Investigadores estadounidenses han desarrollado una IA que integra imágenes obtenidas desde cámaras fijas y drones para identificar vehículos, aunque aparezcan ocultos o desde ángulos distintos. La tecnología, probada con alta precisión, permite detectar anomalías en horarios y rutas que podrían indicar riesgos de seguridad o envíos no autorizados.
Un algoritmo de aprendizaje profundo analiza datos de drones, cámaras y sensores para revelar patrones inusuales de vehículos que pueden indicar actividad ilícita, incluido el movimiento de materiales nucleares. Así lo explican los especialistas del Oak Ridge National Laboratory (ORNL), en Estados Unidos, en un estudio que aparece en la revista Future Transportation.
Una IA para ver lo “oculto” en el tráfico
El sistema de Inteligencia Artificial (IA) promete cambiar la forma en que se identifican patrones de tráfico inusuales y posibles amenazas: la técnica permite reconocer el mismo vehículo desde ángulos muy distintos, para detectar desviaciones en el “patrón de vida” o esquema habitual de tráfico de una zona, que podrían indicar actividad ilícita.
El esquema combina redes neuronales profundas con un conjunto de entrenamiento amplio y heterogéneo: cientos de miles de imágenes tomadas por cámaras de vigilancia, sensores en tierra y grabaciones aéreas, además de modelos 3D generados por ordenador que simulan distintos colores, luces y perspectivas. Esa mezcla de datos reales y sintéticos fortalece la capacidad del modelo para identificar un mismo vehículo, incluso cuando aparezca parcialmente oculto, borroso o en condiciones nocturnas.
Los especialistas emplearon una arquitectura de re-identificación vehicular basada en redes que comparan pares de imágenes y calculan una puntuación de coincidencia. Esa aproximación, junto con el uso de imágenes tomadas desde dispositivos aéreos y cámaras fijas sincronizadas, permitió construir un esquema automático para enlazar flujos de video con diferentes perspectivas. Está condición mejora la fiabilidad del sistema en escenarios “no controlados”.
Referencia
Vehicular Re-Identification from Uncontrolled Multiple Views. Sally Ghanem et al. Future Transportation (2025). DOI:https://doi.org/10.3390/futuretransp5040202
Alta precisión y resultados prometedores
Los resultados preliminares son auspiciosos: según una nota de prensa, en pruebas con decenas de miles de pares de imágenes el equipo de ORNL reporta una precisión superior al 97 % al emparejar vehículos correctamente bajo condiciones variadas. Esa exactitud posibilita, por ejemplo, detectar si un camión llega de noche a una instalación que normalmente solo recibe visitas diurnas, lo cual podría señalar envíos no autorizados o actividad sospechosa.
El valor operativo está en la detección de anomalías: al establecer una línea base de circulación, un “patrón de vida” vehicular, la IA puede alertar sobre desviaciones significativas en frecuencias, horarios o rutas. Los investigadores informan sobre posibles aplicaciones en la lucha contra la proliferación nuclear y en seguridad perimetral, así como en logística y gestión del tráfico.