FIBRATRAFIC proiektuak trafikoa monitorizatzeko sistema bat garatzeko aukera eman du, bide-sarean zehar dagoeneko ipinita dauden zuntz optikoko sareak aprobetxatuz. Horretarako, sentsore-teknologia berritzaile bat erabili da, Sentsore Akustiko Sakabanatua (DAS, Distributed Acoustic Sensing) izenekoa.
Trafikoa monitorizatzeko ohiko irtenbideak ez bezala, horiek errepideko posizio jakin bati buruzko informazioa ematera mugatzen baitira, proiektuan garatutako teknologiak aukera ematen du neurketa sakabanatu bat eskuratzeko, non aldi berean, errepide baten posizio guztiak monitorizatzen baitira hainbat eta hainbat kilometrotan, eta erabilitako zuntz telekomunikazio-sarean aldaketarik egin beharrik gabe. Gainera, DAS sentsoreetan jasotako seinaleetan seinalea prozesatzeko eta ikaskuntza automatikoko (Machine Learning) teknikak aplikatzeak, ibilgailuak bidean zehar duten posizioa hautemateko, bere abiadura zehazteko, ibilgailu bakoitzaren arteko tartea zehazteko eta, are, beren ezaugarrien arabera sailkatzeko (ibilgailu astunak, turismo erakoak) aukera eman du.
Finean, proiektua, maila teknologikoan, hiru teknologia ezberdin bateratzearen ondorio da (sentsore fotonikoa, seinalearen prozesamendua eta Machine Learning), horretan nahasitako hiru ikerketa-taldeen espezializazioarekin lotuak.
Proiektuak, soberan bete ditu adierazitako helburuak, hastapenean erronka modura adierazi ziren helburu espezifiko guztiak gaindituz:
- Sentsore fotonikoko eskema bat garatu da, DAS teknologia erabiliz, orain arte zeuden sisteman prestazioak hobetzen dituena, eta trafiko aurreratuko monitorizazioan aplika daiteke, hainbat eta hainbat kilometrotan. Zehazki, garatutako sentsoreak, trafikoaren monitorizazioaren esparruan lehen aldiz, fase optikoaren hautematean oinarritutako sentsore fotonikoko eskema bat baliatzen du, eta horrez gain, pultsu optikoak ulertzeko teknikak erabiltzen dira. Horrek guztiorrek bere sentsibilitatea, bereizmena eta neurketa-heina areagotzeko aukera ematen du. Modu horretan, seinale aberatsagoa hautematea lortzen da (informazio gehiagorekin), eta horrela, orain arte esparru honetan arakatu gabekoak ziren seinalea prozesatzeko eta ikaskuntza automatikoko teknika berriak aplika daitezke.
- DAS seinaleetara aplikatutako seinalea prozesatzeko eta ikaskuntza automatikoko teknikak garatu dira ibilgailuen hautemate, jarraipen eta sailkapena egiteko. Puntu honetan prozesatze-eskema baten garapena nabarmendu behar da, eraldatutako domeinu berritzaile batean oinarritua, ibilgailuen hautematea optimizatzeko aukera ematen duena, aldi berean, horien jarraipena egiteko prozesua (tracking) sinplifikatuz. Gainera, DAS seinaletatik abiatuz ibilgailuak sailkatzeko ikaskuntza automatikoko teknikak aplikatu dira. Horri esker, ibilgailu arinak eta astunak bereizi daitezke, zehaztasun handiz eta modu automatikoan. Machine Learning ikaskuntzako algoritmoen entrenamendurako beharrezkoa den informazioa prestatze aldera, etiketatze automatikoko sistema bat garatu da, neurona-saretan oinarritua, kamera optikoak erabiliz. Gainera, hautemandako ibilgailuen jarraipena egiteko algoritmoak erabili dira, bideoan horien ibilia jarraitu eta, modu horretan, ibilgailuen kontaketa zehatza burutzeko.
- Prestazio handiak dituen DAS galdekatzaile-ekipo baten landako prototipo aurrekomertzial bat eraiki da.
- Azkenik, garatutako teknologia bide-sarearen gainean frogatu da Nafarroako Foru Komunitateko instituzio publikoen jabetzako zuntz optikoko loturak aprobetxatuz, eta emaitza bikainak lortu dira distantzia luzeko trafiko irekiko egiazko ingurune batean (35 km) egindako landa neurketetan. Horregatik, gure eskerrak eman nahi dizkiegu Nafarroako Gobernuari eta Iruñeko Udalari, NASERTIC eta ANIMSA enpresa publikoen bidez eskainitako lankidetzagatik.
Proiektuan zehar garatutako teknologiak aukera eman du aldizkari zientifiko batean artikulu bat argitaratzeko. Horrek garatutako sistemaren berritasuna kuantifikatzea ahalbidetzen du:
Corera, I.; Piñeiro, E.; Navallas, J.; Sagues, M.; Loayssa, A. Long-Range Traffic Monitoring Based on Pulse-Compression Distributed Acoustic Sensing and Advanced Vehicle Tracking and Classification Algorithm. Sensors 2023, 23, 3127. https://doi.org/10.3390/s23063127
Bestalde, garrantzitsua da azpimarratzea, proiektuaren ondorioz sortutako esperientziak, hiru ikerketa-taldeen baterako lanarekin eta ezberdinak izan arren osagarriak diren hiru teknologia aplikatuz, trafikoaren kudeaketaz aparteko beste esparru batzuetan antzeko garapenak aplikatzea ahalbidetuko duela. Modu horretan, eta jadanik proiektuaren irismenetik at geratzen den arren, bertan garatutako teknologia beste esparru batzuetan aplika liteke, esate baterako, intrusioa edo bidegabe sartzea hautemateko. Horrek ahalbidetuko du telekomunikazioko operadorearen (publikoa edo pribatua) zuntz optikoa kanpoko mehatxuen aurrean babestea; bide-azpiegitura guztiak monitorizatzea; industria-esparru ezberdinetako egituretan sentsore sakabanatua burutzea; edo fenomeno sismikoak monitorizatzea.
Proiektuaren azken balioespen modura, SINAI-ko eragile ezberdinen artean lan egin ahal izatearen onurak nabarmendu behar dira, bestela sortuko ez liratekeen sinergiak topatzea ahalbidetzen baitu horrek. Zehazki, proiektu honetan, harremana arina eta eraikitzailea izan da, eta bi aldeek (NUP-NAITEC) oso modu positiboan balioetsi dute.