Sistema Escalable de Detección de Vehículos para Infraestructuras Inteligentes
DOI:
https://doi.org/10.17979/ja-cea.2025.46.12076Palabras clave:
Sistemas Inteligentes de Transporte, Machine Learning, Integración de sensores y percepción, Percepción y detecciónResumen
El aumento de la población en las ciudades ha creado la necesidad de gestionar de una forma eficiente los sistemas de transporte para mejorar la seguridad vial, optimizar el tráfico y reducir su impacto medioambiental. Las infraestructuras inteligentes equipadas con tecnologías de detección emergen como la principal solución para la monitorización del tráfico, pero enfrentan desafíos relacionados con costes, precisión y complejidad de instalación. En este contexto, este artículo presenta un sistema escalable de detección tridimensional de vehículos que integra tres modalidades de detección: monocular, LiDAR y multimodal (LiDAR y cámara RGB). El sistema propuesto selecciona automáticamente el modo de operación en función de los sensores instalados en cada infraestructura. Los resultados obtenidos muestran que esta solución modular permite optimizar el equilibrio entre coste y precisión para facilitar la implementación progresiva según las necesidades específicas de cada entorno urbano.
Referencias
Arnold, E., Al-Jarrah, O. Y., Dianati, M., Fallah, S., Oxtoby, D., Mouzakitis, A., 2019. A survey on 3d object detection methods for autonomous driving applications. IEEE Transactions on Intelligent Transportation Systems 20 (10), 3782–3795.
Borau Bernad, J., 2024. RoadVision3D. https://github.com/jborau/RoadVision3D.
Borau Bernad, J., Ramajo-Ballester, Á., Armingol Moreno, J. M., 2024. Three-dimensional vehicle detection and pose estimation in monocular images for smart infrastructures. Mathematics 12 (13), 2027.
Dong, Q., Zhou, Z., Qiu, X., Zhang, L., 2025. A survey on self-supervised monocular depth estimation based on deep neural networks. IEEE Transactions on Neural Networks and Learning Systems (Advance online publication). URL: https://doi.org/10.1109/TNNLS.2025.3552598 DOI: 10.1109/TNNLS.2025.3552598
Geiger, A., Lenz, P., Urtasun, R., 2012. Are we ready for autonomous driving? The KITTI vision benchmark suite. 2012 IEEE Conference on Computer Vision and Pattern Recognition, 3354–3361. URL: https://api.semanticscholar.org/CorpusID:6724907
Huang, K., Shi, B., Li, X., Li, X., Huang, S., Li, Y., 2024. Multi-modal sensor fusion for auto driving perception: A survey. URL: https://arxiv.org/abs/2202.02703
Li, Z., Jia, J., Shi, Y., 2024. MonoLSS: Learnable sample selection for monocular 3d detection. In: 2024 International Conference on 3D Vision (3DV), pp. 1125–1135. DOI: 10.1109/3DV62453.2024.00088
Liu, X., Xue, N., Wu, T., 2021. Learning auxiliary monocular contexts helps monocular 3d object detection. URL: https://arxiv.org/abs/2112.04628
Liu, Z., Wu, Z., Tóth, R., 2020. SMOKE: Single-stage monocular 3d object detection via keypoint estimation. URL: https://arxiv.org/abs/2002.10111
MMDetection3D Contributors, 2020. MMDetection3D: OpenMMLab next-generation platform for general 3D object detection. https://github.com/open-mmlab/mmdetection3d
Owais, M., 2024. Deep learning for integrated origin–destination estimation and traffic sensor location problems. IEEE Transactions on Intelligent Transportation Systems 25 (7), 6501–6513. DOI: 10.1109/TITS.2023.3344533
Sindagi, V. A., Zhou, Y., Tuzel, O., 2019. MVX-Net: Multimodal voxelnet for 3d object detection. In: 2019 International Conference on Robotics and Automation (ICRA), pp. 7276–7282. DOI: 10.1109/ICRA.2019.8794195
Wang, Y., Mao, Q., Zhu, H., Deng, J., Zhang, Y., Ji, J., Li, H., Zhang, Y., 2023. Multi-modal 3d object detection in autonomous driving: A survey. International Journal of Computer Vision 131 (8), 2122–2152.
Yan, Y., Mao, Y., Li, B., 2018. SECOND: Sparsely embedded convolutional detection. Sensors 18 (10). URL: https://www.mdpi.com/1424-8220/18/10/3337 DOI: 10.3390/s18103337
Yu, F., Wang, D., Shelhamer, E., Darrell, T., 2018. Deep layer aggregation. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 2403–2412.
Yu, H., Luo, Y., Shu, M., Huo, Y., Yang, Z., Shi, Y., Guo, Z., Li, H., Hu, X., Yuan, J., Nie, Z., June 2022. DAIR-V2X: A large-scale dataset for vehicle-infrastructure cooperative 3d object detection. In: Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), pp. 21361–21370.
Zanella, A., Bui, N., Castellani, A., Vangelista, L., Zorzi, M., 2014. Internet of Things for smart cities. IEEE Internet of Things Journal 1 (1), 22–32.
Zhang, Y., Carballo, A., Yang, H., Takeda, K., 2023. Perception and sensing for autonomous vehicles under adverse weather conditions: A survey. ISPRS Journal of Photogrammetry and Remote Sensing 196, 146–177. DOI: 10.1016/j.isprsjprs.2022.12.021
Zhou, Y., Tuzel, O., 2017. VoxelNet: End-to-end learning for point cloud based 3d object detection. URL: https://arxiv.org/abs/1711.06396
Zimmer, W., Ercelik, E., Zhou, X., Ortiz, X. J. D., Knoll, A., 2022. A survey of robust 3d object detection methods in point clouds. URL: https://arxiv.org/abs/2204.00106
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2025 Javier Borau Bernad, José María Armingol Moreno, Araceli Sanchis de Miguel
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
