Los aparcamientos urbanos y comerciales se enfrentan a un problema sencillo pero costoso: nadie sabe qué plaza está libre en cada momento. Los conductores dan vueltas por las plantas, se forma una cola en la entrada, el sistema de tiques no está conectado a las plazas y la dirección solo conoce las entradas y salidas del día después del cierre. Los sensores de suelo para cada plaza son caros de instalar y mantener, y funcionan con dificultad en instalaciones al aire libre. Lo que se necesita es una forma de medir el estado de cada plaza de manera continua, económica y sin intervención humana.
Su importancia no se limita a la comodidad del conductor. Para la ciudad, cada minuto que un coche pasa buscando plaza añade tráfico y emisiones. Para el operador, no conocer la ocupación real significa no poder aplicar precios dinámicos, ofrecer reservas ni analizar los patrones de uso. Para la seguridad, saber qué vehículo ocupa qué plaza y desde cuándo es la base para dar seguimiento a cualquier incidente. Por tanto, el aparcamiento inteligente no es un producto de comodidad; es una infraestructura que se convierte en datos, y datos que se convierten en decisiones.
Una arquitectura de visión artificial convierte las cámaras existentes, o un pequeño número de cámaras nuevas, en sensores. En el borde, una unidad de procesamiento compacta analiza las imágenes, detecta la ocupación de cada plaza y lee las matrículas, y envía al servidor solo los eventos relevantes, como «plaza doce ocupada» o «ha entrado la matrícula X». Esos eventos se recogen en una plataforma central, se vinculan con la emisión de tiques y el pago, y se exponen mediante API a los paneles de guiado, la aplicación móvil y el cuadro de mando de gestión. El vídeo en bruto nunca sale del recinto; solo salen los datos.
La primera consideración práctica son las condiciones reales. Los modelos que funcionan bien con buena luz y una lente limpia pueden fallar de noche, con lluvia, bajo la sombra de los árboles o cuando una cámara se ha desalineado. La solución es evaluar el modelo con datos del emplazamiento real y reentrenarlo periódicamente, en lugar de confiar en un modelo genérico. Por ejemplo, un aparcamiento al aire libre tiene en invierno un patrón de iluminación completamente distinto al del verano, y cabe esperar que la precisión disminuya sin reentrenamiento.
La segunda consideración es la privacidad y el diseño de los datos. Una matrícula es un dato personal y debe tratarse con el mismo cuidado que los datos de los clientes en un banco. Eso significa procesar en el borde, descartar la imagen una vez extraído el evento, conservar las matrículas solo el tiempo que exijan las operaciones y el pago, y un acceso basado en roles a los cuadros de mando. Una buena arquitectura incorpora estas restricciones en el diseño en lugar de añadirlas después, lo que resulta más seguro y más barato.
Los errores habituales son claros. Primero, empezar por el mejor modelo en lugar de por el mejor ángulo de cámara; la correcta ubicación de la cámara influye en la precisión más que cualquier algoritmo. Segundo, enviar vídeo en bruto a un servidor central, lo que consume ancho de banda y crea riesgos para la privacidad. Tercero, construir el sistema de detección sin integrarlo con la emisión de tiques y el pago, lo que produce un cuadro de mando que nadie utiliza para actuar. Cuarto, ignorar el estado de fallo; cuando una cámara deja de funcionar, el sistema debe indicar que las plazas están en estado desconocido y no libres, o los conductores serán guiados hacia plazas que no existen.
Bina, la plataforma de IA de visión de Niadad, implementa esta arquitectura: procesamiento en el borde, detección de ocupación y matrículas, generación de eventos e integración con los sistemas operativos mediante API. En el proyecto de aparcamiento inteligente de Niadad, Bina actúa como capa de percepción y sus eventos alimentan las plataformas de datos y eventos de Niadad, de modo que el estado del aparcamiento está disponible por igual para el conductor, el operador y el análisis a escala urbana.
El aparcamiento inteligente es un pequeño ejemplo del patrón más amplio de la ciudad inteligente: detección de bajo coste, inteligencia en el borde, eventos en lugar de vídeo e integración con los sistemas operativos. Una organización que aplica bien este patrón en un aparcamiento puede repetirlo en la entrada de un edificio, en una línea de producción o en un almacén. La tecnología ha alcanzado tal madurez que el factor decisivo ya no es el modelo, sino la disciplina con la que se construye el sistema que lo rodea.