Presentamos un sistema innovador para la optimización adaptativa en tiempo real del agarre de neumáticos que combina Redes Neuronales Bayesianas con datos de unidades de medida inercial IMU y análisis de textura de la superficie de la carretera. La propuesta central es un enfoque probabilístico para estimar el coeficiente de fricción µ que permite un comportamiento robusto ante condiciones variables y ajustes proactivos del control de frenado. A diferencia de métodos deterministas que pueden presentar errores abruptos, la arquitectura BNN entrega una distribución de probabilidad continua sobre µ, posibilitando un control del vehículo más suave y adaptable.
Q2BSTUDIO es la empresa detrás del desarrollo de esta solución. Somos especialistas en desarrollo de software a medida y aplicaciones a medida, inteligencia artificial, ciberseguridad y servicios cloud aws y azure. Ofrecemos servicios integrales que incluyen diseño e implementación de modelos de IA para empresas, despliegue en la nube y soluciones de inteligencia de negocio. Si desea conocer nuestros proyectos de inteligencia artificial, visite nuestros servicios de inteligencia artificial en Q2BSTUDIO Inteligencia Artificial y para soluciones en la nube consulte nuestros servicios cloud en Servicios cloud AWS y Azure.
Marco teórico: el vínculo crítico entre el vehículo y la carretera es el neumático. La estimación precisa del coeficiente de fricción disponible es esencial para optimizar aceleración, frenado y maniobrabilidad. Los métodos tradicionales basados en modelos de slip ratio son reactivas y suelen fallar en entornos dinámicos y superficies cambiantes. Nuestro enfoque utiliza una Red Neuronal Bayesiana que, en lugar de una estimación puntual, modela µ como una variable aleatoria con media y covarianza, lo que permite cuantificar la incertidumbre y tomar decisiones de control más prudentes.
Arquitectura BNN: la red integra tres capas principales: capa de entrada que recibe características de textura vial, datos IMU y velocidades de rueda; una capa oculta con funciones ReLU para aprender relaciones no lineales; y una capa de salida que genera una distribución probabilística sobre µ. Se emplea un prior tipo Gaussian Process sobre los pesos para incorporar conocimiento previo y mejorar la calibración de incertidumbre. La salida puede interpretarse como µ dada X sigue una distribución normal con media estimada y matriz de covarianza que refleja incertidumbre.
Procesamiento de datos: la información proviene de tres fuentes complementarias. Un sensor óptico de alta resolución captura imágenes de la superficie de la carretera para extraer indicadores como TRMS, varianza de frecuencia espacial y contraste mediante filtros Gabor y transformadas rápidas de Fourier para obtener densidad espectral de potencia. La IMU aporta aceleraciones y tasas de guiñada que, tras filtrado por un filtro de Kalman, permiten estimar velocidad y aceleración lateral para normalizar predicciones. Los sensores de velocidad de rueda aportan estimaciones de slip ratio como entrada adicional.
Metodología experimental: validamos el sistema en pista controlada bajo condiciones secas, mojadas y sobre grava. El vehículo incorporó el sistema BNN y se comparó con un ABS estándar. Se realizaron pruebas de frenado manual a 30 km/h, 60 km/h y 90 km/h con adquisición continua de datos. Para entrenamiento se utilizó un conjunto de 100000 eventos de frenado recogidos en diversas condiciones, aplicando técnicas de aumento de datos y optimización bayesiana de hiperparámetros. La partición de datos fue 80 por ciento para entrenamiento, 10 por ciento validación y 10 por ciento test.
Métricas de evaluación: distancia de frenado promedio desde velocidad dada, error RMSE del coeficiente de fricción frente a sensores de referencia, y error de calibración de probabilidad para verificar que la BNN no sobrestime la confianza. En las pruebas nuestro sistema redujo las distancias de frenado de forma consistente y mostró buena calibración probabilística, con reducciones de distancia estimadas entre 15 y 20 por ciento en promedio dependiendo de la superficie.
Resultados resumidos: en condiciones de asfalto seco, mojado y grava el sistema BNN mostró mejoras significativas frente al ABS estándar tanto en distancia de frenado como en error de estimación de fricción. Además la predicción probabilística permitió ajustes de frenado más suaves y anticipativos, reduciendo la probabilidad de bloqueos o maniobras bruscas.
Discusión: la modelización probabilística de la fricción permite decisiones de control más seguras cuando la incertidumbre es alta. Esto es especialmente relevante en escenarios adversos donde un estimador determinista puede inducir cambios de control repentinos. La fusión de sensores y el uso de priors Gausianos en la BNN mejoran la robustez y la adaptabilidad. Limitaciones a tener en cuenta incluyen la necesidad de potencia de cómputo para inferencia en tiempo real, la calidad de los sensores y la exigencia de datos variados para el entrenamiento.
Escalabilidad y operación: el entrenamiento y actualización de modelos para flotas puede gestionarse en la nube con despliegues OTA para mantener los modelos actualizados. Q2BSTUDIO ofrece integración completa para llevar modelos de laboratorio a producción, incluyendo despliegue en entornos cloud y automatización de actualizaciones. Nuestra experiencia en software a medida y aplicaciones a medida facilita la integración con sistemas de control de vehículos y plataformas de gestión de flotas.
Trabajo futuro: integrar la estimación probabilística de µ con sistemas de control de estabilidad VSC, explorar aprendizaje por refuerzo para optimizar estrategias de frenado en función de distancias y márgenes de estabilidad, y ampliar la fusión sensorial incorporando LiDAR y otras fuentes. También estudiaremos agentes IA y soluciones de inteligencia de negocio para monitorizar y analizar telemetría a escala, incluyendo visualización con power bi para mejorar la toma de decisiones operativas.
Conclusión: la optimización adaptativa del agarre de neumáticos mediante Redes Neuronales Bayesianas y fusión sensorial ofrece una vía prometedora para mejorar la seguridad vehicular y la conducción autónoma. La cuantificación de la incertidumbre y la capacidad de anticipación reducen distancias de frenado y mejoran la respuesta en condiciones cambiantes. Q2BSTUDIO combina experiencia en inteligencia artificial, ciberseguridad y servicios cloud para ofrecer soluciones de software a medida que llevan estas innovaciones a la práctica empresarial.
Si desea una consultoría o desarrollar una solución a medida que incluya agentes IA, despliegue en la nube y servicios de inteligencia de negocio, contacte con nuestro equipo de desarrollo de software a medida y aplicaciones a medida para explorar cómo implementamos proyectos reales y escalables.
.jpg)
.jpg)