Pavimenta2

Pavimenta2 permite la detección de defectos en el pavimento de autopistas y carreteras, así como la categorización de señales de tráfico verticales y horizontales. La herramienta automatiza el análisis de las condiciones del pavimento utilizando inteligencia artificial (IA) y visión por computadora a partir de videos capturados por una cámara estándar montada en un vehículo. Esto permite a las autoridades de transporte evaluar eficazmente el inventario de carreteras, cruzar datos de accidentes y tiempos de viaje, y estimar los costos de mantenimiento con recursos limitados. La herramienta acorta un proceso que podría llevar varios años a unas pocas semanas de recopilación de videos y horas de procesamiento de imágenes.

Problema que se busca resolve

Los defectos en el pavimento representan más que una simple incomodidad; constituyen un riesgo significativo para los conductores, dando lugar a colisiones y fatalidades. Históricamente, la identificación de los defectos en las carreteras ha sido un proceso manual, caracterizado por su naturaleza que consume mucho tiempo y sus costos elevados. Analizar manualmente una red de carreteras de 10,000 km demanda aproximadamente 78 semanas y un presupuesto que supera los $3,000,000. Ante semejantes complejidades, los países de América Latina y el Caribe han estado realizando análisis parciales y poco frecuentes de sus redes viales.

Poblaciones que se ven afectadas por el problema

Autoridades viales, conductores de vehículos, entidades de logística, concesionarios, y peatones.

Respuesta actual a este problema, considerando a las instituciones relacionadas.

Actualmente el inventario del estado de las carreteras se hace de manera manual o utlizando automoviles con tecnologia lidar que es muy costosa y permite analizar solo una pequeña porción de la malla vial de un país. Estos análisis son parciales, toman extensos tiempos, representan altos costos y son suceptibles a errores humanos.

Propuesta para solucionar dicho problema usando IA

Pavimenta2 utiliza modelos de visión por computadora, YOLO y redes neuronales Siamesas para identificar, medir y cuantificar ocho tipos de defectos en el pavimento, además de analizar la vial vertical. Su aplicación en la región ha permitido que las agencias viales migren a a la utilización de tecnología de vanguardia. La herramienta se puede utilizar descargando el código de forma gratuita desde el repositorio de Código para el Desarrollo del BID. Posteriormente, las entidades pueden optar por utilizarla en la nube o en sus propios servidores.

¿Qué consideraciones de seguridad, leyes nacionales o estándares se tienen que tener en cuenta para utilizar cada fuente de información?

Pavimentados no utiliza datos personales ni privados y sus modelos han sido entrenados con una amplia de datos de diversos países. La herramienta de software desarrollada por el BID se entrega con una licencia de Creative Commons que les permite a las contrapartes su uso sin costo. El BID apoya en la instalación, pruebas y puesta en marcha de la herramienta, así como en la capacitación. La disposición de hardware, en infraestructura física o virtual para alojar y correr la herramienta, es responsabilidad de las contrapartes.

Avances/resultados

Pavimenta2 se ha utilizado para evaluar más de 50,000 km de carreteras en 9 países de América Latina y el Caribe. Se ha convertido en una parte integral de la gestión digital de activos viales mediante su inclusión en operaciones de préstamo en cooperaciones técnicas, contribuyendo al diagnóstico de las redes viales y la priorización de intervenciones. Entidades del sector público en Brasil, Colombia, Costa Rica, El Salvador, Guatemala, Honduras, Perú, Trinidad y Tobago, Surinam han implementado Pavimenta2, y la librería de software se ha descargado 45,000 veces.

Metas

Escalar su uso a todos los países de la región y mejorar las habilidades digitales de las contrapartes.

Principales retos en la implementación

Incrementar las habilidades digitales en la región.

Principales retos de la IA identificados

El entrenamiento de modelos de deep learning requiere de numerosos ejemplos que deben evitar sesgos entre las clases a analizar. Es necesario realizar técnicas de sobre y sub muestreo pra las clase menos y más representadas. El uso de modelos de deep learning requiere uso de infraestructura de almacenamiento en la nube y de procesamiento de alto desempeño con unidades de procesamiento gráfico (GPU por sus siglas en inglés).

Lecciones aprendidas

Los principales desafíos para expandir "pavimentados" han sido la falta de habilidades digitales en algunos equipos de los países de la región y el acceso limitado a infraestructura informática de alto rendimiento necesaria para ejecutar los modelos de aprendizaje profundo de la herramienta. A través del curso en línea, diversas sesiones de capacitación y brindando apoyo para la contratación de empresas locales de software e ingeniería, se está superando el primer desafío. En algunos casos, para abordar el segundo desafío, se proporciona financiamiento para la adquisición de infraestructura informática.