A Digital Twin Framework for Traffic-Aware UAV Pavement Monitoring without Lane Closure

Resumen Técnico: Un Marco de Gemelo Digital para el Monitoreo de Pavimento mediante UAV con Conciencia de Tráfico sin Cierre de Carriles

Planteamiento del Problema
Los Vehículos Aéreos No Tripulados (UAV) ofrecen una solución prometedora para el monitoreo de pavimentos de alta resolución, lo que potencialmente reduce el costo y el riesgo asociados con las inspecciones tradicionales de la superficie de la carretera. Sin embargo, el despliegue en el mundo real en entornos urbanos enfrenta desafíos significativos. El tráfico, los peatones y las oclusiones temporales frecuentemente obstruyen la visibilidad de los defectos en la carretera (como baches y grietas), comprometiendo la calidad de la inspección. Los métodos de inspección convencionales a menudo dependen de la evaluación manual o de procesos de visión computacional estáticos que tienen dificultades en entornos dinámicos. Además, la investigación existente en simulaciones y gemelos digitales en este dominio se ha centrado mayoritariamente en aspectos aislados, como la generación de datos sintéticos para la detección de baches o la planificación de rutas estáticas, careciendo de un banco de pruebas unificado que integre la generación de defectos de alta fidelidad, flujos de tráfico dinámicos, navegación autónoma de UAV y estrategias de recuperación adaptativas para regiones ocluidas.

Metodología
Los autores proponen un marco de gemelo digital basado en Unity diseñado para simular el monitoreo de pavimentos mediante UAV con conciencia de tráfico sin requerir cierres de carriles. La metodología consta de cuatro componentes integrados:

1. Entorno de Simulación: Se desarrolló una red vial urbana 3D configurable en Unity, que presenta defectos de carretera generados proceduralmente (baches, grietas simples y grietas de cocodrilo), vehículos dinámicos, peatones. El entorno soporta tanto un vehículo terrestre como un UAV (modelado tras un DJI Phantom 4) equipado con cámaras virtuales. El UAV opera de forma autónoma utilizando el sistema NavMesh de Unity y el algoritmo de búsqueda de caminos A*, con la suavización de trayectoria proporcionada por el Algoritmo de Funnel (Funnel Algorithm).
2. Pipeline de Percepción: Se implementó un enfoque de aprendizaje profundo de dos etapas para la detección y clasificación en tiempo real:
   • Etapa 1 (Localización): Un detector ligero YOLOv8n identifica cinco clases: Defectos de Carretera (agregados), Personas y Autos. Esta etapa se ejecuta en tiempo real para localizar objetos y determinar la visibilidad.
   • Etapa 2 (Clasificación): Un clasificador ligero distingue tipos específicos de defectos: Grieta Simple, Grieta de Cocodrilo y Bache.
   • Los modelos fueron entrenados con un conjunto de datos de múltiples fuentes que comprende seis conjuntos de datos públicos de daños en carreteras basados en UAV, aumentados con datos sintéticos de la simulación para incluir agentes de tráfico. El conjunto de datos final contenía más de 46,000 imágenes y 120,000 cajas delimitadoras anotadas.
3. Lógica del Gemelo Digital: El gemelo digital se define como una réplica virtual que actualiza continuamente los estados de la carretera, el UAV y los agentes de tráfico. Emplea una puntuación de visibilidad ($o_{s,t}$) para cada segmento de la carretera. Cuando la visibilidad de un segmento cae por debajo de un umbral debido a la oclusión, el sistema activa una de tres políticas de recuperación adaptativa:
   • Hover-and-Recheck (Mantenerse y Recomprobar): El UAV permanece estacionario durante un breve periodo para permitir que las oclusiones temporales se despejen.
   • Micro-repositioning (Microrreposicionamiento): El UAV realiza un pequeño desplazamiento para mejorar el ángulo de visión mientras permanece cerca del objetivo.
   • Skip-and-Revisit (Saltar y Revisitar): El UAV salta el segmento ocluido y regresa a él más tarde en la misión.
4. Configuración Experimental: Los experimentos se realizaron a través de diversas densidades de tráfico (baja, media, alta) y altitudes de vuelo (6m, 12m, 18m). El rendimiento se evaluó utilizando cobertura, tiempo de misión, consumo de energía y ratio de revisitación.

Contribuciones Clave

• Banco de Pruebas Unificado con Conciencia de Tráfico: El artículo introduce un novedoso marco de simulación que evalúa conjuntamente misiones de inspección de UAV, generación de defectos procedimentales, tráfico/oclusión dinámica y estrategias de recuperación adaptativas, abordando un vacío en la literatura existente donde estos elementos suelen estudiarse de forma aislada.
• Marco de Recuperación Adaptativa: Los autores definen e implementan una arquitectura de gemelo digital capaz de seleccionar políticas de recuperación dinámicamente basadas en restricciones de visibilidad en tiempo real, yendo más allá de la planificación de rutas estáticas.
• Integración de Percepción de Dos Etapas: La integración de un detector YOLOv8n ligero con un clasificador especializado permite una percepción eficiente y en tiempo real dentro del bucle de simulación, equilibrando la precisión y las restricciones computacionales.
• Conjunto de Datos Exhaustivo: La creación de un conjunto de datos fusionado y aumentado que incluye tanto defectos de carretera como agentes de tráfico (peatones/vehículos) específicamente diseñado para escenarios de inspección con conciencia de tráfico.

Resultados

• Rendimiento de la Percepción: En el test del simulador, el pipeline completo de dos etapas logró una precisión general del 99.26% en las cinco clases. Todas las clases alcanzaron puntuaciones F1 superiores a 0.96, siendo la clase "Auto" la que alcanzó precisión, recall y F1 perfectos. La clase "Grieta de Cocodrilo" mostró el rendimiento más bajo (F1: 0.9693), atribuido a su similitud visual con las grietas simples.
• Selección de Modelo: Se seleccionó YOLOv8n como el detector óptimo debido a su favorable equilibrio entre precisión (mAP@0.5 de 0.866) y velocidad de inferencia (273.47 FPS), lo que lo hace adecuado para las restricciones de tiempo real del gemelo digital.
• Eficacia de la Estrategia de Recuperación:
  • Altitud de Vuelo: La altitud tuvo una influencia más fuerte en la cobertura de inspección que la densidad de tráfico.
  • Tráfico Bajo: La estrategia Skip-and-Revisit fue la más efectiva, logrando una cobertura del 97.95% a altitud media con una penalización mínima en el tiempo de misión.
  • Tráfico Medio/Alto: La estrategia Hover-and-Recheck resultó ser la más consistente, logrando un 97.03% de cobertura a alta altitud bajo tráfico medio. Por el contrario, la estrategia de Salto (Skip) se volvió poco fiable en condiciones de alta densidad y baja altitud (cayendo al 50.19% de cobertura bajo tráfico alto a baja altitud) debido a las oclusiones repetidas.
  • Micro-repositioning: Esta estrategia generalmente resultó en una menor cobertura y tiempos de misión significativamente más altos en comparación con otras estrategias.

Significancia y Reivindicaciones
El artículo sostiene que el marco de gemelo digital propuesto proporciona una plataforma valiosa para desarrollar y evaluar estrategias de inspección de UAV con conciencia de tráfico antes de su despliegue en el mundo real. Al simular oclusiones dinámicas y probar políticas de recuperación adaptativas, el marco demuestra que los gemelos digitales pueden apoyar la optimización de las misiones de inspección para maximizar la cobertura mientras se minimizan los costos de energía y tiempo. Los autores enfatizan que su trabajo cierra la brecha entre la detección de defectos controlada y las complejidades de los entornos urbanos dinámicos, ofreciendo un enfoque estructurado para validar la autonomía de los UAV antes de las pruebas de campo físicas. La implementación completa y las redes entrenadas se ponen a disposición para apoyar la investigación adicional en este dominio.