Resumen Técnico: Mecanismo de Detección y Prevención de Accidentes Basado en IoT

Planteamiento del Problema

Los accidentes de tráfico en las carreteras siguen siendo una crisis mundial crítica, impulsada principalmente por errores humanos prevenibles como el exceso de velocidad, la conducción bajo la influencia del alcohol y la fatiga cognitiva. Las estadísticas del Ministerio de Transporte y Carreteras indican que el exceso de velocidad fue responsable del 72,3% de los accidentes de tráfico y del 71,2% de las muertes totales en 2022, con fatalidades adicionales vinculadas al consumo de alcohol y al uso de dispositivos móviles. Si bien la industria automotriz ha integrado diversos sensores para el monitoreo mecánico, los sistemas existentes a menudo carecen de estrategias de mitigación integrales en tiempo real para estos riesgos específicos de factores humanos y protocolos de respuesta de emergencia automatizados.

Metodología

Los autores proponen un Sistema de Respuesta y Detección de Accidentes Inteligente (SADRS, por sus siglas en inglés) construido sobre un marco de Internet de las Cosas (IoT). El sistema está diseñado para integrarse con la Unidad de Control Electrónico (ECU) de un vehículo mediante una arquitectura de múltiples niveles que combina la fusión de sensores, la computación en el borde (edge computing) y la conectividad en la nube.

Arquitectura del Sistema y Hardware:
El marco central utiliza un Arduino UNO como microcontrolador central, orquestado con un NodeMCU para la conectividad en la nube (plataforma Blynk IoT) y un módulo SIM800L GSM para comunicaciones de emergencia. La integración del hardware incluye:

• Tamizaje de Sobriedad: Un sensor de alcohol MQ3 posicionado cerca del asiento del conductor para detectar niveles de alcohol (25–500 ppm). El sistema emplea un Módulo de Relé para controlar un motor de CC (que simula el motor), evitando el encendido si se detecta alcohol.
• Monitoreo de Impacto y Orientación: Un acelerómetro ADXL345 monitorea el ángulo de reposo del vehículo y detecta cambios repentinos de gradiente o impactos. Un sensor de botón de gravedad se coloca frente al sistema de airbag para confirmar el despliegue tras una colisión.
• Rastreo de Ubicación: Un módulo GPS NEO 6M captura coordenadas espaciales en tiempo real para enviar alertas a contactos de emergencia e instalaciones médicas.
• Monitoreo Visual: Un módulo de cámara OV7270 está montado en el tablero/Heads-Up Display (HUD) para capturar señales de tráfico y rasgos faciales del conductor.

Software y Algoritmos:

• Cumplimiento de Límites de Velocidad: Las imágenes capturadas por la cámara son procesadas utilizando Redes Neuronales Convolucionales (CNN) en dispositivos de borde para detectar señales de tráfico y límites de velocidad. Si el vehículo excede el límite, el sistema activa alertas auditivas continuas.
• Detección de Somnolencia: Un modelo CNN, entrenado con el Conjunto de Datos de Ojos UMass MRL, analiza los movimientos oculares del conductor en tiempo real para identificar signos de fatiga (por ejemplo, cierre prolongado de los ojos). El sistema emite sonidos de alerta al detectar somnolencia.
• Protocolo de Emergencia: Tras la detección de un accidente (vía acelerómetro o sensor de airbag), el sistema transmite automáticamente las coordenadas GPS y las alertas del incidente a los contactos predesignados y a los servicios de emergencia a través del módulo GSM.

Configuración Experimental:
Los autores desarrollaron un modelo en miniatura del SADRS para validar su funcionalidad. El modelo reemplazó el motor de un coche por un motor de CC y utilizó una placa de pruebas (breadboard) para el diseño del circuito. Las pruebas consistieron en la simulación de escenarios de accidentes, presencia de alcohol y somnolencia, con los datos visualizados a través de la aplicación Blynk IoT.

Contribuciones Clave

1. Mecanismo de Prevención Integrado: El artículo introduce un sistema unificado que aborda simultáneamente múltiples causas de accidentes: deterioro por alcohol, exceso de velocidad y fatiga del conductor.
2. Respuesta de Emergencia Automatizada: El sistema automatiza el flujo de trabajo post-colisión al agregar inmediatamente los datos de GPS y despachar alertas a instalaciones médicas y contactos de emergencia, con el objetivo de reducir los tiempos de respuesta.
3. Aprendizaje Automático en el Borde (Edge-Based ML): La implementación de modelos CNN para el reconocimiento de límites de velocidad y la detección de somnolencia directamente en las unidades de procesamiento embebidas asegura la toma de decisiones en tiempo real y de baja latencia sin depender de una conectividad constante a la nube.
4. Sinergia Hardware-Software: El diseño demuestra una integración funcional de diversos sensores (MQ3, ADXL345, NEO 6M, OV7270) con microcontroladores para crear una red de seguridad cohesiva.

Resultados y Evaluación de Desempeño

El sistema fue evaluado mediante simulación de hardware y pruebas de modelos de software:

• Precisión de la Detección de Somnolencia: El modelo CNN logró una precisión general de aproximadamente el 91,97% (redondeado al 92%). Las métricas de desempeño incluyeron:
  • Precisión (Precision): Osciló entre 90,4% y 95,2% en condiciones de alerta, somnolencia leve y somnolencia severa.
  • Sensibilidad (Recall): Osciló entre 88,6% y 93,7%.
  • Puntuación F1 (F1-Score): Osciló entre 89,5% y 94,4%.
• Validación Funcional: El modelo en miniatura demostró con éxito la prevención del arranque del motor tras la detección de alcohol, la activación de alertas por violaciones de velocidad y la transmisión automática de datos de ubicación y notificaciones de accidentes a través de la aplicación Blynk cuando se simularon anomalías.
• Robustez: Las pruebas bajo diversas condiciones de iluminación (día, noche, luz artificial) mostraron una alta precisión consistente en el modelo de detección de somnolencia.

Significado y Reivindicaciones

Los autores afirman que este proyecto ofrece una solución práctica y rentable para mejorar la seguridad del conductor mediante la mitigación sistemática del error humano. Al integrar marcos de IoT en la ECU del vehículo, el sistema no solo busca prevenir accidentes mediante advertencias proactivas (bloqueos de alcohol, alertas de velocidad, advertencias de fatiga), sino que también optimiza los resultados post-colisión mediante el reporte de emergencias automatizado. El artículo postula que tal sistema tiene el potencial de reducir sustancialmente las fatalidades relacionadas con accidentes al asegurar una intervención médica oportuna y fomentar comportamientos de conducción más seguros.

Los autores reconocen que, si bien el prototipo actual es un modelo en miniatura, la arquitectura es escalable. Sugieren mejoras futuras, incluyendo el procesamiento de imágenes adaptativo para condiciones climáticas, la detección de somnolencia multimodal (incorporando frecuencia cardíaca/EEG) y el aprendizaje continuo basado en la nube, enfatizando al mismo tiempo la necesidad de considerar las implicaciones de privacidad respecto al monitoreo del conductor.