Clasificación de patrones de conducción para su implementación en gemelos digitales

Resumen

Este trabajo desarrolla una metodología para la clasificación de patrones de conducción, que incluye el aprendizaje automático, profundo y no supervisado, orientada a su implementación en gemelos digitales vehiculares.

La metodología implementada utiliza datos vehiculares recopilados de 10 sujetos (cinco hombres y cinco mujeres) para el entorno en pista y 5 sujetos (tres hombres y dos mujeres) para el ambiente urbano. Se emplearon equipos especializados de adquisición de datos instalados en un vehículo Kia Rio 2018. Se registraron variables como velocidad, revoluciones por minuto del motor (RPM), ángulo de giro del volante, entre otras.

Se implementaron y evaluaron múltiples algoritmos de clasificación, incluyendo métodos tradicionales de aprendizaje automático (K-Nearest Neighbors) y técnicas de aprendizaje profundo (Long Short-Term Memory – LSTM y Gated Recurrent Unit – GRU). La evaluación experimental se realizó mediante diferentes técnicas de validación, que incluyen la validación cruzada K-fold (K=5), Hold-out (80/20) y Walk-forward cross validation para mantener el orden temporal, utilizando métricas de precisión, recall y F1-score.

Los resultados obtenidos muestran la efectividad de las técnicas de aprendizaje profundo para la clasificación de maniobras de conducción. Los algoritmos LSTM y GRU mostraron un rendimiento superior en la identificación de patrones temporales en los datos vehiculares. El análisis mediante matrices de confusión reveló que estos modelos pueden distinguir efectivamente entre diferentes tipos de maniobras, proporcionando una base sólida para la implementación en sistemas de gemelos digitales.

Adicionalmente, se desarrolló un análisis no supervisado utilizando técnicas de agrupamiento (K-means y agrupamiento jerárquico) para identificar grupos en los datos de conducción, complementado con análisis de componentes principales (PCA) para la reducción de dimensionalidad. Estos enfoques permitieron identificar patrones latentes en el comportamiento de conducción que no son evidentes mediante análisis supervisado.

La investigación contribuye al campo de los gemelos digitales vehiculares, proporcionando una metodología validada para la clasificación de patrones de conducción que puede ser integrada en sistemas de monitoreo. Los modelos desarrollados tienen aplicaciones potenciales en sistemas de asistencia al conductor, análisis de seguridad vial, optimización de rutas y desarrollo de vehículos autónomos.