¿Puede la IA controlar los semáforos de toda una ciudad para reducir la presión del tráfico o los tiempos de espera ?

¿Qué significa dejar que la IA tome las riendas de los semáforos de una ciudad? En esencia, se trata de usar algoritmos para ajustar constantemente los tiempos de las señales en tiempo real, con el objetivo de suavizar el flujo del tráfico y reducir los tiempos de espera en las intersecciones. La promesa es una ciudad más tranquila, menos embotellamientos y rutas más rápidas. Pero ¿hasta dónde ha viajado esta idea desde el laboratorio hasta las calles?

Background

Los sistemas de control de semáforos impulsados por IA han pasado de pruebas piloto a implementaciones completas en varios centros urbanos. Estas implementaciones se basan en transmisiones en vivo de cámaras de intersección, sensores de bucles inductivos incrustados en las vías y datos subidos por vehículos conectados para inferir las condiciones actuales e inminentes del tráfico (Nature, 2023). Los modelos de aprendizaje automático —a menudo entrenados con registros históricos de señales e informes de incidentes— pronostican la demanda a corto plazo; luego, los agentes de aprendizaje por refuerzo traducen esos pronósticos en decisiones de fase de señal que minimizan la demora acumulada de los vehículos y las longitudes de las colas.

Los primeros trabajos académicos se remontan a finales de los años 2000, cuando investigadores de Carnegie Mellon y la Universidad de Texas demostraron controladores de tráfico adaptativos que superaban los planes de tiempo fijo en un 15–20 % durante las horas pico. A mediados de los años 2010, sistemas como SCOOT (Técnica de Optimización de Ciclo, División y Desfase) y SCATS (Sistema de Tráfico Adaptativo Coordinado de Sídney) ya llevaban décadas en funcionamiento, pero sus optimizaciones en bucle cerrado eran típicamente heurísticas en lugar de basadas en aprendizaje. El lanzamiento en 2016 del sistema "SURTRAC" de Pittsburgh marcó la primera implementación a gran escala de aprendizaje por refuerzo: dispositivos de borde en intersecciones individuales aprendieron políticas locales que luego fueron coordinadas por un programador central, reduciendo los tiempos de viaje en vías arteriales clave en aproximadamente un 25 % en pruebas de campo.

Las implementaciones posteriores ampliaron tanto el alcance como la técnica. En Hangzhou, China, un motor de IA llamado "City Brain" procesa transmisiones de 5.000 cámaras y ajusta 12.000 señales en toda la ciudad, logrando una reducción reportada del 10 % en la duración promedio de los viajes. El sistema adaptativo Green Link Determining (GLIDE) de Singapur, introducido en 2019, utiliza la reidentificación de vehículos y la estimación de longitudes de cola para cambiar la asignación de tiempo verde en tiempo real, logrando una disminución del 12 % en los retrasos durante las horas pico congestionadas. En Estados Unidos, la iniciativa "AI for Traffic Management" de la Administración Federal de Carreteras ha sembrado algoritmos adaptativos en Austin, Pittsburgh y Los Ángeles, donde los primeros resultados muestran que las longitudes de las colas se reducen entre un 18 % y un 22 % en corredores instrumentados.

Más allá de reducir la demora, estos sistemas buscan disminuir las emisiones al reducir los ciclos de parada y arranque. Un estudio de simulación de 2021 publicado en Transportation Research Part D estimó que el control adaptativo a nivel de toda la ciudad podría reducir las emisiones de CO₂ en aproximadamente un 5 % y las de NOₓ en un 7 % en una red metropolitana de tamaño mediano. La priorización de vehículos de emergencia —probada por primera vez en Kansas City en 2018— también mejora las métricas de seguridad al otorgar prioridad a las luces mientras se preservan las divisiones verdes para las fases conflictivas.

Sin embargo, aún quedan desafíos abiertos. Los problemas de calidad de los datos —transmisiones de sensores faltantes, oclusiones de cámaras y suplantación adversarial— pueden degradar el rendimiento del modelo. Las políticas a nivel de intersección deben armonizarse entre distritos para evitar la migración del congestionamiento; el coaprendizaje con vehículos conectados promete mitigar esto al proporcionar información más rica sobre la demanda aguas arriba. Las preocupaciones sobre privacidad y ciberseguridad han llevado a las ciudades a adoptar arquitecturas de aprendizaje federado donde el video sin procesar nunca abandona los nodos locales de borde. Las barreras económicas, especialmente en municipios de bajos ingresos, persisten: las reformas de hardware pueden superar los US$2.500 por cabeza de semáforo, aunque los modelos de controlador como servicio basado en la nube están comenzando a reducir los costos de entrada.