⚡ electrical engineering

Highway Readiness Assessment for SAE Levels of Automation and V2X Notification

Este artículo propone un Índice de Preparación para Carreteras (HRI) cuantitativo para evaluar el soporte de infraestructura a los niveles de automatización SAE mediante atributos ODD estáticos ponderados por expertos, demuestra su aplicación en un estudio de caso para identificar brechas de infraestructura y describe su integración en mensajes IVIM para comunicar orientación de automatización a nivel de tramo a vehículos conectados.

Autores originales: Lorenzo Italiano, Federico Marino, Mattia Brambilla, Giovanni Megna, Benedetto Carambia, Monica Nicoli

Publicado 2026-05-26

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Lorenzo Italiano, Federico Marino, Mattia Brambilla, Giovanni Megna, Benedetto Carambia, Monica Nicoli

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás intentando conducir un coche autónomo. Podrías pensar que el coche es lo único que importa, pero este artículo sostiene que la carretera en sí misma es tan importante. Los autores, un equipo de una universidad y una empresa de gestión de autopistas en Italia, se dieron cuenta de que, aunque estamos construyendo mejores coches, no tenemos una buena manera de medir si nuestras carreteras están realmente "preparadas" para ellos.

Aquí tienes el desglose de su solución, explicado de forma sencilla:

1. El Problema: La Brecha de la "Licencia de Conducir"

Piensa en los coches autónomos como estudiantes que aprenden a conducir.

Niveles SAE 1–2 son como un estudiante con un permiso de aprendizaje: Pueden girar el volante o frenar automáticamente, pero un humano debe vigilar siempre la carretera.
Niveles SAE 3–4 son como un estudiante con una licencia completa: El coche conduce solo, y el humano solo interviene si algo sale mal.

El problema es que las carreteras son como aulas. Algunas aulas tienen pizarras blancas, buena iluminación y pupitres silenciosos (ideales para aprender). Otras tienen pintura descascarada, luces rotas y obras ruidosas al lado (terribles para aprender). Actualmente, los gestores de carreteras no tienen un examen para ver si su "aula" es lo suficientemente buena para que un "estudiante" se gradúe a un nivel de conducción superior.

2. La Solución: El "Índice de Preparación de la Autopista" (HRI)

Los autores crearon una tarjeta de puntuación llamada Índice de Preparación de la Autopista (HRI). Piensa en esto como un boletín de notas para la carretera.

En lugar de simplemente mirar la carretera y adivinar, desglosaron la carretera en partes específicas y medibles, como:

La Pintura: ¿Son las líneas de carril brillantes, anchas y consistentes? (Si la pintura está desvanecida, el coche se confunde).
Las Señales: ¿Puede el coche leer las señales claramente?
La Superficie: ¿Es el asfalto liso, o es irregular y tiene grietas?
El Mapa Digital: ¿Tiene el coche un "mapa GPS" superdetallado (Mapa HD) cargado antes de empezar a conducir?

3. Cómo Crearon la Tarjeta de Puntuación

Para asegurar que la tarjeta de puntuación fuera justa, pidieron a 17 expertos (como profesores, ingenieros y directores tecnológicos) que votaran sobre qué era lo más importante.

Para el "Estudiante" (SAE 1–2): Los expertos dijeron que la pintura clara y las señales visibles son lo más importante. Si las líneas están desordenadas, el conductor humano debe tomar el control.
Para el "Graduado" (SAE 3–4): Los expertos dijeron que todo importa más, pero los Mapas HD y los arcenes de emergencia se volvieron críticos. Un coche autónomo necesita un mapa digital perfecto para saber exactamente dónde está, y necesita un lugar seguro para detenerse si se queda atascado.

Convirtieron estas opiniones en pesos matemáticos. Si una carretera tiene una pintura excelente pero no tiene un mapa HD, la puntuación para el nivel "Graduado" disminuye significativamente.

4. El Mensaje de "Semáforo" (IVIM)

Una vez que calculan la puntuación, la convierten en un mensaje digital enviado desde la carretera al coche. Imagina un semáforo, pero en lugar de Rojo/Amarillo/Verde, le dice al coche:

Verde (Puntuación Alta): "Es seguro que conduzcas solo en el Nivel 4".
Amarillo (Puntuación Media): "Puedes intentar el Nivel 2, pero ten cuidado".
Rojo (Puntuación Baja): "No confíes en la automatización; el humano debe conducir".

Este mensaje se envía a través de un sistema estándar llamado IVIM. Es como si la carretera susurrara al coche: "Oye, la pintura se está descascarando más adelante, no intentes conducir solo aquí".

5. Probándolo en una Autopista Real

Lo probaron en un tramo de 24 kilómetros de autopista en Italia.

Escenario A (Día Normal): La carretera estaba bien mantenida. La puntuación fue alta, y el sistema dijo: "Sí, los coches pueden conducir solos aquí".
Escenario B (Obras en la Carretera): Simularon una construcción con pintura temporal desordenada. La puntuación cayó bruscamente. El sistema le dijo inmediatamente al coche: "No, toma el volante", porque las condiciones eran demasiado arriesgadas para un coche autónomo.
Escenario C (Mala Mantenimiento): Simularon una carretera con pavimento agrietado y señales faltantes. La puntuación se desplomó. El sistema dijo: "No se permite automatización".

La Gran Conclusión:
El artículo muestra que no basta con construir un coche inteligente y esperar que funcione en todas partes. Necesitas una carretera inteligente que lo acompañe. Al usar este "Boletín de Notas" (HRI), los gestores de carreteras pueden ver exactamente dónde necesitan arreglar la pintura o añadir mapas digitales para hacer la autopista segura para los coches autónomos. Convierte la idea vaga de "¿está esta carretera preparada?" en una respuesta numérica y clara.

Resumen Técnico: Evaluación de la Preparación de Autopistas para los Niveles de Automatización SAE y Notificación V2X

Declaración del Problema

A pesar de los rápidos avances en las tecnologías de Conducción Automatizada (AuD), los operadores de carreteras carecen actualmente de métodos prácticos y cuantitativos para evaluar si su infraestructura existente puede soportar Niveles de Automatización (LOA) específicos. Aunque las normas definen los Dominios de Diseño Operativo (ODD) y los niveles de automatización, no proporcionan un marco reproducible para mapear las características estáticas de la vía a los requisitos operativos de los Sistemas de Conducción Automatizada (ADS). En consecuencia, las autoridades no pueden identificar sistemáticamente los factores físicos o relacionados con el mantenimiento que obstaculizan niveles de automatización más altos, ni pueden comunicar las capacidades de la infraestructura a los Vehículos Conectados y Automatizados (CAV) de manera estandarizada. Los marcos existentes a menudo se centran en la conectividad digital o dependen de pruebas extensivas con flotas, sin ofrecer una métrica escalable centrada en la infraestructura para la evaluación a nivel de red.

Metodología

El artículo propone un Índice de Preparación de Autopistas (HRI) cuantitativo diseñado para traducir las condiciones de infraestructura estáticas y semiestáticas en atributos medibles ponderados según su impacto en el rendimiento de los ADS. La metodología se estructura en tres etapas:

Operacionalización y Ponderación de Atributos:
- Taxonomía: Los autores definen un conjunto de atributos ODD estáticos agrupados en cuatro macrocategorías: Marcas y Señalización Vial, Mantenimiento y Gestión Vial, Diseño de la Vía y Características de Seguridad, y Mapas de Alta Definición (HD) Precargados.
- Encuesta a Expertos: Para derivar los pesos, se realizó una encuesta con 17 profesionales de la academia, la industria y la gestión de infraestructuras. Los encuestados evaluaron el impacto de la ausencia o degradación de un atributo en dos grupos de LOA: SAE 1–2 (Conducción Asistida) y SAE 3–4 (AuD).
- Diferenciación: La encuesta reveló que, aunque la visibilidad de los carriles y el mantenimiento son críticos para SAE 1–2, atributos como los mapas HD, los carriles de emergencia y los carriles dedicados a vehículos autónomos se vuelven significativamente más importantes para SAE 3–4.
Modelo de Preparación a Nivel de Tramo:
- Los tramos de carretera (por ejemplo, 100 m) se evalúan frente a criterios medibles derivados de las normas nacionales de diseño.
- Se asigna un valor observado $v_i \in \{0, 1, 2\}$ a cada atributo basado en su adecuación.
- Se calcula una puntuación de preparación $S^{(\ell)}$ para un nivel de automatización específico $\ell$ utilizando una suma ponderada normalizada por la puntuación máxima posible:
  $S^{(\ell)} = \frac{\sum w_i^{(\ell)} \cdot v_i}{\sum w_i^{(\ell)} \cdot v_{max}} \times 100$
- Se aplican pesos distintos ( $w_i^{(\ell)}$ ) para SAE 1–2 y SAE 3–4 para reflejar sus diferentes sensibilidades a la calidad de la infraestructura.
Orientación de Infraestructura e Integración IVIM:
- Las puntuaciones se clasifican en tres categorías: Poco probable que sea adecuado (0–33%), Puede ser adecuado (33–66%) y Muy probable que sea adecuado (66–100%).
- Se establece un umbral conservador del 66%. Solo se comunican a los vehículos los niveles SAE con puntuaciones superiores a este umbral.
- Estas recomendaciones se integran en el estandarizado Mensaje de Información de Infraestructura a Vehículo (IVIM) dentro del marco del Sistema de Transporte Inteligente Cooperativo (C-ITS), permitiendo que las Unidades de Carretera (RSU) difundan orientación a nivel de tramo sobre la automatización.

Resultados Clave

La metodología se validó mediante un estudio de caso en el corredor Gallarate–Gattico (24 km) en el norte de Italia, gestionado por Autostrade Per l'Italia (ASPI).

Condiciones de Referencia: Bajo las condiciones actuales de buen mantenimiento, el corredor soporta consistentemente SAE 1–2 y SAE 3–4 (puntuaciones >66%), lo que indica que las autopistas de alta calidad existentes pueden soportar automatización avanzada en configuraciones estables.
Escenario de Obras Viales: La simulación de obras viales temporales (km 11–17) con marcas degradadas y transiciones geométricas provocó una caída brusca en la preparación, particularmente para SAE 3–4. Varios tramos cayeron por debajo del umbral del 66%, activando correctamente un mensaje IVIM conservador que retiró las recomendaciones de automatización para esas secciones.
Escenario de Mantenimiento: La simulación de un mal mantenimiento a largo plazo (marcas degradadas, deterioro del pavimento, dispositivos de seguridad faltantes) resultó en caídas significativas de la preparación en todo el corredor, con muchos tramos cayendo en el rango de "Poco probable que sea adecuado" para ambos grupos de automatización.
Análisis de Sensibilidad: Un análisis teórico demostró que los Mapas HD Precargados tienen el peso más alto para SAE 3–4. La inclusión de mapas HD en escenarios de infraestructura degradada compensó parcialmente las deficiencias físicas, desplazando las puntuaciones de preparación de "Poco probable" a "Puede ser adecuado", destacando el papel crítico de las capas digitales junto a la infraestructura física.

Significado y Afirmaciones

El artículo afirma proporcionar la primera metodología cuantitativa, centrada en la infraestructura y escalable para mapear las características estáticas de la vía a los requisitos operativos de los ADS. Sus contribuciones principales incluyen:

Una Métrica Reproducible: El HRI ofrece a los operadores de carreteras un enfoque estructurado para evaluar la preparación de la infraestructura e identificar brechas específicas (por ejemplo, consistencia de las marcas, control de la vegetación) que limitan los niveles de automatización más altos.
Evaluación Diferenciada: Al distinguir entre SAE 1–2 y SAE 3–4, el marco reconoce que los niveles de automatización más altos dependen más de una geometría estable, áreas de respaldo y redundancia digital (mapas HD) que de meras señales visuales.
Integración Operativa: El trabajo cierra la brecha entre la evaluación de infraestructura y la operación de vehículos definiendo cómo las puntuaciones de preparación pueden traducirse directamente en mensajes V2X estandarizados (IVIM). Esto permite que la infraestructura guíe proactivamente a los vehículos, previniendo potencialmente desconexiones al advertir a los conductores o sistemas sobre tramos inadecuados antes de encontrarlos.
Planificación Estratégica: El marco sirve no solo como una herramienta de diagnóstico para corredores específicos, sino también como un instrumento estratégico para la planificación a nivel de red, permitiendo a las autoridades priorizar las inversiones en mantenimiento y digitalización según su impacto en la preparación para la automatización.

Los autores concluyen que, aunque el marco actual se centra en condiciones estáticas y semiestáticas, sienta las bases para una futura integración con factores dinámicos (tráfico, clima) y una validación internacional ampliada.