| Tesis Doctorales de la Universidad de Alcalá |
| DIGITAL TWINS FOR VISION- AND MACHINE LEARNING-BASED VEHICLE SPEED ESTIMATION | | Autor/a | Hernández Martínez, Antonio | | Departamento | Automática | | Director/a | Fernández Llorca, David | | Codirector/a | García Daza, Iván | | Fecha de depósito | 12-01-2026 | | Periodo de exposición pública | 12 a 26 de enero de 2026 | | Fecha de defensa | Sin especificar | | Modalidad | Presencial | | Programa | Tecnologías de la Información y las Comunicaciones (RD 99/2011) | | Mención internacional | Solicitada | | Resumen | En la actualidad, existen múltiples motivaciones para el desarrollo de sistemas inteligentes de detección de velocidad en carretera mediante el análisis de imágenes. En primer lugar, el número de radares instalados en todo el mundo ha ido creciendo en los últimos años, ya que la introducción y aplicación de límites de velocidad adecuados se considera uno de los medios más eficaces para aumentar la seguridad vial. En segundo lugar, la monitorización y previsión del tráfico en las carreteras desempeña un papel clave en la mejora del tráfico, las emisiones y el consumo energético en las ciudades inteligentes, siendo la velocidad de los vehículos uno de los parámetros más relevantes.
Este trabajo aborda la estimación de la velocidad de los vehículos desde una perspectiva de aprendizaje profundo. En este caso, se ha realizado un análisis de las diferentes técnicas de detección de velocidad basadas en visión artificial, comparando aquellas basadas en visión clásica, como background substraction, con enfoques avanzados de deep learning, como la aplicación de CNNs tanto para la detección como para el seguimiento de objetos en la imagen.
Si bien los sistemas basados en visión constituyen una de las tecnologías más desafiantes para la detección precisa de la velocidad de los vehículos, destacan por ofrecer ventajas sustanciales, como la reducción de costes derivada de la ausencia de sensores costosos y la capacidad de identificar con precisión los vehículos. Uno de los principales retos de este tipo de sistemas es la dificultad de encontrar bases de datos de velocidad lo suficientemente grandes como para entrenar un sistema basado en CNNs.
El sistema de detección de velocidad propuesto se basa en el uso de redes neuronales convolucionales 3D (3D-CNN) entrenadas en entornos simulados y validadas en entornos reales, demostrando que, si se puede generar correctamente un digital twin, se pueden evitar las limitaciones asociadas a la captura de imágenes en un entorno urbano real.
Para este trabajo se han generado entornos virtuales con variabilidad en el número de carriles, condiciones climáticas, posiciones de las cámaras y tipos de vehículos. Además, para validar el sistema, se ha generado un digital twin a partir de una base de datos de un entorno real, demostrando que la detección de velocidad del sistema entrenado en simulación está dentro de los estándares actuales de los sistemas basados en radar. Por último, se ha analizado el impacto de variables como la aceleración en la precisión del sistema, aportando información clave para su optimización en escenarios reales. |
|
