La conducció autònoma i els sistemes avançats d’assistència al conductor (ADAS) s’enfronten a un repte crític: anticipar les maniobres de canvi de carril dels vehicles circumdants. No es tracta només de predir una posició futura, sinó d’entendre la intenció subjacent i com aquesta es tradueix en una trajectòria segura. Els enfocaments tradicionals solen centrar-se en un únic vehicle objectiu o generen prediccions de posició sense vincular-les explícitament a una maniobra. En aquest context, el marc DSiGAT (Dynamic Scene Graph Attention Framework) sorgeix com una solució innovadora que integra la predicció d’intenció i trajectòria per a tots els vehicles rellevants d’una escena local de trànsit, modelant les interaccions dinàmiques mitjançant un graf espaciotemporal.
DSiGAT representa l’escena com un graf d’interacció variable en el temps, on cada vehicle és un node i les relacions espacials i cinemàtiques es codifiquen com a arestes explícites. Mitjançant un pas de missatges basat en atenció temporal, el model capta les dependències entre vehicles i els senyals previs a la maniobra. Un descodificador guiat per intenció associa cada maniobra predita amb el seu moviment futur corresponent, mentre que un objectiu de consistència a nivell d’escena obliga que les prediccions multi-vehicle siguin compatibles entre si. Els resultats sobre els conjunts de dades NGSIM i highD mostren millores significatives, amb precisions d’intenció superiors al 90% i reduccions de l’error RMSE de trajectòria de fins al 52,94% respecte a les línies base més fortes. Aquests números reflecteixen no només una major precisió individual, sinó també una coherència global en la predicció de l’escena, cosa que redueix les taxes de col·lisió entre agents i els errors de desplaçament conjunt.
Des d’una perspectiva empresarial i tècnica, models com DSiGAT obren la porta a aplicacions concretes en el sector de l’automoció i la mobilitat intel·ligent. A Q2BSTUDIO, companyia especialitzada en desenvolupament de programari i tecnologia, veiem en aquest tipus d’arquitectures una oportunitat per construir sistemes de predicció robustos que puguin integrar-se en flotes comercials, vehicles autònoms o plataformes de gestió de trànsit. La implementació d’un model d’atenció sobre grafs dinàmics requereix una base sòlida d’aplicacions a mida que connectin el model amb sensors reals, sistemes de control i bases de dades en temps real. És aquí on el desenvolupament de programari a mida juga un paper fonamental: des de l’orquestració de dades fins a la visualització de prediccions en dashboards operatius.
Per escalar aquestes solucions, el cloud computing (AWS, Azure) proporciona la infraestructura necessària per entrenar models complexos, desplegar serveis d’inferència de baixa latència i emmagatzemar grans volums de dades de trànsit. Per exemple, una arquitectura cloud pot allotjar múltiples instàncies de DSiGAT que processin en paral·lel les escenes de trànsit d’una ciutat, alimentant sistemes d’alerta primerenca o panells de Business Intelligence (Power BI) que analitzin patrons de canvi de carril i comportaments de risc. A més, la ciberseguretat es torna crítica quan aquests models formen part de decisions de conducció; cal protegir tant les dades dels sensors com els mateixos models davant d’atacs adversaris. Q2BSTUDIO ofereix serveis de pentesting i auditoria per garantir la integritat del sistema.
Un altre concepte que emergeix amb força és el dels agents IA. DSiGAT pot considerar-se un component dins d’un agent autònom més ampli que pren decisions de planificació. Aquests agents necessiten interactuar amb altres mòduls (percepció, localització, control) i han de ser capaços d’aprendre i adaptar-se. La integració de models d’atenció en grafs amb arquitectures d’agents intel·ligents permet, per exemple, que un vehicle autònom no només prediu el canvi de carril d’un altre vehicle, sinó que també planifiqui la seva pròpia maniobra en conseqüència, millorant la seguretat viària.
A Q2BSTUDIO hem treballat en projectes que combinen IA amb aplicacions a mida per al sector del transport, utilitzant plataformes cloud i generant dashboards de BI que monitoritzen en temps real l’eficiència de flotes. La capacitat de predir intencions i trajectòries com ho fa DSiGAT encaixa perfectament en aquest ecosistema. Per saber més sobre com implementem solucions d’intel·ligència artificial en entorns empresarials, podeu visitar la nostra pàgina d’intel·ligència artificial. Així mateix, si la vostra empresa necessita desenvolupar un sistema personalitzat de predicció de trànsit o qualsevol altra solució de programari, les nostres capacitats en desenvolupament d’aplicacions de programari multiplataforma estan a la vostra disposició.
Els resultats de DSiGAT demostren que és possible assolir una precisió superior al 90% en la predicció d’intencions amb una coherència d’escena millorada. No obstant, portar aquest model a producció implica reptes addicionals: optimització del rendiment en hardware incrustat, adaptació a diferents estils de conducció i robustesa davant de condicions meteorològiques adverses. A Q2BSTUDIO abordem aquests desafiaments mitjançant un enfocament multidisciplinari que uneix la investigació en IA amb l’enginyeria de programari d’alta qualitat. El nostre equip pot dissenyar i implementar solucions completes que incloguin des de la recopilació de dades fins al desplegament en cloud, passant per la integració amb sistemes de ciberseguretat i la creació de quadres de comandament amb Power BI.
En conclusió, la predicció d’intenció i trajectòria de canvi de carril és una àrea en plena evolució on marcs com DSiGAT marquen un abans i un després. Però la tecnologia per si sola no n’hi ha prou: cal empaquetar-la en aplicacions a mida, escalar-la amb cloud AWS/Azure, protegir-la amb ciberseguretat, analitzar-la amb BI i orquestrar-la amb agents IA. A Q2BSTUDIO estem preparats per afrontar aquesta transformació i ajudar empreses de mobilitat, logística i automoció a implementar aquests avenços de manera segura i eficient.
