La tecnología que empleamos para mejorar la movilidad en las ciudades ha cambiado mucho en los últimos años. Ahora, contamos con sensores IoT (Internet of Things) para ayudarnos con la gestión de las plazas de aparcamiento. Estos sensores utilizan la detección magnética para medir cambios en los campos magnéticos que rodean las plazas para confirmar si han sido ocupadas por un vehículo.
Gracias a la recopilación de estos datos en tiempo real, estos dispositivos permiten a los conductores dar con espacios libres rápidamente, así como ayudar a los gestores de movilidad a controlar de manera más eficiente el aparcamiento en las ciudades. De esta forma, se reduce el tiempo que los vehículos pasan dando vueltas por las calles en busca de plaza, se mejora la movilidad urbana y se disminuyen las emisiones de gases contaminantes.
A pesar de ello, estos campos magnéticos pueden verse afectados por el entorno, lo que puede llevar a que la información que nos proporcionan los sensores no sea del todo precisa si no se toman medidas. Las perturbaciones magnéticas suponen un reto que ha mitificado el uso de dispositivos con múltiples sistemas de detección para conseguir resultados fiables, aunque demostraciones recientes no apuntan en esta dirección.
Tipos de perturbaciones magnéticas
Las perturbaciones magnéticas que afectan a los sensores de detección se pueden clasificar en dos categorías: constantes y variables. Las grandes ciudades o las zonas en las que el transporte público abunda serían las más propensas a sufrir estas interferencias, pudiendo afectar a la precisión de los sensores de manera distinta.
Perturbaciones constantes
Las perturbaciones constantes provienen de fuentes que siempre están presentes en el entorno, por ejemplo, las instalaciones eléctricas que alimentan a los edificios y los sistemas de transporte público de las ciudades. Estos cables de alta tensión, transformadores y otros equipos eléctricos, generan campos magnéticos que pueden interferir con las lecturas de los sensores, provocando errores sistemáticos en la recopilación de datos.
Perturbaciones variables
Por otro lado, las perturbaciones variables son más difíciles de predecir al estar causadas por cambios temporales en el campo magnético, por ejemplo, cuando pasan trenes, metros o tranvías, según su sistema de alimentación. Los estacionamientos disuasorios, también conocidos como Park & Ride, suelen estar bien conectados a la red de transporte público de la ciudad, por lo que también son zonas propensas a sufrir interferencias.
Cómo mitigar las perturbaciones magnéticas
En el mercado, existen diferentes enfoques para abordar esta situación tan común y mejorar la fiabilidad de los sensores IoT. Dos de las estrategias más conocidas son la detección múltiple y la detección simple con filtros avanzados.
Sensores de detección múltiple
Estos dispositivos de detección integran en su sistema múltiples tecnologías, como la detección magnética, de infrarrojo o de radar. La idea de fondo es que, al combinarlas, los puntos débiles de una tecnología se pueden compensar con los puntos fuertes de otra, haciendo que los resultados del sensor sean más fiables. Sin embargo, a pesar de las ventajas que parece ofrecer, se ha demostrado que la multidetección no suele ser tan rentable a largo plazo. Al combinar varias tecnologías, los sensores pueden dar lugar a lecturas contradictorias, lo que puede confundir la interpretación de los datos.
Además, esto es especialmente delicado al calibrar los sensores, ya que un error en una de las detecciones puede interferir en la calibración de la otra, resultando en una calibración subóptima que afectaría a la fiabilidad de la detección.
Sensores de detección simple con filtros avanzados
Otro enfoque, mejor acogido, es la optimización de un único sistema de detección a través de filtros avanzados. Estos filtros están diseñados para minimizar el impacto del ruido magnético y las perturbaciones que genera. A diferencia del anterior, este método reduce el riesgo de lecturas erróneas y simplifica el mantenimiento del sensor.
U-Spot: detección IoT plaza a plaza
Calibración previa a la detección
Una vez instalados los sensores, es importante llevar a cabo un proceso de calibración continua para adaptarlos al lugar donde va a operar. Este proceso se lleva a cabo mediante algoritmos de inteligencia artificial que son capaces de filtrar las interferencias magnéticas presentes para una calibración óptima a lo largo del tiempo de uso. Al ajustar constantemente el sensor a las condiciones del entorno, se mejora su precisión, permitiendo ignorar las perturbaciones que puedan afectar su rendimiento.
Filtrado en el sensor
Una vez que el sensor ya está en funcionamiento, se pueden aplicar filtros adicionales para eliminar las interferencias magnéticas, quedando únicamente los valores correctos para la aplicación de los algoritmos de detección. Estos filtros también son configurables de acuerdo a las necesidades de cada proyecto y sensor.
Filtrado en el plataforma
Además del filtrado en el sensor, se pueden realizar filtrados en la plataforma o el servidor teniendo en cuenta la información de múltiples sensores. Esto facilita la detección de anomalías mediante algoritmos basados en inteligencia artificial.
Esta capacidad es una de las ventajas del procesamiento en la nube, en comparación con el procesamiento local. Al utilizar plataformas centralizadas, se pueden utilizar algoritmos más avanzados, hacer actualizaciones rápidas y combinar datos de distintas fuentes. Todo esto ayuda a mejorar la precisión del sistema.</p>
Caso de éxito: detección de patrones en Viena
En Austria, tuvimos la oportunidad de llevar a cabo un proyecto de mejora del parking y la movilidad en el centro comercial Shopping City Süd de Viena. Nuestro objetivo era reducir la congestión en las 3.000 plazas de aparcamiento exteriores y mejorar la experiencia de los clientes. Para ello, utilizamos sensores IoT instalados a ras de suelo que transmiten información de la disponibilidad.
Una vez instalados los dispositivos, antes de su uso, analizamos el entorno para configurarlos según las necesidades del espacio. Siempre tenemos en cuenta las perturbaciones magnéticas que puedan afectar a la precisión de los sensores y, en este caso, detectamos el paso de un tren cercano a horas concretas a partir de algoritmos de inteligencia artificial. Una vez detectados estos patrones, aplicamos filtros avanzados para ajustar la sensibilidad de los sensores IoT y detectar de forma precisa la ocupación de las plazas de aparcamiento.
Aunque para poner solución a las perturbaciones magnéticas existen multitud de enfoques, la alternativa que ha demostrado ser más efectiva en los últimos años es emplear filtros inteligentes en los sensores de detección simple. Este método facilita la calibración de los dispositivos y evita lecturas erróneas que puedan entorpecer la fiabilidad del sistema y, en consecuencia, la experiencia de los conductores.
En Urbiotica, innovamos constantemente para mejorar la tecnología IoT de nuestros sensores, desarrollando filtros avanzados que permiten ajustar la precisión de los dispositivos a diferentes entornos y necesidades. Ofrecemos soluciones para todo tipo de infraestructuras urbanas, con datos fiables y en tiempo real.
