Exploración de la visión artificial en aplicaciones de navegación

Hoy en día, sacar el móvil, escribir un destino y seguir las indicaciones paso a paso para llegar parece de lo más sencillo. Basta con unos segundos. Pero esta comodidad cotidiana es el resultado de años de avances tecnológicos. La navegación ha recorrido un largo camino: de los mapas de papel y las brújulas a sistemas inteligentes capaces de entender el mundo y responder a él en tiempo real.

Una de las tecnologías que impulsa este cambio es la visión artificial, una rama de la inteligencia artificial (IA) que permite a las máquinas interpretar información visual como lo hacen los seres humanos. Las herramientas de navegación modernas utilizan ahora imágenes en tiempo real de satélites, cámaras de salpicadero y sensores a pie de calle para mejorar la precisión de los mapas, supervisar el estado de las carreteras y guiar a los usuarios por entornos complejos.

En este artículo veremos cómo la visión artificial mejora la navegación al perfeccionar los mapas GPS, ofrecer información del tráfico en tiempo real y facilitar tecnologías como la navegación con realidad aumentada y los vehículos autónomos.

Sistemas de navegación con IA y mapas 3D inmersivos#

Utilizar herramientas como Google Maps para moverse a diario se ha vuelto muy habitual, tanto si vas al otro lado de la ciudad como si buscas una cafetería cercana. A medida que se generalizan las tecnologías de IA, aparecen funciones cada vez más avanzadas, como Immersive View, presentada por Google Maps en 2023, que permite a los usuarios previsualizar partes de su recorrido en un entorno 3D. Esto es posible gracias a la combinación de IA, fotogrametría y visión artificial.

Fig. 1. Immersive View de Google Maps.

Todo comienza con miles de millones de imágenes de alta resolución capturadas con distintos equipos especializados. Entre ellos están los coches de Street View, vehículos equipados con cámaras de 360 grados que recorren las ciudades, y los dispositivos Trekker, mochilas portátiles con cámaras montadas que capturan imágenes en lugares inaccesibles para los vehículos, como rutas de senderismo o callejones estrechos.

Estas imágenes se alinean con los datos de los mapas mediante la fotogrametría, una técnica que combina fotografías 2D tomadas desde distintos ángulos para crear modelos 3D precisos de calles, edificios y terrenos.

A continuación, se utiliza visión artificial para analizar estos modelos mediante la detección de objetos y la segmentación de imágenes, con el fin de identificar y etiquetar elementos importantes como señales de tráfico, aceras, pasos de peatones y entradas de edificios.

Fig. 2. Immersive View utiliza la segmentación para segmentar objetos en una calle.

Los datos etiquetados se utilizan para entrenar sistemas de IA que reconocen cómo varían las señales visuales según la región. Por ejemplo, el sistema puede distinguir fácilmente una señal de «SLOW» de Estados Unidos, que suele ser un rombo amarillo o naranja, de una señal similar de Japón, que normalmente es un triángulo rojo y blanco. Este nivel de comprensión hace que la navegación sea más precisa y tenga en cuenta las diferencias culturales.

Por último, Immersive View superpone las rutas de navegación en tiempo real al entorno 3D y ofrece una experiencia fluida e intuitiva que muestra exactamente hacia dónde te diriges.

Realidad aumentada en soluciones de navegación#

Probablemente todos hayamos dado vueltas intentando averiguar hacia dónde nos indica Google Maps que vayamos. La navegación con realidad aumentada (AR), una tecnología que superpone información digital a la vista de la cámara del mundo real, busca resolver precisamente esa confusión. Está cambiando la forma en que la gente se orienta en lugares concurridos, como las calles de una ciudad o los grandes espacios interiores.

Los mapas convencionales pueden ser difíciles de seguir, sobre todo cuando la señal GPS es débil o no funciona bien. La navegación con AR lo resuelve mostrando indicaciones digitales, flechas y etiquetas directamente sobre la imagen en directo de la cámara del mundo real. Así, los usuarios ven indicaciones que coinciden con las calles y los edificios que los rodean, lo que facilita mucho saber por dónde ir.

Cómo se utiliza la realidad aumentada en la navegación#

La navegación con realidad aumentada se basa en modelos de visión artificial para comprender el entorno a través de la cámara de un dispositivo. Esto incluye diversas tareas, como la localización en imágenes, que detecta características como los bordes de edificios o las señales de tráfico y las compara con un mapa guardado. La localización y el mapeo simultáneos (SLAM) crean un mapa del entorno mientras siguen la posición del dispositivo en tiempo real.

Por ejemplo, el aeropuerto de Zúrich fue el primero en implementar Live View de Google Maps para la navegación en interiores. Los pasajeros pueden usar las cámaras de sus móviles para ver flechas e indicaciones superpuestas en el entorno real, que los guían por las terminales hasta las puertas de embarque, las tiendas y los servicios. Esto mejora la experiencia de los pasajeros al facilitar la navegación por espacios interiores complejos.

Fig. 3. El aeropuerto de Zúrich utiliza visión artificial y AR para guiar a los pasajeros en interiores.

Mejorar la seguridad vial con sistemas de navegación con IA#

Cada día hay más tráfico en las calles de las ciudades. Con más coches en la carretera, aceras abarrotadas y actividad constante, mantener un tráfico fluido y seguro es un reto cada vez mayor. Para ayudar a gestionar este caos, muchas ciudades están recurriendo a la IA y la visión artificial.

Las cámaras inteligentes y los sensores instalados en los cruces y a lo largo de las carreteras capturan un flujo constante de datos visuales. Esas imágenes se procesan en tiempo real para detectar accidentes, supervisar el tráfico, localizar baches y detectar problemas como aparcamientos ilegales o comportamientos de riesgo de los peatones.

Un ejemplo interesante es la autopista Smart Airport Expressway, en Hangzhou, China. Esta autopista de 20 kilómetros, que conecta el centro de Hangzhou con el aeropuerto internacional de Xiaoshan, se ha modernizado con cámaras de alta resolución y radares de ondas milimétricas. Estos dispositivos recopilan vídeo y datos de sensores de forma continua, que luego se analizan mediante visión artificial.

En lugar de limitarse a grabar imágenes, el sistema interpreta lo que sucede en la carretera. Los algoritmos de visión artificial detectan colisiones entre vehículos, reconocen infracciones de tráfico e incluso identifican peatones o movimientos inusuales cerca de las salidas de autopistas. Esto permite a los responsables de tráfico responder a los incidentes en cuestión de segundos, sin necesidad de estar físicamente en el lugar.

Los datos también alimentan un gemelo digital: un modelo virtual 3D de la autopista que muestra en directo el estado del tráfico, los detalles de los vehículos y las retenciones que empiezan a formarse. Los agentes de tráfico supervisan esta interfaz visual para gestionar la circulación, emitir alertas inteligentes y responder a los incidentes con rapidez y precisión.

Movilidad autónoma gracias a la visión artificial en la navegación#

Hoy en día, la navegación va mucho más allá de ir del punto A al punto B. Ahora es una parte fundamental de los sistemas inteligentes que desplazan a personas, gestionan mercancías y toman decisiones en tiempo real, ya sea en carretera o dentro de almacenes.

La visión artificial es la base de muchos de estos sistemas, ya que permite a las máquinas interpretar datos visuales y responder al instante a su entorno. Veamos algunos ejemplos de cómo esta tecnología está transformando la navegación en distintos entornos.

Robots de almacén que se orientan con visión artificial#

Los robots son cada vez más esenciales para el futuro de la logística, sobre todo en las operaciones de almacenes a gran escala. A medida que crece la demanda del comercio electrónico, las empresas recurren cada vez más a máquinas con visión artificial para orientarse en entornos complejos, clasificar artículos y gestionar el inventario con rapidez y precisión.

Por ejemplo, en los centros logísticos de Amazon, más de 750 000 robots trabajan junto a las personas para que las operaciones funcionen de forma eficiente. Estos robots dependen en gran medida de la visión artificial para orientarse por las concurridas plantas de los almacenes, identificar artículos y tomar decisiones rápidas y precisas.

Uno de estos sistemas es Sequoia, una plataforma robótica diseñada para agilizar la gestión del inventario. Utiliza visión artificial avanzada para escanear, contar y organizar los productos entrantes, lo que ayuda a agilizar los procesos de almacenamiento y recuperación.

Del mismo modo, Vulcan, un brazo robótico, utiliza cámaras y análisis de imágenes para recoger artículos de las estanterías de forma segura. Ajusta el agarre según la forma y la posición de cada objeto e incluso reconoce cuándo se necesita ayuda humana. Por su parte, Cardinal, otro robot equipado con visión artificial, está especializado en la clasificación: escanea montones de paquetes mezclados y los coloca con precisión en los carros de salida correspondientes.

Fig. 4. Cardinal levanta paquetes con precisión de un montón.

Visión artificial en la navegación de vehículos autónomos#

Hasta ahora hemos visto cómo la visión artificial ayuda tanto a las personas como a los robots a orientarse en su entorno. Pero también es esencial para los sistemas autónomos, como los coches autónomos, cuya navegación depende por completo de lo que el vehículo puede ver y comprender en tiempo real.

Un buen ejemplo es el sistema Tesla Vision. Tesla ha adoptado un enfoque de conducción autónoma basado únicamente en cámaras y ha eliminado el radar y otros sensores en favor de una red de cámaras que ofrece una visión completa de 360 grados del entorno del coche. Estas cámaras envían datos visuales al ordenador de conducción autónoma total (FSD), que utiliza redes neuronales profundas para interpretar el entorno y tomar decisiones al volante en fracciones de segundo.

En función de lo que ve, el sistema decide cuándo girar, acelerar, frenar o cambiar de carril, igual que lo haría un conductor humano, pero basándose exclusivamente en información visual. Tesla mejora continuamente este sistema recopilando y aprendiendo de grandes cantidades de datos de conducción del mundo real procedentes de toda su flota.

Fig. 5. Tesla utiliza visión artificial para una navegación segura y autónoma (Fuente: Tesla).

Ventajas e inconvenientes de la visión artificial en la navegación#

Estas son algunas de las principales ventajas de utilizar visión artificial en la navegación, especialmente en sistemas en los que la precisión, la seguridad y la toma de decisiones en tiempo real son esenciales:

• Reduce el consumo de combustible: Al ayudar a los conductores a evitar atascos y rutas con paradas frecuentes, la visión artificial puede reducir el consumo total de combustible y el tiempo de viaje, y hacer más eficientes los desplazamientos diarios.
• Detecta el desgaste de las carreteras y los problemas de infraestructura: Las soluciones basadas en visión pueden detectar baches, marcas viales desgastadas, señales rotas e infraestructuras dañadas, y proporcionar datos fiables y en tiempo real a los equipos de mantenimiento.
• Se integra con otras herramientas de IA: La visión artificial puede combinarse con asistentes de voz, modelos de predicción del comportamiento o algoritmos de optimización de rutas para crear una experiencia de navegación más personalizada.

Aunque la visión artificial ofrece muchas ventajas para la navegación, también presenta algunas limitaciones importantes que debes tener en cuenta al implementar estas soluciones. Estos son algunos de los principales retos:

• Falta de generalización: Los modelos entrenados en entornos o situaciones concretos suelen tener dificultades cuando se implementan en contextos nuevos o cambiantes sin volver a entrenarlos.
• Limitaciones de iluminación: Los sistemas de visión necesitan buena iluminación y tiempo despejado para funcionar correctamente. Con niebla, lluvia intensa o en la oscuridad, su rendimiento disminuye, a menos que se combinen con sensores como LiDAR o radar.
• Riesgos para la privacidad: Los sistemas de navegación que utilizan cámaras pueden captar a personas y propiedades privadas sin su consentimiento. Esto plantea problemas de privacidad que deben abordarse con cuidado durante el desarrollo y la implementación.

Conclusiones clave#

La visión artificial está reinventando la navegación: hace que los mapas sean más dinámicos, los sistemas de tráfico más inteligentes y la movilidad más accesible. Las rutas que antes eran estáticas se han convertido en experiencias interactivas en tiempo real, impulsadas por vistas previas inmersivas en 3D, indicaciones guiadas por AR y tecnologías de transporte autónomo.

A medida que avance la tecnología, es probable que el foco pase a hacer que estos sistemas sean más inclusivos, adaptables y responsables. El progreso continuo dependerá de mejorar la precisión en distintos entornos, mantener un rendimiento fiable y proteger la privacidad de los usuarios. El futuro de la visión artificial en la navegación pasa por crear soluciones que no solo sean inteligentes, sino también respetuosas en su diseño y repercusión.

¡Únete a nuestra creciente comunidad! Explora nuestro repositorio de GitHub para aprender sobre IA y consulta nuestras opciones de licencia para empezar tus proyectos de IA de visión. ¿Te interesan innovaciones como la IA en el comercio minorista y la visión artificial en la agricultura? Visita nuestras páginas de soluciones para descubrir más.