir fácilmente en características numéricas para el paso final de aprendizaje supervisado, p.ej. utilizando el porcentaje de píxeles (superficie de la carretera) en la imagen correspondiente a las grietas. Esto no es muy diferente de los estándares ZEB reales, donde se determina una estimación similar del porcentaje de la superficie que sufre grietas, aunque de forma manual. 2.3.3 Aprendizaje supervisado El aprendizaje supervisado es un cierto tipo de entorno de aprendizaje automático en el que la tarea es aprender un mapeo de datos de entrada a salida, donde el mapeo no se proporciona explícitamente sino solo implícitamente en forma de un conjunto de pares de muestras de entradas y salidas correspondientes, respectivamente. (Russell y Norvig, 2016). En nuestro caso, los datos de entrada consisten en las características extraídas para los segmentos de carretera en la base de datos (Sec. 2.3.1) que a su vez han sido calculados en base a las mediciones originales del sensor, las salidas son las cuantificaciones estandarizadas correspondientes de la condición de la carretera medidas según las directrices de la ZEB. La amplia gama de posibles algoritmos de aprendizaje supervisado que se pueden utilizar en este paso incluyen, entre otros, redes neuronales artificiales, árboles de decisión o máquinas de vectores de soporte. 2.4 Soporte de mantenimiento basado en IA Además de reducir los costos de una adquisición de datos más objetiva y detallada que capture el estado actual de mantenimiento de las calles de una comunidad, como se describe en la sección anterior, los métodos de inteligencia artificial también pueden, en un segundo paso, facilitar la planificación del mantenimiento. Los métodos de predicción de secuencias se pueden entrenar utilizando instantáneas del estado en diferentes puntos en el tiempo para generar pronósticos de degradación futura. Actualmente, la planificación del mantenimiento a nivel de los estados federales se basa principalmente en heurísticas que intentan modelar estos desarrollos. Un enfoque basado en datos que utiliza el aprendizaje supervisado puede potencialmente ofrecer predicciones más precisas que un modelo heurístico. En particular, los conocimientos adicionales, como el volumen de tráfico a lo largo del tiempo, el tipo de pavimento utilizado o el límite de velocidad, pueden tenerse en cuenta en el proceso de aprendizaje automático de forma flexible y mejorar el pronóstico, incluso si sus efectos serían difíciles de capturar, usando un modelo hecho a mano. En el aspecto técnico, varios algoritmos para la predicción de secuencias han recuperado la atención recientemente y serán evaluados dentro de nuestro proyecto. Especialmente las redes neuronales recurrentes (Hochreiter y Schmidhuber, 1997) han demostrado ser valiosas para tareas difíciles de predicción de secuencias como la traducción (Sutskever, Vinyals y Le, 2014) o subtítulos de imágenes (Vinyals et al., 2015). Cuando se combinan con un enfoque de optimización como un algoritmo genético (Goldberg y Holland, 1988), estos métodos predictivos pueden, además, ser valiosos para generar sugerencias automatizadas para la planificación del mantenimiento para ayudar a los planificadores municipales. 3 PRIMEROS RESULTADOS En esta sección presentamos algunos de los hallazgos de nuestro proyecto DatEnKoSt aún en curso. 3.1 Análisis de imágenes Figura 4. Detección automatizada de la Región de Interés  ROI. (Fuente propia) Como se muestra en la figura 4 de detección automatizada de la Región de Interés  ROI consiste en combinar información de la detección de líneas utilizando la transformada de Hough (izquierda) y un enfoque de segmentación semántica de escenas basado en Deep Learning que puede detectar las partes de la imagen que pertenecen a la calle o carretera (centro) para determinar automáticamente una región de interés cuadrilátera para cada imagen. Los datos de imagen registrados con el teléfono inteligente son una de las fuentes más valiosas para la extracción de características significativas que luego pueden ser relevantes para la predicción real de la condición. El primer problema que hay que afrontar trabajando con las imágenes es un preprocesado adecuado. Mientras que las imágenes utilizadas para las mediciones ZEB estandarizadas se toman con múltiples cámaras calibradas montadas fuera del automóvil, de modo que la dirección de visualización de la cámara sea ortogonal a la superficie de una carretera y las imágenes no muestren nada más que dicha superficie, la situación es muy diferente con un teléfono inteligente montado en el parabrisas de un automóvil para la adquisición de datos. Solo una pequeña parte de la imagen, la que muestra la calle o la superficie de la carretera del carril de conducción actual, es realmente relevante para la extracción de características. Para detectar automáticamente esta región de interés (ROI), combinamos un algoritmo de detección de líneas basado en la transformada de Hough (Matas, Galambos y Kittler, 2000) (Fig. 4, columna izquierda) con un enfoque de segmentación de escenas basado en Deep Learning (Fig. 4, segunda columna) (Zhou et al., 2018). Mientras que el paso de detección de línea nos permite identificar los límites del carril (marcas de carril o bordillos, Fig. 4, columna central), y por tanto las delimitaciones izquierda y derecha de la ROI, la segmentación permite elegir las superiores e inferiores de forma que no incluyamos porciones de los canales, ni de elementos situados por encima del “horizonte” de la calle. Esto funciona bastante bien en la mayoría de los escenarios típicos, tanto dentro (Fig. 4, primera fila) como fuera de una ciudad (Fig. 4, segunda fila). Las limitaciones actuales se hacen evidentes en situaciones en las que no hay líneas prominentes que puedan atribuirse claramente a las marcas de los carriles o calzadas (Fig. 4, última fila), p.ej. en los cruces o en los giros. Los ROI calculados para tres escenarios de muestra están en la columna más a la derecha de la Fig. 4. Después de la detección inicial de ROI, se deben extraer características significativas para el paso de aprendizaje supervisado. Un enfoque para esto es usar redes neuronales profundas entrenadas para detectar las regiones agrietadas dentro de los ROI recortados para determinar la parte de la superficie de la carretera que está agrietada. En nuestros experimentos iniciales, comparamos dos métodos existentes: U-Net, una red neuronal profunda que puede producir segmentaciones densas de una categoría de objeto de interés, como grietas (Ronneberger, Fischer y Brox, 2015) y un segundo enfoque que realiza una clasificación por parches de regiones agrietadas frente a no agrietadas (Cha, Choi y Büyüköztürk, 2017). Los resultados ejemplares para una imagen de muestra se ven en la Fig. 5. Ambos enfoques pueden identificar muchas de las grietas presentes y permitir estimar el área relativa de la superficie agrietada. Figura 5. Detección de grietas en la superficie de la via. (Fuente propia) La columna de la izquierda de la Figura 5 muestra la imagen de entrada original a partir de la cual se recorta el ROI utilizando el enfoque descrito y luego se introduce en dos métodos de detección de grietas (segunda y tercera columna). A partir de estos resultados, se pueden derivar características numéricas para la predicción del estado de reparación. 4.2 Análisis de datos del acelerómetro Figura 6. Valores de aceleración medidos para dos segmentos de calle de 10 m junto con distribuciones normales ajustadas. (Fuente propia) Un segundo tipo importante de datos del sensor es el registrado por el acelerómetro del teléfono inteligente. Varios investigadores en el pasado han propuesto analizar los datos del acelerómetro para verfiicar la calidad del diagnóstico de una vía. Los ejemplos notables incluyen los sistemas Roadsense (Allouch et al., 2017) y Maargha (Rajamohan, Gannu y Rajan, 2015), que asignan una etiqueta de calidad general a los segmentos de calle. Otra forma de abordar el problema del monitoreo es tratar de detectar anomalías individuales como baches en los datos (Silva et al., 2018). El entorno de nuestro problema difiere en que seguimos un enfoque de aprendizaje supervisado que trata de estimar los valores de diferentes métricas de calidad como si se hubieran medido utilizando un enfoque estandarizado. Por lo tanto, recurrimos a las características propuestas en los documentos antes mencionados, pero las usamos como entrada para el paso de clasificación final en lugar de como salida inmediata del sistema de monitoreo. Una de esas características se muestra en la Fig. 6, la varianza de una distribución normal ajustada a los valores de aceleración (medida en la dirección ortogonal a la superficie de la calle). 5. OTROS CAMPOS DE INVESTIGACIÓN El enfoque descrito ofrece una amplia variedad de posibles casos de uso para las comunidades y las autoridades públicas en general. Además de monitorear las condiciones de la carretera en varios intervalos de tiempo, así como el análisis cualitativo de las condiciones del asfalto (detección de grietas, levantamientos, etc.), la configuración del proyecto también podría aplicarse al análisis de marcas y señalización vial. Esto implica señalización a corto plazo, como marcas viales especiales para sitios de construcción, así como límites y marcas viales permanentes. Especialmente a la luz de los automóviles autónomos, la calidad de estas marcas viales mencionadas será crucial. Es deseable un uso más institucionalizado de los sensores móviles en el futuro, ya que la calidad general y la disponibilidad de los datos, especialmente los datos en tiempo real, mejorarían considerablemente. Los automóviles modernos en sí mismos contienen una gran cantidad de sensores (un AUDI promedio contiene 4000 sensores diferentes, por ejemplo), y pueden recopilar datos internos y externos. El potencial para hacer uso de estos datos con fines de planificación es tremendo y muy prometedor para la investigación (Massaro et al., 2017). Aunque además del enfoque discutido, el ejemplo dado de DatEnKost también utilizará inteligencia artificial con fines predictivos. Desde esta perspectiva, no se trata del estado actual de las carreteras, sino que el objetivo será predecir grietas en la carretera (u otros problemas que influyan en el tráfico) en el futuro en función de los datos actuales. Además de esto, la perspectiva espacio-temporal de las mediciones es crucial en general. Si bien los datos proporcionados por los métodos actuales dependen en gran medida de los ciclos de medición, este enfoque también permitiría una vista consistente y en tiempo real basada en mapas de las condiciones de la carretera. La implementación de dicho sistema podría hacerse equipando vehículos de propiedad de la comunidad o empleando voluntarios. Una solución combinada de vehículos de flotas urbanas, que realizan regularmente intervalos de prueba durante su funcionamiento normal, en combinación con un enfoque de colaboración abierta, es decir, la adquisición de datos por parte de particulares, representa la configuración más prometedora. Una base de datos más amplia, por ejemplo, permite obtener información, no solo sobre cambios estructurales, sino también temporales en el estado de la carretera, p.ej. debido al clima. Esto incluye daños por clima, servicios de invierno, hojas mojadas, etc. El potencial de este enfoque se muestra en un estudio realizado por el MIT, que encontró en un entorno comparable que incluso un pequeño número de vehículos puede ser suficiente para cubrir una gran parte de la red urbana (O’Keeffe et al., 2019). El enfoque utilizado para detectar daños en la carretera también se puede transferir fácilmente a áreas problemáticas temáticamente similares, por ejemplo, para informar puntos de peligro temporales. Esto se aplica, por ejemplo, a los deterioros temporales de la superficie de la carretera, como el follaje húmedo en otoño o la inspección de las marcas de los tranvías. En este contexto, también sería posible equipar los servicios municipales de limpieza de carreteras de invierno en consecuencia para detectar posibles puntos de peligro y garantizar que el uso de sal para carreteras sea impulsado por la demanda. Dependiendo de los requisitos de la aplicación, esta solución técnica puede integrarse en vehículos privados o en vehículos de autoridades públicas y, por lo tanto, representa una multitud de posibles campos temáticos de aplicación en el contexto del ‘mantenimiento predictivo’. La multifuncionalidad del “teléfono inteligente con sensor” permite una mayor integración de otras funcionalidades del sensor para recopilar datos relevantes adicionales, como datos ambientales, tiempos de conducción, situación de estacionamiento, etc. Sin embargo, este enfoque flexible y adaptable también conlleva riesgos potenciales. Desde un punto de vista tecnológico, el campo respectivo sigue siendo novedoso e innovador y, por lo tanto, necesita una mayor elaboración práctica para crear datos confiables y profundos. Además de la necesidad de estudios de campo sobre los métodos de recopilación de datos, se debe institucionalizar el procesamiento de cantidades extremadamente grandes de datos. Además, con respecto al caso de uso dado, se debe garantizar la calidad de los datos, lo que será especialmente relevante en aspectos cruciales como el mal tiempo y las condiciones de iluminación. También hay cuestiones legales que responder, por ejemplo, en lo que respecta a las grabaciones de imágenes y, en relación con eso, también se debe considerar la aceptación social, ya que, especialmente en Alemania, la población es muy escéptica con respecto a la protección de datos y los derechos de imagen. Y si la recopilación de datos se realizará con un enfoque UGC, los obstáculos mencionados deben tenerse en cuenta para convencer a los ciudadanos de que participen. 6. CONCLUSIÓN Debido al hecho de que las promesas teóricas de reemplazar el 100% el diagnóstico vial estandarizado ZEB tendrán que ser verificadas en trabajos posteriores del proyecto DatEnKoSt. Las demandas en el 2020 de ZEB se darán principalmente por influencias ambientales difíciles de prever, así como por limitaciones técnicas. ¿Se adaptará el enfoque basado en el uso de teléfonos inteligentes en automóviles, por ejemplo, y la gama de posibles factores influyentes podrían reducirse y controlarse? En este enfoque, el análisis de vías especializado no será reemplazado, porque su demanda, especialmente a la luz de la alta calidad de los datos y la confiabilidad de acuerdo con las mediciones LIDAR, persistirá en el futuro para un análisis cuantitativo detallado. Sin embargo, para un análisis cualitativo ad hoc, el método descrito permitirá múltiples opciones para las compañías, comunidades, municipios y ciudades. A la fecha la factibilidad general y la confiabilidad del enfoque del proyecto ya se ha venido probado con el uso de Vialytics, Plataforma de Inteligencia artificial y Sistemas de información geográfica para el diagnóstico y gestión de vías, en más de 100 municipios en Alemania y algunos más en Francia. Sin embargo, este uso viene con la incertidumbre general dada con respecto a la “calidad” de la instalación del sensor en el automóvil que debe tenerse en cuenta. Los hallazgos del proyecto demostrarán que la combinación innovadora de tecnología de sensores livianos y los componentes de IA correspondientes para ciudades y municipios es un conjunto de herramientas de aplicación universal, cuyo posible uso hace una contribución positiva a los campos de trabajo de las autoridades municipales y compañías. Como se muestra en el documento, el enfoque brinda la oportunidad a las autoridades públicas de instalar un sistema liviano basado en una aplicación de sensor que es fácilmente instalable. Al desarrollar servicios adyacentes basados ​​en este conjunto de herramientas, las comunidades pueden a largo plazo ofrecer otros servicios rentables y ahorrar costos de personal y de organización. Con el diseño interoperable, la integración de otros sensores conectados a través de un teléfono inteligente, también se brinda flexibilidad para otros posibles casos de uso. Así, el objetivo de un sistema de mantenimiento vial orientado a la demanda para las comunidades con posibilidades de actualización frecuente se vuelve alcanzable. 7 RECONOCIMIENTO El proyecto DatEnKoSt es un proyecto conjunto de August-Wilhelm-Scheer-Insitut y Cyface GmbH, financiado por el Ministerio Federal de Transporte e Infraestructura Digital dentro del programa mFUND. August-Wilhelm-Scheer-Insitut se encarga principalmente de la investigación de métodos de correlación y pronóstico basados ​​en el aprendizaje automático y la gestión de proyectos, mientras que Cyface GmbH desarrolla el software para la investigación de la calidad y el uso de las rutas de tráfico, con el enfoque actual en el análisis de tráfico inteligente y big data en el sector del transporte.