Semáforos Arquímedes SA

LOGO

Inspiration

En Querétaro, el acelerado crecimiento urbano y el aumento en la densidad vehicular han generado un problema crítico de congestión vial, impactando la productividad, la calidad de vida y el medio ambiente. Semáforos Arquímedes SA nace como una respuesta innovadora a esta problemática, combinando inteligencia artificial, simulación predictiva y visión por computadora para optimizar la movilidad en tiempo real. Nuestro objetivo no solo es mitigar el tráfico actual, sino también sentar las bases para una infraestructura urbana escalable y adaptativa, preparada para el crecimiento futuro de la ciudad.

What it does

Desarrollamos un sistema de simulación vial predictiva para el centro de Querétaro, utilizando un algoritmo avanzado que analiza patrones de tráfico, volúmenes vehiculares y eventos en tiempo real. A diferencia de los sistemas tradicionales, nuestra solución: Optimiza los tiempos de semáforos mediante un modelo dinámico, reduciendo los tiempos de espera en un 30% (según pruebas preliminares).

Integra datos de flujo vehicular, peatonal para ajustar las rutas de manera proactiva.

Utiliza visión por computadora (OpenCV) para monitorear el tráfico y validar la eficiencia del modelo.

How we built it

Para construir este prototipo, implementamos un stack tecnológico robusto y colaborativo: Backend: Algoritmo desarrollado en Python con librerías como NumPy (análisis numérico) y Pandas (procesamiento de datos).

Mapeo de rutas a considerar: Open Street Map (OSM) Proyecto de código abierto colectivo que proporciona mapas en formato osm fácilmente mutable a formato xml para su manipulación. Simulación: Integramos Eclipse SUMO (Simulation of Urban MObility) para modelar escenarios realistas, ajustando parámetros como densidad vehicular y priorización de vías. IA Generativa: Usamos Gemini, DeepSeek y Copilot para acelerar el desarrollo de código y generar ideas de optimización. Control de Versiones: Trabajo colaborativo mediante GitHub, asegurando trazabilidad y escalabilidad del proyecto. Visualización: Matplotlib para generar gráficos de desempeño y métricas clave.

Challenges we ran into

Curva de aprendizaje en SUMO (Simulation of Urban MObility): Adaptarnos a esta herramienta requirió investigar documentación técnica y validar modelos con datos reales. Integración de sistemas heterogéneos: Conectar nuestras APIs con sistemas de tránsito existentes implicó estandarizar formatos de datos. Precisión del algoritmo: Ajustamos el modelo mediante pruebas A/B para minimizar errores en las predicciones.

Accomplishments that we're proud of

Validación del modelo en un entorno simulado con datos reales del flujo vehicular de Querétaro. Trabajo interdisciplinario: Colaboración y apoyo de vectores. Prototipo funcional con potencial para escalarse a otras zonas urbanas.

What we learned

La importancia de documentar procesos en herramientas complejas como SUMO (Simulation of Urban MObility). El manejo de APIs y librerías especializadas requiere un enfoque modular y pruebas iterativas. La colaboración en equipo es fundamental para resolver problemas técnicos y alinear objetivos.

What's next for Semáforos Arquímedes SA

Escalabilidad: Implementar el sistema en ciudades con mayor flujo vehicular (ej. CDMX, Guadalajara). Extensión de funcionalidades: Incorporar sensores IoT en semáforos para alimentar datos en tiempo real. Integrar aprendizaje automático (ML) para mejorar la predicción con patrones históricos. Alianzas estratégicas: Trabajar con gobiernos locales y empresas de transporte para pilotos reales. Sostenibilidad: Evaluar el impacto ambiental de la reducción de congestiones (ej. emisiones de CO₂).