El rugido silencioso de nuestras avenidas
Cada día, millones de automóviles circulan por las arterias de nuestras ciudades. Solemos percibir el tráfico a través del ruido de los motores, el claxon constante y las densas columnas de humo. Sin embargo, existe una huella invisible y constante que pasa desapercibida para la mayoría de los transeúntes: la vibración mecánica inducida en el suelo.
Cada automóvil transfiere al pavimento una cantidad considerable de energía cinética, que se propaga por el asfalto en forma de ondas sísmicas superficiales. Aunque estas oscilaciones rara vez alcanzan una magnitud suficiente para provocar el colapso de un edificio moderno, sí representan una forma de contaminación urbana con consecuencias tangibles: provocan un desgaste acelerado de las infraestructuras, fatiga en los cimientos, descalibran el instrumental de precisión en laboratorios científicos e industriales y repercuten negativamente en el bienestar y el descanso humano.
Frente a este reto, ¿podríamos convertir estas vibraciones molestas en una fuente de información inteligente para gestionar el tráfico sin perforar las calles ni gastar presupuestos millonarios?
El reto del monitoreo vehicular tradicional
Durante décadas, para monitorear el flujo vehicular y clasificar qué tipo de unidades transitan por una vía, las ciudades han recurrido a sensores invasivos —como los bucles de inducción magnética enterrados bajo el pavimento, inventados en los años sesenta— o a costosas redes de cámaras ópticas. Los primeros requieren romper el asfalto, lo que interrumpe el tránsito cada vez que se necesita mantenimiento; los segundos dependen de una iluminación óptima y suelen vulnerar la privacidad de los conductores.
La propuesta plantea un enfoque no invasivo, económico y sumamente compacto: escuchar la “pisada” de cada vehículo mediante acelerómetros digitales instalados en la superficie de la vía pública.
El núcleo del sistema experimental se basa en tecnología accesible y de bajo costo:
- Un microacelerómetro digital (MMA8451Q): Capaz de registrar aceleraciones en tres dimensiones espaciales (x, y, z). Las investigaciones demostraron que el componente vertical (el eje z) es el que captura con mayor fidelidad el impacto y peso del automotor sobre el suelo.
- Una placa Arduino UNO: Que funciona como puente veloz de adquisición y digitalización de datos.
- Una computadora portátil: Encargada del procesamiento matemático avanzado, de procesar y guardar la información y de la clasificación de las señales. Este sistema lo podemos ver en la Figura 1.
En las pruebas experimentales se analizaron vehículos circulando a velocidades controladas entre 20 y 30 km/h a lo largo de un tramo de 50 metros.
De ondas caóticas a una “huella digital”
Cuando un vehículo pasa junto al sensor, la señal se distorsiona por ruidos ambientales: pisadas, ráfagas de viento o ecos lejanos. Para revelar la verdadera firma del vehículo, los investigadores diseñaron una cadena de filtrado digital:
- Aislamiento temporal: Se desechan los registros basales y se extrae únicamente el intervalo del evento en el que el vehículo cruza cerca del sensor.
- Filtrado pasabanda y ventanado de Hamming: Se aplica un filtro digital específico (entre 100 y 250 Hz) que atenúa el ruido exterior y preserva las frecuencias fundamentales originadas por la masa, suspensión y rodamiento del transporte.
- Análisis de picos y envolvente: La potencia espectral y las crestas máximas de la señal revelaron que una camioneta genera amplitudes y distribuciones energéticas sensiblemente mayores que las de un auto ligero.
Inteligencia Artificial: ¿redes neuronales o vecinos cercanos?
Una vez depurada la señal, se evalúan dos algoritmos de inteligencia artificial para realizar la clasificación automática:
- Redes Neuronales Artificiales (RNA):
Implementando una red de propagación directa (feed-forward) con 1000 entradas, 10 capas ocultas y un algoritmo de gradiente conjugado escalado. La red aprendió complejas combinaciones no lineales de las ondas, logrando precisiones globales de clasificación superiores al 82 % según la distribución de los datos.
- El algoritmo k-NN (k-Nearest Neighbors):
Bajo una perspectiva métrica de distancia Euclidiana, este algoritmo asigna la clase del vehículo comparando directamente la distancia entre el nuevo patrón y los casos conocidos en la base de datos. En las pruebas de entrenamiento alcanzó el 100 de acierto, y mediante la rigurosa validación cruzada leave-one-out (dejando una muestra fuera de prueba) mantuvo una efectividad sólida del 80.
Ambos modelos demostraron que no es indispensable recurrir a estudios sismológicos complejos ni a sensores secundarios redundantes para diferenciar con precisión un auto de una camioneta.
Hacia ciudades inteligentes más habitables
Este desarrollo tecnológico abre la puerta al diseño de sistemas inteligentes de transporte (ITS) de bajo costo y fácil despliegue. Instalar estos nodos sensoriales en puntos estratégicos permitiría:
- Automatizar el aforo vehicular y regular los semáforos en tiempo real según el tipo de carga que circule.
- Supervisar el cumplimiento de las rutas del transporte pesado en zonas residenciales o patrimoniales.
- Evaluar de forma continua el daño estructural que las vibraciones inducen en puentes, pasos a desnivel y monumentos históricos.
Escuchar el pulso invisible de nuestras calles ya no es una metáfora poética: con diminutos sensores y algoritmos de aprendizaje automático, el asfalto comienza a decirnos exactamente quién rueda sobre él.
El doctor Ignacio Hernández Bautista es investigador en la Unidad de Alta Tecnología de la Facultad de Ingeniería de la UNAM Campus Juriquilla. El doctor José Juan Carbajal Hernández es investigador en el Centro de Investigación en Computación del I.P.N.
AQUÍ PUEDES LEER TODAS LAS ENTREGAS DE “DESDE LA UNAM”, LA COLUMNA DE LA UNAM, CAMPUS JURIQUILLA, PARA LALUPA.MX
https://lalupa.mx/category/aula-magna/desde-la-unam/
