La creciente urbanización y el consecuente aumento del parque vehicular presentan un desafío significativo para la gestión del tráfico en las ciudades modernas. El embotellamiento vehicular, una consecuencia directa de la saturación de las vías, no solo genera pérdidas de tiempo y aumento del estrés en los ciudadanos, sino que también impacta negativamente en la dinámica diaria de una ciudad y contribuye a un mayor consumo energético y emisiones contaminantes. La Universidad Politécnica Salesiana, a través de sus investigaciones, aborda esta problemática proponiendo la implementación de sistemas de tráfico inteligente que optimizan la interrelación entre los diversos elementos urbanos.
La Conectividad como Pilar de las Ciudades Inteligentes
Las Tecnologías de la Información y Comunicación (TIC) son fundamentales para el desarrollo de ciudades inteligentes, permitiendo la comunicación fluida entre los distintos componentes del ecosistema urbano. La implementación de Redes Inalámbricas de Sensores (RIS) en el entorno urbano se presenta como una solución prometedora para obtener información en tiempo real sobre el estado del tráfico. La ubicación estratégica de estos sensores en semáforos y señales de tráfico facilita la recolección de datos cruciales para la toma de decisiones informadas y basadas en la percepción local. Ciudades como Quito, que han experimentado un considerable aumento poblacional, enfrentan desafíos notables en la gestión del tráfico, especialmente durante las horas pico. En este contexto, el uso de sensores inalámbricos para monitorear el flujo vehicular se erige como una herramienta de gran ayuda.
Según el Panel Intergubernamental sobre el Cambio Climático de las Naciones Unidas, las ciudades son responsables de un porcentaje significativo del consumo total de energía global, estimado entre el 67% y el 76%. El incremento de la población urbana se traduce directamente en un aumento del consumo energético, lo que a su vez demanda una producción energética significativamente mayor. A medida que la población urbana crece, también lo hace el número de automóviles en las calles, alcanzando puntos donde la capacidad vial se ve superada, dando lugar a los conocidos embotellamientos o tráfico vehicular.
Sistemas Inteligentes de Transporte y la Red de Sensores
Los Sistemas Inteligentes de Transporte (SIT) constituyen un conjunto de herramientas diseñadas para optimizar la gestión del tráfico en las vías. Su objetivo principal es mejorar la eficiencia de la circulación vehicular y, al mismo tiempo, reducir el consumo de energía de los vehículos, lo que se traduce en una disminución de las emisiones contaminantes. Para obtener información en tiempo real sobre el estado del tráfico, se ha propuesto la implementación de redes de sensores y actuadores que posibilitan una comunicación inalámbrica mutua. Estas redes deben ser adaptables a diversos requisitos de servicio de aplicaciones para redes de sensores inteligentes (RIS). La comunicación inalámbrica permite el envío transparente de datos desde el sensor de origen hasta el de destino.
Estos sensores, al ser instalados en semáforos o sistemas de alumbrado público, son capaces de recopilar datos relacionados con el estado del flujo de tráfico vehicular (FTV). La distancia de alcance recomendada para estos dispositivos se sitúa en torno a los 5.5 metros, ya que el uso de sensores con un alcance mayor puede resultar en un tiempo de respuesta deficiente.
El Desafío del Enrutamiento en Redes de Sensores
El establecimiento de la comunicación entre semáforos inteligentes (SMI), denominados aquí como sensores, y la determinación de la ruta de menor costo para el envío y recepción de datos, representa un desafío central. El objetivo es asegurar que la información sea receptada por una estación base para su posterior utilización en la mejora del tráfico, como se ha planteado para la ciudad de Quito, Ecuador, específicamente en la avenida Naciones Unidas y sus calles secundarias.
Uno de los principales obstáculos al abordar el enrutamiento en redes de sensores radica en las limitaciones inherentes a estas redes, su complejidad y el costo asociado. A menudo, se desconoce la ubicación exacta de los sensores dentro de la red inalámbrica. Sin embargo, la existencia de sensores cuya ubicación sí se conoce puede ser de gran ayuda para estimar la posición de otros sensores.
Para modelar matemáticamente el problema, se utilizan diversas variables. La Tabla I detalla las variables para el modelamiento de Capacidad y Cobertura (Cap-Cob). La Tabla II presenta las variables para el modelamiento matemático de Enrutamiento Georreferenciado. La Tabla III enumera las variables para el modelamiento matemático del Enrutamiento Kruskal. Finalmente, la Tabla IV describe las variables empleadas en el modelamiento matemático del Enrutamiento Multiobjetivo.
La ecuación (10) define una función objetivo que busca la ruta más corta en función del peso de la ruta y de los enlaces existentes. Por otro lado, la ecuación (20) representa una función objetivo que minimiza el costo considerando los pesos, los enlaces y la demanda de tráfico. El Algoritmo 1 proporciona una solución para determinar el número de Puntos de Agregación de Datos (PAD) necesarios para la comunicación con los sensores, teniendo en cuenta las restricciones de capacidad y cobertura. El Algoritmo 3, por su parte, genera un grafo que representa los múltiples enlaces entre los elementos, considerando las restricciones de capacidad de enlace, distancia mínima y límites geográficos de la región.
Dimensionamiento y Localización de Puntos de Agregación de Datos
En un área de estudio dentro de la ciudad de Quito, abarcando desde el redondel de la Av. América hasta la calle Naciones Unidas y sus alrededores, se identificaron 15 sitios candidatos para PAD y 30 semáforos inteligentes equipados con RIS para el monitoreo del FTV. Con estos datos, se procedió al dimensionamiento de la red. Se consideró un porcentaje de cobertura de usuarios del 100%, lo que en este caso de estudio representa los 30 semáforos inteligentes y los 15 PAD que alcanzan una cobertura de 4.6 km. La localización exacta de estos puntos se determinó utilizando el servidor de OpenStreetMap, que proporciona las coordenadas de latitud y longitud de cada punto de interés.
Optimización del Tráfico Urbano con Sensores Magnetométricos
Mediante el programa Cap-Cob, y con una cobertura del 100%, se identificó la necesidad de 5 PAD, utilizando las coordenadas de latitud y longitud ingresadas. El resultado de este proceso es un archivo lp que especifica los PAD que estarán conectados, permitiendo así la reducción de su número. Estos datos se utilizan posteriormente en un archivo CSV para obtener representaciones gráficas de la red.
Algoritmos de Enrutamiento y Modelos Matemáticos
La Fig. 4 muestra el árbol de mínimo costo generado por el algoritmo Dijkstra, utilizando los datos de longitud y latitud de los diferentes elementos obtenidos en la fase de dimensionamiento. En un escenario real, se aplica el cálculo de la distancia de Haversine para determinar las distintas conexiones entre los sensores y los PAD.
La Fig. 5 ilustra un árbol de enrutamiento que considera la adición de dos estaciones base y una oficina central, junto con sus respectivas coordenadas. Este árbol de enrutamiento es crucial para obtener los costos mínimos, lo que se traduce en ahorros significativos en distancias, materiales y costos operativos al momento de implementar proyectos.
Para la generación del grafo del camino de mínimo costo, se empleó el Algoritmo 4 con un modelo heurístico, el cual se visualiza en la Fig. [Número de Figura]. El CMC (Costo Mínimo de Conexión) entre sensores, observado en la Fig. 9, fue generado mediante el Algoritmo 4 con el modelo Kruskal. Este grafo resulta idéntico al presentado en la Fig. [Número de Figura].
La Fig. 11 presenta el árbol de mínimo costo entre los PAD, generado con el Algoritmo 4 y el método de Kruskal. Tanto el método Kruskal como el modelo heurístico conducen a la definición de la ruta y la comunicación entre los nodos. Es fundamental comprender que en este tipo de enrutamiento, la comunicación es bidireccional; los sensores pueden comunicarse entre sí y con los demás elementos de la red de manera recíproca.
La Fig. 13 detalla la ruta más adecuada para alcanzar un costo mínimo desde el nodo de origen (identificado como 0) hasta los nodos de destino (2 y 6). Esta ruta optimizada permite una minimización de K=17.5, un retardo de 31 ms, 4 saltos y un costo de $16, con un ancho de banda de 4096 kbps. Estos datos corroboran la efectividad del enrutamiento propuesto y demuestran cómo el programa GAMS puede ser utilizado para encontrar resultados óptimos.
Aplicaciones y Beneficios del Enrutamiento Optimizado
El enrutamiento en este escenario permite la creación de un árbol de mínimo costo que conecta los puntos de agregación de datos, estaciones base y oficinas centrales con los semáforos inteligentes más cercanos. Este proceso de cálculo de distancia y costo mínimo es especialmente beneficioso durante la fase de instalación, al reducir tanto los costos de materiales como los de obra civil.
Enfoques Bioinspirados para el Enrutamiento
Una solución alternativa para el problema de enrutamiento en redes de sensores inalámbricos se basa en la inteligencia de enjambres, una técnica que ha demostrado ser exitosa en otros problemas de optimización, como el del agente viajero. El enrutamiento en una red de sensores inalámbricos puede ser conceptualizado como un problema de optimización donde se busca encontrar las rutas óptimas que conecten un par de nodos. El espacio de búsqueda abarca todas las posibles rutas entre dichos nodos.
Se han implementado dos algoritmos bioinspirados para el enrutamiento: uno basado en hormigas y otro basado en abejas. Los resultados obtenidos indican que los algoritmos bioinspirados mejoran el rendimiento de las redes de sensores inalámbricas, considerando aspectos críticos como la cantidad de energía disponible en los nodos. Estos enfoques imitan el comportamiento colectivo de organismos sociales para resolver problemas complejos de manera distribuida y eficiente.
Consideraciones sobre la Eficiencia Energética y la Arquitectura de Red
El desarrollo de redes de sensores inalámbricas para la próxima generación de sistemas de gestión de infraestructuras, como la red de lectura automática de contadores (AMR), exige funcionalidades esenciales como lectura y escritura de datos, transmisión inteligente de energía y detección de daños en las líneas. Las redes AMR tradicionales a menudo no cumplen con estos requisitos avanzados. La evolución de los nodos sensores WiFi de bajo consumo energético ha posibilitado la creación de nuevas arquitecturas de redes de sensores inalámbricas basadas en tecnología WiFi.
Se ha diseñado una nueva arquitectura de red de sensores inalámbrica basada en WiFi, optimizada para sistemas AMR de próxima generación. Además, se ha propuesto un nuevo algoritmo de enrutamiento, el Energy Saving-Based Hybrid Wireless Mesh Protocol (E-HWMP), que parte del algoritmo HWMP existente y busca mejorar el ahorro de energía, haciéndolo adecuado para redes de sensores inalámbricas basadas en WiFi.
Protocolos de Enrutamiento y Simulación
El estudio del estado del arte en protocolos de enrutamiento para redes de sensores inalámbricas revela una amplia gama de opciones que pueden ser implementadas. Los recientes avances en la integración de componentes electrónicos han impulsado la aparición de las redes de sensores inalámbricas como una tendencia clave en telemetría y comunicaciones. Estas redes combinan los beneficios de los sensores con una mayor flexibilidad en su ubicación.
En las redes de sensores inalámbricas, el enrutamiento es un aspecto crítico y de suma importancia. Los documentos de investigación analizan este tipo de redes y los protocolos de enrutamiento aplicables. Se presenta la creación de maquetas de simulación que permiten caracterizar el funcionamiento de cualquier protocolo de enrutamiento en redes de sensores inalámbricas ad-hoc. Estas maquetas ofrecen ventajas significativas sobre los simuladores comerciales, especialmente en la facilidad de implementación de nuevos protocolos.
Un proyecto específico se ha centrado en la caracterización del protocolo AODV utilizando un entorno de simulación implementado. El protocolo AODV es utilizado por el estándar Zigbee, uno de los más extendidos en el ámbito de las redes de sensores inalámbricas. Las simulaciones del protocolo AODV generan métricas esenciales para la comparación de distintos protocolos implementados en el entorno de simulación. El objetivo fundamental es proporcionar un entorno de simulación robusto para caracterizar el funcionamiento de los protocolos de enrutamiento en redes inalámbricas de sensores ad-hoc, facilitando así su implementación.
La investigación en el campo del enrutamiento en redes de sensores inalámbricas ha dado lugar a la propuesta de numerosos protocolos que pueden ser integrados en entornos de simulación. La capacidad de implementar y evaluar estos protocolos de manera flexible es crucial para el avance de la tecnología en aplicaciones como la gestión inteligente del tráfico urbano.
tags: #enrutamiento #en #redes #inalambricas #de #sensores