El ferrocarril es un sistema en el que la seguridad depende de miles de elementos que actúan simultáneamente. Vías, agujas, catenaria, pasos a nivel, estructuras de ingeniería y el entorno de la línea forman un entorno que debe ser monitorizado de forma continua.
El problema ya no consiste únicamente en recopilar la mayor cantidad posible de datos.
El problema consiste en ver la amenaza con suficiente antelación, interpretarla correctamente y comunicar la información a la persona o al sistema que puede reaccionar.
Precisamente ahí es donde entra la inteligencia artificial.
IA en el ferrocarril - de la captura de imagen a la comprensión de la realidad
Un sistema clásico de vigilancia, sobre todo, registra.
Una cámara puede grabar horas de vídeo, pero por sí sola no responde a la pregunta más importante:
¿Ha ocurrido en la imagen algo que requiera una reacción?
Una persona puede analizar la grabación, pero la escala de los datos pronto supera las capacidades del control manual. Cuantos más pasos, kilómetros de línea y cámaras, mayor es el problema de seleccionar la información relevante.
Por ello, el desarrollo de visión por ordenador, aprendizaje automático e IA para ferrocarriles cambia la forma de abordar la monitorización de la infraestructura.
Un sistema basado en inteligencia artificial puede analizar la imagen en busca de patrones y anomalías definidos, clasificar eventos y enviar al operador solo la información que requiere atención.
Es un cambio fundamental.
En lugar de: cámara → grabación → persona → análisis
obtenemos: cámara → IA → detección de anomalías → contexto del evento → reacción.
Edge Computing - ¿por qué la IA debe operar cerca de la fuente de datos?
Uno de los elementos clave de los sistemas modernos de IA para ferrocarriles es el Edge Computing.
En el modelo tradicional, los datos pueden enviarse a un servidor central o a la nube para su análisis. En el caso de la monitorización de la infraestructura ferroviaria, ello implica el envío de enormes cantidades de datos visuales.
VAR24 utiliza otro concepto.
El análisis se realiza localmente, en el borde de la red, utilizando un microordenador dedicado y un sistema de cámaras.
Esto tiene una importancia crucial.
Si el sistema debe operar en tiempo real, no se puede condicionar cada decisión al envío de todo el flujo de datos a un centro de procesamiento externo.
Edge AI permite trasladar parte de la inteligencia directamente al dispositivo situado en el vehículo.
Los datos se analizan allí donde se generan.
Gracias a ello es posible reducir las latencias, disminuir la cantidad de datos enviados y crear una arquitectura adecuada para aplicaciones que requieren respuesta rápida.
Por eso Edge Computing en el ferrocarril es una de las direcciones interesantes para el desarrollo de sistemas inteligentes de seguridad.
Las investigaciones actuales sobre IA en el mantenimiento de la infraestructura ferroviaria señalan al Edge AI como una de las vías de desarrollo, junto con los Gemelos Digitales y los sistemas ciberfísicos.
VAR24 - ve, analiza, reacciona
La concepción de VAR24 se basa en tres etapas fundamentales.
01. Ve
Las cámaras frontales observan la vía desde la perspectiva del maquinista.
Esto es importante porque el sistema no analiza un modelo abstracto de la infraestructura. Observa el entorno real por el que se desplaza el vehículo.
02. Analiza
La imagen se procesa localmente mediante inteligencia artificial.
La tarea del sistema es reconocer anomalías y amenazas potenciales, en lugar de limitarse a la grabación pasiva del material.
03. Reacciona
El evento detectado puede transmitirse al centro de control junto con su contexto.
Es precisamente esta fase la que permite pasar del monitoreo a un sistema que apoya la toma de decisiones.
Y esa es una diferencia fundamental.
Mantenimiento predictivo en el ferrocarril - mantenimiento antes de que aparezca la avería
Una de las aplicaciones más importantes de la inteligencia artificial en el transporte ferroviario es el Mantenimiento Predictivo.
El enfoque tradicional se basa a menudo en calendarios de inspecciones, procedimientos periódicos y la reacción a fallos detectados.
El mantenimiento predictivo cambia la lógica de actuación.
En lugar de preguntar: “¿Cuándo debe realizarse la próxima revisión?”
el sistema puede orientarse a la pregunta: “¿Los datos disponibles muestran signos de un problema y con qué rapidez puede volverse significativo?”
Es una diferencia enorme desde la perspectiva de la gestión de la infraestructura.
La IA puede utilizar datos de imágenes, sensores, geometría de la vía, vibraciones y otras fuentes para identificar patrones que indiquen problemas potenciales. Las revisiones de la literatura actual muestran que precisamente la imagen, el análisis de vibraciones y los datos de geometría de la vía son fuentes relevantes en el mantenimiento predictivo basado en IA para ferrocarriles.
La Unión Internacional de Ferrocarriles (UIC) lideró el proyecto Artificial Intelligence for Predictive Maintenance, cuyo objetivo fue acelerar el uso de la IA en el sector ferroviario y desarrollar casos de uso desde PoC y pilotos hasta aplicaciones operativas.
Esto demuestra que la IA y el mantenimiento predictivo ya no son solo un experimento tecnológico. Son una de las vías reales de digitalización del ferrocarril.
¿Por qué la monitorización de la infraestructura ferroviaria necesita IA?
La infraestructura ferroviaria es extensa. Son cientos y miles de kilómetros de vías, diversas condiciones meteorológicas, iluminación variable, tráfico de vehículos, vegetación, animales, objetos situados en la proximidad de la vía y el estado técnico cambiante de la infraestructura.
El ser humano no puede observar continuamente toda la infraestructura. Un sistema informático, en cambio, puede realizar análisis de forma continua. Esto no significa eliminar al humano. Más bien lo contrario.
El modelo más valioso es aquel en el que la IA actúa como una capa adicional de percepción y análisis, y la persona recibe la información ya adecuadamente filtrada y clasificada.
Este enfoque permite desplazar al humano del papel de observador de enormes cantidades de datos al de decisor basado en la información preparada por el sistema.
De cámaras a fusión de datos y LiDAR
Las cámaras son solo el comienzo.
La siguiente etapa en el desarrollo de los sistemas de percepción puede ser la fusión de datos procedentes de diversos sensores.
VAR24 prevé la integración con la tecnología LiDAR, es decir, un sistema que utiliza pulsos láser para crear una representación espacial del entorno.
¿Por qué es importante?
La imagen de la cámara proporciona información visual.
El LiDAR puede aportar información espacial.
La combinación de distintas fuentes de datos permite construir un modelo más completo del entorno observado.
Esto es especialmente relevante en situaciones en las que el análisis de la imagen puede verse dificultado por condiciones de iluminación o atmosféricas.
Cabe destacar que una dirección similar ya está presente en trabajos de I+D polacos sobre monitorización automática de la infraestructura ferroviaria. El proyecto UAVforRail utiliza, entre otros, IA, RGB, LiDAR y termografía para la identificación automática de defectos en la infraestructura ferroviaria.
Horizonte ampliado de percepción
El siguiente paso no es solo mirar con más precisión. Es mirar más lejos.
Para un sistema de seguridad ferroviaria puede ser crucial no solo el estado de la vía inmediatamente delante del vehículo, sino también la situación en su entorno.
Por eso la hoja de ruta de VAR24 contempla la ampliación del análisis, entre otros, a:
- la catenaria,
- el entorno inmediato de la vía,
- animales en la vía,
- vehículos en pasos a nivel,
- deslizamientos,
- otras posibles obstrucciones y anomalías.
De este modo el sistema empieza a pasar del monitoreo de la infraestructura a la percepción del entorno del transporte.
Y la percepción es, precisamente, uno de los fundamentos de la autonomía.
De la observación a la reacción autónoma
El transporte ferroviario autónomo no comienza cuando el tren toma todas las decisiones por sí mismo.
Empieza mucho antes.
Primero la máquina debe: ver.
Después: comprender.
A continuación: evaluar el riesgo.
Y solo después: actuar.
Por eso los sistemas de visión por ordenador, Edge AI, LiDAR y fusión de datos son tan importantes para el futuro del ferrocarril autónomo.
Las investigaciones actuales indican que la automatización completa al nivel GoA4 ya se aplica en parte de los sistemas de metro; sin embargo, su aplicación en líneas principales sigue siendo mucho más complicada debido a los requisitos de seguridad y a la complejidad del entorno operativo abierto.
VAR24, por tanto, se inscribe en una trayectoria lógica de desarrollo: observación → análisis → predicción → percepción del entorno → reacción → autonomía.
La seguridad ferroviaria requiere datos en tiempo real
En sistemas críticos el tiempo importa.
Si la información sobre una amenaza potencial aparece solo después de finalizar el trayecto o tras un análisis manual del material, su valor operativo puede ser limitado.
Por eso el análisis de datos en tiempo real es uno de los elementos más importantes de la concepción VAR24.
El sistema no solo debe recopilar información. Debe procesarla. Debe reconocer anomalías. Debe emitir el mensaje adecuado. Y en el futuro —según la hoja de ruta del proyecto— puede convertirse en un elemento de reacción activa ante amenazas críticas.
VAR24 - hoja de ruta de desarrollo
El desarrollo del sistema se ha dividido en fases sucesivas.
Fase 1 - sistema de visión / PoC
Óptica avanzada e inteligencia artificial destinadas a detectar daños en la infraestructura dentro del alcance inmediato del sistema.
Fase 2 - fusión de datos y LiDAR
Integración de fuentes adicionales de datos espaciales y aumento de las capacidades de percepción del entorno.
Fase 3 - horizonte de percepción ampliado
Ampliación del análisis a la catenaria y al entorno de la vía.
Fase 4 - reacción activa
La concepción objetivo contempla alcanzar un nivel de fiabilidad del 99,99% y la posibilidad de iniciar automáticamente un procedimiento de frenado de emergencia en caso de identificar una amenaza crítica a una distancia superior al tiempo de reacción humana.
Ese es el objetivo de desarrollo de VAR24, no una declaración de las capacidades actuales del sistema.
Y precisamente esa distinción es clave en las tecnologías de seguridad.
Tecnología no invasiva - IA sin reconstruir la infraestructura
Un aspecto interesante de la concepción VAR24 es su instalación no invasiva.
En lugar de reconstruir la infraestructura ferroviaria existente, el sistema puede desarrollarse como una capa tecnológica adicional que utiliza cámaras y un ordenador embarcado dedicado.
Esto abre una vía potencialmente muy distinta para la implantación de la IA en el ferrocarril.
No es necesario empezar construyendo toda la infraestructura desde cero.
Se puede comenzar con una capa inteligente de percepción que aproveche los pasos de vehículos ya existentes en la red ferroviaria para recolectar y analizar información de forma continua.
Tecnología polaca para el ferrocarril europeo
VAR24 se desarrolla como un proyecto de I+D originado en las estructuras de Web24.com.pl Sp. z o.o., un software house polaco en activo desde 2008.
Según los supuestos del proyecto, VAR24 se financia de forma independiente y se desarrolla sin dependencia de capital externo.
Es un elemento importante en la historia del proyecto.
No se trata únicamente de crear otra solución que utilice IA.
El objetivo es construir una tecnología que pueda aplicarse en uno de los sectores infraestructurales más exigentes: el transporte ferroviario.
El futuro del ferrocarril estará basado en la percepción
Durante décadas el desarrollo ferroviario se centró en aumentar la velocidad, la capacidad, la automatización del control y la modernización de la infraestructura.
La siguiente fase es la inteligencia del sistema.
El tren del futuro no debería limitarse a circular por una ruta planificada. Debe comprender mejor el entorno en el que se encuentra. Debe detectar anomalías. Debe prever problemas potenciales. Debe proporcionar al operador la información adecuada. Y en aplicaciones debidamente certificadas y seguras —en el futuro— también podrá ejecutar ciertas acciones automáticamente.
Por eso el desarrollo de IA para ferrocarriles, Edge Computing, visión por ordenador, LiDAR, Mantenimiento Predictivo y sistemas autónomos no son cinco tendencias independientes.
Son elementos de un proceso mayor. El proceso de pasar de un ferrocarril observado por humanos a un ferrocarril que es capaz de observar, analizar y reaccionar por sí mismo.
VAR24 quiere ser parte de ese proceso.
VAR24. Ve. Analiza. Reacciona.
