Dos segmentos de carretera de ejemplo con diferentes clasificaciones de condición de pavimento (PCR): (a) PCR = 1; y (b) PCR = 5. Crédito: Roadbotics
Dodificar baches es una rutina familiar para los conductores. Pero, detrás de cada golpe y grieta en el pavimento hay un problema mayor: muchas comunidades carecen de las herramientas y los datos que necesitan para mantener sus caminos de manera efectiva. Las evaluaciones de pavimento tradicionales se basan en vehículos costosos y especializados equipados con sensores de alta resolución. Estos recursos generalmente están reservados para las principales carreteras y corredores de alto tráfico, dejando las calles del vecindario y las carreteras locales submonitoradas y no mantenidas.
Investigadores de la Universidad Carnegie Mellon desarrollaron una solución de bajo costo e introducida de IA diseñada para cerrar esta brecha. Utilizando una aplicación para teléfonos inteligentes creados por Roadbotics de la compañía de visión por computadora, junto con datos de código abierto, como patrones meteorológicos, niveles de tráfico, características del entorno construidas e información socioeconómica, el equipo pudo predecir el deterioro del pavimento en redes de carreteras enteras. Cuando se instala en un vehículo estándar, la aplicación recolecta imágenes de carretera, que AI modela luego analiza para evaluar las condiciones actuales del pavimento y pronosticar cómo cambiarán con el tiempo.
“El método ofrece una cobertura integral, habilitando el análisis de todos los segmentos de carretera en toda la red y en múltiples escalas de tiempo”, dijo Tao Tao, investigador postdoctoral en el Departamento de Ingeniería Civil y Ambiental y autor principal del estudio publicado En el Journal of Infraestructura Systems.
Probado en nueve comunidades diversas en los EE. UU., El modelo demostró un fuerte rendimiento al predecir las calificaciones de la condición del pavimento y su tasa de disminución. A diferencia de los métodos tradicionales, este enfoque también tiene en cuenta cómo factores como la clasificación de la carretera, el clima y la demografía del vecindario interactúan para influir en el desgaste de la carretera. Estas ideas tienen el potencial de dar a los planificadores de la ciudad y los departamentos de obras públicas una comprensión más completa de dónde y por qué está ocurriendo el deterioro.
“Al combinar la IA con datos fácilmente disponibles, estamos permitiendo a las comunidades de todos los tamaños administrar de manera proactiva la infraestructura vial con mayor precisión y asequibilidad”, dijo Sean Qian, profesor de ingeniería civil y ambiental.
A diferencia de los métodos actuales, el impacto sería de gran alcance. En las ciudades pequeñas y las áreas rurales donde la capacidad técnica y el presupuesto a menudo son limitados, la herramienta proporciona una forma práctica de bajo costo para evaluar las condiciones de la carretera sin la necesidad de equipos costosos.
En las ciudades medianas que intentan estirar los presupuestos de infraestructura, ayuda a identificar qué carreteras están predictivamente en mayor riesgo en los próximos años y dónde el mantenimiento preventivo tendrá el mayor rendimiento. Y en grandes áreas urbanas, apoya la toma de decisiones más equitativas al incluir vecindarios residenciales y de bajos ingresos que a menudo quedan fuera de las evaluaciones tradicionales.
Qian y Tao planean refinar aún más el modelo adaptándolo a comunidades específicas e incorporando fuentes de datos adicionales, como la edad de la carretera y los materiales de pavimento. El objetivo es crear un sistema flexible y escalable que capacite a las comunidades para tomar decisiones de infraestructura más inteligentes incluso antes de que se formen los baches.
“Este enfoque prevé un futuro en el que cada comunidad, independientemente del tamaño o los recursos, pueda aprovechar las ideas basadas en datos para administrar y preservar de manera proactiva su infraestructura vial”, dijo Tao.
El documento fue seleccionado recientemente como el documento de elección del editor por el Journal of Infrastructure Systems y destacado por la Sociedad Americana de Ingenieros Civiles.
Más información: Tao Tao et al, Predicción de condición de pavimento para comunidades: un enfoque de bajo costo, ubicuo y en toda la red, Journal of Infrastructure Systems (2024). Doi: 10.1061/jitse4.iseng-2378
Proporcionado por la Universidad Carnegie Mellon, Departamento de Ingeniería Civil y Ambiental
Cita: a través de aplicaciones de teléfonos inteligentes, AI puede cerrar la brecha de evaluación de carreteras (2025, 17 de julio) Recuperado el 17 de julio de 2025 de https://techxplore.com/news/2025-07-smartphone-apps-ai-road-gap.html
Este documento está sujeto a derechos de autor. Además de cualquier trato justo con el propósito de estudio o investigación privada, no se puede reproducir ninguna parte sin el permiso por escrito. El contenido se proporciona solo para fines de información.
