(27/04/2026)  

La investigación, publicada en IEEE Transactions on Intelligent Transportation Systems, responde al reto de mejorar la seguridad en el transporte urbano en entornos donde conviven peatones, vehículos y otros elementos que afectan a la circulación. En estos casos, los sistemas de supervisión tradicionales presentan limitaciones, sobre todo en situaciones cambiantes o con baja visibilidad.

El equipo responsable de este avance ha estado integrado por un grupo multidisciplinar de expertos: Jorge Luis Díaz Acosta, Sonia Díaz Santos, Pino Caballero Gil, Cándido Caballero Gil y Rubén Franco Villa.

El núcleo del proyecto es un asistente inteligente basado en modelos de aprendizaje profundo, mediante un sistema de visión artificial. A través del procesamiento de imágenes captadas por cámaras instaladas en el tranvía, se analiza al instante el entorno para reconocer de forma automática y en milésimas de segundo a peatones, otros vehículos y el estado de la señalización lumínica.

Esta información se procesa en tiempo real, lo que permite generar alertas inmediatas para el operador cuando se identifica un posible riesgo. De esta forma, el sistema actúa como un apoyo adicional a la conducción, ayudando a anticipar soluciones peligrosas que podrían pasar desapercibidas o detectarse demasiado tarde.

Técnicas de aprendizaje profundo

El proyecto se ha desarrollado en base a técnicas de aprendizaje profundo, una rama de la inteligencia artificial que permite a las máquinas aprender a partir de grandes cantidades de datos. Para lograrlo, el equipo de investigación ha entrenado al algoritmo con miles de escenarios reales registrados en las calles del área metropolitana.

Una de las principales herramientas empleadas en la investigación es el algoritmo YOLO (You Only Look Once), reconocido por su capacidad para detectar objetos de forma rápida y precisa. Esta característica es clave en un entorno como el transporte público, donde las decisiones deben tomarse en fracciones de segundo. Además, se emplea aprendizaje por transferencia, lo que permite aprovechar modelos previamente entrenados y adaptarlos al contexto específico del tranvía de Tenerife, mejorando así la eficacia del sistema.

Otra de las grandes ventajas de esta innovación es su capacidad para funcionar en dispositivos electrónicos de tamaño reducido y bajo consumo, lo que facilita su instalación en la flota actual. Se ejecuta en un dispositivo compacto llamado Jetson Nano, un pequeño ordenador diseñado para aplicaciones de inteligencia artificial. A pesar de su tamaño reducido, este dispositivo es capaz de procesar imágenes y ejecutar modelos avanzados en tiempo real. Ante cualquier situación de riesgo, el dispositivo genera alertas acústicas y visuales inmediatas en la cabina, permitiendo al conductor reaccionar con mayor antelación.

Impacto directo en la seguridad y en la eficacia del servicio

Los resultados del estudio muestran que este tipo de sistemas puede tener un impacto directo en la seguridad del tranvía. Al detectar obstáculos con mayor rapidez y precisión, se reduce el riesgo de accidentes y se mejora la capacidad de reacción de los conductores. Además, el sistema contribuye a mejorar la eficacia de operatividad. La reducción de incidentes implica menos interrupciones del servicio, lo que se traduce en una mayor puntualidad y una mejor experiencia para los usuarios.

Pese a los avances, el estudio señala retos pendientes como la detección de objetos parcialmente ocultos o la identificación de señales en condiciones de baja visibilidad, si bien los investigadores confían en que la evolución de la inteligencia artificial permitirá mejorar la precisión y robustez del sistema.

El equipo investigador señala que otro de los aspectos más relevantes de esta herramienta es su notable capacidad de adaptación. El sistema ha sido diseñado no sólo para su uso en la red de tranvía de Tenerife, sino también con la posibilidad de ser implementado en otras redes de transporte público.