salUNIVERSIDAD POLITÉCNICA DE MADRID

ETSISI - ESCUELA TÉCNICA SUPERIOR DE INGENIERÍA DE SISTEMAS

INFORMÁTICOS

PROYECTO DE FIN DE GRADO

Grado en Ingeniería del Software

Conducción autónoma:
Estudio del estado del arte, impacto sobre la
movilidad y desarrollo de simulador de tráfico.

Autor: Alfonso Díez Ramírez

2018 - 2019
 UNIVERSIDAD POLITÉCNICA DE MADRID

ETSISI - ESCUELA TÉCNICA SUPERIOR DE INGENIERÍA DE SISTEMAS

INFORMÁTICOS

PROYECTO DE FIN DE GRADO

Grado en Ingeniería del Software

Conducción autónoma:
Estudio del estado del arte, impacto sobre la
movilidad y desarrollo de simulador de tráfico.

Autor: Alfonso Díez Ramírez

Tutora: M. Soledad Delgado Sanz

2018 - 2019
 A cada piedra del camino que me enseñó a tropezar

Y a cada persona que me ofreció su mano para levantar

Índice

Índice .................................................................................................................... i

Índice de Figuras ................................................................................................ iv

Resumen ............................................................................................................ vi

Abstract ............................................................................................................. vii

1.Introducción y Objetivos ................................................................................... 1

1.1 Introducción ............................................................................................... 1

1.2 Objetivos generales ................................................................................... 2

1.3 Objetivos específicos ................................................................................. 3

2.Estado del arte ................................................................................................. 4

2.1 Breve historia ............................................................................................. 4

2.2 ¿Qué es la conducción autónoma? ........................................................... 5

2.3 Niveles de automatización de la conducción ............................................. 6

2.4 Tipos de sensores...................................................................................... 8

2.4.1 Lidar .................................................................................................... 8

2.4.2 Radar................................................................................................... 9

2.4.3 Sonar ................................................................................................. 10

2.4.4 Cámaras ............................................................................................ 10

2.5 Visión artificial .......................................................................................... 11

2.6 Mapas ...................................................................................................... 13

2.7 Roadmap ................................................................................................. 14

2.8 Debate ético sobre el algoritmo del sistema ............................................ 16

2.9 Legislación Española ............................................................................... 17

3.Análisis del mercado ...................................................................................... 19

3.1 Mercado actual ........................................................................................ 19

i
 3.1.1 Tesla Autopilot ................................................................................... 19

3.1.2 Mercedes Benz Distronic Plus + Steering Assist .............................. 23

3.1.3 Audi Al Traffic Jam Pilot .................................................................... 24

3.2 Prototipos ................................................................................................. 25

3.2.1 Waymo Firefly ................................................................................... 25

3.2.2 Toyota Platform 3.0 ........................................................................... 26

3.2.3 Uber................................................................................................... 28

3.3 Conclusiones sobre el mercado............................................................... 30

3.4 Mobility as a Service ................................................................................ 30

4. Análisis de impacto sobre la movilidad.......................................................... 34

4.1 Análisis de puntos críticos por vía. Propuestas de impacto por conducción
autónoma........................................................................................................... 34

4.1.1 Carreteras interurbanas de varios carriles. ....................................... 34

4.1.2 Carreteras interurbanas de 1 carril.................................................... 40

4.1.3 Carreteras Urbanas (calles) de varios carriles. ................................. 42

4.1.4 Carreteras Urbanas (calles) de 1 solo carril por dirección. ............... 42

4.1.5 Vías rurales y caminos ...................................................................... 43

4.1.6 Conclusiones ..................................................................................... 43

4.2 Propuestas de mejoras de soporte a la conducción autónoma ............... 44

4.2.1 Sistema de comunicación vehículo a vehículo.................................. 44

4.2.2 Sistema de comunicación vehículo a red .......................................... 46

4.2.3 Semáforos virtuales inteligentes ....................................................... 48

5.Simulador ....................................................................................................... 50

5.1 Arquitectura de un sistema de conducción autónoma ............................. 50

5.1.1 Vista de Desarrollo (Diagrama de componentes y Distribución) ....... 51

5.1.2 Vista de Procesos (Diagrama de Actividad) ...................................... 53

5.1.3 Vista Lógica (Diagrama de Secuencia) ............................................. 53

ii
 5.1.4 Vista Física (Diagrama de Despliegue) ............................................. 55

5.1.5 Vista de Escenario (Diagrama de Casos de uso) ............................. 56

5.2 Elección de simulador .............................................................................. 58

5.2.1 Setosa.io ........................................................................................... 58

5.2.2 Volkhin Road Traffic Simulator .......................................................... 60

5.2.3 Traffic-simulation ............................................................................... 61

5.3 Pruebas en simulador .............................................................................. 61

5.3.1 Parámetros del simulador ................................................................. 63

5.3.2 Prueba 1 – Carreteras interurbanas de varios carriles con 1 entrada

de vehículos ............................................................................................... 64

5.3.3 Prueba 2 – Carreteras interurbanas de varios carriles con 1 salida de

vehículos .................................................................................................... 66

6.Conclusiones .................................................................................................. 68

6.1 Conclusiones generales........................................................................... 68

6.2 Reflexión sobre los aspectos éticos, sociales, profesionales y

medioambientales del proyecto. ........................................................................ 70

6.3 Líneas de ampliación ............................................................................... 71

Referencias Bibliográficas ................................................................................. 72

iii
Índice de Figuras
Figura 1 Cuadro utilizado en el estándar SAE J3016: niveles de
clasificación para los sistemas de conducción autónoma. ............... 7
Figura 2 Mapa creado por un sensor Lidar tras su análisis con
herramientas especializadas. [10] .................................................... 9
Figura 3 Interior de Tesla Model S, reconocimiento de imagen captado
por cámara ..................................................................................... 11
Figura 4 Imagen propagandística de las zonas de control de los
diferentes sensores del Autopilot 1.0 ............................................. 19
Figura 5 Imagen propagandística de las zonas de control de los
diferentes sensores del Autopilot 2.0 ............................................. 21
Figura 6 Imagen descriptiva de las zonas de control de los diferentes
sensores del Autopilot 2.0 .............................................................. 22
Figura 7 Imagen descriptiva zonas de control de cada sensor del
sistema de Mercedes ..................................................................... 23
Figura 8 Interfaz de la instrumentación del vehículo en modo AI Trafic
Jam .............................................................................................. 24
Figura 9 Imagen para la prensa del vehículo autónomo “firefly” de
Waymo. ....................................................................................... 25
Figura 10 Representación de la visión del modelo Firefly de Waymo ante
la situación detectada debajo ......................................................... 27
Figura 11 Imagen para la prensa Toyota para el CES 2018 .......................... 27
Figura 12 Imagen descriptiva de la situación de los sensores del sistema
platform 3.0 de Toyota ................................................................... 28
Figura 13 Imagen para la prensa del Uber ATG ............................................ 29
Figura 14 División del mercado total de la economía del pasajero descrita
por Intel [42] ................................................................................... 31
Figura 15 Análisis de las causas de accidente del departamento de
movilidad de Estados Unidos para el periodo comprendido
entre 2005 y 2007 .......................................................................... 39
Figura 16 Diagrama descriptivo método de comunicación vehículo a
vehículo .......................................................................................... 44

iv
Figura 17 Diagrama descriptivo método de comunicación vehículo a red ..... 47
Figura 18 Diagrama descriptivo método de comunicación vehículo a
semáforo ........................................................................................ 48
Figura 19 Diagrama de componentes y distribución ...................................... 51
Figura 20 Diagrama de Actividad para cálculo de trayectorias ...................... 53
Figura 21 Diagrama de Secuencia cálculo de ruta y ejecución de la
misma .......................................................................................... 54
Figura 22 Diagrama de despliegue de componentes hardware y sus
comunicaciones .............................................................................. 55
Figura 23 Diagrama de casos de uso desde el punto de vista del usuario. ... 57
Figura 24 Imagen del simulador Setosa.io ..................................................... 59
Figura 25 Segunda configuración del simulador dentro de Setosa.io ............ 59
Figura 26 Vista general Volkhin Road Traffic Simulator ................................. 60
Figura 27 Vista general simulador traffic-simulation ....................................... 61
Figura 28 Estado del simulador tras 30 segundos en la situación de
prueba 2 sin las modificaciones para simular vehículos
autónomos. ..................................................................................... 67
Figura 29 Estado del simulador tras 30 segundos en la situación de
prueba 2 simulando vehículos autónomos. .................................... 67

v
Resumen
La conducción autónoma es uno de los avances tecnológicos llamados a
revolucionar la manera en que se desarrollan nuestras vidas. Su utilización
permitirá ahorrar miles de horas al volante a conductores y profesionales del
sector del transporte por carreteras, entre otros, permitiendo dedicar este
tiempo a multitud de tareas.

En este PFG se analiza el estado actual de la conducción autónoma, tanto de

la tecnología, como de otros aspectos relacionados con la sociedad. Por otro
lado, se realiza un análisis de la situación actual del mercado, donde existen
soluciones ya a la venta y un sinfín de prototipos que se están utilizando para
realizar pruebas para mejorar la tecnología.

La conducción autónoma tendrá igualmente efectos sobre nuestra concepción

de movilidad e incluso de propiedad sobre los vehículos. En este documento
también se realiza un análisis sobre estos puntos, con especial énfasis en el
efecto que tendrá esta tecnología sobre las congestiones del tráfico, uno de los
mayores problemas que sufren las grandes urbes.

Así mismo, se ofrece una aproximación a una serie de posibles soluciones

técnicas complementarias que servirán para mejorar la eficiencia de los
sistemas de los vehículos autónomos como son, por ejemplo, métodos de
comunicación entre los sistemas de los vehículos.

Por último, se detallan algunas pruebas realizadas sobre un simulador para

determinar si las tesis sobre la movilidad alcanzadas previamente son
correctas.

vi
Abstract
Autonomous driving is one of the technologies that will change the way our lives
work. This technology is going to save a lot of time to drivers and transportation
professionals, making possible this time to be spent in many other things.

On the one hand, in this FDP we are going to analyze the state of the art of the
autonomous driving, not only related to the technology involved but the impact
on many other aspects related to the society. On the other hand, the market is
also going to be analyzed, where there are a lot of solutions on sale and
prototypes that are being tested in order to improve the technology.

The autonomous driving will take effect in our concept of mobility and the way
we own a vehicle. In this document both topics are going to be studied, being
focused on the impact of this technology on the traffic jams, that is one of the
biggest problem of the big cities.

Likewise, this document contains an approach of several complementary

technical solutions to improve the efficiency on autonomous vehicles such as
communication methods between vehicle’s systems.

Finally, a group of tests over a simulator are detailed to determine the

correctness of the proposed thesis about mobility.

vii
1.Introducción y Objetivos
1.1 Introducción
La irrupción de los sistemas de conducción autónoma ya es una realidad,
existiendo en la actualidad fabricantes de automóviles como Mercedes
(modelos Clase E) o Tesla (Modelos S y X) que incluyen características propias
de la conducción autónoma.

En este ámbito cabe destacar que aún no se ha alcanzado un nivel de

automatización suficiente para prescindir de la supervisión humana. Para saber
en qué punto del desarrollo se sitúan los sistemas actuales podemos acudir a
la escala que ha elaborado la Sociedad de Ingenieros Automotrices (SAE) [1].

En dicha escala podemos encontrar 6 niveles o categorías [2], de forma que

cuanto mayor sea el nivel, menos necesaria será la intervención del conductor:

- Categoría 0 (Ninguna automatización).

- Categoría 1 (Asistencia al conductor).
- Categoría 2 (Automatización parcial de la conducción).
- Categoría 3 (Automatización condicionada).
- Categoría 4 (Automatización elevada).
- Categoría 5 (Automatización completa).

En el mercado actual existen soluciones que han alcanzado el nivel 3 en dicha

escala y se prevé que para 2025 se alcancen en gran cantidad de fabricantes
el nivel 4 y 5 de automatización de la conducción.

En este escenario se presentan muchos retos, oportunidades e incógnitas en

torno a cómo afectara la conducción autónoma a nuestra movilidad.

Una de las mayores incógnitas es cómo afectará dicha tecnología a los atascos
(congestiones de tráfico). Todo parece indicar que los reducirá de manera
notable, pues, entre otras cosas, los accidentes son una de las causas más

1
habituales de retenciones y la conducción autónoma reducirá al mínimo los
accidentes provocados por el factor humano, que se estima es la única causa
de accidente en un 76% de los accidentes totales y es una de las causas, o la
única, en el 94% [3].

Por otra parte, si cada fabricante utiliza un algoritmo y factores o parámetros

distintos a la hora de automatizar la conducción (asociados a la velocidad,
aceleración, distancia para comenzar a frenar, etcétera), esta no será lo más
efectiva posible en la mejora de la movilidad. Al igual que se hace en muchos
otros campos, el uso de simuladores ayudaría notablemente en la validación de
estos aspectos, sin riesgos para la población (algo que actualmente está
sucediendo al realizar las pruebas de los nuevos modelos de conducción
autónoma en carreteras).

A lo largo de este documento se tratará de establecer en qué estado de

madurez se encuentra la tecnología en este instante, qué cambios se deberán
realizar a nivel de infraestructura, tanto física como digital (redes de carreteras,
sensores, información compartida entre coches, etc.), con especial enfoque en
el software intrínseco a la conducción autónoma y cómo serán los efectos
reales de esta tecnología sobre los atascos y la regulación del tráfico. Además,
se realizará mediante software una pequeña simulación que ponga a prueba
las tesis alcanzadas.

1.2 Objetivos generales

Este proyecto pretende cubrir los siguientes objetivos generales:

• Analizar el concepto de conducción autónoma.

• Analizar las soluciones actuales del mercado.
• Estudiar los impactos de la conducción autónoma sobre la movilidad.
• Proponer mejoras a los sistemas actuales.
• Simular un caso de uso para demostrar las tesis alcanzadas en el
estudio de impactos y la efectividad de las mejoras propuestas
anteriormente.

2
1.3 Objetivos específicos
Los objetivos específicos que cumplir se engloban dentro de los objetivos
generales:

• Para analizar el concepto de conducción autónoma:

o Definir el concepto de conducción autónoma.
o Analizar las clasificaciones que se realizan en los diferentes
estándares actuales.
o Describir la arquitectura de una posible solución de conducción
autónoma.
• Para analizar las soluciones actuales del mercado:
o Describir las soluciones actuales del mercado.
o Organizar las diferentes soluciones actuales del mercado.
o Análisis de las condiciones limitantes.
• Para estudiar los impactos de la conducción autónoma sobre la
movilidad:
o Analizar teóricamente el impacto para las situaciones posibles.
o Realizar tesis propias sobre el impacto.
• Para proponer mejoras a los sistemas actuales:
o Analizar diferentes propuestas de profesionales del sector.
o Proponer mejoras propias.
o Analizar las propuestas propias.
• Para simular un caso de uso para demostrar las tesis alcanzadas en el
estudio de impactos y la efectividad de las mejoras propuestas
anteriormente:
o Realizar simulación de tráfico usando coches con sistemas de
conducción autónoma.
o Análisis de los datos obtenidos.
o Comparación de los datos obtenidos con las tesis predichas.

3
2.Estado del arte
2.1 Breve historia
El concepto de conducción autónoma se utilizó por primera vez en 1939. En
este año se presentó en la Exposición Universal de Nueva York un prototipo de
coche que consistía en un vehículo con motor eléctrico que circulaba por un
circuito eléctrico embebido en el pavimento. Este circuito enviaba al vehículo
pulsos eléctricos indicando la velocidad a la que debía circular.

Pasaron 40 años hasta el siguiente salto en esta tecnología. En 1980 se

llevaron a cabo 2 proyectos simultáneamente: mientras que en Estados Unidos
DARPA desarrolló un coche que mediante un radar laser y visión artificial era
capaz de detectar obstáculos en la vía, en el otro lado del Atlántico, la
Comisión Europea subvenciono con 800 millones de euros un proyecto
(EUREKA Prometheus) de la Universidad de Múnich y Mercedes para
desarrollar una furgoneta autónoma.

En 1994 se produce el mayor avance en este campo, dos coches autónomos

idénticos (VaMP y Vita-2) fabricados por Daimler-Benz consiguieron circular
más de 1000 km por autopistas de París de varios carriles con pequeñas
intervenciones humanas.

En 1995, fruto del proyecto europeo EUREKA Prometheus, el mismo equipo

que inició el proyecto modificó un Mercedes-Benz clase S para que realizara el
trayecto Munich-Copenague, completándolo con una media de una
intervención cada 9 km e incluso alcanzando una velocidad de 175 km/h en las
autobahn alemanas [4].

A raíz del concurso DARPA Grand Challenge de 2005, donde el equipo de

Sebastian Thrun (Director del Stanford Artificial Intelligence Laboratory y
coinventor de Google Street View) resultó ganador con un vehículo autónomo
llamado Stanley [5], Google comienza a desarrollar vehículos autónomos bajo
el nombre de Waymo. Sin embargo, debido a la legislación de Estados Unidos,
no pueden realizar pruebas en entornos reales hasta que en 2012 el estado de

4
Nevada modifica la regulación de tráfico, permitiendo a Google obtener las
licencias para probar sus vehículos, siendo el primer vehículo en conseguir la
licencia un Toyota Prius con el sistema Driverless de Google instalado [6].

Por último, cabe destacar la llegada al mercado general del primer coche con
categoría de conducción autónoma por encima del nivel 2 del SAE; en 2012 se
lanza al mercado el Tesla Model S [7], cuya primera generación incluía un
sistema de conducción autónoma que se encuadraría en el nivel 2. Mas
adelante, en 2017, Mercedes Benz saca al mercado el nuevo modelo de su
clase E [8], cuyo sistema de conducción autónoma se clasificaría en ese mismo
nivel. Ambos modelos han ido evolucionando hasta que, actualmente, el
sistema Autopilot 2.5 de Tesla ha alcanzado nivel 3 del SAE, mientras que el
de Mercedes DRIVE PILOT está cerca de conseguir dicho nivel.

Por otro lado, existen prototipos que están realizando pruebas en entornos
reales cuya clasificación podría situarse en el nivel 5, como el Firefly de
Waymo.

Todos estos sistemas se analizarán en detalle en el capítulo 3.

2.2 ¿Qué es la conducción autónoma?

La Sociedad de Ingenieros Automotrices en su estándar J3016 habla de tareas
para conducción dinámica cuando se refiere a las acciones necesarias para la
conducción autónoma [9]. Por tanto, cuando nos referimos a conducción
autónoma en términos del SAE, nos referimos a un vehículo que es capaz de
realizar las siguientes tareas:

1. Control de movimiento lateral del vehículo a través de la dirección.

2. Control de movimiento longitudinal del vehículo mediante aceleración

y desaceleración.

3. Monitoreo del entorno a través de la detección de objetos y eventos,

incluye reconocimiento, clasificación y preparación de respuestas.

4. Ejecución de la respuesta ante objetos y eventos.

5
 5. Planificación de maniobras.

6. Aumento de la visibilidad a través de iluminación, señalización, etc.

Podemos observar que en estas tareas se excluyen las acciones estratégicas

como la planificación de la ruta, la elección de puntos por los que pasar en
dicha ruta, etc.

Se podría simplificar dicha definición a decir que la conducción autónoma es

una modalidad de conducción en la cual las tareas que realiza el conductor
recaen en un sistema informático compuesto de un hardware (sensores,
actuadores y una plataforma) y un software.

Cabe destacar que los sistemas de conducción autónoma actuales se clasifican

en diferentes niveles, acorde a las tareas que son capaces de desempeñar sin
intervención humana.

2.3 Niveles de automatización de la

conducción
Aunque existen multitud de clasificaciones diferentes, la realizada en el
estándar SAE J3016 es la más reconocida dentro del mundo de la conducción
autónoma (Figura 1).

En ella encontramos 6 niveles [2], de forma que cuanto mayor es el nivel,

menos necesaria es la intervención del conductor.

- Categoría 0 (Ninguna automatización): El conductor debe realizar el

control completo, tanto del movimiento longitudinal, como del
movimiento lateral, es decir, controlar la velocidad del vehículo y
encargarse de realizar los giros respectivamente.

- Categoría 1 (Asistencia al conductor): El vehículo cuenta con algún

sistema de automatización, pudiendo tratarse de un sistema de control
del movimiento longitudinal o lateral, pero no de ambos a la vez. Así
mismo, el sistema no cuenta con detección de objetos o solo reconoce
algunos objetos, como pueden ser otros vehículos. Por otro lado, el

6
 sistema solo funciona bajo ciertas condiciones y el conductor debe
realizar en la práctica la gran mayoría de sus funciones normales.

Figura 1 – Cuadro utilizado en el estándar SAE J3016 para resumir los diferentes niveles de clasificación
para los sistemas de conducción autónoma.

- Categoría 2 (Automatización parcial de la conducción): El vehículo

cuenta con sistemas de control del movimiento longitudinal y lateral
simultáneamente, por lo que ya no se requiere la participación del
conductor en tareas relativas al movimiento. Sin embargo, el sistema no
es capaz de detectar y reaccionar ante todo tipo de objetos y
eventualidades, por lo que el conductor debe realizar las acciones que
requieran las situaciones no cubiertas por el sistema. Como en la
categoría 1, el funcionamiento del sistema está limitado a ciertas
condiciones.

- Categoría 3 (Automatización condicionada): El cambio principal con

respecto a la categoría 2 es que el sistema cuenta con detección y
respuesta completa ante objetos y eventualidades. Esto permite al
usuario no actuar como conductor en los periodos donde se cumplan las
condiciones de funcionamiento del sistema. Sin embargo, el usuario

7
 debe estar atento ante posibles fallos o perdida de las condiciones
necesarias para el correcto funcionamiento del sistema.

- Categoría 4 (Automatización elevada): Se introduce la figura del sistema

de respaldo, que se encarga de actuar en caso de error para llevar el
vehículo hasta una situación de menor riesgo (pudiendo estacionar en el
arcén o circular hasta el momento en que el sistema principal vuelva a
funcionar correctamente), por lo que desaparece la figura del conductor.
Sin embargo, el sistema sigue funcionando solo bajo ciertas
condiciones, por lo que el vehículo podría encontrarse en situaciones en
las que no pudiera seguir circulando.

- Categoría 5 (Automatización completa): En esta categoría se incluirían

los sistemas que disponen de las características descritas en la
categoría 4, pero que no tengan condiciones bajo las que no podrían
circular.

2.4 Tipos de sensores

En esta sección se analizarán los principales sensores que toman parte en las
tareas de monitorización del entorno

2.4.1 Lidar

El nombre proviene de su acrónimo en inglés “Laser Imaging Detection and

Ranging”.

En el caso de los vehículos autónomos se utiliza un lidar de 360 grados que

mediante un complejo sistema de láseres y espejos consigue generar un
mapeado 3D del entorno del vehículo en tiempo real [10]. Este mapa se realiza
mediante la medición del tiempo que tarda el láser en impactar contra el objeto
y volver al sistema de espejos (Figura 2).

8
Figura 2 - Mapa creado por un sensor Lidar tras su análisis con herramientas especializadas. [10]

Sin embargo, este tipo de sensor es muy costoso y voluminoso. En este

sentido las empresas que trabajan en mejorarlo se centran en reducir su
tamaño y aumentar la cantidad de información que son capaces de captar,
mientras que confían en que el precio se reduzca a medida que aumente la
demanda. Actualmente el precio de mercado ronda los 30000 USD por lo que
resulta un gasto muy elevado para los fabricantes de automóviles.

Este sensor resulta determinante para tratar de reducir las condiciones

limitantes de circulación de los vehículos. En este sentido, se trata de un
sensor que en sus versiones actuales no se ve afectado por condiciones como
niebla, lluvia, nieve o baja luminosidad ambiental, aunque originalmente y aun
en la mayoría de fabricantes es más vulnerable a estas condiciones que, por
ejemplo, un radar.

2.4.2 Radar

Su nombre proviene del acrónimo en inglés “Radio Detection and Ranging”.

Su uso en coches autónomos es diverso, aunque generalmente sirve para

detectar todo tipo de obstáculos en largas distancias y en direcciones
focalizadas. Al igual que el lidar, funciona mediante la emisión de ondas de

9
radio a una determinada frecuencia y su posterior rebote en los objetos y
recepción por el sensor. Con este procedimiento calcula tanto la distancia como
la velocidad de un objeto.

Dado que este sensor consigue resultados en 2D, no es posible determinar la

altura del obstáculo pese a que esto es determinante. Actualmente se está
trabajando en radares 3D para suplir esta carencia. En los sistemas actuales,
esta limitación se supera mediante un conjunto de cámaras o el uso del Lidar.

2.4.3 Sonar

Su nombre proviene del acrónimo en inglés “Sound Navigation and Ranging”.

Su uso en coches autónomos es el de detectar obstáculos en un rango de

espacio corto, generalmente en torno al vehículo. Su funcionamiento consiste
en la emisión de impulsos sonoros en frecuencias inaudibles para los seres
humanos (normalmente ultrasonidos), recepción del rebote o eco de estos
sonidos sobre los obstáculos en su radio de detección y cálculo de su distancia.

La ventaja de estos sensores es que son capaces de atravesar objetos para

localizar y mapear el entorno.

2.4.4 Cámaras

Un sistema de cámaras (generalmente monocromáticas para reducir su coste)

se encarga, mediante visión artificial, de reconocer objetos, distancias, la
posición de las líneas limítrofes de los carriles y las señales de la vía (Figura 3).

Funcionan mediante una red neuronal entrenada previamente para reconocer

en imágenes los patrones asociados a cada objeto que deben detectar y
categorizar.

10
Figura 3 - De izquierda a derecha y de arriba abajo: Interior de Tesla Model S y leyenda, reconocimiento
de imagen captado por cámara izquierda enfocada hacia delante, reconocimiento de imagen captado por
cámara delantera de medio alcance y reconocimiento de imagen captado por cámara derecha enfocada
hacia atrás. Fuente: captura video https://www.tesla.com/videos/autopilot-self-driving-hardware-
neighborhood-long

2.5 Visión artificial

Para un computador, una imagen solo es una sucesión de unos y ceros. Para
dar sentido a esta información básica y transformarla en conocimiento de más
alto nivel es para lo que se explota la rama de la inteligencia artificial conocida
como visión artificial. Esta se encarga del desarrollo de algoritmos para dotar a
los computadores de la capacidad de analizar imágenes [11]. En este sentido,
se trabaja en el desarrollo de algoritmos de aprendizaje automático que
categoricen los diferentes objetos que aparecen en las imágenes analizadas.
La visión artificial utiliza tanto técnicas supervisadas como no supervisadas.

Las técnicas de aprendizaje supervisado consisten en proporcionar al

computador que se desea entrenar una serie de patrones pre-analizados y
etiquetados, que permitan al algoritmo diferenciar, tras el entrenamiento, con
qué tipo de etiquetado se corresponde cada patrón cuando estos ya no estén
etiquetados. Generalmente se utiliza para labores de clasificación [12].

Las técnicas de aprendizaje no supervisado consisten en proporcionar al

computador patrones sin etiquetar y es dicho computador, mediante el

11
algoritmo desarrollado, quien debe definir los grupos y categorizarlos.
Generalmente se usa para tareas de clustering [12].

En el campo de la conducción autónoma, la visión artificial juega el papel más

importante. El computador central o plataforma se encarga de analizar
mediante técnicas de visión artificial toda la información recibida de los
sensores y es capaz de formar una imagen completa de su entorno y utilizar
dicha información para la toma de decisiones relacionadas con la conducción.

Las principales labores de estos algoritmos consisten en la detección de las

líneas de la carretera, la lectura de señales, la detección de obstáculos, la
detección de vehículos y peatones y su distancia, entre otras. En este sentido,
se requieren cientos de miles de horas de entrenamiento para conseguir que
un coche autónomo esté preparado para todas las posibles situaciones que
pueden surgir durante el desarrollo de sus funciones. Realizar este
entrenamiento es costoso y existen situaciones cuya réplica sería compleja,
cara y peligrosa en el mundo real. La Universidad Autónoma de Barcelona
junto con un equipo de expertos de Toyota están trabajando en un proyecto en
desarrollo llamado proyecto CARLA [13], que consiste en simular situaciones
complejas con el suficiente realismo para que permita realizar entrenamientos
sobre los sistemas de conducción autónoma. Este proyecto es open source y
tiene por finalidad potenciar la viabilidad del coche autónomo.

Por otro lado, diferentes empresas están trabajando en la mejora de sus

algoritmos de visión artificial. Entre ellas, la empresa Mobileye ha conseguido
que los vehículos que equipan sus sistemas sean capaces de conducir de
manera autónoma en autopista, sin más sensores que un conjunto de cámaras.
Este avance reduce significativamente los costes y permitiría al usuario final
tener un sistema de ayuda en la conducción a un precio más asequible que las
soluciones que existen en el mercado actualmente.

12
2.6 Mapas
Diferentes compañías y expertos independientes han coincidido en la
necesidad de desarrollar mapas con mayor detalle, que han denominado
comúnmente mapas 3D [14]. Entre sus argumentos se encuentra que, si el
coche autónomo conoce de antemano la mayoría de información de la vía, se
puede centrar en lo que cambia, es decir, la presencia de vehículos, peatones y
nuevos obstáculos.

Si nos ceñimos a lo puramente técnico, los mapas que se están implementando

consisten en información muy precisa sobre la localización de las carreteras,
carriles, obstáculos en las vías, señalización, etc., es decir, una inteligencia
colectiva de lo que analiza de manera constante un coche autónomo. Para
estos mapas la precisión es tan importante que la pequeña alteración de las
placas tectónicas que se sufre anualmente, de pocos centímetros, afectaría
notablemente a los mismos [15][16].

Estos mapas presentan dos problemáticas: la primera es su almacenaje y

transmisión y la segunda son los problemas de privacidad. Actualmente los
sistemas existentes de conducción autónoma recopilan en torno a un terabyte
de datos al día. Transmitir por medios tradicionales, como internet, tal cantidad
de datos resulta complicado. Los fabricantes están realizando estas
transmisiones disco a disco, cosa que será sumamente compleja cuando toda
la población de vehículos escape a su control al estar en posesión del usuario
final. Con respecto a la privacidad, cuando se lanzó al mercado Google Maps y
Google Earth, muchas personas solicitaron el borrado de sus domicilios por
razones de seguridad y finalmente se borraron las caras de personas y las
matrículas de los vehículos. Con la salida al mercado de estos mapas mucho
más detallados se deberá analizar donde está el límite de información que
pueden contener. Cabe destacar que estos mapas estarían dirigidos a dar
información a sistemas y no a personas.

13
2.7 Roadmap
Cuando hablamos de roadmap nos referimos a los planes que tienen los
diferentes interesados en esta tecnología para su desarrollo y explotación.
Dado que muy pocas empresas publican sus planes, mi análisis se basará en
diferentes estimaciones.

En este sentido se está trabajando en varias líneas:

- Reducción de los costes de producción de sensores y vehículos.

Se cree que es algo que vendrá junto con la producción masiva. Sin
embargo, las empresas de sensores están trabajando en reducir los
costes de fabricación y en mejorar tanto los tamaños como la precisión
de los mismos.
Por otro lado, los fabricantes de automóviles se están esforzando en
automatizar sus fábricas para reducir el coste de fabricación. En este
sentido, por ejemplo, Tesla planea fabricar sus vehículos en una “Dark
Factory” a partir de 2021, es decir, fabricas donde todas las tareas son
realizadas por robots y por tanto no hace falta que haya luces
encendidas en las mismas [17].

- Mejora de los sistemas de conducción autónoma.

Se está realizando continuamente el entrenamiento de los sistemas de
los vehículos. De igual manera, se están desarrollando herramientas
alternativas, como el Proyecto CARLA, para realizar entrenamientos en
entorno virtual.

- Incremento de la cuota de mercado con respecto a los vehículos con

conducción tradicional.
Actualmente existen barreras legales para vender en algunos países los
vehículos con sistemas de conducción autónoma implantados, lo que
constituye la primera barrera para aumentar la cuota de mercado. Por
otro lado se están realizando tanto labores de marketing como
incrementos en la producción en masa de estos vehículos, aunque no se
prevé que sean mayoritarios en el mercado hasta 2045 [18].

14
 - Mejora de la legislación.
La mayoría de países están estudiando modificaciones en la legislación
para posibilitar que estos sistemas tengan un uso seguro para los
usuarios de la vía, así como establecer unos procesos de calidad y
mantenimiento de los mismos. Se analizarán los avances en la
legislación para el caso concreto de España en el apartado 2.10.

- Confianza de los usuarios.

En las últimas fechas la confianza de los usuarios en los vehículos
autónomos se ha visto disminuida por los diferentes accidentes que han
sufrido. Las empresas desarrolladoras deben hacen un esfuerzo en
disminuir estos accidentes al mínimo y en concienciar al usuario de que
existen accidentes inevitables incluso para vehículos autónomos. En
este sentido, las empresas que están realizando pruebas en entornos
reales en el estado de California, desarrollan anualmente un informe
sobre las millas que recorrieron sus vehículos y el número de fallos que
sufrieron sus sistemas. Para el año 2016 se obtuvieron los siguientes
valores para las 3 marcas que más millas recorrieron en pruebas:

Compañía Millas recorridas Fallos Relación Fallos/1000 Millas

Waymo [19]* 635.868 124 0,20

General Motors [20] 10.015 284 28,36

Nissan [20] 4.099 178 43,43

*Google solo notifica los fallos que, a su juicio, habrían desembocado en accidente en caso de
no haberse producido acción humana.

Como se puede extraer de estos datos, el número de fallos es aún muy

alto y supone un riesgo notable para los usuarios. Por lo tanto, es vital
que todas las líneas de trabajo del roadmap confluyan en la mejora de
los sistemas, pues es el pilar central sobre el que se sustenta esta
tecnología.

15
2.8 Debate ético sobre el algoritmo del
sistema
Actualmente existe un intenso debate en torno a diferentes situaciones límite
en las que puede encontrarse un sistema de conducción autónoma, en las
cuales la decisión de qué vidas salvar recaería sobre el algoritmo utilizado [21].

Está claro que esta tecnología, si se utilizara por todos los vehículos que
circulasen por una vía, reduciría al mínimo las situaciones de riesgo, pero es
imposible eliminarlas por completo, ya que existen circunstancias ajenas a la
propia circulación que podrían causarlas. En este sentido, supongamos un
accidente inevitable para el sistema y una toma de decisiones limitada. Por
ejemplo, si este tuviera que elegir entre chocarse contra un muro, con alta
probabilidad de herir o matar a los usuarios del propio sistema o atropellar a
varios peatones con la misma probabilidad de herir o matar a dichos peatones,
¿qué decisión debe tomar el sistema?. Las opciones más relevantes que se
presentan son las siguientes (existen otras):

- Valorar más la vida de los usuarios del sistema, pues son quienes pagan
por su uso.
- Valorar más la vida del peatón, pues él no ha asumido ningún riesgo de
manera directa con respecto al vehículo, es decir, no ha obtenido
ninguna ventaja del uso del sistema ni ha asumido ningún riesgo por su
uso.
- Que el sistema valore la cantidad de vidas en riesgo ante cada decisión
y tome esto en cuenta, es decir, minimizar el número de vidas en riesgo.
- Que el sistema valore la edad de las personas afectadas por cada
decisión, priorizando la vida de los más jóvenes.

Un estudio de la Toulouse School of Economics [22] sondeaba a un grupo de

personas de múltiples nacionalidades sobre cuál sería su decisión ante el
escenario anterior; Primero se les dio a elegir entre que el vehículo salvase a
un grupo de 10 personas o salvase al conductor, siendo el 75% de las
respuestas favorables a salvar al grupo de peatones, sin embargo, este
porcentaje se redujo al 50% al cambiar el número de peatones a uno. Lo cual

16
demuestra lo complejo del debate y la clara división de opiniones, aunque sí
parece existir cierto consenso en cuanto a priorizar la minimización de vidas
perdidas.

Desde luego este debate es algo a lo que debemos enfrentarnos antes de la

llegada de vehículos cuyo sistema se sitúe en el nivel 4 y se deberá regular de
igual manera en todo el mundo, acorde a la postura que se tome como la más
ventajosa para todos los implicados.

Esto evitara que se genere una batalla comercial en torno a esta decisión, ya
que parece claro que la mayoría de posibles compradores de un vehículo
priorizarán que el propio sistema valore más su vida que la de cualquier otra
persona a la hora de elegir su vehículo. Además, evitaría hacer recaer
cualquier tipo de responsabilidad moral o legal sobre el propio desarrollador del
sistema.

2.9 Legislación Española

El 13 de noviembre de 2015 la DGT estableció un marco temporal para la
realización de pruebas de vehículos autónomos en carretera. Este marco trata
de establecer un primer paso jurídico para la llegada de estos vehículos al
mercado.

A diferencia del resto de la comunidad europea, que tiene muchas más

limitaciones para los cambios de regulación del tráfico, España no se adhirió al
acuerdo de la convención de Viena de 1968, por lo que dispone de mayor
autonomía para la regulación. Sin embargo, cabe destacar que dicho tratado ha
sido modificado para permitir pruebas de vehículos autónomos.

Este primer marco fija de cara a futuras leyes qué es un vehículo autónomo y lo
diferentes niveles de automatización, siendo estos los mismos que define el
SAE y que han sido detallados previamente en este documento.

La definición de vehículo autónomo fijada es la siguiente:

17
 “Todo vehículo con capacidad motriz equipado con tecnología que
permita su manejo o conducción sin precisar la forma activa de control o
supervisión de un conductor, tanto si dicha tecnología autónoma
estuviera activada o desactivada, de forma permanente o temporal” [23].

Esta definición excluye a los vehículos hasta el nivel 2, inclusive, y obliga a los
vehículos con un sistema de mayor nivel a solicitar una autorización para la
realización de pruebas. Así pues, el primer vehículo en solicitarla fue un Citroen
C4 picasso, para realizar la ruta Vigo-Madrid, siendo el vehículo el responsable
de controlar de manera autónoma tanto aceleración y frenada como giros y
adelantamientos [24].

Sin embargo, dado que esta definición excluye a los vehículos con nivel 2 o
inferior, se permite a estos automóviles circular con sus sistemas en
funcionamiento sin ninguna restricción.

A partir de marzo de 2016 entro en vigor la norma que autoriza a vehículos el

aparcamiento de manera autónoma, es decir, el conductor abandona el
vehículo y este realiza todas las tareas pertinentes, tanto la búsqueda de
aparcamiento como las acciones necesarias para su estacionamiento. En esta
norma se establecen una serie de requisitos para que la maniobra sea legal,
como por ejemplo, que no exista una distancia mayor a 15 metros entre el inicio
y el fin de la maniobra [25].

18
3.Análisis del mercado
3.1 Mercado actual
En este apartado analizaremos los diferentes vehículos que se encuentran en
el mercado generalista cuyos sistemas poseen un nivel más alto en la escala
SAE.

Aunque no se mencione en el apartado dedicado a cada modelo, todos

cuentan con sistemas de caja negra para guardar registros en caso de
accidente.

3.1.1 Tesla Autopilot

Debemos diferenciar según los diferentes modelos que se han ido fabricando
desde su salida al mercado en 2014. Así pues, nos encontramos con 2
versiones de hardware y software distintos, aunque actualmente sus vehículos
se pueden adquirir con la versión de Autopilot 1.0 o Autopilot 2.0 dependiendo
de la opción reservada [26].

Autopilot 1.0

Figura 4 - Imagen propagandística de las zonas de control de los diferentes sensores del Autopilot 1.0

19
Se trata de la primera versión comercial del sistema y cuenta con los siguientes
sensores (Figura 4):

- Radar con una distancia de uso no especificada por Tesla. Cuya

zona de detección es la marcada en verde en la figura 4.
- Cámara delantera monocromática con una distancia de uso no
especificada. Cuya zona de detección es la marcada en azul en la
figura 4.
- Cámara trasera para uso humano.
- 12 sonars rodeando el vehículo con una distancia de uso de 5
metros. Cuya zona de detección es la marcada en amarillo en la
figura 4.

Todo ello controlado por la plataforma de Mobil EyeQ de Intel en su tercera

versión [27]. Dicho conjunto de sensores junto con la plataforma de Intel
permite al vehículo realizar de manera autónoma funciones suficientes para
situar su sistema en el nivel 2. Algunas de las funcionalidades que es capaz de
realizar son las siguientes:

- Control de la dirección (dentro del carril).

- Cambio de carril (carreteras con carriles bien marcados y con
necesidad de solicitarlo el conductor mediante la activación del
intermitente).
- Apagado automático de luces de largo alcance en caso de detección
de vehículo.
- Control de la aceleración y frenada del vehículo.
- Aparcamiento automático en línea y en batería con conductor.
- Velocidad máxima con funciones de Autopilot activadas de 145 km/h.

Autopilot 2.0

Se trata de la primera gran revisión tanto hardware como software del sistema.
Se incluye en los modelos a partir de noviembre de 2016 que encargaran dicha
funcionalidad (Figura 5).

20
Figura 5 - Imagen propagandística de las zonas de control de los diferentes sensores del Autopilot 2.0

Cuenta con los siguientes sensores (Figura 6):

- Radar con una distancia de 160 metros.

- Conjunto de 3 cámaras delanteras para mejorar su uso en cualquier
distancia:
o Estrecha: alcance de 250 metros.
o Principal: alcance de 150 metros.
o Ancha: alcance de 60 metros.
- 1 cámara lateral en cada lado apuntando hacia delante con una
distancia de uso de 80 metros.
- 1 cámara lateral en cada lado apuntando hacia atrás con una
distancia de uso de 100 metros.
- Cámara trasera con distancia de uso de 50 metros.
- 12 sonars rodeando el vehículo con una distancia de uso de 8
metros.

21
Figura 6 - Imagen descriptiva de las zonas de control de los diferentes sensores del Autopilot 2.0

Cambiando la plataforma a Nvidia Drive PX 2 AI computing system, esta

plataforma dispone de una capacidad de cómputo de 24 TOS (Billones de
operaciones con integers de 8 bits) [28].

En este caso el sistema conlleva una serie de cambios sustanciales que

permiten la monitorización de todo el entorno, lo que hace que se categorice en
el nivel 3. Además, las funcionalidades autónomas que permitiría realizar el
hardware son completas, aunque el software que las habilita se vende a parte,
por lo que se debe tener en cuenta que 2 vehículos con el mismo hardware
instalado podrían tener diferentes niveles de automatización. El sistema, una
vez activada esta opción, puede circular tanto por ciudad como por carretera,
ajustando su velocidad y carril de manera autónoma e incluso siendo capaz de
buscar aparcamiento o recoger al usuario desde el lugar donde quedo
estacionado, sin necesidad de conductor en el habitáculo. Este último aspecto
queda supeditado a la regulación de cada país [29][30].

22
3.1.2 Mercedes Benz Distronic Plus + Steering Assist

Este sistema aparece en el Mercado a mediados de 2016 y se le conoce

con varios nombres desde entonces (Intelligent Drive, entre otros) (Figura 7).
Se trata de una solución llamada a ser la competencia del Autopilot de Tesla.

Figura 7 - Imagen descriptiva zonas de control de cada sensor del sistema de Mercedes

Cuenta con los siguientes sensores [31]:

- Conjunto de cámaras 360º de hasta 500 metros de rango.

- Radar delantero de largo alcance de hasta 250 metros.
- Radar delantero de medio alcance de hasta 70 metros.
- Radar delantero de corto alcance de hasta 40 metros.
- Radar trasero de hasta 80 metros.
- Radar trasero de hasta 40 metros.
- Sonar alrededor del vehículo de hasta 4.5 metros.

Todos estos sensores facilitan la implementación de una serie de asistentes a

la conducción, que al unirse permiten alcanzar el nivel 2 en la escala SAE.
Durante las pruebas observadas se aprecia como el sistema requiere de ayuda
humana de manera frecuente [32]. Mercedes no hace mención a la plataforma

23
que realiza la computación de la información en ningún documento de los
consultados.

3.1.3 Audi Al Traffic Jam Pilot

Se trata de un sistema de conducción autónoma condicionada nivel 3 SAE que

permite al vehículo circular de manera autónoma siempre que se cumplan una
serie de condiciones: que el vehículo circule a menos de 60km/h, que se circule
por una vía con varios carriles para cada sentido, que no haya semáforos ni
peatones a la vista del vehículo y el tráfico en torno al vehículo sea denso. Es
decir, se trata de un sistema autónomo para la conducción en atascos (Figura
8). Se encuentra disponible en el mercado alemán, aunque aún no está
disponible para su compra en España [33][34].

Figura 8 - interfaz de la instrumentación del vehículo en modo AI Trafic Jam

Cuenta con los siguientes sensores para permitir el funcionamiento de su

sistema [35]:

- Doce sensores de ultrasonidos en el frontal, los laterales y la parte

trasera.
- Cuatro cámaras de 360º en el frontal, la parte trasera y los
retrovisores exteriores.
- Una cámara frontal en el borde superior del parabrisas.

24
 - Cuatro sensores de radar de medio alcance en las esquinas del
vehículo.
- Un sensor de radar de largo alcance en la parte delantera.
- Un escáner láser en la parte delantera.
- Una cámara de observación del conductor en la parte superior del
cuadro de instrumentos.

3.2 Prototipos
En el mercado podemos encontrar gran cantidad de empresas
desarrollando prototipos con el objetivo de analizar sus posibilidades de cara a
este mercado tan disruptivo. En los siguientes subapartados se incluyen las
más destacables.

3.2.1 Waymo Firefly

Figura 9 - Imagen para la prensa del vehículo autónomo “firefly” de Waymo.

El Waymo Firefly es uno de los primeros prototipos en realizar pruebas en

entorno real y en alcanzar el nivel 5, aunque este nivel 5 sea en entornos de
pruebas controlados (Figura 9). Este proyecto de la empresa Waymo, creada

25
inicialmente por Google en 2009, se canceló a mediados de 2017 para
centrarse en la evolución de los sistemas hacia su instalación en vehículos del
mercado general. Sin embargo, durante su funcionamiento ha servido para
mejorar claramente toda la tecnología relacionada con los vehículos autónomos
[36].

Debido a la regulación de Estados Unidos, acorde a cómo declaró Google

inicialmente el vehículo, este solo podía alcanzar los 40 km/h. Contaba con los
siguientes sensores [37]:

- LiDAR de 360º, con capacidad para generar 2.2 millones de puntos

por segundo, situado sobre el coche.
- 4 radars situados en diferentes puntos del parachoques.
- Por último, dispone de una cámara situada delante del espejo
retrovisor para detectar las luces de los semáforos.

Adicionalmente contaba con una plataforma de Intel para el análisis de los

datos. Sin embargo, el verdadero cerebro detrás de este prototipo era el
conjunto de mapas 3D creados, siendo su única labor durante la conducción la
de comparación del entorno por el que estaba circulando con el entorno
definido en sus mapas internos, definiendo durante la marcha qué elementos
consideraba estacionarios y cuáles no, así como sus tipos dentro de estas dos
categorías.

Este sistema es capaz de calcular la velocidad a la que se mueven todos los

objetos no estacionarios, sus posibles trayectorias en cada momento y
adaptarse a dichos cálculos en el desarrollo de su ruta (Figura 10).

3.2.2 Toyota Platform 3.0

Durante el mes de enero de 2018 en el contexto de la feria CES de Las Vegas,

Toyota presentó un avance tecnológico conocido como platform 3.0 (Figura
11), consistente en una modificación sobre un Lexus LS 600hL para incluir
todos los sensores necesarios para su propuesta de conducción autónoma
[38][39]. Se trata de una evolución de la tecnología presentada anteriormente
con el “platform 2.0” y “platform 2.1”.

26
Figura 10 - Representación de la visión del modelo Firefly de Waymo ante la situación detectada debajo

Figura 11 - Imagen para la prensa Toyota para el CES 2018

Destaca sobre el resto de los prototipos por la manera en que integra los
diferentes sensores, siendo una aproximación más elaborada y posiblemente
más cercana a cómo serán en el futuro los vehículos que se comercialicen y
que incorporen LiDAR entre sus sensores.

27
Figura 12 - Imagen descriptiva de la situación de los sensores del sistema platform 3.0 de Toyota

Cuenta con los siguientes sensores (Figura 12):

- 4 LiDARs orientados de hasta 200m de distancia.

- 4 LiDARs orientados de corto alcance.
- 10 Radars orientados en diferentes zonas del vehículo.
- 18 Sonars en torno al vehículo.
- Set de cámaras situadas junto al LiDAR de largo alcance delantero.

Aún no se sabe con gran detalle el funcionamiento completo del sistema ni las
pruebas que se han realizado sobre él.

3.2.3 Uber

Uber ha desarrollado sistemas de conducción autónoma capaces de ser

integrados en varios modelos de coches (Figura 13). Comenzó sus pruebas en
2009 paralelamente a Waymo [40], sin embargo, tras la muerte de un peatón el
18 de marzo de 2018 tras ser atropellado por un vehículo que circulaba en
modo autónomo, las pruebas de Uber con vehículos autónomos han quedado
suspendidas temporalmente. No se trata del único accidente que haya
involucrado a un vehículo autónomo. Ya se produjo un accidente mortal en

28
2016 en el que el vehículo siniestrado era un Tesla Model S y la víctima fue su
propio conductor. Sin embargo, en el accidente de Uber sí que se trata del
primer peatón muerto en uno de estos sucesos.

Figura 13 - Imagen para la prensa del Uber ATG

En este accidente, el sistema detecto al peatón, pero decidió no frenar hasta

1.3 segundos antes del impacto. Al estar en modo automático, el sistema no
obligó al conductor a tomar el mando y este no tomo el control hasta 1 segundo
después del impacto. En vista de este suceso, está claro que el algoritmo que
usaba Uber en sus vehículos tenía un error crítico [41].

Sin embargo, dejando esto de lado, se trata de una de las empresas con mayor
recorrido en este mercado y todos sus avances y pruebas no deben quedar
invalidadas por este lamentable suceso. Así pues, pasamos a comentar los
aspectos técnicos de su sistema, que permite alcanzar el nivel 4 en la escala
SAE y que cuenta con los siguientes sensores:

- LiDAR 360º de largo alcance situado sobre el techo.

- Conjunto de cámaras complementarias al LiDAR.

29
 - Radars orientados para cubrir los 360º del vehículo.
- Sonars orientados para cubrir los 360º del vehículo.

3.3 Conclusiones sobre el mercado

Una vez analizadas las diferentes alternativas tanto del mercado como de los
prototipos en los que están trabajando diferentes compañías, podemos concluir
que existe mucha variedad en la manera en que se está afrontando este reto
tecnológico.

Existen empresas que apuestan por introducir gran cantidad de sensores con el
fin de descartar los que se vuelvan menos útiles conforme avance el desarrollo.
Por otro lado, existen empresas, como Tesla, que apuestan por reducir en el
número de sensores hasta lo estrictamente necesario, y trabajar en soluciones
software que permitan obtener los datos que otros sensores sí proporcionarían.

Cabe destacar que los prototipos que hemos analizado se encuentran en

avanzado grado de automatización de la conducción con respecto a los
sistemas que se encuentran ya en el mercado. Por otro lado, los
desarrolladores de estos prototipos son, en general, empresas que no fabrican
coches, lo que nos hace plantearnos sus intenciones con respecto al mercado.
Si indagamos un poco en los informes que se realizan por parte de consultorías
hacia estas empresas, podemos descubrir hacia dónde va a girar el mercado
de la automoción: el “Mobility as a Service”.

3.4 Mobility as a Service

Acorde a un estudio realizado por la empresa Strategy Analytics para Intel en
2017, hacia 2050 el 50% de los coches vendidos a nivel mundial serán
completamente autónomos, y ya desde el 2035 proliferará este tipo de
vehículos en el mercado de la automoción [42]. Para esta fecha, el potencial
económico del mercado de la movilidad relativo al vehículo autónomo será de 7

30
trillones de dólares en beneficios (7.000.000.000.000$, 7 billones de
dólares(ESP)).

Figura 14 - División del mercado total de la economía del pasajero descrita por Intel [42]

Dentro de este mercado se localizarán diferentes actividades, entre las que

destacan el Consumer Mobility as a Services y el Bussiness Mobility as a
Service (Figura 14).

En este estudio se hace referencia al concepto de economía del pasajero,

siendo esta el valor económico y social que será generado por los vehículos
completamente autónomos (nivel 5 SAE). La Economía del pasajero estimulará
la creación de valor para el mercado a medida que se adopte la Mobility as a
Service y otros servicios por parte de consumidores finales y empresas.
También se verá estimulado por el ahorro de tiempo, dinero y mejora del
transporte, así como por el aumento de la productividad para empresas.

El estudio prevé que los consumidores renunciarán a tener vehículos en

propiedad en favor de una movilidad más económica y autogestionada,
tomando ventaja servicios como el car sharing que actualmente ya existe en
multitud de ciudades como, por ejemplo, Madrid.

Industrias como el transporte y la entrega de paquetería, entre otras, utilizarán

la tecnología de vehículos autónomos para remodelar sus negocios y para

31
aprovechar nuevas oportunidades surgidas del uso de esta tecnología. Por otro
lado, surgirán nuevas oportunidades de negocio fruto de la aparición de nuevos
casos de uso para el vehículo autónomo.

Con respecto a los beneficios sociales derivados de la economía del pasajero,

este estudio estima que esta tecnología reducirá en 580000 las muertes en
accidentes entre 2035 y 2045. También prevé un ahorro de tiempo en las
grandes ciudades de 250 millones de horas en desplazamientos. Así mismo,
fruto de la reducción de accidentes, estima un ahorro en la seguridad social de
234000 millones de dólares entre 2035 y 2045 [42].

Acorde a las premisas utilizadas para obtener los datos económicos, se

plantean dos modelos de propiedad de los vehículos para particulares:

- Red de vehículos personales compartidos (Personal vehicle-sharing

network): Paradigma que predice que una parte minoritaria de la
población tendrá vehículos en propiedad y los ofertará mediante
aplicaciones centralizadas para que sean utilizados por otros
usuarios de dichas aplicaciones. El propietario tendrá el control sobre
el tiempo o kilómetros que podrá ser utilizado su vehículo, obteniendo
así un retorno a su inversión y un ahorro en costes al usuario de la
red.
- Micro propiedad o propiedad fraccionada: El usuario podrá olvidar la
mayor parte de los costes asociados a la propiedad de un coche
puesto que los fraccionará y obtendrá un derecho sobre el vehículo
para su uso. Este derecho sería comprado directamente al fabricante,
ajustando el precio al uso que vaya a dar el usuario. Así pues, el
fabricante se encargaría de definir unos términos y condiciones para
cada propietario y, mediante su flota de vehículos, se
responsabilizaría de tener uno disponible para cada propietario según
los términos del contrato firmado entre ambos, llevándolo a un punto
acordado en el momento definido en el contrato. Desde mi punto de
vista se trata de un tipo de leasing mejorado para vehículos
autónomos, permitiendo optimizar y escalar el uso de los vehículos,

32
 desplazando los costes iniciales al fabricante, pero posibilitándole
obtener un retorno de la inversión a largo plazo.

En este estudio también se analiza el impacto sobre la congestión del tráfico,

que es uno de los puntos clave de este documento y que será analizado más
adelante. Las conclusiones a las que llega es que los vehículos autónomos
serán capaces de reducir los atascos por su capacidad para variar su ruta en
tiempo real con respecto a congestiones, obras o situaciones especiales.
Estima la reducción de la congestión del tráfico en un 3% del tiempo en hora
punta, lo que equivale para las 50 ciudades del mundo más congestionadas,
según un ranking elaborado por TomTom, a 250 millones de horas de ahorro
para sus habitantes.

En definitiva, podemos concluir que existirá un potencial económico asociado a

los vehículos autónomos muy potente. Sin embargo, no es un mercado
completamente nuevo, si no que surgirá de la transformación de las
necesidades de los usuarios de diferentes medios y servicios de transporte.

33
4. Análisis de impacto sobre
la movilidad

En este capítulo se pretende analizar de manera teórica los impactos sobre la

movilidad surgidos de la introducción de la conducción autónoma en diferentes
entornos y bajo diferentes premisas. En concreto, se analizarán los puntos
críticos donde se suelen producir las retenciones de manera generalizada en la
mayoría de las vías y se plantearán tesis personales sobre el efecto que
tendría la introducción de coches autónomos en las mismas, tanto de manera
parcial como total. Posteriormente se tratará de verificar dichas teorías
mediante pruebas en simulador, documentadas en el capítulo 5. Además, en el
apartado 4.2 se proponen algunas propuestas personales relacionadas con
mejoras del soporte a la conducción autónoma que podrían plantearse en
escenarios en los que todos los vehículos de la vía fuesen autónomos.

4.1 Análisis de puntos críticos por vía.

Propuestas de impacto por conducción
autónoma.

4.1.1 Carreteras interurbanas de varios carriles.

Este tipo de vías consisten en carreteras que van de un punto geográfico a

otro, conectando varías ciudades, disponiendo para ello de varios carriles.
Entre ellas, en España encontraríamos múltiples ejemplos, como podrían ser
las carreteras A-1, A-2, A-3, etc. También se incluirían dentro de esta definición
vías como la M-40 o M-50, que circunvalan la ciudad de Madrid, pese a que su
geografía se limite a una comunidad autónoma.

34
En estos tipos de carreteras podemos encontrar generalmente los puntos
críticos para la movilidad que se exponen en los siguientes subapartados.

Entradas

Las entradas de vehículos a este tipo de carreteras, desde un punto de vista

macroscópico, constituyen un aumento del flujo de vehículos, el cual, si
entendemos las carreteras como un medio con un caudal máximo de vehículos,
puede provocar que este exceda su punto máximo, provocando así la
disminución de la velocidad de los vehículos de la vía. Este descenso de
velocidad puede provocar retenciones si el flujo de vehículos se mantiene
constante por encima del valor óptimo asociado a la carretera.

Sin embargo, visto desde un punto de vista microscópico y atendiendo a la

mecánica de incorporación de vehículos a las carreteras, estos suelen
introducirse como si de una cremallera se tratase, provocando que la distancia
entre vehículos se reduzca y, ante esta situación, cualquier frenada tenga un
efecto acordeón que al propagarse termine causando mayores retenciones.
Pero este escenario solo debería afectar al carril colindante a la entrada. Sin
embargo, la razón de que este tipo de entradas sean capaces de colapsar
todos los carriles es debido a que los vehículos que circulan tienden a
cambiarse de carril buscando carriles más despejados, lo cual provoca un
efecto en cadena que termina por colapsar todos los carriles de la vía.

Atendiendo a las causas de este tipo de retenciones, consideramos que el

efecto que tendrían sobre ellas la introducción de coches autónomos sería la
siguiente:

Algunos coches son autónomos en la vía: Desde un punto de vista

macroscópico, este escenario no supondría mejora alguna, el caudal
seguiría aumentando con la entrada de vehículos y terminaría por causar
los mismos efectos. Por otro lado, desde un punto de vista microscópico
los coches autónomos que circulasen por la vía preverían de mejor
manera la incorporación de vehículos (o la suya propia), evitando así en
cierta medida que se disminuya en exceso la velocidad.

35
 Todos los coches son autónomos: Para este caso, no existe una mejora
a nivel macroscópico, no dejan de ser flujos y para un caudal máximo
constante, se seguiría colapsando la vía ante la misma cantidad de
vehículos de entrada. Por otro lado, a nivel microscópico, los vehículos
autónomos dejarían el espacio óptimo para la incorporación de nuevos
vehículos a la vía, aumentando el caudal máximo de la vía y retardando
el momento en que se produzcan retenciones. Por tanto, podemos
concluir que, ante este escenario, aumentaría el caudal máximo de
vehículos, retardando la aparición de retenciones, disminuyendo su
efecto.

Salidas

Las salidas, por otro lado, constituyen una disminución del flujo de vehículos en
la vía. Sin embargo, esta disminución de flujo no es instantánea si no que
requiere generalmente de una disminución previa de la velocidad de los
vehículos que abandonan la vía. Por otro lado, se debe tener en cuenta que la
vía de salida a la que se incorporen los vehículos tiene que ser capaz de
soportar el flujo de vehículos que sale de la vía principal. Para el tipo de vía que
se analiza en este apartado (vías interurbanas de varios carriles), normalmente
las salidas comunican con otras vías urbanas que suelen ser capaces de
soportar este flujo entrante. No obstante, hay que considerar la posibilidad de
que esta condición no se cumpla y que los vehículos que desean abandonar la
vía principal queden retenidos en la misma, produciendo así que el flujo
máximo de vehículos en ese punto disminuya, pudiendo causar retenciones en
toda la vía y haciendo que se expandan por un efecto en cadena.

Existe, sin embargo, otra razón para que se produzcan retenciones en las
salidas que incluso terminen propagándose hacia el resto de la vía. Se trata de
los vehículos que se incorporan al carril de salida cuando se encuentran muy
próximos a la misma. Este hecho se caracteriza por conductores que, bien por
despiste o bien por picaresca se saltan la cola establecida. Cuando esta cola
de vehículos tiene una distancia suficiente entre ellos permite la incorporación
de este tipo de conductores sin afectar al flujo de la cola, sin embargo, si existe
poca distancia y se producen frenazos entre estos vehículos, se produce un

36
efecto acordeón que termina por perjudicar al conjunto de vehículos que
forman la cola.

Atendiendo a las causas de este tipo de retenciones, consideramos que el

efecto que tendrían sobre ellas la introducción de coches autónomos sería la
siguiente:

Algunos coches son autónomos: Se produciría cierta mejora respecto a

la reducción de velocidad de los vehículos que van a abandonar la vía,
teniendo en cuenta la optimización en la frenada de los vehículos
autónomos. Por otro lado, para el caso especial descrito anteriormente,
dado que los vehículos autónomos mantendrían siempre la distancia de
seguridad con los demás vehículos, se potenciaría la situación que
afecta menos al flujo de la cola. Sin embargo, seguirán existiendo
situaciones en las que se produzcan retenciones, pues sigue existiendo
un factor limitante en el flujo de entrada que soporte la vía de salida a la
que se incorporan los vehículos.

Todos los coches son autónomos: Ante esta situación, se debe tener en
cuenta que se elimina el caso especial descrito anteriormente, pues
estos coches no tendrían necesidad de incorporarse tarde a la salida,
salvo fallo de los sistemas de localización y de cálculo de la ruta. Sin
embargo, al igual en el caso anterior, las posibles retenciones quedan
supeditadas al flujo de la vía a la que se incorporan tras la salida y el
posible efecto en cadena si no es posible absorber todo el flujo de salida.
Un claro ejemplo pueden ser las salidas que desembocan a un
semáforo. Los semáforos permiten un flujo máximo de vehículos cada
vez que se ponen en verde. Si el número de vehículos que llegan a
dicho semáforo supera el número de vehículos capaces de pasar
cuando está en verde, se producirá un aumento de los vehículos que
esperan en dicho punto de manera constante, hasta que estos vehículos
terminan por invadir la vía de la que están saliendo. Llegados a este
escenario, se debería estudiar si es necesario el control del tráfico con
semáforos cuando todos los vehículos son autónomos y pueden
comunicarse entre ellos (se estudiará en detalle más adelante). Por

37
 tanto, podemos concluir que, ante este escenario, existe una mejora en
la mayoría de casuísticas, salvo aquellas en la que la vía en la que
desemboque la salida no pueda soportar el caudal entrante.

Reducción del número de carriles

En ciertas vías de múltiples carriles, existen situaciones en las que se reducen

y aumentan el número de carriles disponibles para la circulación. Generalmente
no suscitan un problema para la circulación, pero ante situaciones con mucho
caudal en la vía, las reducciones del número de carriles suelen suponer una
causa de retenciones.

Se trata de la misma situación analizada previamente para las entradas de

vehículos, por lo que no se analizarán los impactos al considerarse los mismos.

Accidentes

Los accidentes son un caso peculiar dentro de los puntos críticos para la
movilidad dado que no están presentes de manera habitual en la vía y, cuando
están presentes, no se materializan de la misma manera. Esto influye en cómo
afectan a la circulación, pues no tiene las mismas implicaciones un vehículo
parado en el arcén con la rueda pinchada que un accidente múltiple que ocupa
todos los carriles salvo uno. Por esta razón, en este apartado nos centraremos
en analizar si los coches autónomos serán o no capaces de reducir el número
de accidentes.

Según un estudio del Banco Mundial, mueren al año en torno a 1.3 millones de
personas en accidentes de tráfico, de los cuales, según otro estudio, el 94% se
deben a errores humanos (Figura 15). Podemos presuponer que todos los
accidentes causados por errores humanos dejarán de producirse, sin embargo,
la introducción de sistemas que realicen estas tareas puede introducir nuevas
causas de accidente relacionados con dichos sistemas. Por otro lado, según el
mismo estudio, el 90% de los accidentes totales se producen en países de
mercados emergentes, donde los coches autónomos es posible que no

38
llegasen a introducirse hasta dentro de varias décadas. Por lo que el efecto no
tendría un desarrollo homogéneo a nivel mundial [43][44][45].

Figura 15 - Análisis de las causas de accidente del departamento de movilidad de Estados Unidos para el
periodo comprendido entre 2005 y 2007. [43]

Cabe destacar que un vehículo autónomo no se cansa, no se emborracha, no

se duerme al volante, no tiene necesidades fisiológicas ni sufre distracciones
de cualquier tipo. Sin embargo, sí que existen situaciones relativas a los
sistemas que pueden producir fallos y que requerirán de un gran avance, tanto
tecnológico como metodológico para ser resueltas, como son, por ejemplo,
errores en el código que no se detectan hasta la fase de producción.

En este sentido, el avance tecnológico debe ir en la línea de mejorar los

sensores, algoritmos y computadores para que sean inmunes a fallos, es decir,
se deben diseñar sensores que permitan a los sistemas detectar todo su
entorno con menor margen de error y con mayores capacidades. También se
deben mejorar los entrenamientos realizados sobre las redes convolucionales
de los sistemas de detección por imagen, para que sean capaces de diferenciar
correctamente cualquier elemento de la vía y tener definida cualquier situación
particular. Por otro lado, sería conveniente el desarrollo de sistemas basados
en big data que permitan a los propios vehículos y a las autoridades regular el
tráfico y realizar mejoras en las vías de manera efectiva. Por último, se debe
incrementar la capacidad de computo de los sistemas para evitar que puedan
surgir situaciones en las que este factor sea limitante, así como trabajar de
manera efectiva en los sistemas de backup en caso de fallo del sistema
principal. Todas estas líneas de trabajo se encuentran en desarrollo
actualmente.

39
Por otro lado, el cambio metodológico requerido debe consistir en la creación
de diferentes entornos previos al de producción, con el fin de poder probar
todas las casuísticas de manera efectiva. Las autoridades deben tomar parte
en estos procesos y validar que tanto los desarrollos que se hagan, como las
pruebas que se realicen, sean correctas y vayan en beneficio del usuario y no
del empresario.

Tras este análisis, se debe tener claro que el potencial de la automatización de

la conducción para reducir los accidentes es total, y su índice de efectividad
aumentará acorde a la mejora de sus sistemas, no siendo inmediato desde que
salgan al mercado las primeras soluciones con nivel 5 de automatización.

4.1.2 Carreteras interurbanas de 1 carril.

Este tipo de vías consisten en carreteras que van de un punto geográfico a

otro, conectando varías ciudades, disponiendo para ello de un solo carril por
sentido de circulación. Entre ellas podemos agrupar la mayoría de las
nacionales de la red de carreteras española.

En estos tipos de vías podemos encontrar generalmente los puntos críticos

para la movilidad que se exponen en los siguientes subapartados

Accidentes

Los accidentes en este tipo de vías siempre implican mayor perjuicio para el
resto de los usuarios de la vía, pues se dispone de menos espacio para
adaptar la circulación. En este sentido se debe diferenciar entre vías en las que
el arcén es suficiente para ser ocupado por un vehículo y aquellas en las que
es insuficiente y en caso de accidente debe ocupar parte del carril dispuesto
para la circulación. Para el primer caso la circulación se puede adaptar con
relativa facilidad. Para el segundo caso se debe regular de alguna manera cuál
de los dos sentidos de circulación puede pasar por dicho punto en cada
momento, al ser imposible el paso de ambos sentidos al mismo tiempo.

40
Con la introducción de la propuesta de comunicación entre vehículos que se
describe más adelante en este documento, este caso se podría resolver con
relativa facilidad.

Con respecto a la introducción de los vehículos autónomos se pueden extraer

las mismas conclusiones obtenidas previamente para las carreteras
interurbanas de varios carriles.

Paso por ciudades/pueblos

Es bastante común en este tipo de vías que atraviesen ciudades o pueblos

pequeños, donde debe reducirse la velocidad, e incluso existe regulación del
tráfico mediante semáforos o rotondas. Todo esto puede implicar retenciones
llegado a un cierto caudal de vehículos. Estas retenciones se deben a que un
flujo constante de vehículos reducen su velocidad (o incluso llegan a
detenerse). Ante un caudal de entrada mayor que el de salida se genera el
mismo efecto acordeón que se produce en todas las demás situaciones.

En base a estas premisas, consideramos que el efecto de la introducción de los

coches autónomos sería la siguiente:

Algunos coches son autónomos: en este escenario, en el caso de

semáforos, los vehículos autónomos podrían actuar calculando la
velocidad óptima a la que circular para evitar detenerse por completo,
minimizando así el efecto acordeón. En el caso de rotondas, no
supondría ninguna mejora sustancial.

Todos los coches son autónomos: Que todos los coches sean
autónomos no presenta ninguna diferencia significativa con respecto a
que algunos lo sean. Seguiría siendo necesario gestionar determinadas
situaciones, como que haya peatones que crucen la vía, lo que
implicaría que los vehículos tuviesen que parar circunstancialmente,
provocando el mismo efecto de retención.

41
4.1.3 Carreteras Urbanas (calles) de varios carriles.

En este tipo de vías se identifican los semáforos como único punto crítico para
la movilidad.

Semáforos

En este tipo de vías se utilizan los semáforos para gestionar intersecciones

entre varias calles con el fin de regular el paso de vehículos, eliminando el
riesgo de accidente.

El conflicto que generan los semáforos, como ya se ha descrito en apartados

anteriores, implica que, si el flujo que son capaces de desalojar es menor al de
entrada, la cola de vehículos esperando irá aumentando progresivamente hasta
afectar a la correcta circulación de esta vía y de las que se encuentren en la
intersección con la misma.

Un escenario en el que todos los vehículos fuesen autónomos podría eliminar

los semáforos, pero desde mi punto de vista es necesario implementar algún
sistema similar en sustitución de los mismos, aunque se elimine el objeto físico
en sí. En este sentido, la parte positiva es que la introducción de coches
autónomos podría facilitar la introducción de semáforos inteligentes y
plenamente digitales que se ajustasen a las necesidades de la vía y que
optimizasen sus tiempos para reducir esperas innecesarias.

4.1.4 Carreteras Urbanas (calles) de 1 solo carril por

dirección.

En este tipo de vías los principales puntos críticos para la circulación son los
semáforos y los vehículos incorrectamente estacionados.

Semáforos

Para este tipo de calles el efecto de los semáforos y el de introducir coches

autónomos es homologo al de las carreteras urbanas de varios carriles.

42
Vehículos incorrectamente estacionados

En las vías urbanas, este tipo de evento es realmente critico en ciertas

ocasiones para la circulación fluida. En este sentido, la introducción de
vehículos autónomos eliminaría por completo los coches incorrectamente
estacionados, así como los coches “en doble fila”, pues podrían circular sin
conductor hasta encontrar un lugar donde estacionar y luego desplazarse a
recoger al pasajero a cualquier lugar deseado. Esto podría generar problemas
extra en grandes urbes donde se concentra en poco espacio el destino de
mucha gente, pudiendo llegar estos vehículos en busca de sitio para aparcar a
colapsar las calles ante la falta de lugar para estacionar.

4.1.5 Vías rurales y caminos

Para este tipo de vías, que generalmente no disponen de precisión en los

sistemas de localización, no suelen existir problemas de circulación en lo que a
congestión de tráfico se refiere al no existir caudal de tráfico suficiente.

4.1.6 Conclusiones

Los escenarios planteados y los puntos críticos analizados no son muy

esperanzadores con respecto a la aparición del coche autónomo. Quizás el
aspecto más importante sobre el que se sustente la mejora de la circulación
sea el de la disminución del número de accidentes. Otro de los puntos fuertes
es que permite su integración con otros sistemas inteligentes, que se podrán
desplegar por la red de carreteras y que supondrán una mejora en la
circulación.

La sensación general es que es complejo imaginar los cambios que pueden

surgir fruto de la introducción del coche autónomo.

43
4.2 Propuestas de mejoras de soporte a la
conducción autónoma
El objetivo de este apartado es el aporte de posibles mejoras sobre sistemas
que permitan tanto la optimización de la movilidad como la solución de ciertas
problemáticas. Se debe aclarar que para los escenarios planteados se asume
que todos los vehículos de la vía serán autónomos.

4.2.1 Sistema de comunicación vehículo a vehículo

Desde mi punto de vista, que los vehículos estén conectados, tanto entre ellos
como con los departamentos encargados de regular el tráfico, es vital para
mejorar la movilidad. Una de las posibles mejoras consistiría en implementar un
sistema que permita conexión directa entre vehículos (sin necesidad de
conexión a internet) (Figura 16). Para ello, se podrían utilizar estándares como
Zigbee [46][47] (o desarrollar un nuevo estándar ad hoc), instalando un módulo
con funcionalidad completa por cada vehículo, aunque se debe tener en cuenta
que esta tecnología tiene una serie de limitaciones en cuanto a distancia y
velocidad (hasta 75 metros y hasta 250kBs), por lo que podría ser más eficaz
desarrollar sistemas de comunicación más potentes.

Figura 16 - Diagrama descriptivo método de comunicación vehículo a vehículo

44
Su uso pasaría por utilizar cada uno de los dispositivos Zigbee como receptor y
propagador con una estructura en malla, pero sin solicitud de conexión,
haciendo que, pese a que el límite de distancia a la que pueda recibir sea
reducido, siempre que haya otro dispositivo en el área, este pueda replicar el
mensaje (creando un gestor de repeticiones para evitar bucles infinitos en las
transmisiones) (Figura 16).

Los principales casos de uso de este sistema serían los siguientes:

- Transmisión de información sobre el estado de la vía hacia todos los

vehículos en su rango. Por ejemplo, informar sobre retenciones,
accidentes, etc.
- Solicitud de ayuda a vehículos cercanos en caso de emergencia, tales
como facilitar el paso a ambulancias, policías o vehículos con bandera
blanca (emergencia hospitalaria), entre otras.
- Uso como gestor en caso de accidente en vías de 1 solo carril por
sentido. Como ya se ha comentado previamente en esta memoria, ante
esta situación, con un accidente que impida el flujo normal de vehículos
por uno de los carriles, podría implementarse una funcionalidad en el
vehículo siniestrado que cuando detecte esta situación active un sistema
de colas que gestione de manera autónoma el paso de vehículos por el
carril restante hasta que se presente una autoridad a regular el tráfico y
a retirar el vehículo de la vía.
- Comunicación con otros elementos de la vía, tales como semáforos,
rotondas, puntos de carga o repostaje, entre otros.

La principal ventaja de este sistema, con respecto a los que se encuentran

actualmente ligados a prototipos y coches del mercado con algún nivel de
automatización, es que se podrían realizar conexiones rápidas entre vehículos
sin necesidad de conexión a internet, pudiendo utilizarse para casuísticas
diferentes. Sin embargo, existen diferentes problemas que se aprecian a
primera vista:

• ¿qué sucede si no hay ningún vehículo en el rango del dispositivo? ¿Y si

lo que se quiere enviar es demasiado pesado? La respuesta es clara, los
casos de uso deben quedar subordinados a que puedan transmitirse los

45
 datos sin miedo a que nadie los reciba, es decir, se debe tratar de
información complementaria a la que ya se transmita por otro método y
siempre dentro de unos mensajes estándar.
• ¿Será capaz la red de soportar cientos de miles de tramas viajando en
modo “broadcast” o colapsará ante tal cantidad de información? Es
complicado de saber a ciencia cierta, lo más probable es que su correcto
funcionamiento impacte sobre cómo está definido el estándar de
comunicación WAN y requiera de un nuevo protocolo (802.11p).

Como herramienta complementaria, sería interesante que en determinados

puntos de la vía se introdujesen nodos Zigbee que sirvan a esta red de
comunicación para transmitir datos a un centro que monitorice la información
recibida, como podría ser un centro de la DGT.

Por otro lado, se debe vigilar con especial atención la seguridad de estos
dispositivos. Deben de estar aislados de los módulos del vehículo que
controlen la toma de decisiones, así como de los actuadores, para evitar que
ante un fallo de seguridad se pierda el control de vehículo, como hemos visto
ha sucedido en la última década en cuestiones de domótica con las Philips UE,
o con el hackeo de vehículos en marcha (caso Jeep [48]).

Cabe destacar que ya existen diferentes entidades (como el MIT) investigando

sobre posibles implementaciones de sistemas como el descrito en este
apartado.

4.2.2 Sistema de comunicación vehículo a red

Como se ha detallado anteriormente, la comunicación de los vehículos con las

autoridades y/o empresas que den servicios complementarios es uno de los
puntos que puede favorecer la movilidad de los coches autónomos. Este
sistema consistiría en el uso de tecnologías móviles como el 3G, 4G o 5G para
la comunicación de los vehículos con internet, y más concretamente su
integración con los sistemas de la DGT o de empresas, como Google. De esta
manera los casos de uso posibles serían los siguientes:

46
 - Envío y obtención de cambios sustanciales a los proveedores de mapas
3D.
- Comunicación con la DGT para transmisión de información sobre
accidentes, retenciones, etc. [49]
- Recepción de sugerencias de cambios de rutas acorde al tráfico.
- Consulta de la meteorología para la ruta.

Esta solución ya está implementada por diversas compañías, aunque su

verdadero aprovechamiento vendría dado por una monitorización activa por
parte de alguna entidad, tal y como se especifica en este apartado. Con este
planteamiento, esta entidad podría tener una visión global del tráfico e incluso
servir de HUB de integración, implementando entre sus productos un ESB
(Enterprise Service Bus) y una arquitectura basada en servicios que permita a
sistemas de terceros hacer consultas a una API o actualizar su información
mediante ficheros BATCH publicados en dicho ESB. Esto facilitaría que los
vehículos solo se conectaran contra un sistema y que fueran los demás
proveedores de servicios (empresas privadas) los que consultaran a este
sistema la información necesaria para su funcionalidad especifica (Figura 17).

Figura 17 - Diagrama descriptivo método de comunicación vehículo a red

47
Esta implementación permitiría optimizar los flujos de información y situar la
carga de la computación y la red en un punto más acotado, es decir, el HUB
para la recepción de la información y el ESB para la distribución de la
información ya analizada hacia los sistemas de empresas terceras habilitadas
por los gestores del HUB (ya sea la DGT en España, una empresa gestora
creada por el gobierno ad hoc o cualquier entidad designada en otros países).

4.2.3 Semáforos virtuales inteligentes

Como continuación del sistema de comunicación vehículo a vehículo, se

pueden desarrollar gran cantidad de herramientas en la red que permitan una
mejora en el tráfico. Entre ellos destacan los semáforos inteligentes que, si bien
se pueden implementar de múltiples maneras, la aquí descrita (Figura 18) es la
que he considerado mejor, menos costosa y menos compleja técnicamente.

Figura 18 - Diagrama descriptivo método de comunicación vehículo a semáforo

48
Acorde al sistema de conexión vehículo a vehículo descrito anteriormente, se
podría utilizar la misma tecnología para que los vehículos se suscribieran a un
semáforo, consistente en un computador y un nodo Zigbee por cada vía que
confluya en el mismo sistema de semáforos, para que dichos vehículos se
comuniquen con dicho nodo a efectos de que este les diga si deben parar o
continuar.

Ahora bien, el semáforo necesitará más información para una óptima gestión
del número de vehículos esperando en cada vía. Esta información se puede
obtener mediante la conexión de todos los vehículos a internet. Si estos
enviasen su ruta al sistema gestor, cada semáforo podría calcular el caudal de
vehículos que pasará por él durante un tiempo determinado, por lo que
dispondría de 2 datos, la situación actual y la situación futura, que podría ser
más o menos exacta en función de la capacidad de computación del sistema
que los controle. Con estos datos se podría desarrollar un algoritmo que
calculase el tiempo optimo que debe estar el semáforo abierto para cada vía
para que no surjan retenciones o tiempos de espera excesivos, así como para
cerrar su paso si no hay ningún vehículo a la espera.

En el caso de semáforos con pasos para peatones, se podrían situar cámaras

con visión artificial capaces de detectar el número de peatones esperando para
cruzar y ajustar el tiempo de apertura de las vías acorde a ellos, pues en
muchos casos el factor limitante de la adaptación de tiempos acorde a la
situación del entorno vendrá determinado por los peatones.

49
5.Simulador
En este capítulo se aborda la problemática relacionada con simuladores de
conducción autónoma, que hagan posible la validación de ciertas teorías
relacionadas con esta cuestión, sin tener que asumir riesgos por parte de la
población. En el primer apartado se expone una arquitectura software aplicable
tanto al desarrollo de un simulador como a la implementación de una solución
real en vehículos autónomos. En el segundo apartado se realiza una
comparativa de tres simuladores de uso libre con el fin de seleccionar uno para
realizar las pruebas que se exponen en el último apartado, que buscan validar
las tesis planteadas en el capítulo 4.

5.1 Arquitectura de un sistema de

conducción autónoma
En este apartado nos centraremos en definir la arquitectura software de una
posible solución al problema de la conducción autónoma, completamente
aplicable al desarrollo de un simulador. Cabe destacar que esta solución es de
desarrollo propio y no ha sido probada ni implementada, por lo que su utilidad
es a nivel teórico y no tanto a nivel práctico. Sin embargo, este análisis permite
plantear y considerar toda la complejidad asociada a este tipo de sistemas,
usando como base la información obtenida durante el análisis del estado del
arte. En cualquier caso, más adelante en este capítulo se incluye la descripción
de diversas pruebas realizadas sobre un simulador de conducción autónoma,
con el fin de documentar algunos aspectos prácticos que no se podrán abordar
con el modelo teórico que se expone en este apartado.

50
5.1.1 Vista de Desarrollo (Diagrama de componentes y
Distribución)

En este diagrama se representan los diferentes paquetes de software que

habría que desplegar en cada componente hardware, así como las
comunicaciones físicas y dependencias entre ellos.

Figura 19 – Diagrama de componentes y distribución

Tal y como puede observarse en la Figura 19, nos encontraríamos ante 8

componentes hardware. Entre ellos destaca la plataforma, que realiza las
funciones de recepción de la información de los sensores, computación de la
misma, aplicación de algoritmos y el control de los actuadores. En ella
encontramos las siguientes tareas:

51
• Fusión de los sensores: Al tratarse de una arquitectura orientada a
“fault tolerance” en lo que afecta a la recepción de información del
entorno, es necesario fusionar datos de las distintas fuentes, eliminar
duplicidades que no concuerden y alinear las que sí lo hagan.
• Visión artificial: Dado que se incluyen las cámaras como sensor, se
debe incluir un componente software adicional que permita que la
información recogida por ellas sea asimilable por el sistema. Para ello
utilizamos un componente de visión artificial, cuyo uso y
funcionamiento esta descrito en el apartado 2.5.
• Generación de Mundo: Se trataría de un módulo cuyo fin principal es
la de transformar la información de los sensores y la visión artificial a
un mundo 3D que permita comparar los datos obtenidos con respecto
a los datos almacenados en el mapa 3D.
• Localización: Se trataría del módulo encargado de fijar con qué parte
del mapa 3D vamos a comparar el mundo generado por el
componente anterior.
• Comparación mapa 3D: Modulo encargado de definir qué obstáculos
de la vía han cambiado y qué obstáculos son no estacionarios o
están cambiando su trayectoria. Así mismo actualizaría dicha
información en la memoria del vehículo.
• Gestión de energía: Recibe datos de la centralita del vehículo y los
analiza para establecer las capacidades del vehículo.
• Generación de trayectoria: Este módulo se encarga de añadir nuevos
puntos a la trayectoria ya fijada durante iteraciones anteriores. Así
mismo tiene en cuenta información de la gestión de energía para
valorar cuestiones como la aceleración, velocidad o capacidad de
frenada. Este proceso de funcionamiento se describe en el apartado
5.1.2.
• Ejecución de trayectoria: Se trata del módulo encargado de
transformar las ordenes de la trayectoria a información asimilable por
parte de los actuadores.

52
5.1.2 Vista de Procesos (Diagrama de Actividad)

Para esta vista se va a analizar el proceso de la plataforma ante la detección

de un obstáculo en la trayectoria (Figura 20).

Figura 20 – Diagrama de Actividad para cálculo de trayectorias

En este diagrama se encuentra definido a alto nivel el proceso para la

ejecución de una trayectoria. Es importante destacar que, al tratarse de un
sistema en tiempo real, determinadas tareas internas dentro del proceso deben
realizarse de manera paralela, para que no existan puntos ciegos de ejecución.
Por ejemplo, la detección de obstáculos en la trayectoria debe ejecutarse de
manera continua, de forma que la modificación del itinerario se realice tan
pronto como sea posible.

5.1.3 Vista Lógica (Diagrama de Secuencia)

En esta vista se representa la secuencia desde que el usuario arranca el

vehículo hasta que éste llega al destino fijado por el usuario (Figura 21).

53
 Figura 21 - Diagrama de Secuencia cálculo de ruta y ejecución de la misma

En esta secuencia de acciones se contemplan como operaciones hechas por el

usuario las siguientes:

- Activar el vehículo; Lo que correspondería con activar los sistemas,

eléctricos y mecánicos.
- Introducir dirección; Consistente en seleccionar la dirección de destino.
- Iniciar Ruta; Dado que pueden quedar tareas ajenas al sistema
pendientes desde que se fija la dirección hasta que se desea comenzar

54
 la ruta, debe ser una acción activa del usuario la que inicie el flujo
derivado de ello. Sería importante que el vehículo hiciera en este punto
comprobaciones suficientes para asegurar la seguridad de los pasajeros,
como, por ejemplo, comprobar que todas las puertas están cerradas y
los cinturones de seguridad de los asientos ocupados abrochados.

El resto de las acciones son ejecutadas por el sistema, es decir, la plataforma,

en aras de garantizar tanto que la ruta escogida sea la mejor, como
posteriormente de ejecutarla de manera condicional acorde al entorno. La
información necesaria la obtiene del GPS, de APIs públicas como puede ser la
de Google Maps o la plataforma de incidencias de la DGT [49]. Por último, hace
uso de los sensores para analizar el entorno, acorde a lo descrito en el
apartado 5.1.1, para calcular su trayectoria y de los actuadores para ejecutarla.

5.1.4 Vista Física (Diagrama de Despliegue)

En esta vista se representa la interrelación física entre los diferentes

componentes hardware del sistema (Figura 22).

Figura 22 - Diagrama de despliegue de componentes hardware y sus comunicaciones

55
La velocidad de la conexión entre los diferentes componentes se ha fijado
acorde al estándar cuya velocidad potencial es más elevada, que se encuentra
en proceso de desarrollo en estos momentos (802.3aq).

Este diagrama trata de reflejar la importancia de que el medio de transmisión

no suponga un cuello de botella para la difusión de información dentro del
sistema.

5.1.5 Vista de Escenario (Diagrama de Casos de uso)

En esta vista se han representado los casos de uso desde el punto de vista del
usuario (Figura 23).

Se plantean los siguientes casos de uso:

- Fijar dirección de destino: Se trata del proceso explicado en el diagrama

de secuencia, que consiste en elegir la dirección de destino del viaje.
- Efectuar parada: Cuando el usuario necesite realizar una parada no
especificada en la ruta, como, por ejemplo, parar en una gasolinera,
área de descanso, etc., esta será la funcionalidad que activará para
conseguirlo. Dicha parada hace uso del caso de uso “Cambiar ruta” para
incluir el punto de parada dentro de su ruta preestablecida.
- Cambiar ruta: Aunque la propia arquitectura se vaya a encargar de
buscar la ruta óptima para llegar al destino acorde al tráfico y estado de
las carreteras, es necesario que el usuario del vehículo pueda alterar
dicha ruta en cualquier momento.
- Efectuar parada de emergencia: Sea por la razón que sea, desde
emergencias médicas de alguno de los pasajeros, hasta situaciones no
detectadas por el sistema autónomo, se debe habilitar la opción de
forzar al vehículo a realizar una parada de emergencia. Dicha parada de
emergencia no debe poner en riesgo la seguridad del vehículo ni los
demás usuarios de la vía.
- Notificar emergencia: Este caso de uso debe permitir al usuario notificar,
tanto emergencias del propio vehículo o sus ocupantes hasta

56
 emergencias en la vía, como puede ser un accidente o una carretera
intransitable.

Figura 23 - Diagrama de casos de uso desde el punto de vista del usuario.

- Compartir ruta: Ante situaciones en las que múltiples vehículos deseen

viajar utilizando la misma ruta, el usuario debe poder compartir su ruta
para facilitar dicho proceso.
- Aparcar vehículo: Una vez llegado al destino o durante la realización de
una parada es posible que aparezca la necesidad de aparcar el

57
 vehículo. Este caso de uso permitiría al usuario elegir en qué momento
comenzar la búsqueda.
- Búsqueda plaza: Aparcar el vehículo requiere de búsqueda de una plaza
donde aparcarlo. En este punto se debe poder elegir si se realiza una
búsqueda activa o si dispone de alguna plaza fija. Una vez termine la
búsqueda o la localización del garaje, el proceso de aparcar vehículo
terminará la maniobra, bien con ocupantes o bien sin ellos.

5.2 Elección de simulador

Existen multitud de simuladores, tanto gratuitos como de pago, que permiten
imitar con mayor o menor detalle el comportamiento de un vehículo y su
conductor. Para el caso que nos ocupa, el objetivo es encontrar un simulador
que permita analizar y comprobar la mayor parte de las tesis alcanzadas en el
apartado 4.1.

Para ello se han considerado inicialmente los siguientes simuladores de uso

libre:

- Setosa.io [50]
- Volkhin Road Traffic Simulator [51]
- Traffic-simulation [52]

5.2.1 Setosa.io

Se trata de un simulador muy simple, hecho con Javascript y CSS, que

posibilita la realización de pruebas con dos configuraciones diferentes. La
primera de ellas simula una recta donde, en cierta zona, los vehículos se ven
obligados a reducir su velocidad (Figura 24). Nos permite configurar el flujo de
vehículos que llegan con los valores bajo, medio o alto.

58
 Figura 24 - Imagen del simulador Setosa.io

Esta simulación lo que nos permite observar es el efecto que se ha

denominado en este documento como acordeón, aunque con una peculiaridad,
los vehículos no llegan a detener por completo su avance. Este simulador nos
facilita entender una causa de retenciones, sin embargo, al ser tan simple no
sirve como soporte para comprobar casi ninguna de las hipótesis alcanzadas
en el apartado 4.1.

La segunda configuración del simulador es algo más compleja y consiste en un

circulo que imita la vía, con una serie de entradas y salidas de vehículos,
representadas con cuadrados de colores (Figura 25).

Figura 25 – Segunda configuración del simulador dentro de Setosa.io

Incluye más parámetros de configuración, permitiendo fijar una cantidad de

coches por cada 10 segundos, velocidad de simulación y longitud del viaje de
cada vehículo hasta que sale. Por último, genera una tabla con estadísticas en

59
tiempo real que relaciona la tasa de salida con respecto a la tasa de vehículos
que hay en la vía.

Nos permite extraer conclusiones respecto al efecto de las entradas y salidas

respecto a las vías de un único carril. Como en la primera configuración del
simulador, permite analizar el efecto acordeón.

Se ha descartado por qué no dispone de la opción para múltiples carriles ni

tampoco de la precisión suficiente durante la simulación.

5.2.2 Volkhin Road Traffic Simulator

Este simulador, desarrollado en CoffeeScript y HTML5, cubre un campo que

dejan descubierto los otros dos simuladores analizados, y es el caso de
entornos urbanos. Consiste en una serie de calles, todas de 2 carriles, por las
que circulan vehículos, y una serie de intersecciones gestionadas por
semáforos (Figura 26).

Figura 26 - Vista general Volkhin Road Traffic Simulator

Nos permite cierto grado de configuración, como mover las intersecciones, pero
no cubre la mayoría de los casos que se han detallado en el apartado 4.

60
5.2.3 Traffic-simulation

En este caso estamos hablando de un simulador hecho en su completitud con

Javascript. Es completamente configurable, permite elegir el número de carriles
(hasta 4), ajustar la trazada, incluir obras, cortes en carriles, semáforos, etc.
Por otro lado, ofrece la posibilidad de configura los parámetros relacionados
con la circulación. Dichos parámetros se pueden clasificar en parámetros del
flujo, conducta de los automóviles o conducta para el cambio de carriles (Figura
27).

Figura 27 - vista general simulador traffic-simulation

Este simulador cubre prácticamente todo el abanico de pruebas que se desean

realizar, y esta es la razón por la que finalmente ha sido seleccionado. Dichas
pruebas se detallan a continuación, en el apartado 5.3.

5.3 Pruebas en simulador

Los escenarios que se afrontan en el apartado 4.1 y los cuales sería el objetivo
simular son:

- Carreteras interurbanas de múltiples carriles:

o Efecto de entradas.

o Efecto de salidas.

61
 o Efecto de reducción carriles.
o Efecto de los accidentes.

- Interurbanas de 1 carril:
o Efecto de los accidentes.

o Efecto de paso por ciudades/pueblos.

- Urbanas múltiples carriles:

o Efecto de semáforos.
- Urbanas de 1 carril:

o Efecto de semáforos.
o Efecto de vehículos incorrectamente estacionados.
Las pruebas que se van a realizar sobre el simulador son las siguientes:

- Entradas de vehículos en carreteras interurbanas con múltiples

carriles.
- Salidas de vehículos en carreteras interurbanas con múltiples
carriles.

Las razones por la que no se han incluido el resto de las pruebas son las
siguientes:

- Efecto de reducción carriles en carreteras interurbanas:

o Se trata de una situación completamente análoga a la entrada de

vehículos, el único matiz que diferencia esta situación es la
posibilidad de realizar el cambio de carril de manera planificada y
ordenada. Este matiz no se puede probar en el simulador elegido.

- Efecto de los accidentes:

o Las tesis que se exponen previamente enfocan este apartado

desde el punto de vista de la reducción de los accidentes fruto de
la ausencia de errores humanos, algo que no se puede probar en
el simulador.

- Efecto de paso por ciudades/pueblos en carreteras de 1 carril:

62
 o El simulador no dispone de esta situación, sin embargo, se puede
extraer su comportamiento en este escenario del análisis del
simulador setosa.io (Figura 24).

- Efecto de semáforos en vías urbanas:

o El simulador, aunque nos permite incluir semáforos y controlarlos,

no dispone de un escenario de carretera urbana, y lo que se
pretende demostrar con las tesis extraídas en el apartado 4.1 es
que la mejora del tráfico está asociada a la capacidad de
utilización de semáforos inteligentes y permanentemente
conectados. Este aspecto no se puede configurar ni ha sido aún
implementado.

- Efecto de vehículos incorrectamente estacionados:

o En este caso, como en anteriores, las tesis desarrolladas en el

apartado 4.1 están orientadas a la eliminación del escenario,
siendo los vehículos autónomos capaces de circular por si
mismos buscando un lugar donde estacionar, en lugar de ser
estacionados incorrectamente por sus usuarios.

5.3.1 Parámetros del simulador

El simulador cuenta con los siguientes parámetros:

Traffic Flow and General

- Inflow: Indica el número de vehículos que entran en la vía por el cauce

normal cada hora. La unidad de medida es el vehículo/hora.
- Onramp Flow: Indica el número de vehículos que entran en la vía por el
cauce adicional cada hora. La unidad de medida es el vehículo/hora.
Solo se aplica para el escenario del simulador en el que hay una entrada
de vehículos.
- Offramp Use: Indica el porcentaje de vehículos que abandonan la vía
por el cauce adicional. La unidad de medida es el vehículo/hora. Solo se

63
 aplica para el escenario del simulador en el que hay una salida de
vehículos.
- Truck Perc: Indica el porcentaje de vehículos de la vía que son de tipo
camión.
- Timewarp: Velocidad a la que avanza el tiempo. Permite definir tanto
cámara rápida como lenta y su multiplicador.

Car-Following Behavior

- Max Speed v0: Indica la velocidad máxima de los vehículos en km/h. El

simulador permite fijar una velocidad entre 20km/h y 160km/h.
- Time Gap T: Se trata de un parámetro que define la capacidad de
reacción ante los estímulos. Este valor influye directamente en la
distancia de seguridad para los vehículos
- Max Accel a: Aceleración máxima de los vehículos medida en m/s2. El
simulador permite definir aceleraciones entre 0.3m/s2 y 4m/s2.

Lane-Changing Behavior

- Politeness: Educación de los vehículos al realizar y permitir cambios de

carril. A mayor cortesía, mayor deberá ser el espacio entre el vehículo
que se va a cambiar y el que circula por el carril, evitando entorpecerle.
- LC Threshold: Límite en la cantidad de cambios de carril.
- Right Bias Cars: Define la tendencia a ocupar el carril derecho para los
vehículos de tipo coche.
- Right Bias Trucks: Define la tendencia a ocupar el carril derecho para
los vehículos de tipo camión.

5.3.2 Prueba 1 – Carreteras interurbanas de varios carriles

con 1 entrada de vehículos

Se pretende probar el comportamiento de la circulación en carreteras

interurbanas con una entrada de vehículos a la vía, bajo la premisa de que
todos los vehículos son autónomos y tienen su algoritmo de distancia a
vehículos e incorporación a la vía.

Se pretende alcanzar la siguiente conclusión:

64
 - Aumenta el caudal máximo de vehículos, retardando la aparición de
retenciones y disminuyendo su efecto.

Configuración en el simulador:

- Se deja la configuración de serie del simulador excepto para los

siguientes puntos:
o Se fija el flujo de vehículos en la vía en 4000veh/h.
o Para simular la optimización de los algoritmos de un vehículo
autónomo (mayor velocidad de reacción y mejores políticas con
respecto a los usuarios de la vía) se fijan los parámetros
“politeness” a -0.2m/s2 y el parámetro “Time Gap T” a 0.6s.

Resultado tras la prueba:

- Se observa que sin la modificación de los parámetros “Politeness” y

“Time Gap T”, tras 30 segundos desde arrancar la prueba (no son 30
segundos reales, se trata de 4 minutos reales), el flujo en el punto previo
a la entrada de vehículos es 1680 veh/h y la velocidad media de los
vehículos es 12 km/h.
- Tras aplicar los cambios, que podemos interpretar como optimización del
algoritmo de distancia a vehículos e incorporación a la vía, el flujo en el
mismo punto a los 30 segundos de arrancar la prueba (no son 30
segundos reales, se trata de 4 minutos reales) es 2040 veh/h y la
velocidad media es de 25km/h.

Conclusión:

Podemos concluir que existe una mejora, correspondiente al 21% en

cuanto al flujo y del 108% respecto a la velocidad medía de los
vehículos.

65
5.3.3 Prueba 2 – Carreteras interurbanas de varios carriles
con 1 salida de vehículos

Se pretende probar el comportamiento de la circulación en carreteras

interurbanas con una salida de vehículos a una vía, bajo la premisa de que
todos los vehículos son autónomos y de que la vía a la que da la salida puede
soportar todo el caudal entrante.

Se pretende alcanzar la siguiente conclusión:

- Existe mejora.

Configuración en el simulador:

- Se deja la configuración de serie del simulador excepto para los

siguientes puntos:
o Para simular la optimización de los algoritmos de un vehículo
autónomo (mayor velocidad de reacción y mejores políticas con
respecto a los usuarios de la vía) se fijan los parámetros
“politeness” a -0.2m/s2 y el parámetro “Time Gap T” a 0.6s.

Resultado tras la prueba:

- Para este escenario, el simulador no nos da información sobre los flujos

en cada punto, por lo que las observaciones no cuentan con datos. Se
observa que, sin las modificaciones, tras 30 segundos desde arrancar la
prueba, la vía está empezando a atascarse (Figura 28):

Tras aplicar los cambios, el resultado es que la vía no se encuentra atascada

tras 30 segundos. Hasta ese momento podemos encontrar reducciones de
velocidad de los vehículos que producen pequeñas retenciones, pero que
generalmente se disuelven a los pocos segundos (Figura 29).

Conclusión:

Podemos concluir que existe mejora, pero no podemos indicar cuánta respecto
a los vehículos no autónomos.

66
Figura 28 - Estado del simulador tras 30 segundos en la situación de prueba 2 sin las modificaciones para
simular vehículos autónomos.

Figura 29 - Estado del simulador tras 30 segundos en la situación de prueba 2 simulando vehículos
autónomos.

67
6.Conclusiones
6.1 Conclusiones generales
Como hemos podido observar, la conducción autónoma presenta un paradigma
completamente nuevo para la movilidad y el sector del transporte. Esta
tecnología muestra un estado de madurez comedido y genera unas
expectativas a las que tendrá que enfrentarse durante su evolución.

Actualmente, los sensores sobre los que se sustenta la detección del entorno
no son todo lo precisos que se requiere para mantener una conducción
autónoma de alto nivel, siendo el nivel 3 de la escala SAE la catalogación del
sistema más avanzado disponible en el mercado. Sin embargo, los
investigadores están centrando sus esfuerzos en mejorarlos y reducir su coste.

Por otro lado, las plataformas que realizan las tareas de computación, pese a
ser altamente potentes con respecto a los computadores de uso general, no
parecen serlo lo suficiente para sustentar una conducción autónoma no
condicionada, como podría ser la de un sistema con nivel 4 en la escala SAE.

Debido a ello, otra de las líneas de trabajo consiste en optimizar algoritmos y

encontrar nuevas formas de analizar el entorno con la menor carga posible
sobre los sistemas. En este sentido, se trabaja con algoritmos de machine
learning para procesar la visión artificial del entorno y catalogar cada objeto.
Asimismo, se están utilizando mapas de alto detalle para evitar que los
vehículos deban crear todo el mundo a su alrededor, y que solo se encargen de
detectar objetos no estacionarios o cuya posición ha cambiado, comparándolos
con dicho mapa, que albergan en su memoria.

Una de las principales conclusiones que se pueden extraer, tras analizar el

debate ético que se ha generado respecto a las vidas que debe priorizar en
caso de accidentes un sistema autónomo, es que se debe regular, de manera
uniforme a nivel internacional, el algoritmo de toma de decisiones del vehículo
en caso de accidente, es decir, no se debe dejar que los fabricantes prioricen
unas vidas sobre otras en caso de deber elegir ante un accidente inevitable,

68
pues esto podría utilizarse como herramienta en la venta de vehículos, pese a
ir en contra del conjunto de usuarios de la vía.

Con respecto a la legislación, la mayor parte de países están trabajando en

leyes de barreras cero. En este sentido, España no es diferente, aunque se
beneficia de no estar suscrita al acuerdo de la convención de Viena de 1968,
pudiendo realizar cualquier modificación en sus normas de circulación de
manera independiente. Así pues, fue pionera en Europa en permitir la
realización de pruebas con vehículos autónomos.

Si acudimos al mercado, no son numerosas las soluciones a la venta,

destacando en cuanto a funcionalidad la marca Tesla por encima de sus
competidores, Mercedes y Audi. Aunque en un mundo cambiante como es el
de la tecnología, una apuesta sería en forma de inversión de los gigantes del
automóvil podría desnivelar la balanza y modificar el escenario actual.

Si bien es cierto que existen gran cantidad de prototipos dentro de las

empresas especializadas, entre ellos sí se ha alcanzado en varios el nivel 5 en
la escala SAE, lo que demuestra que está tecnología no esta tan lejos. Sin
embargo, el coste de estos prototipos es elevado y está es la razón por la que
no existen en el mercado soluciones de este nivel.

Otra conclusión que se puede extraer es la clara tendencia del mercado hacia
no tener un vehículo en posesión. En este sentido, surgen numerosas fórmulas
como el Car Sharing, ya presente en multitud de grandes ciudades, o la
posesión compartida, donde los propietarios firman un contrato determinando
las condiciones sobre las que dispone cada uno de los propietarios del
vehículo, entre otras. La conducción autónoma no haría si no potenciar dichas
formulas, permitiendo mayor comodidad para los usuarios.

Tras el análisis de puntos críticos y las pruebas realizadas sobre el simulador,

podemos concluir que la aparición de los vehículos autónomos también
mejorará la movilidad, evitando en gran medida la aparición de retenciones. El
principal punto sobre el que se sustenta esta teoría es la reducción del número
de accidentes. Sin embargo, tras la realización de las pruebas, podemos
también concluir que la mejora del tiempo de reacción de los sistemas con

69
respecto a los seres humanos permitirá aumentar los caudales de las vías,
retardando así la aparición de retenciones, llegando en algunos casos a
prevenirlas.

Por último, la realización de una propuesta de arquitectura nos permite

comprender la alta complejidad de diseño de estos sistemas, así como
entender en mayor detalle el funcionamiento de los sistemas que existen
actualmente en el mercado.

6.2 Reflexión sobre los aspectos éticos,

sociales, profesionales y medioambientales
del proyecto.
El impacto de este proyecto, al tratarse en mayor medida de un estudio del
estado del arte no es muy elevado. Su objetivo es el de entender y analizar el
estado actual de la tecnología.

Sin embargo, resulta innegable que la tecnología analizada y la aplicación de

las mejoras propuestas en este trabajo tendrán impacto sobre la forma en que
la sociedad entiende la movilidad y, desde luego, la reducción de los atascos y
la optimización en los desplazamientos. Además, otros aspectos como la
reducción de la fabricación de vehículos, fruto de las tendencias del mercado
hacia compartir la posesión de vehículos, reducirán las emisiones de gases de
efecto invernadero y el impacto sobre el medio ambiente.

Con respecto a los aspectos profesionales, la introducción de esta tecnología

transformará el mercado laboral, haciendo más necesaria la figura del
Ingeniero de Software en detrimento de otras, como la del transportista.

No es menos cierto que, pese a la cantidad de impactos positivos de esta

tecnología, debemos ser conscientes de nuestras responsabilidades con
respecto a los algoritmos que, como profesionales, diseñemos y desarrollemos.
Por ello, se han analizado los aspectos éticos asociados al diseño de
algoritmos cuya toma de decisiones puede influir en la pérdida de vidas, pues

70
puede ser utilizada con intenciones publicitarias. Se debe legislar para evitarlo
y que sea un ente público quien decida el comportamiento de los vehículos
ante situaciones donde se deba elegir entre la salud de diversos grupos de
personas.

6.3 Líneas de ampliación

Durante una primera planificación del proyecto, se consideró la posibilidad de
realizar la implementación de un simulador. Sin embargo, a medida que se fue
avanzando en el mismo, se detectó que la complejidad de su desarrollo
superaría holgadamente el tiempo estimado para la realización de este
proyecto.

Por ello, la principal línea de ampliación sería el desarrollo de un simulador

veraz, que permitiera realizar de manera efectiva la comprobación de las tesis
de este proyecto, pues, como se puede apreciar, el simulador utilizado no
permite comprobar todas y cada una de ellas.

Por otro lado, la definición de la arquitectura software realizada, aunque cumple

la función de dar una primera aproximación a la misma y de comprender la
inmensidad y complejidad del conjunto total, se aleja de la parte técnica y se
centra en la parte funcional. Sería una línea de ampliación muy positiva la
realización de otras vistas que permitieran definir la arquitectura a mayor nivel
de detalle considerando cuestiones técnicas.

Por último, sería positivo realizar pruebas en entornos reales controlados con
una serie de vehículos autónomos para comprobar la veracidad del simulador
con respecto a los comportamientos reales.

71
Referencias Bibliográficas
[1] Niveles de conducción autónoma (SAE). Fecha de consulta enero-2018.
Recuperado de http://www.sae.org/misc/pdfs/automated_driving.pdf

[2] Niveles de conducción autónoma (articulo). Fecha de consulta enero 2018.

Recuperado de https://www.motorpasion.com/tecnologia/la-conduccion-
autonoma-paso-a-paso-del-conductor-humano-al-coche-que-se-conduce-el-
solo

[3] Accidentes y conducción autónoma. Recuperado de

https://voltaico.lavozdegalicia.es/2017/06/conduccion-autonoma-reducira-
accidentes/

[4] Historia vehículos autónomos. Fecha de consulta enero 2018. Recuperado

de https://es.wikipedia.org/wiki/Veh%C3%ADculo_aut%C3%B3nomo

[5] DARPA Grand Challenge 2005. Fecha de consulta febrero 2018.

Recuperado de https://en.wikipedia.org/wiki/DARPA_Grand_Challenge_(2005)

[6] Modificación regulación tráfico Nevada 2012. Recuperado de

https://es.wikipedia.org/wiki/Waymo

[7] Historia Model S. Recuperado de

https://es.wikipedia.org/wiki/Tesla_Model_S#Historia

[8] Mercedes Clase E autónomo. Recuperado de

https://es.wikipedia.org/wiki/Mercedes-Benz_Clase_E#W213_(2017-Presente)

[9] Estándar SAE J3016. Recuperado de

http://standards.sae.org/j3016_201609/

[10] Lidar en vehículos autónomos. Recuperado de

https://news.voyage.auto/an-introduction-to-lidar-the-key-self-driving-car-
sensor-a7e405590cff

[11] Visión Artificial. Recuperado de

https://es.wikipedia.org/wiki/Visi%C3%B3n_artificial

72
[12] Aprendizaje automático. Recuperado de
https://es.wikipedia.org/wiki/Aprendizaje_autom%C3%A1tico

[13] Proyecto CARLA. Recuperado de

http://www.caranddriver.es/coches/planeta-motor/proyecto-carla-el-simulador-
que-ensena-a-conducir-al-coche-autonomo

[14] Mapas 3D. Recuperado de https://www.motorpasion.com/tecnologia/los-

mapas-mas-detallados-del-mundo-seran-para-los-coches-autonomos-y-no-
para-los-humanos

[15] Información General Mapas 3D. Recuperado de

http://www.expansion.com/economia-
digital/innovacion/2018/02/24/5a919bb9468aeb06178b457d.html

[16] Información mapas 3D de Mercedes. Recuperado de

https://www.la.mercedes-
benz.com/content/latina/mpc/mpc_latina_website/es/home_mpc/passengercars
/home/world/innovation/news/high_precision_maps.html

[17] Roadmap Elon Musk. Recuperado de https://www.tesla.com/blog/master-

plan-part-deux

[18] Análisis mercado movilidad autónoma. Recuperado de

https://newsroom.intel.com/newsroom/wp-
content/uploads/sites/11/2017/05/passenger-economy.pdf?cid=em-elq-
26916&utm_source=elq&utm_medium=email&utm_campaign=26916&elq_cid=
1494219

[19] Reporte millas y errores Waymo. Recuperado de

https://www.theverge.com/2017/2/1/14474790/google-waymo-self-driving-car-
disengagement-dmv-california

[20] Adaptación de la ciudad de Barcelona para la implementación de vehículos

autónomos. Recuperado de
https://upcommons.upc.edu/bitstream/handle/2117/111810/FINAL_SIN_ANEX
O.pdf?sequence=1&isAllowed=y

73
[21] Dilema ético coche autónomo. Recuperado de
https://www.lainformacion.com/asuntos-sociales/ciencia-y-tecnologia/el-dilema-
del-coche-autonomo-matar-al-conductor-o-atropellar-a-un-
peaton_d4orfvkipxml0o16yx9jf

[22] Workshop Toulose School of Economics. Recuperado de https://www.tse-

fr.eu/conferences/2017-workshop-ethics-automated-vehicles

[23] Reglamento DGT España. Recuperado de

http://www.dgt.es/Galerias/seguridad-vial/normativa-legislacion/otras-
normas/modificaciones/15.V-113-Vehiculos-Conduccion-automatizada.pdf

[24] Reglamento DGT España (Noticia). Recuperado de

https://www.elconfidencial.com/tecnologia/2016-12-23/coche-autonomo-
espana-dgt-2017-reglamento_1308238/

[25] Aparcamiento automático. Recuperado de

https://www.autobild.es/noticias/aparcamiento-automatico-remoto-permitido-
espana-283607

[26] Comparativa versiones Tesla Autopilot. Recuperado de

https://bensmann.no/tesla-autopilot-2-vs-1-status

[27] Tesla Autopilot v. 1.0. Recuperado de

https://es.wikipedia.org/wiki/Tesla_Model_X#Autopilot_1.0

[28] Tesla Autopilot v. 2.0. Recuperado de

https://en.wikipedia.org/wiki/Tesla_Autopilot#Hardware_2

[29] Tesla Autopilot manual de usuario. Recuperado de

https://www.tesla.com/sites/default/files/model_s_owners_manual_north_ameri
ca_en_us.pdf

[30] Tesla Autopilot 2.5. Recuperado de https://electrek.co/2017/08/09/tesla-

autopilot-2-5-hardware-computer-autonomous-driving/

[31] Mercedes Benz Drive Pilot. Recuperado de

https://www.autotrader.ca/newsfeatures/20160308/mercedes-benz-e-class-
drive-pilot/

74
[32] Articulo Mercedes Benz. Recuperado de
https://www.elconfidencial.com/motor/2016-03-22/conducimos-el-primer-coche-
autonomo-el-nuevo-mercedes-clase-e_1171799/

[33] Revisión Audi A8 con Traffic Jam Pilot. Recuperado de

https://www.autobild.es/practicos/bordo-nuevo-audi-a8-equipado-traffic-jam-
pilot-163750

[34] Pagina web Audi Traffic Jam Pilot. Recuperado de https://audi-

encounter.com/en/staupilot

[35] Dossier estudio conducción autónoma, impactos, atascos, etc. realizado

por Audi. Recuperado de http://prensa.audi.es/wp-
content/uploads/2017/09/Dossier-A8-AI-traffic-jam-plilot.pdf

[36] Información Waymo y Firefly. Recuperado de

http://www.newmediabusinessblog.org/index.php/Autonomous_Vehicles

[37] Incremento flota Waymo. Recuperado de

https://www.theverge.com/2018/1/30/16948356/waymo-google-fiat-chrysler-
pacfica-minivan-self-driving

[38] Toyota shows that self-driving cars can also look really cool. Recuperado
de https://mashable.com/2018/01/04/toyota-announces-autonomous-car-
prototype-for-ces-2018/?europe=true#IfBjufFXfSqq

[39] Toyota trae a CES 2018 su prototipo de vehículo autónomo Platform 3.0.
Recuperado de https://es.digitaltrends.com/autos/toyota-platform-30-autonomo-
ces-2018/

[40] Página web del vehículo de Uber. Recuperado de

https://www.uber.com/info/atg/car/

[41] Accidende mortal uber, detalles técnicos. Recuperado de

https://www.motorpasion.com/seguridad/accidente-mortal-uber-fallo-todo-
conductora-victima-pasando-propio-sistema

[42] Análisis mercado movilidad autónoma Intel. Recuperado de

https://newsroom.intel.com/newsroom/wp-

75
content/uploads/sites/11/2017/05/passenger-economy.pdf?cid=em-elq-
26916&utm_source=elq&utm_medium=email&utm_campaign=26916&elq_cid=
1494219

[43] Traffic safety facts realizado por el departamento de transporte de Estados

Unidos. Recuperado de
https://crashstats.nhtsa.dot.gov/Api/Public/ViewPublication/812115

[44] Estadísticas de mortalidad en accidentes de tráfico por países realizado

por el banco mundial. Recuperado de
https://data.worldbank.org/indicator/SH.STA.TRAF.P5

[45] Estadísticas mortalidad en accidentes de tráfico separadas por continentes

y nivel de desarrollo. Recuperado de http://blogs.worldbank.org/opendata/over-
125-million-people-are-killed-road-each-year

[46] Zigbee a fondo. Recuperado de https://www.domodesk.com/216-a-fondo-

zigbee.html

[47] Zigbee. Recuperado de

https://es.wikipedia.org/wiki/Zigbee#Zigbee_vs_Bluetooth

[48] Noticia Caso Hackeo JEEP. Recuperado de

https://es.gizmodo.com/vuelven-a-hackear-un-jeep-esta-vez-controlando-el-
vola-1784762967

[49] Web DGT información de incidentes de trafico

http://infocar.dgt.es/etraffic/

[50] Simulador setosa desarrollado por Lewis Lehe Recuperado de

http://setosa.io/blog/2014/09/02/gridlock/index.html

[51] Simulador Volkhin Recuperado de http://volkhin.com/RoadTrafficSimulator/

[52] Simulador Traffic-Simulation desarrollado por Recuperado de

http://www.traffic-simulation.de/

76
77