Los coches más inteligentes todavía no están salvando a los peatones

En 2024, 7,080 peatones murieron y más de 71,000 resultaron heridos en las carreteras estadounidenses. Las muertes de ciclistas alcanzaron su nivel más alto desde al menos 1980. Las muertes totales en la carretera disminuyeron por debajo de 40,000 por primera vez desde 2020. Pero casi todo ese progreso benefició a los ocupantes de los vehículos. Los peatones y los ciclistas siguen muriendo a tasas casi históricas.

Esa brecha es la historia. Las características de asistencia al conductor han reducido mediblemente las muertes de ocupantes en la última década. No han hecho lo mismo para los usuarios vulnerables de la carretera, y la razón se debe a la línea de visión, no al comportamiento del conductor. Un conjunto de sensores montado en un vehículo está limitado por la geometría del chasis. Los lugares donde los peatones y los ciclistas están más en riesgo son precisamente los lugares donde los sensores a bordo son estructuralmente más débiles. Intersecciones ocultas. Cruces en mitad de la cuadra. Esquinas ciegas. Zonas escolares donde un niño se para entre coches estacionados. Ese límite se aplica igualmente a un conductor humano que mira a través del parabrisas, un sistema de frenado automático que lee un radar hacia adelante y cualquier pila autónoma que pongamos en un vehículo.

Durante la mayor parte de la última década, toda la conversación sobre vehículos conectados, movilidad autónoma y robótica urbana ha sido una conversación de Vehículo-a-Todo (V2X). La idea es que el vehículo habla con otros vehículos, con equipo de carretera, con teléfonos de peatones y con la red. Conjuntos de sensores más grandes, mejores modelos, más cómputo a bordo, más redundancia: todo centrado en el vehículo en sí. Ese marco produjo un progreso real. También impuso un techo en lo que la percepción centrada en el vehículo puede hacer por los peatones y los ciclistas.

La próxima fase de este trabajo tiene una forma diferente. Llamémoslo Infraestructura-a-Todo, o I2X. La intersección, el corredor y la infraestructura circundante perciben y predicen en nombre de lo que se mueve a través de ellos. I2X es la mitad más difícil del problema. También es donde finalmente se cierra el caso de seguridad.

V2X tiene un techo de seguridad, y ahora lo estamos alcanzando

El enfoque centrado en el vehículo ha sido legible para los inversores, los fabricantes de automóviles y los reguladores de una manera que la infraestructura no lo ha sido. El progreso se puede medir en el recuento de sensores, parámetros de modelo y tasas de desenganche. Encaja perfectamente en una presentación. La pila V2X ha madurado en consecuencia. Los estándares V2X celulares son reales, las unidades de carretera se han desplegado en docenas de corredores y los principales jugadores automotrices y tecnológicos están invirtiendo serio capital en plataformas de percepción cooperativa.

Ese capital ha producido ganancias genuinas, nuevamente principalmente para los ocupantes de los vehículos. No ha cerrado la brecha para los usuarios vulnerables de la carretera, y la comunidad de investigación está cada vez más clara sobre por qué. Un estudio empírico reciente sobre sistemas de percepción cooperativa V2X identifica seis patrones de error recurrentes en sistemas autónomos de un solo agente, la mayoría arraigada en la misma limitación: un vehículo no puede percibir más allá de su línea de visión. Ocultaciones, intersecciones no en línea de visión, degradación del clima, casos de borde que no aparecieron en los datos de entrenamiento. Investigación separada centrada en la seguridad de los usuarios vulnerables de la carretera llega a la misma conclusión desde un ángulo diferente: la localización de peatones y ciclistas es el modo de falla que los sensores montados en vehículos son estructuralmente malos para resolver.

Más LiDAR ayuda. Más radar ayuda. Mejores modelos ayudan. Nada de eso cambia la geometría subyacente. Un sensor montado en un vehículo siempre tendrá limitaciones de línea de visión, y la línea de visión empeora a medida que aumenta la densidad urbana. Los lugares donde necesitamos que la autonomía sea más segura son precisamente los lugares donde la percepción centrada en el vehículo es estructuralmente más débil.

I2X invierte la polaridad

Infraestructura-a-Todo comienza con un supuesto diferente. La carretera, la intersección, el corredor y la infraestructura circundante no son superficies pasivas que esperan ser percibidas. Se convierten en capas de inteligencia activas que perciben, interpretan y transmiten condiciones hacia afuera. Un vehículo que se acerca a una intersección oculta no necesita ver alrededor de la esquina con sus propios sensores. La esquina lo ve por él. Un robot de entrega que trabaja en una acera no necesita anticipar al peatón detrás de un camión estacionado. El poste de luz ya sabe que el peatón está allí.

Este es el lado del problema que estamos construyendo en Surge. Nuestros despliegues son nodos de percepción de borde LiDAR montados en infraestructura urbana existente: postes de luz, cabezales de señalización y techos. No hay cámaras, no hay imágenes y no se capturan datos de identificación personal en el momento de la detección. Llamamos a la posición “Anónimo por Física”, porque LiDAR captura movimiento y geometría, no caras, placas de matrícula o identidad. La salida es una transmisión en tiempo real de ubicación, velocidad y trayectoria. Esa misma transmisión es útil para un ingeniero de tráfico de la ciudad, una pila autónoma de vehículos, un enrutador logístico y un investigador de seguridad, todos a partir de una sola huella de sensor.

Dos decisiones de diseño importan para el caso de seguridad. La primera es que la percepción de infraestructura es multiinquilino por defecto. Un conjunto de sensores montado en un vehículo es de punto a punto y sirve a un cliente a la vez. Un nodo LiDAR en un poste de luz sirve a todos los vehículos, todos los drones y todas las aplicaciones de seguridad peatonal que necesitan los datos, simultáneamente. La economía se parece más a una torre de células que a un pozo de petróleo. La segunda es que la cobertura a nivel de corredor importa más que la cobertura a nivel de intersección. Los nodos aislados son útiles. Los corredores en red son defendibles, porque la seguridad peatonal, el entrenamiento de vehículos autónomos y la respuesta a emergencias dependen todos de la continuidad, no de instantáneas.

La percepción en tiempo real es el piso. La predicción es el techo.

La oportunidad más profunda no es la capa en tiempo real. La percepción en tiempo real resuelve los casos de seguridad obvios, y eso solo ya es valioso. El desbloqueo más profundo llega cuando los modelos de inteligencia artificial se entrenan con datos de infraestructura continuos durante meses y años en lugar de instantáneas episódicas que capturan los vehículos.

Los datos de los vehículos son, por su naturaleza, dispersos y discontinuos. Un coche pasa por una intersección unas pocas veces al día como máximo. Ve una rebanada. Un nodo de infraestructura observa la misma intersección 24 horas al día, todos los días, durante años. Ve la distribución completa. El mismo lugar a través de la hora pico, tormentas, construcción, cortes de energía, eventos y cambios estacionales. Ese es un tipo fundamentalmente diferente de datos de entrenamiento, y produce un tipo fundamentalmente diferente de modelo.

A medida que se acumulan esos datos, el sistema deja de ser reactivo y se vuelve predictivo. El patrón de zancada de alguien que está a punto de bajar de la acera sin mirar. El perfil de desaceleración de un vehículo que está a punto de pasar un semáforo en rojo. La geometría de convergencia que precede a un casi accidente entre un autobús que gira y una bicicleta en la bicisenda. Esos son señales de precursor. Son estadísticamente observables. No existen en los informes de accidentes porque no son accidentes. Son eventos precursor y ocurren órdenes de magnitud más a menudo que los accidentes en sí. Los accidentes son estadísticamente escasos. Los casi accidentes son abundantes. Los sistemas de infraestructura observan los comportamientos precursor que las bases de datos de accidentes nunca capturan. Un vehículo que se mueve a través de una intersección nunca los verá a escala. La infraestructura que vive en la intersección los ve constantemente.

Ese es el verdadero desbloqueo de seguridad. La promesa de la movilidad conectada siempre ha sido que podríamos intervenir antes de un accidente, no documentarlo después. Los sensores a bordo más la comunicación reactiva de vehículo-a-todo nos llevan parte del camino. Una capa predictiva entrenada con datos de infraestructura continuos, multi-modales y residentes es lo que nos lleva el resto del camino. La misma lógica, incidentalmente, se aplica en el lado de la energía, donde empresas como HEVO están demostrando que las flotas completamente autónomas necesitan infraestructura para entregar energía así como percepción. Dominio diferente, misma conclusión: el mundo tiene que hacer trabajo que el vehículo no puede hacer solo.

Un sistema nervioso para el entorno urbano

Cuando te alejas de cualquier despliegue individual, lo que este trabajo realmente está construyendo es algo que las ciudades nunca han tenido: un sistema nervioso. Las ciudades ya tienen concreto, acero, redes de energía y fibra. Lo que les falta es una capa que sienta, recuerde y prediga en tiempo real a través del entorno físico.

I2X es esa capa. Un nodo LiDAR en un poste de luz funciona como una neurona sensorial. El cómputo de borde se comporta como un reflejo local, lo suficientemente rápido como para actuar sin esperar a los sistemas centralizados. Con el tiempo, una red de nodos construye memoria institucional a escala urbana: cómo se comportan las intersecciones, dónde ocurren los casi accidentes, cómo cambian los flujos durante tormentas, cortes de energía, construcción o emergencias.

Las aplicaciones siguen naturalmente. Una alerta de seguridad peatonal en una zona escolar es un reflejo. Un ajuste de señal de tráfico basado en el flujo observado es una respuesta aprendida. Una recomendación de enrutamiento predictivo para un vehículo de emergencia depende de ambos: percepción y memoria. La logística, la gestión de emergencias, la resiliencia climática y el entrenamiento de vehículos autónomos se vuelven más fáciles cuando la ciudad puede observar y aprender continuamente de sus propias operaciones. El punto no es agregar más cámaras o paneles de control. El punto es dar al entorno urbano la capacidad que siempre ha carecido: la capacidad de percibir, recordar y responder en tiempo real.

La infraestructura cambia la economía de la autonomía

Cuando la capa de inteligencia migra del vehículo a la infraestructura, la economía de la autonomía y las operaciones urbanas cambian de tres maneras importantes.

Primero, la curva de costos del hardware de vehículos a bordo finalmente tiene adónde ir. Hoy en día, cada vehículo autónomo se le pide que lleve todo el problema de percepción y la mayor parte del problema de seguridad en su chasis. Eso es por qué la lista de materiales de un vehículo autónomo se ve como se ve. Cuando la infraestructura entrega percepción sobre los últimos cien metros y predicción encima de eso, el vehículo se vuelve más ligero, más barato y más fácil de certificar. La misma lógica se aplica a los drones, los robots de acera y cualquier otro formato autónomo que esté esperando que su economía unitaria se cierre.

Segundo, el mercado adressable para cualquier despliegue de infraestructura individual se expande dramáticamente. Un nodo LiDAR en un poste de luz que sirve al equipo de ingeniería de tráfico de la ciudad, a un transportista logístico nacional, a un operador de autobús autónomo, a un investigador de seguridad y a un asegurador es un activo fundamentalmente diferente que un sensor que sirve a un solo inquilino. La infraestructura compartida se compone de una manera que las soluciones de punto no lo hacen.

Tercero, la historia de financiación se vuelve legible para el capital institucional que históricamente ha financiado puertos, torres, fibra y servicios públicos. Entre nosotros, traemos liderazgo operativo en despliegues de infraestructura conectada y más de dos décadas de experiencia en financiación de proyectos de infraestructura en firmas como Integrated Roadways, Black & Veatch y Diode Ventures. El patrón es familiar. Una vez que una clase de activos produce múltiples, contratos, flujos de ingresos de largo plazo desde una sola huella física, el costo del capital disminuye, la duración se extiende y la construcción se acelera. Ese es el momento que estamos aproximando con infraestructura inteligente. El capital ha estado esperando legibilidad, no tecnología.

La carretera aprende a pensar hacia atrás

Las cifras de muertes difíciles no van a moverse materialmente hasta que dejemos de pedirle al vehículo que haga todo el trabajo. La década de inversión centrada en el vehículo produjo estándares, despliegues y ganancias significativas para los ocupantes de los vehículos. No movió la aguja para las personas más expuestas a las consecuencias de que los vehículos se equivoquen, y la razón estructural está construida en la geometría del problema.

El próximo capítulo es infraestructura-saliente. Carreteras que perciben. Intersecciones que predicen. Corredores que aprenden y intervienen antes de que ocurran accidentes. Agrega el lado de la energía más tarde, en la misma huella física, y tienes el sustrato para la autonomía como un sistema en lugar de un producto. Más importante, tienes infraestructura que las ciudades pueden usar para todo lo demás que han estado tratando de resolver en los últimos veinte años.

V2X enseñó a los vehículos a hablar. I2X es la ciudad aprendiendo a sentir, a pensar hacia atrás y luego a pensar hacia adelante.