Por qué la tecnología marca la diferencia en el flujo de pasajeros
Habiendo instalado, configurado y calibrado personalmente sistemas de gestión de flujos en aeropuertos de todos los tamaños a lo largo y ancho de las Américas, puedo asegurarles que el tema es mucho más complejo de lo que muchos imaginan.
El sistema de gestión del flujo de pasajeros de Xovis se utiliza actualmente en más de 120 aeropuertos de todo el mundo. Con una trayectoria como esa, pueden estar seguros de que nos hemos enfrentado en repetidas ocasiones a nuevos escenarios operativos que han requerido soluciones a medida. La reciente implantación del sistema de entrada y salida en Europa supone otra complicación en los procesos que está llevando a más aeropuertos a revisar sus procedimientos y la solución con la que los miden. Lo que descubren suele ser una sorpresa desagradable.
Los aeropuertos se componen de procesos diversos y muy complejos, muchos de los cuales cambian sin previo aviso. Si tu aeropuerto confía en una solución que no se adapta a esos cambios —y me refiero a cambios diarios sin previo aviso—, estás subestimando a tu equipo.
Xovis lo sabe, yo lo sé y tú lo sabes: esos cambios son simplemente una realidad de las operaciones aeroportuarias. Se abre una barrera retráctil, se cierra un carril para limpiarlo, se retiran los adornos navideños del techo. Por eso Xovis ha desarrollado un nuevo enfoque más inteligente para la detección de colas, uno que se basa cada vez más en la IA y en algoritmos avanzados de aprendizaje automático.
Estos algoritmos no solo analizan el movimiento, el comportamiento y los patrones de los pasajeros, sino que también evalúan características contextuales como la dirección en la que miran las personas. Esto permite determinar con mucha mayor precisión si alguien forma realmente parte de una cola o simplemente está pasando por la zona.
Un seguimiento de alta calidad de los pasajeros es esencial para una detección fiable de las colas y una recopilación precisa de datos. Sin embargo, lograr un seguimiento fiable puede resultar especialmente complicado en zonas amplias y concurridas, donde los pasajeros pueden permanecer en la cola durante largos periodos de tiempo antes de pasar por un control o un proceso.
Un factor clave es la oclusión. Para garantizar que no se pase por alto a ningún pasajero, debemos evitar que las personas más altas bloqueen físicamente a las más bajas y las hagan invisibles para el sensor. Es importante comprender que la oclusión es una realidad física y no una limitación de una tecnología específica. Todas las tecnologías de detección se enfrentan al mismo reto.
Aunque todas las tecnologías se enfrentan a retos de oclusión, hay factores que minimizan estos casos. Por ejemplo, los sensores instalados en el techo presentan una incidencia de oclusión mucho menor en comparación con los sensores instalados en la pared. Los sensores instalados en el techo reducen significativamente el riesgo de que los pasajeros se bloqueen mutuamente la visión. Al observar desde un lateral, especialmente en zonas con techos bajos, la oclusión puede producirse fácilmente y afectar negativamente a la calidad de los datos.
Por supuesto, existen métodos para reasignar las trayectorias perdidas a otras recién generadas. Se trata de un método que Xovis lleva utilizando desde hace varios años y que, en general, funciona bien. Sin embargo, en colas densas, y sobre todo cuando la escena no se captura desde una perspectiva verdaderamente cenital, puede resultar difícil emparejar correctamente las trayectorias perdidas con las nuevas adecuadas.
Ya hoy en día, nuestros sensores utilizan IA integrada para el reconocimiento en el propio sensor de atributos personales, como la expresión de género, la estimación de la edad aparente y la dirección de la mirada. Todas estas capacidades se basan en el procesamiento de fuentes de datos muy completas. Es evidente que el potencial de la IA va mucho más allá de lo que se utiliza actualmente, y esperamos avances sustanciales en los próximos meses y años.
¿Y si se pudiera identificar claramente una pista perdida y reasignarla a la persona correcta basándose en atributos como la apariencia, el color o el tipo de ropa, el grupo de edad o los patrones de comportamiento, todo ello respetando la privacidad, sin que los datos salgan del sensor ni se almacenen?
En ese caso, la ya elevada calidad del seguimiento se acercaría a la perfección, lo que, junto con algoritmos avanzados de detección de colas, permitiría alcanzar un nuevo nivel de rendimiento.
Con el nuevo sensor de análisis de grandes áreas de la serie PF de Xovis, que cuenta con diez veces más potencia de procesamiento que otros sensores, este tipo de escenarios son cada vez más realistas. Y lo mejor del PF es que, al igual que otros sensores de Xovis, todos los cálculos y el procesamiento de datos se realizan directamente en cada sensor individual. Como dispositivo periférico, nuestro sensor no depende de una gran infraestructura de servidores locales para realizar sus tareas: simplemente lo hace todo por sí mismo.
Una cosa está clara: para permitir un seguimiento verdaderamente fluido y aprovechar al máximo el potencial futuro de la IA, la tecnología subyacente debe procesar datos basados en imágenes. Estas fuentes de datos son ricas en información y constituyen la base para mejorar el rendimiento del seguimiento, reforzar los algoritmos y, en última instancia, ofrecer una precisión de datos aún mayor.
A medida que las operaciones aeroportuarias siguen evolucionando, la capacidad de adaptar la tecnología de medición a las condiciones del mundo real cobrará cada vez más importancia. Al fin y al cabo, la calidad de la información que se obtenga dependerá siempre de la calidad de la tecnología que recopile los datos.
Sistema basado en la visión
Sistema de nube de puntos
Etiquetas: | gestión del flujo de pasajeros | operaciones aeroportuarias | detección de colas | análisis con IA | seguimiento de pasajeros |
