Nomadak

Funcionamiento

Inspiration

El proyecto fue inspirado por la creciente necesidad de mejorar la seguridad en el transporte público. Los accidentes causados por comportamientos imprudentes de los conductores representan un riesgo significativo tanto para los pasajeros como para los operadores de autobuses. Al combinar inteligencia artificial con tecnologías de monitoreo en tiempo real, vimos la oportunidad de reducir estos riesgos y crear un sistema que pudiera brindar una mayor confianza y eficiencia a los servicios de transporte.

What it does

Nuestro sistema monitorea en tiempo real el comportamiento de los conductores de autobuses mediante cámaras y sensores. Utilizando inteligencia artificial, específicamente FRIDA, junto con OpenVINO y OpenCV, analiza los gestos, la atención y otros factores de comportamiento para identificar riesgos como distracciones, fatiga o conducción imprudente. Con base en estos análisis, se genera un rating de desempeño para cada conductor, lo que permite asignar viajes de manera más confiable y priorizando la seguridad de los pasajeros. Los conductores con mejores calificaciones reciben las rutas más críticas y de mayor responsabilidad, lo que mejora tanto la seguridad como la eficiencia del servicio de transporte.

How we built it

El proyecto fue desarrollado utilizando una combinación de tecnologías de inteligencia artificial y visión por computadora. Aquí están los pasos clave que seguimos:

Captura de imágenes en tiempo real: Utilizamos OpenCV para capturar el video desde las cámaras instaladas en los autobuses. Esta biblioteca facilitó el procesamiento de las imágenes en tiempo real, permitiendo monitorear continuamente el comportamiento del conductor.
Análisis de comportamiento con IA: Implementamos la inteligencia artificial FRIDA, entrenada para reconocer y evaluar comportamientos clave de los conductores, como distracciones, uso de dispositivos móviles, o señales de fatiga. FRIDA se integró con OpenVINO para mejorar la eficiencia de la inferencia de modelos, garantizando resultados precisos y rápidos en tiempo real.
Generación de ratings de desempeño: Con base en el análisis de comportamiento, el sistema genera un rating de desempeño personalizado para cada conductor. Este rating está diseñado para reflejar de manera precisa la seguridad y confiabilidad de los conductores en tiempo real.
Asignación de viajes optimizada: El sistema utiliza los ratings para asignar viajes de manera más segura y eficiente. Los conductores con mejor calificación son priorizados para viajes importantes o de alto riesgo, mejorando la seguridad general del servicio de transporte.
Interfaz de monitoreo: Construimos una interfaz donde se pueden ver los ratings, estadísticas y comportamientos detectados de los conductores. Esta interfaz permite a los administradores del sistema tomar decisiones basadas en datos y mejorar la gestión de las flotas. ## Challenges we ran into Procesamiento en Tiempo Real: • Descripción: Mantener el procesamiento eficiente y en tiempo real de las imágenes capturadas mientras se realiza el análisis de comportamiento. • Solución: Optimización de algoritmos y uso de OpenVINO para acelerar la inferencia del modelo. Ajuste de parámetros en OpenCV para mejorar la eficiencia en la captura y procesamiento de video.
1. Precisión en el Análisis de Comportamiento: • Descripción: Detectar y clasificar comportamientos complejos y sutiles como distracciones o fatiga en condiciones variadas (iluminación, ángulos de cámara, etc.). • Solución: Entrenamiento extensivo del modelo FRIDA con un conjunto diverso de datos para mejorar la robustez del análisis. Implementación de técnicas de ajuste fino y validación cruzada para garantizar la precisión. ## Accomplishments that we're proud of Integración Efectiva de IA y Visión por Computadora: • Descripción: Logramos integrar de manera exitosa FRIDA y OpenCV con OpenVINO para un análisis de comportamiento en tiempo real. Esta integración no solo mejoró la precisión del monitoreo, sino que también optimizó el rendimiento del sistema, permitiendo una evaluación rápida y precisa de los conductores.
2. Mejora Significativa en la Seguridad: • Descripción: El sistema ha demostrado ser eficaz en la identificación de comportamientos peligrosos y la prevención de incidentes. Los datos recogidos muestran una reducción en los comportamientos imprudentes de los conductores y una mejora en la seguridad general del servicio de transporte.
3. Optimización de la Asignación de Viajes: • Descripción: Implementamos un algoritmo de asignación de viajes basado en el rating de desempeño que ha permitido asignar de manera más eficiente las rutas a los conductores. Esto ha resultado en una operación más confiable y una mejora en la satisfacción de los pasajeros. ## What we learned
  1. Eficiencia en el Procesamiento de Video: • Aprendizaje: Integrar tecnologías como OpenCV y OpenVINO es esencial para el procesamiento eficiente de video en tiempo real. La optimización de estos componentes es crucial para mantener el rendimiento sin sacrificar la precisión.
4. Importancia de Datos de Entrenamiento Diversos: • Aprendizaje: La calidad y diversidad de los datos de entrenamiento son fundamentales para el éxito de los modelos de inteligencia artificial. Utilizar un conjunto de datos amplio y representativo mejora la capacidad del modelo FRIDA para identificar y analizar comportamientos en diferentes condiciones.
5. Desafíos en la Integración de Tecnologías: • Aprendizaje: Integrar múltiples tecnologías avanzadas puede presentar desafíos significativos. La necesidad de una comunicación fluida entre OpenCV, OpenVINO, y FRIDA nos enseñó la importancia de desarrollar interfaces y pipelines robustos y bien diseñados. ## What's next for Power Express
Expansión de Funcionalidades: • Descripción: Planeamos agregar nuevas funcionalidades al sistema, como la detección de patrones de comportamiento a largo plazo y la integración con sistemas de gestión de flotas para una asignación de viajes aún más optimizada. También exploraremos la posibilidad de incorporar análisis predictivo para anticipar comportamientos de riesgo.
1. Implementación en Nuevas Flotas: • Descripción: Nuestro objetivo es desplegar el sistema en flotas adicionales de autobuses y otros tipos de transporte público. Esto permitirá validar y ajustar el sistema en diferentes contextos operativos y ampliar el impacto en la seguridad del transporte.
2. Mejoras en la Interfaz de Usuario: • Descripción: Continuaremos refinando la interfaz de monitoreo para hacerla más intuitiva y funcional. Incorporaremos características adicionales basadas en la retroalimentación de los usuarios, como dashboards personalizables y reportes detallados.