27 de noviembre de 2025
Descubra cómo los modelosYOLO Ultralytics ayudan a los sistemas de predicción de colisiones a tomar decisiones más rápidas y seguras en entornos dinámicos.
A pesar de tener cuidado en la carretera, pueden ocurrir accidentes. Un coche cambia de carril, un peatón se cruza o un ciclista acelera sin previo aviso. Estos momentos cotidianos son ejemplos de cómo los sistemas de predicción de colisiones pueden marcar la diferencia y ayudar a mantener la seguridad de todos.
Anteriormente, analizamos la predicción de la trayectoria de un balón y vimos cómo predecir la trayectoria de un balón en movimiento rápido ayuda a los analistas deportivos a comprender el movimiento y anticipar lo que va a ocurrir a continuación. La predicción de colisiones funciona de forma similar.
Estos sistemas de predicción miran al futuro. Al observar cómo se mueven los vehículos y los peatones, pueden detectar riesgos con antelación y ajustar su trayectoria o comportamiento antes de que las cosas tomen un giro peligroso (lo que también se conoce como planificación del movimiento o planificación de la trayectoria).
Las tecnologías informáticas clave de los sistemas de predicción de colisiones son la inteligencia artificial y sus subcampos, como la visión por ordenador y los métodos de previsión que ayudan a predecir cómo se moverán las cosas. Por ejemplo, modelos de visión por ordenador como Ultralytics YOLO11 y el próximo Ultralytics YOLO26 pueden utilizarse para detect y track objetos como vehículos y peatones en tiempo real, y los modelos de previsión utilizan esa información para estimar sus próximos movimientos.
El resultado es un sistema de IA que comprende lo que ocurre a su alrededor y ayuda a tomar decisiones más inteligentes en entornos dinámicos. En este artículo analizaremos cómo funciona la predicción de colisiones, los métodos que la sustentan y el papel que la visión por ordenador y los modelosYOLO Ultralytics pueden desempeñar en el proceso. Empecemos.
La predicción de colisiones es la capacidad de un sistema de IA para comprender cómo se mueven los objetos y anticipar cuándo pueden acercarse mucho o entrar en contacto. Los distintos sistemas pueden utilizar esta información de muchas maneras, por ejemplo como apoyo a las funciones de seguridad, optimización de movimientos o coordinación de acciones en espacios compartidos.
Siempre que los objetos se mueven por un espacio compartido, ya sean coches en una autopista, carretillas elevadoras en el pasillo de un almacén o peatones cruzando una calle, la predicción de colisiones ayuda a los sistemas a comprender cómo pueden desarrollarse estas interacciones. En aplicaciones centradas en la seguridad, esta previsión puede utilizarse para reducir riesgos, mientras que en otros entornos puede servir de apoyo a tareas como la planificación de rutas, la sincronización o el movimiento coordinado.
Por ejemplo, en muchos vehículos nuevos equipados con sistemas avanzados de asistencia al conductor (ADAS), las cámaras y sensores vigilan la carretera y calculan la velocidad a la que el coche se acerca a objetos cercanos. Si el sistema detecta que una situación podría volverse insegura, alerta al conductor y, en algunos casos, el frenado automático puede ayudar a reducir el impacto.
La predicción de colisiones implica un proceso coordinado en el que diferentes componentes de IA trabajan juntos para identificar objetos, seguir su movimiento y estimar lo que puede ocurrir a continuación. Estos sistemas suelen funcionar en cuatro fases conectadas: detección de objetos, seguimiento de objetos, previsión de trayectorias y, por último, predicción de colisiones.
A continuación, veamos más de cerca cómo funciona cada etapa.
La detección de objetos es una tarea fundamental de la visión por ordenador en la que los modelos de IA de visión identifican y localizan objetos en una imagen o un fotograma de vídeo. Al analizar los datos de píxeles, un modelo de detección de objetos puede producir tres resultados principales: cuadros delimitadores, clases de objetos y puntuaciones de confianza. Los cuadros delimitadores muestran dónde se encuentra un objeto, las clases de objetos indican qué es, como un coche, un peatón o un ciclista, y las puntuaciones de confianza reflejan el grado de certeza del modelo sobre la predicción.
Los modelos de IA de visión como YOLO11 y YOLO26 se basan en estos fundamentos y admiten varias tareas relacionadas, como la detección de objetos, el seguimiento de objetos y la detección de cuadros delimitadores orientados (OBB). La detección de objetos puede indicar a un sistema de predicción qué hay en cada fotograma, el seguimiento de esos objetos a medida que se mueven y los recuadros delimitadores orientados proporcionan formas más precisas para los objetos que aparecen en diferentes ángulos.
En esta fase, un sistema de predicción de colisiones se centra exclusivamente en comprender lo que está presente en los datos visuales. Constituye la base de información de la que dependen todos los pasos posteriores, pero aún no tiene en cuenta cómo se moverán o interactuarán los objetos.
Una vez detectados los objetos, el siguiente paso es track a lo largo de los fotogramas para que el sistema pueda comprender cómo se mueven con el tiempo. Mientras que la detección proporciona nuevos cuadros delimitadores en cada fotograma, el seguimiento de objetos añade continuidad al vincular esas detecciones a lo largo del tiempo.
Los algoritmos de seguimiento compatibles con el paquetePython Ultralytics , como ByteTrack o BoT-SORT, funcionan con modelos como YOLO11 utilizando los datos de detección de cada fotograma para seguir a los objetos mientras se mueven. Estos algoritmos asignan un ID único a cada objeto y lo utilizan para mantener esa identidad incluso cuando el objeto se mueve rápidamente o queda parcialmente oculto. Esto crea un historial de seguimiento fluido que capta cómo se mueve el objeto.
A continuación le mostramos cómo funcionan estos dos métodos de seguimiento:
Para medir el rendimiento de estos métodos de seguimiento, los investigadores los evalúan en conjuntos de datos y referencias de seguimiento multiobjeto (MOT). Además, las métricas utilizadas habitualmente incluyen la precisión del seguimiento de objetos múltiples (MOTA), que refleja la calidad general del seguimiento; la puntuación F1 de identificación (IDF1), que mide la coherencia con la que se mantienen las identidades de los objetos; y la precisión del seguimiento de orden superior (HOTA), que ofrece una visión equilibrada tanto del rendimiento de la detección como de la precisión de la asociación.
Tras rastrear un objeto a lo largo de varios fotogramas, el siguiente paso consiste en predecir a dónde se dirigirá a continuación. Es lo que se conoce como previsión de trayectoria. Mientras que la detección encuentra los objetos y el seguimiento sigue sus movimientos, la previsión mira hacia delante y estima sus posiciones futuras.
La información procedente de la detección y el seguimiento, como el cuadro delimitador de un objeto, su posición en los distintos fotogramas y el ID asignado, puede utilizarse para calcular características del movimiento como la velocidad, la dirección y los patrones de movimiento. Esta información proporciona al modelo de previsión los datos que necesita para estimar dónde es probable que se encuentre el objeto en los próximos segundos.
En los casos en que los datos de seguimiento contienen lagunas o saltos bruscos, las técnicas de interpolación ayudan a reconstruir trayectorias más suaves y coherentes. Esto garantiza que el modelo de previsión reciba datos de movimiento de alta calidad en lugar de datos de posición ruidosos o incompletos.
Para realizar estas predicciones, muchos sistemas se basan en modelos de aprendizaje profundo diseñados para comprender cómo cambia el movimiento de un objeto a lo largo del tiempo. Analizando secuencias de posiciones pasadas y las características de movimiento derivadas de ellas, estos modelos aprenden patrones de movimiento comunes y utilizan ese conocimiento para predecir trayectorias futuras.
Estos son algunos de los enfoques de aprendizaje profundo y aprendizaje automático más utilizados para la previsión de trayectorias:
Estos modelos pueden predecir trayectorias tanto a corto como a largo plazo. Las previsiones a corto plazo, normalmente inferiores a dos segundos, suelen ser las más precisas, mientras que las predicciones a más largo plazo, como de dos a seis segundos, proporcionan más previsión pero van acompañadas de una mayor incertidumbre.
En la última etapa, la predicción de colisión, el sistema utiliza todo lo que ha aprendido hasta el momento: qué es cada objeto (detección), cómo se ha movido (seguimiento) y hacia dónde es probable que se dirija a continuación (predicción). En esta etapa se comprueba si alguna de las trayectorias previstas puede cruzarse de forma que provoque una colisión.
En el caso de los vehículos autónomos, un sistema de comprobación de colisiones compara las trayectorias futuras de objetos cercanos, como coches, peatones y ciclistas. Si dos trayectorias previstas se solapan o se acercan peligrosamente, marca la situación como una posible colisión de vehículos. Para saber lo urgente que puede ser el riesgo de colisión, el sistema calcula también un valor conocido como tiempo hasta la colisión.
El tiempo hasta la colisión (TTC) es una medida clave en entornos de movimiento rápido. Calcula cuánto tiempo falta para que dos objetos colisionen si siguen a la velocidad y dirección actuales. Cuando el TTC desciende por debajo de un umbral determinado, el sistema puede responder emitiendo advertencias, aplicando los frenos o ajustando su trayectoria prevista.
La predicción de colisiones está adquiriendo una importancia crucial en muchos sectores, como la gestión del tráfico, las infraestructuras urbanas inteligentes, la automatización industrial y la robótica móvil. A medida que avanzan la visión por ordenador y los modelos de predicción, estos sistemas son cada vez más capaces de anticiparse a los movimientos.
Ahora que entendemos mejor cómo funcionan la predicción de colisiones y la previsión de trayectorias, veamos algunos estudios de investigación interesantes que muestran cómo pueden utilizarse estos métodos en diversos entornos del mundo real.
Navegar por entornos abarrotados e impredecibles es uno de los retos más difíciles para los sistemas autónomos, especialmente cuando los peatones se mueven de formas que no siguen patrones claros. Los vehículos de emergencia se enfrentan a este problema aún con más frecuencia, ya que tienen que moverse rápidamente a altas velocidades a través de espacios públicos densos sin depender de carreteras estructuradas, marcas de carril o comportamiento previsible de los peatones.
En este tipo de escenarios, comprender dónde se encuentran las personas y cómo podrían moverse en los próximos segundos resulta esencial para evitar accidentes. Por ejemplo, un reciente estudio de investigación exploró este reto mediante la construcción de un sistema completo de predicción de colisiones para un vehículo autónomo de emergencia (EAV) que opera en entornos con muchos peatones.
He aquí un vistazo a cómo funciona esta metodología:
Del mismo modo, otro método de prevención de colisiones va más allá de los vehículos y se centra en la propia infraestructura. En lugar de confiar en los sensores del interior de un coche, este método utiliza cámaras inteligentes instaladas en pasos de peatones e intersecciones para controlar en tiempo real cómo se mueven los peatones y los vehículos. Estos lugares son a menudo impredecibles: la gente puede incorporarse a la calzada de repente, los ciclistas pueden zigzaguear entre el tráfico y los conductores no siempre reducen la velocidad, por lo que detectar los riesgos a tiempo es vital.
Un interesante estudio exploró esta idea mediante un sistema llamado NAVIBox, un dispositivo de visión de borde diseñado para predecir los riesgos entre vehículos y peatones directamente en la intersección. El sistema utiliza Ultralytics YOLOv8 para detect peatones y vehículos, y un rastreador Centroid ligero para seguirlos a lo largo de los fotogramas. De este modo se crean historiales de movimiento breves y fiables, que luego se perfeccionan mediante una transformación de perspectiva que convierte la vista angular de CCTV en un trazado más claro de la carretera a vista de pájaro.
Con estas trayectorias refinadas, NAVIBox puede estimar cómo es probable que se muevan los usuarios de la carretera en los próximos segundos y comprobar si sus trayectorias pueden cruzarse (lo que también se conoce como prueba de intersección). Cuando el sistema detecta una interacción de riesgo, envía inmediatamente advertencias a través de pantallas para los conductores y altavoces para los peatones, sin depender de un servidor remoto o una conexión de red. Las pruebas realizadas en zonas urbanas reales han demostrado que NAVIBox funciona con la rapidez suficiente para dar una respuesta en tiempo real y puede identificar con precisión posibles situaciones de colisión, lo que lo convierte en una práctica herramienta de seguridad para cruces urbanos muy transitados.
Estas son algunas de las ventajas de utilizar sistemas predictivos de colisión basados en IA:
A pesar de sus ventajas, los sistemas sin colisión también se enfrentan a ciertas limitaciones. He aquí algunos retos a tener en cuenta:
La predicción de colisiones aúna dos potentes capacidades: la visión por ordenador, que permite a los sistemas comprender lo que está ocurriendo en el entorno en ese momento, y la previsión de trayectorias, que les ayuda a anticipar lo que es probable que ocurra a continuación.
Combinando estos puntos fuertes, las máquinas pueden detect objetos en movimiento en tiempo real y predecir cómo pueden interactuar esos objetos en los segundos siguientes. A medida que sigan evolucionando las técnicas de visión por ordenador y predicción, es probable que la predicción de colisiones se convierta en la clave para construir sistemas autónomos más seguros, fiables y escalables.
Consulte nuestra comunidad y el repositorio de GitHub para obtener más información sobre la IA. Explore aplicaciones como la IA en la sanidad y la visión por ordenador en la fabricación en nuestras páginas de soluciones. Descubra nuestras opciones de licencia y empiece a construir hoy mismo.
