Traducido del inglés al español - www.onlinedoctranslator.
com
sensores
Artículo
Estimación de la velocidad media de los vehículos de carretera mediante el análisis de la
intensidad del sonido
joZef Kotus * y Grzegorz Szwoch
----
---
Citación:Kotus, J.; Szwoch, G. Estimación de la
velocidad media de los vehículos de carretera
mediante el análisis de la intensidad del sonido.
Sensores2021,21, 5337. https://doi.org/10.3390/
s21165337
Editora académica: Iren E. Kuznetsova
Recibido: 14 julio 2021
Aceptado: 5 agosto 2021
Publicado: 7 agosto 2021
Nota del editor:MDPI se mantiene neutral
con respecto a reclamos jurisdiccionales en
mapas publicados y afiliaciones
institucionales.
Derechos de autor:© 2021 por los
autores. Licenciatario MDPI, Basilea,
Suiza. Este artículo es un artículo de
acceso abierto distribuido bajo los
términos y condiciones de la licencia
Creative Commons Attribution (CC BY)
(https:// creativecommons.org/
licenses/by/ 4.0/).
senso rs2021,21, 5337. https://doi.org/10.3390/s21165337
Departamento de Sistemas Multimedia, Facultad de Electrónica, Telecomunicaciones e Informática,
Universidad Tecnológica de Gdańsk, 80-233 Gdańsk, Polonia; grzegorz.szwoch@pg.edu.pl
* Correspondencia: jozef.kotus@pg.edu.pl
Abstracto:El monitoreo constante del tráfico vial es una parte importante de los sistemas modernos de ciudades inteligentes. El
método propuesto estima la velocidad promedio de los vehículos de carretera en el período de observación, utilizando un sensor
vectorial acústico pasivo. La estimación de la velocidad basada en el análisis de la intensidad del sonido es un enfoque novedoso
para el problema descrito. La intensidad del sonido en dos ejes ortogonales se mide con un sensor colocado a lo largo de la
carretera. La posición de la fuente de sonido aparente cuando un vehículo pasa por el sensor se estima mediante análisis de
intensidad de sonido en tres bandas de frecuencia: 1 kHz, 2 kHz y 4 kHz. Las señales de posición calculadas para cada vehículo se
promedian en los marcos de tiempo de análisis y la estimación de la velocidad promedio se calcula mediante una regresión
lineal. El método propuesto fue validado en dos experimentos, uno con velocidad de vehículo controlada y otro con velocidad
real, tráfico sin restricciones. Las estimaciones de velocidad calculadas se compararon con los sensores de radar y lidar de
referencia. El error de estimación promedio de todos los experimentos fue del 1,4 % y el error máximo fue del 3,2 %. Los
resultados confirman que el método propuesto permite la estimación de la velocidad del tráfico vial promediada en el tiempo
con suficiente precisión para recopilar estadísticas de tráfico, por ejemplo, en una estación de monitoreo de una ciudad
inteligente.
Palabras clave:Análisis de tráfico; estimación de velocidad; intensidad del sonido; sensor vectorial acústico
1. Introducción
La intensidad del tráfico por carretera aumenta cada año. Por lo tanto, tanto los conductores de vehículos
como los administradores de la red de carreteras necesitan medios eficientes de control del tráfico. Los
conductores necesitan información actualizada sobre la congestión del tráfico para elegir la ruta más rápida.
Actualmente, los sistemas de navegación de vehículos se basan principalmente en datos dinámicos recopilados
de sus usuarios. Las autoridades que gestionan las redes de carreteras recopilan datos de sensores de radar y
bucles inductivos, y de mediciones ad-hoc. Las soluciones de ciudad inteligente son el enfoque moderno para la
gestión de áreas urbanas [1]. El monitoreo del tráfico en un sistema de ciudad inteligente requiere la instalación
de una gran cantidad de sensores eficientes y rentables. Una red de estaciones de monitoreo recopila datos (de
varios sensores) que se analizan en la nube. Los resultados están disponibles en tiempo real para los
conductores, las autoridades y los sistemas de transporte inteligente automatizados. Las estaciones de
monitoreo a menudo miden la velocidad del tráfico promediada en intervalos de tiempo [2].
Actualmente, los sensores de monitoreo de tráfico de última generación incluyen radares, lidars y bucles
inductivos [3–5]. Las tendencias más recientes incluyen análisis de video de cámaras [6,7] y recopilación de
datos de vehículos [8]. Los radares y lidars se utilizan siempre que se requiere una medición precisa de la
velocidad de los vehículos para garantizar la seguridad de los conductores y peatones (p. ej., para el
cumplimiento de las leyes de tránsito) [9]. Dichos dispositivos de medición deben estar certificados; por lo tanto,
son caros y se utilizan principalmente para mediciones a corto plazo. Los sensores de radar más baratos, con
una precisión limitada, se instalan a menudo en las vías urbanas, por ejemplo, en los pasos de peatones. Sin
embargo, los sensores de radar son dispositivos activos que emiten ondas electromagnéticas. Una gran
cantidad de sensores de radar instalados en el área monitoreada aumenta la contaminación ambiental con
ondas electromagnéticas que pueden interferir con redes celulares, dispositivos Wi-Fi, etc. El propio radar es
susceptible a interferencias electromagnéticas de líneas eléctricas, radares de aeropuertos
https://www.mdpi.com/journal/sensores
Sensores2021,21, 5337 2 de 18

sistemas, etc., lo que hace que el control del tráfico en ciertos lugares sea problemático o
incluso imposible. Además, las condiciones climáticas adversas, como lluvias intensas,
impiden que los sensores de radar funcionen correctamente. Los sistemas actuales de
monitoreo del tráfico urbano a menudo se basan en bucles inductivos. Si bien son efectivos,
deben instalarse en la superficie de la carretera, lo que puede ser problemático en algunos
casos. Otros medios de control del tráfico, como los tubos neumáticos, solo son adecuados
para mediciones a corto plazo, ya que obstruyen el tráfico. Los sistemas de monitoreo de
tráfico de ciudades inteligentes, que cubren grandes áreas, deben consistir preferiblemente
en sensores pasivos, robustos a la interferencia del entorno. Debería ser posible instalar los
sensores en lugares convenientes, sin interferir con la infraestructura vial existente.
Finalmente,
Los sensores acústicos parecen estar infrautilizados en los sistemas de monitoreo
de tráfico. Son sensores pasivos, que se basan únicamente en el análisis de los sonidos
ambientales. Los vehículos que pasan emiten sonidos por varias partes: el motor, el
escape, los neumáticos, etc. Aunque los coches eléctricos se conviertan en la mayoría de
los vehículos de carretera, sus neumáticos siguen produciendo ruido como resultado del
contacto con la superficie de la carretera, y ese sonido puede ser recogido y analizado.
Un solo micrófono solo permite el análisis de presión; Pueden detectarse eventos
acústicos, pero es problemático determinar si este evento está relacionado con un
vehículo de carretera. El nivel de ruido en las zonas urbanas suele ser alto, por lo que el
sensor debe ser capaz no solo de detectar el sonido, sino también de determinar su
dirección.
El objetivo de la investigación presentada en este artículo fue proponer un método alternativo para
estimar la velocidad media del tráfico. Basamos nuestro algoritmo en el análisis de la intensidad del
sonido medida por un sensor acústico. El algoritmo está destinado a proporcionar una velocidad
promedio de los vehículos de carretera medida en ventanas de tiempo definidas. El requisito es que la
precisión del método propuesto sea comparable con los métodos de última generación, como los
radares, pero tiene ventajas sobre los sensores estándar: es un sensor pasivo, no es susceptible a
interferencias electromagnéticas, puede ser se instala fácilmente en una ubicación elegida y tiene un
bajo costo (de construcción y uso), por lo que puede implementarse, por ejemplo, en un gran sistema de
ciudad inteligente.
Un sensor de vector acústico (AVS) es un dispositivo capaz de analizar tanto la intensidad como la
dirección de las ondas sonoras, utilizando una configuración de sensores (por ejemplo, micrófonos) contenidos
en un pequeño recinto [10,11]. Un AVS, como el que se usa en los experimentos descritos en este documento,
se puede construir a partir de micrófonos de bajo costo y el tamaño del sensor es pequeño. Por lo tanto, dichos
sensores son adecuados para las estaciones de monitoreo de ciudades inteligentes. En nuestra investigación
anterior, empleamos un AVS para detectar eventos acústicos y determinar la dirección de los sonidos entrantes
[12]. Aplicamos con éxito un AVS para determinar la intensidad del tráfico, es decir, proporcionar datos
confiables sobre la cantidad de vehículos dentro del período de observación [13,14]. Una ventaja del AVS, en
comparación con un solo micrófono, es la capacidad de determinar la dirección del sonido entrante, lo que
permite establecer la dirección del movimiento de un vehículo y filtrar eventos acústicos no relacionados con los
vehículos de carretera. En este artículo ampliamos este enfoque y proponemos un método novedoso para
estimar la velocidad media del tráfico rodado, con una precisión suficiente para la tarea de monitorización del
tráfico en un sistema de ciudad inteligente distribuida.

El análisis de señales de audio, y específicamente las señales de intensidad de sonido, rara vez se emplea para
monitorear el tráfico. La mayoría de los trabajos publicados sobre el análisis de los sonidos producidos por los
vehículos de carretera están relacionados con la medición y predicción del ruido del tráfico, por ejemplo, el proyecto
Harmonoise [15]. Un trabajo interesante, desde el punto de vista del método descrito en este trabajo, fue publicado por
Ballesteros et al. [dieciséis]. Evaluaron la distribución espacial del ruido emitido por un automóvil, en bandas de
frecuencia, utilizando una gran matriz de formación de haces. Sus conclusiones con respecto a la distribución espacial y
espectral de las fuentes de sonido en un automóvil de pasajeros se utilizaron en nuestra investigación.
Sensores2021,21, 5337 3 de 18

En el contexto de la monitorización acústica del tráfico, los trabajos publicados suelen emplear grandes
conjuntos de micrófonos. Por ejemplo, Na et al. [17] usó una matriz que consta de 37 micrófonos para la
detección de posiciones de vehículos en varios carriles. Barbagli et al. [18] utilizó una red de sensores
inalámbricos para la estimación de la intensidad del tráfico. Chen et al. [19] aplicó un mapeo de campo de
sonido basado en la correlación a las señales de un conjunto de micrófonos. Un enfoque alternativo es utilizar
dos micrófonos colocados a lo largo de la carretera. Duffner et al. [20] usó una configuración de dos micrófonos
y un algoritmo de espectro de potencia cruzada para la detección de vehículos de carretera. Aunque mencionan
la estimación de la velocidad, no se proporcionaron datos experimentales. Lopez-Valcarce et al. [21] empleó una
configuración similar y un algoritmo de máxima verosimilitud para estimar la velocidad de un vehículo a partir
de su firma acústica. Cevher et al. [22] utilizaron patrones de ondas acústicas obtenidos con un solo micrófono
para la estimación de la velocidad del vehículo en función de los vectores del perfil del vehículo. Ishida et al. [23]
empleó una técnica de mapeo de sonido de diferencia de tiempo basada en la deformación dinámica del tiempo
para el conteo de vehículos. Otros trabajos se centran en la estimación de la intensidad del tráfico a partir del
análisis de audio. Warghade y Deshpande [24] usó un solo micrófono omnidireccional para evaluar la intensidad
del tráfico en una escala de tres grados. Gatto y Forster [25] aplicó el aprendizaje automático para detectar la
congestión del tráfico usando un solo micrófono. Un enfoque interesante propuesto por Vij y Aggarwal [26] se
basa en la adquisición de sonido de usuarios de teléfonos inteligentes para detectar el estado del tráfico.

En las publicaciones enumeradas anteriormente, el monitoreo acústico del tráfico se basó en el análisis de
la presión del sonido, utilizando algoritmos complejos y computacionalmente costosos. Por el contrario, un
enfoque novedoso presentado en este documento se centra en el análisis de la intensidad del sonido. El
algoritmo es simple y adecuado para su implementación en procesadores de bajo costo. La parte restante del
documento está organizada de la siguiente manera. Primero, describimos un método para calcular señales de
intensidad de sonido a partir de señales de presión obtenidas del sensor y calcular la posición de la fuente a
partir de las señales de intensidad. A continuación, describimos un modelo de una fuente puntual móvil ideal
observada por el sensor y lo comparamos con los resultados obtenidos del paso real del vehículo. En la
siguiente Sección, presentamos el método propuesto para estimar la velocidad promedio de los vehículos de
carretera dentro de una ventana de observación. A continuación, presentamos los resultados de los
experimentos que validaron el método propuesto y el artículo finaliza con la Conclusión.

2. Materiales y métodos
2.1. Señales de intensidad y dirección de la fuente

La intensidad del sonido es una medida que describe el flujo de energía en las ondas sonoras, definida
como la potencia transportada por las ondas sonoras por unidad de área en una dirección perpendicular a esa
área.27,28]. La intensidad del sonido instantáneo se calcula como un producto de la presión del sonidopag y
velocidad de partículatu. La velocidadtues un vector, cuya dirección corresponde a la dirección de la onda
sonora. Por lo tanto, la intensidad también es un vector. En la práctica, la intensidad del sonido Ise promedia en
ventanas de tiempoT:

∫T
1
I= pag(t)tu(t)dt (1)
T
0

Un sensor de vector acústico (AVS), también llamado sonda de intensidad de sonido, mide la
magnitudIde la intensidad del sonido [10]. Un AVS unidimensional (1D) puede construirse a partir de un
sensor de presión y un sensor de velocidad (una sonda pu) [11], o de dos sensores de presión
estrechamente espaciados (una sonda pp) [12]. En este último, la presiónpagen el punto medio entre los
sensores se calcula como un promedio de los valores de presión de ambos sensores (pag1,pag2), y la
magnitudtudel vector de velocidad se calcula como la integral de un gradiente de presión:

pag1(t) +pag2(t)
pag(t) = (2)
2
∫t
tu(t) = (pag2(t)−pag1(t))dt (3)
−∞
Sensores2021,21, 5337 4 de 18

La dirección del vector velocidad está determinada por el eje depag1apag2. Intensidad media
Ise calcula promediando en el tiempo el producto de la presión y la velocidad. El sensor debe
calibrarse para que el valor de intensidad medido tenga un significado físico.
La colocación de dos sensores de intensidad 1D en ejes ortogonales de modo que los puntos
medios de ambos sensores estén en la misma posición crea un AVS bidimensional (2D). Los ejes de
un AVS 2D forman unXYplano y el acimutϕdel sonido entrante se puede calcular como:
()
ϕ=arcán IY (4)
IX
dóndeIX,IYson valores de intensidad (magnitudes de los vectores de intensidad) medidos en los ejes X e
Y, respectivamente.
De manera similar, se puede agregar un tercer eje Z, ortogonal al plano XY, de manera que
los puntos medios de los tres sensores estén en la misma posición. Un 3D AVS permite medir
tanto el acimutϕy la elevaciónθ, dada por:
- -
IZ
θ=arcán - √ - (5)
I2X+I2
Y

dóndeIZes la magnitud del vector de intensidad medido en elZeje.

En un espacio tridimensional, un AVS 2D determina un plano en el que se coloca la fuente de
sonido, un AVS 3D determina un rayo que se origina en el sensor y se cruza con la fuente de
sonido. Un AVS no puede determinar la distancia a la fuente de sonido, por lo que no puede
encontrar la posición exacta de la fuente en coordenadas polares.
Obtener valores precisos de azimut y elevación del AVS requiere que todas las señales de
presión estén alineadas en amplitud y las señales de velocidad estén alineadas en fase. Esto se
asegura mediante el procedimiento de calibración que calcula las funciones de corrección de
amplitud y fase [29]. Estas funciones se aplican durante la medición de la intensidad.

2.2. Análisis de una fuente puntual móvil ideal

En este ejemplo, la intensidad y los ángulos calculados se utilizan para rastrear una fuente puntual
omnidireccional ideal que emite energía acústica con una potencia constante, moviéndose a lo largo de
una trayectoria lineal con una velocidad constante.v. ElZEl eje se omite por simplicidad. El sensor está
orientado de modo que suXel eje es ortogonal a la trayectoria de la fuente, elYeje es paralelo a la
trayectoria, la distanciaXEntre losXeje y la trayectoria de la fuente es constante (Figura1). La posición de
la fuente de sonido es (X,y). Suponiendo que la fuente emite potencia constantePAG y la intensidad es
inversamente proporcional al cuadrado de la distancia a la fuente, la intensidad observada por el sensor
viene dada por:

X
IX∼PAG (6)
(X2+y2)3/2
y
IY∼PAG (7)
(X2+y2)3/2
Posiciónyde la fuente puede calcularse a partir de la intensidad medida enXy
Yejes: ( ())
IY(t) I(t)
y(t) =X·broncearse(ϕ(t)) =X·bronceado arctan =X·Y (8)
IX(t) IX(t)
Desde la posiciónycambios en el tiempo, usaremos el término 'señal de posición' a lo largo
del documento para describiry(t).
Velocidadvde la fuente se puede calcular como:

dy(t) dI(tY)
v(t) = =X· (9)
dt dyoX(t)
Sensores2021,21, 5337 5 de 18

Para la estimación de la velocidad con este método, es esencial que el valor exacto deXes conocida.
Sin embargo,Xno se puede medir directamente con un AVS, solo se puede estimar. Una posible solución
a este problema se presenta más adelante en el documento.

(a) (b)

Figura 1.Orientación del sistema de coordenadas AVS: (a) vista superior, (b) vista lateral. La posición del sensor es (0, 0,
0), la posición de la fuente de sonido es (X,y,z).

2.3. Análisis de un Pase de un solo vehículo

El objetivo del método presentado es rastrear un vehículo en movimiento utilizando un sensor colocado a
lo largo de la carretera y orientado como en la Figura1. Sin embargo, un vehículo de carretera real no puede
representarse como una fuente puntual ideal porque es una superposición de múltiples fuentes de sonido (el
motor, el escape, los neumáticos, la carrocería del vehículo, etc.). Estas fuentes difieren en intensidad y
directividad, y su intensidad puede cambiar con el tiempo y depender de la frecuencia. Como resultado, un
vehículo de carretera es una configuración compleja de fuentes de sonido individuales; además, las distancias
entre estas fuentes son comparables con la distancia entre el sensor y el vehículo. Además, cada vehículo es una
configuración distinta de fuentes de sonido. La velocidad de un vehículo también puede cambiar mientras el
vehículo pasa por el sensor. El acimut y la elevación obtenidos del sensor indican una fuente puntual aparente
que es una superposición de las fuentes individuales. La intensidad, la directividad y la posición de esa fuente
dentro del vehículo dependen del tiempo.
Cifra2presenta la intensidad enX-Ydirecciones, el acimut y la posición estimada, calculados a partir
de las señales registradas de un automóvil de pasajeros que pasa por el sensor a una velocidad
aproximadamente constante de 66,9 km/h (18,6 m/s), aprox. 3,8 m desde el sensor, de izquierda a
derecha. Estos gráficos se comparan con una fuente puntual ideal que se mueve a la misma velocidad y
distancia del sensor. Las diferencias son claramente visibles. Gráfico de intensidad de sonido en la
dirección perpendicular (IX) para un vehículo real se desplaza hacia atrás en el tiempo (precede a la
fuente puntual) y la gráfica de intensidad en dirección paralela (IY) es asimétrica, con más peso a la
izquierda del punto de cruce por cero. Esto indica que el vehículo propaga la mayor parte de la energía
sonora hacia la parte delantera del vehículo, principalmente debido a un efecto de bocina [30]. La gráfica
de azimut del vehículo también se desvía de la fuente puntual, y la gráfica de posición muestra
diferencias aún mayores en comparación con una gráfica lineal de la fuente puntual, por las razones
descritas anteriormente en esta sección. También se debe tener en cuenta que cuando el vehículo está
lejos del sensor, la relación señal/ruido se vuelve muy baja y el acimut y la posición no se pueden medir.
Por lo tanto, solo una pequeña sección de la señal (cerca del punto de azimut cero) se puede utilizar para
el análisis.
Para concluir, con el fin de medir la velocidad de cada vehículo individual, debería conocerse la
configuración exacta de las fuentes de sonido individuales. Esto no es realizable con el sensor
presentado, requeriría emplear una gran matriz de sensores. Sin embargo, el objetivo del método
presentado aquí es estimar la velocidad promedio de los vehículos dentro del período de observación,
mediante el procesamiento de un conjunto de señales de posición obtenidas de múltiples vehículos. Los
detalles de este método se presentan en las siguientes secciones del documento.
Sensores2021,21, 5337 6 de 18

Figura 2.Comparación de señales registradas desde un vehículo de carretera real (línea continua) con una fuente puntual ideal
que se mueve a la misma velocidad (línea discontinua).

2.4. Intensidad del sonido en bandas de frecuencia

La estimación de la velocidad de un vehículo con un AVS requiere que se rastree un punto fijo
dentro del vehículo cuando el vehículo pasa por el sensor. Sin embargo, la posición horizontal y vertical
de la fuente de sonido aparente, observada por el sensor, depende tanto de la posición del vehículo
como de la frecuencia. Por lo tanto, es razonable realizar el análisis de la intensidad del sonido en bandas
de frecuencia. Ballesteros et al. publicó un estudio sobre la distribución espacial del ruido del paso de un
vehículo, en bandas de frecuencia de tercio de octava [dieciséis]. A 1 kHz, todo el vehículo emite ruido,
siendo el motor de un automóvil la fuente dominante. La fuente aparente se ubica aproximadamente en
el medio del vehículo, desplazada hacia el motor y hacia las llantas que están más cerca del sensor. A 2
kHz, la influencia del motor disminuye y el ruido de los neumáticos se vuelve más prominente. Se espera
que la fuente aparente se coloque por debajo de 1 kHz. Finalmente, a 4 kHz, el ruido de los neumáticos
se convierte en el componente principal. La fuente aparente se coloca cerca del suelo, pero su posición
horizontal, resultante de la superposición de cuatro fuentes separadas, depende de la posición
horizontal (acimut) del vehículo, en relación con el sensor. También debe tenerse en cuenta que la
intensidad del ruido disminuye con la frecuencia, por lo que la intensidad del sonido medida en la banda
de frecuencia de 1 kHz suele ser significativamente mayor que en la banda de 4 kHz. Al mismo tiempo, la
atenuación de la intensidad del sonido al aumentar la distancia entre la fuente y el sensor depende de la
frecuencia. Por lo tanto, la relación entre la intensidad medida en las bandas de 1 kHz y 4 kHz también
depende de la distancia del vehículo al sensor.

Con base en las observaciones descritas anteriormente, decidimos realizar el análisis de la

intensidad del sonido en tres bandas de octava centradas en las frecuencias: 1 kHz, 2 kHz y 4 kHz. Las
bandas de frecuencias más bajas fueron rechazadas porque generalmente contienen un alto nivel de
ruido (p. ej., viento) y las bandas de frecuencias más altas tienen una relación señal/ruido demasiado
baja.14–dieciséis]. La tarea es rastrear un punto que permanece en una posición relativamente constante
dentro de un vehículo durante la medición. Para determinar la posiciónyde la fuente, descartamos la
banda de 4 kHz, porque la intensidad de cuatro fuentes separadas (neumáticos) hace que la fuente de
sonido aparente se mueva a medida que aumenta el acimut. Se puede usar cualquiera de las bandas de
1 kHz y 2 kHz (o ambas) para determinar la posición de la fuente. Decidimos realizar un análisis
independiente de la intensidad del sonido en dos bandas y promediar los resultados, como una forma de
suavizar los resultados, reduciendo los errores de medición.
Determinando la distanciaXentre la trayectoria de la fuente y el sensor, que se requiere para
la estimación de la velocidad de acuerdo con la Ecuación (8), es más problemática. una vertical
Sensores2021,21, 5337 7 de 18

la posición de la fuente de sonido no se conoce y no se puede medir. Sin embargo, dado que se
puede medir la altura del sensor sobre el suelo, es posible calcular la distancia entre el sensor y
una proyección de la fuente de sonido aparente en el suelo, usando relaciones trigonométricas
simples (Figura1b). Considere el caso cuando el acimut de la fuente es cero. Para la banda de 1
kHz, la fuente se coloca aproximadamente en el punto medio del vehículo, por lo que su
proyección al nivel del suelo suele estar más allá del vehículo. Para la banda de 4 kHz, la
proyección de la fuente se coloca cerca de la intersección de las líneas que conectan los
neumáticos del automóvil. En el método propuesto se promedian los valores calculados para las
bandas de 1 kHz y 4 kHz:

h
X=s(cunaθ 1k+cuna θ4k) (10)
2
dóndehses la altura del sensor sobre el suelo. Para reducir la medida
errores, valores deXse promedian en la ventana de tiempo de 0,2 s, centrados en el punto de
azimut cero.
Suponemos que con este enfoque obtenemos una distancia al punto situado cerca de los neumáticos más
alejado del sensor, aproximadamente a la mitad de la distancia entre el neumático delantero y el trasero, y que
este punto permanece constante en relación con el vehículo cuando la fuente se observa dentro del rango de
acimut utilizado para las mediciones (alrededor de−45 a 45 grados). Para verificar esta suposición, realizamos el
siguiente experimento. Con el AVS se registraron varias pasadas de vehículos que se desplazaban a velocidad
constante. Se utilizó un dispositivo basado en lidar certificado (Vitronic Poliscan) para medir la velocidad del
vehículo y determinar la posición de dos puntos de borde en la parte delantera de la carrocería del vehículo,
llamados punto de referencia cercano y lejano. Con base en estas mediciones, se estimó el movimiento de dos
puntos de referencia utilizando un modelo de fuente puntual presentado anteriormente y se comparó con las
señales de intensidad de sonido calculadas para el vehículo, en tres bandas de frecuencia. Las señales de azimut
y elevación obtenidas para un solo vehículo se muestran en las Figuras3y4. Los resultados de la medición del
acimut en las bandas de 1 kHz y 2 kHz en su mayoría se superponen entre sí y con el punto de referencia lejano
modelado. Los valores de la banda de 4 kHz se desvían de las otras bandas a medida que aumenta el acimut,
como se esperaba. Del gráfico de elevación se puede observar que en el azimut cero, el valor de 4 kHz indica un
punto consistente con el punto de referencia cercano, mientras que el punto de 1 kHz está mucho más allá del
vehículo (una elevación negativa más grande significa que el punto está más cerca del punto de referencia).
sensor). Sin embargo, para valores de acimut absoluto mayores, la proyección de la fuente en la banda de 1 kHz
se acerca a la referencia lejana, mientras que los valores de la banda de 4 kHz indican una posición delante del
vehículo. Los valores en la banda de 2 kHz no son concluyentes. El análisis de la elevación se requiere solo en
una ventana de tiempo breve alrededor del punto de azimut cero (±0,1 s), y el promedio de los resultados de las
bandas de 1 kHz y 4 kHz sigue el movimiento modelado del punto de referencia lejano dentro de este marco de
tiempo. Por lo tanto, la suposición establecida anteriormente se confirma para el punto de referencia lejano
como fuente rastreada.

2.5. Posición de origen para un solo vehículo

El método presentado aquí calcula la señal de posición para un solo vehículo. El procedimiento
para el cálculo de las señales de intensidad a partir de las señales de presión proporcionadas por el AVS
se presenta en la Figura5. En este artículo, asumimos que las señales de presión son discretas y
muestreadas uniformemente. La etapa de preprocesamiento realiza la ecualización de amplitud y fase de
las señales de presión para minimizar las diferencias entre las funciones de transferencia de los
micrófonos que contribuirían a errores en las mediciones de intensidad del sonido [29]. A continuación,
las secciones de señal que representan vehículos individuales se determinan mediante el análisis de las
funciones de intensidad y azimut [14]. Para cada vehículo, la intensidad del sonido en tres ejes, así como
las funciones de azimut y elevación, se calculan en tres bandas de octava (1 kHz, 2 kHz y 4 kHz). Luego,
los resultados se utilizan para calcular la posición del vehículo, utilizando el método presentado
anteriormente.
Sensores2021,21, 5337 8 de 18

Figura 3.Acimut medido por el AVS y calculado por el modelo.

Figura 4.Elevación medida por el AVS y calculada por el modelo.

La posición de la fuente se calcula a partir de las señales de intensidad (Ecuación (8)). Sin embargo, en situaciones
prácticas, la intensidad del sonido medida con el AVS está contaminada por el ruido, como resultado de las
imperfecciones del sensor, el movimiento de la fuente de sonido, factores externos (p. ej., el ruido del viento), etc. Por lo
tanto, la Ecuación (8) en la práctica se convierte en:

IY(t) +ηX(µX,σX) IX(t)

y(t) =X · (11)
+ηY(µY,σY)

dóndeηes ruido gaussiano con mediaµy desviación estándarσ. Como resultado, la estimación de la posición a
partir de señales de intensidad de sonido con ruido es inexacta.
Sensores2021,21, 5337 18

Figura 5.Diagrama de bloques del preprocesamiento de señales y cálculo de las señales de intensidad suavizadas en bandas de
frecuencia.

La supresión de ruido consiste en suavizar las señales de intensidad obtenidas para un único
vehículo, en cada banda de frecuencia. Esto es necesario para reducir la influencia del ruido en el cálculo
de los ángulos, la distancia y la posición de la fuente. Se examinaron varios métodos de suavizado de
intensidad, el método que proporcionó resultados óptimos realiza el filtrado de la señal de intensidad
con un filtro de mediana móvil con una ventana de tiempo de ca. 267 ms, seguido de un filtro de
promedio variable con un tiempo promedio de ca. 139 ms.
Las señales de intensidad suavizada se utilizan para calcular el acimut, la elevación, la distancia y la
posición de la fuente en la carretera. DistanciaXa la fuente se estima usando el método descrito
anteriormente, como se muestra en la Figura6. Posiciónyse calcula a partir de la Ecuación (8), utilizando
la distancia estimadaX(Ecuación (10)), dentro de una ventana de tiempo de 0,4 s, centrada en el punto de
azimut cero. Las señales de posición se calculan de forma independiente en las bandas de 1 kHz y 2 kHz,
y se promedian los resultados para disminuir la influencia del ruido (Figura7).

Figura 6.Un diagrama de bloques de estimación de la distancia a la fuente de sonido.

Figura 7.Un diagrama de bloques de la estimación de la posición promedio del vehículo.

2.6. Estimación de la velocidad del tráfico promediada en el tiempo

Precisión en la determinación de la distancia.Xdesde el sensor hasta la trayectoria de la fuente en movimiento es

el principal factor que limita la precisión de la estimación de la velocidad. A pesar de la supresión de ruido, las
estimaciones de distancia siguen siendo ruidosas y hay pequeños cambios de distancia.Xcausar grandes errores en la
estimación de la velocidad. Sin embargo, se espera que los errores en la estimación de la distancia (y la estimación de la
velocidad) observados para una gran cantidad de vehículos formen una distribución normal (esto se confirmó en los
experimentos que se describen más adelante en el documento). Por lo tanto, asumimos que si un número
suficientemente grande de señales de posición de vehículos individuales son
Sensores2021,21, 5337 10 de 18

promediado durante el período de observación, la influencia del ruido de estimación disminuye, y la

estimación de velocidad calculada a partir de la señal de posición promedio estará cerca de la velocidad
de tránsito real promediada en el tiempo. Esta suposición se verificó durante los experimentos y los
resultados se presentan en el artículo.
En la figura se muestra un método de estimación de la velocidad de tráfico promedio a partir de las
señales de posición.8. En lugar de simplemente promediar los valores de velocidad estimados de vehículos
individuales, el enfoque propuesto calcula una señal de posición promedio de todos los vehículos dentro del
período de observación. El objetivo es reducir el ruido de medición presente en las señales de posición
individuales. Primero, las señales de posiciónyde todos los vehículos analizados están sincronizados para que
sus puntos de azimut cero estén alineados. Las señales de posición (discretas, con un período de muestreo
idéntico) se remuestrean utilizando un método de interpolación lineal, de modo que los valores discretos de
todas las señales se produzcan en los mismos instantes de tiempo, y uno en cada señal represente exactamente
el punto de azimut cero.

Figura 8.Un diagrama de bloques del procedimiento de estimación de la velocidad promedio del tráfico.

En el siguiente paso,METROseñales de posición alineadas en el tiempoyise promedian a lo largo del tiempo, lo que da
como resultado una señal de posiciónyadel vehículo 'promediado':

1METRO
ya,norte= METRO∑yi,norte (12)
i=1

La estimación de la velocidad se obtiene realizando una regresión lineal sobre la señal de posición
promediada que consiste ennortepuntos de tiempo discreto (tnorte,yun). El coeficiente de regresión viene dado
por:
N−1( )
∑ tnorte- t(ya,norte− ya)
vest=ya−norte=0 t (13)
N−1( )2
∑ tnorte- t
norte=0

donde la barra x indica los valores medios. Los valores de posición están espaciados uniformemente, por lo quetnorte=
norte·T, dóndeTes el período de muestreo de la señal de posición en segundos. Por lo tanto:

1N−1 norte -1
t= =
Nuevo Testamento T (14)
norte∑
norte=0
2

El denominador en la Ecuación (13) es:

N−1( N−1( ) (2 )
) T2
tnorte- t 2=∑nT -
norte -1 norte3−norte
∑ 2
T =
12
(15)
norte=0 norte=0

Sustituyendo las Ecuaciones (14) y (15) y las medias de los valores de posición en la Ecuación
(13), obtenemos el coeficiente de regresión que es la estimación de velocidad calculada expresada
en metros por segundo:
[( ) (( ))]
1N−1 6· (norte -1)
N−1
1norte
−1 norte - 1
vest= ya,norte− ya,norte− T
∑
norte - (dieciséis)
3−norte)T 2
ya,metro
norte∑ (norte norte∑
norte=0 norte=0 metro=0
Sensores2021,21, 5337 11 de 18

3. Resultados y discusión
Con el fin de validar el método propuesto, se construyó un dispositivo AVS personalizado a
partir de seis micrófonos MEMS omnidireccionales digitales (InvenSense INMP441, sensibilidad−26
dBFS [31]). Los micrófonos se montaron en un cubo, la distancia entre los micrófonos en cada eje
fue ca. 0,01 m (Figura9a), formando un AVS tridimensional que funciona según un principio pp [32
]. El espacio entre los micrófonos permite el análisis de la intensidad del sonido hasta aprox. 10kHz
Las señales de presión de todos los micrófonos, muestreadas a 48 kHz, con una resolución de 24
bits, se pasaron a través de una interfaz I2S-USB a una microcomputadora o una computadora
portátil y se grabaron en un disco para un análisis fuera de línea. También se probó un análisis en
línea en una microcomputadora Raspberry Pi 3 y funcionó correctamente.

(a) (b)

Figura 9.(a) El AVS utilizado en los experimentos. (b) La configuración en el experimento M (AVS a la derecha,
con un parabrisas).

Las funciones de corrección se obtuvieron mediante el procedimiento de calibración,

realizado en una cámara anecoica. Se calcularon una función de corrección de amplitud para cada
señal de presión (cada micrófono) y una función de corrección de fase para cada eje (cada señal de
velocidad acústica) [29]. La corrección se aplicó a las señales durante los cálculos, usando filtros
digitales de respuesta de impulso finito de longitud 512. La intensidad de sonido instantánea en
cada eje se calculó usando las Ecuaciones (1)–(3), y luego se promedió en ventanas no
superpuestas de 256 muestras . Las señales de intensidad promediadas en el tiempo resultantes
se muestrearon uniformemente a 187,5 Hz (resolución temporal de 5,33 ms).
Los datos de entrada al algoritmo propuesto para la estimación de la velocidad son secciones de
señal suficientemente largas que representan vehículos en movimiento, alrededor del punto de azimut
cero. Por lo tanto, las señales de intensidad registradas por el sensor deben ser procesadas por un
detector de vehículos. Dicho detector no es la parte del algoritmo presentado que no se basa en ningún
método de detección específico. En los experimentos, utilizamos un detector descrito en nuestra
publicación anterior [14]. La detección se basa en dos criterios: presencia de un pico enIXy presencia de
una transición suave en la señal de azimut, con cruce por cero. Si se cumplen estos dos criterios, se
encuentra el punto de azimut cero y la ventana de análisis de±1 s se corta a su alrededor para su
posterior análisis.
Sensores2021,21, 5337 12 de 18

Se realizaron dos experimentos. El primero (experimento M) se realizó en condiciones controladas.

Se registraron cuatro turismos y se pidió a los conductores que condujeran a una velocidad constante en
el rango de 70 km/h a 100 km/h. Se registraron un total de 31 carreras. El sensor de referencia (de última
generación) era un dispositivo basado en lidar (Vitronic Poliscan [33]) que se utilizó para medir la
velocidad real del vehículo (con resolución de 1 km/h), así como la posición del vehículo en la carretera,
que se utilizó para verificar el método de estimación de distancia, descrito anteriormente. También
intentamos usar un radar Doppler como segundo dispositivo de referencia, pero el alto nivel de
interferencia electromagnética externa (una fuerte señal armónica que se agregó a las señales reflejadas
por los vehículos) hizo que las mediciones fueran imposibles. La velocidad promedio de las 31 carreras
fue de 79,5 km/h (22,1 m/s). El tramo de carretera en las afueras de un pueblo era recto, la superficie
estaba seca y el tráfico era muy bajo, por lo que los vehículos medidos estaban aislados. El AVS se colocó
sobre un trípode, a unos 2,6 m del borde de la carretera, a una altura de 1,7 m (Figura9b), orientado
como en la figura1. Los resultados de este experimento se utilizaron para la validación inicial y el ajuste
del método.
El segundo experimento se realizó en un entorno no controlado, para validar el método en un
escenario de la vida real. Las mediciones se realizaron en un camino rural del asentamiento, en un tramo
recto (un carril por sentido), en condiciones secas. El sensor estaba montado en un recinto colocado a 4
m del borde de la carretera, a 3,2 m sobre el suelo, y estaba registrando todos los vehículos que se
movían a través de la sección observada de la carretera en un tráfico rodado sin obstrucciones. Para el
cálculo se seleccionaron registros de vehículos aislados realizados durante las horas nocturnas. Se
analizaron cuatro intervalos de tiempo de una hora de duración (experimentos L1, L2, L3 y L4), con 8, 7, 5
y 7 vehículos observados en cada intervalo, respectivamente. Nuestro objetivo es mostrar que un
pequeño número de vehículos es suficiente para obtener una estimación precisa de la velocidad
promedio del vehículo en el período de observación. Cabe señalar que el método propuesto no depende
de la duración del período de observación, siempre que se observe un número suficiente de vehículos en
cada franja horaria. En tráfico más denso, se pueden usar ventanas de observación más cortas (por
ejemplo, 5 min) para proporcionar datos suficientes para el análisis. Se utilizó un sensor basado en
Doppler como dispositivo de referencia que medía la velocidad de los vehículos. No se disponía de
referencia para la distancia entre los vehículos y el sensor.
En el primer experimento, probamos la estimación de velocidad para vehículos individuales con el
método propuesto. Cifra10muestra los resultados calculados a partir de la señal de posición de cada vehículo
en el experimento M. Se ve claramente que los resultados son demasiado inexactos para obtener una
estimación fiable de la velocidad de un solo vehículo. Hay dos factores que contribuyen a los errores
observados: el ruido presente en las señales de intensidad y la inexactitud de la estimación de la distancia del
vehículo al sensor. Por lo tanto, los experimentos posteriores se centraron en la estimación de la velocidad del
tráfico promediada en el tiempo.
Anteriormente en el documento establecimos la suposición de que los errores en las estimaciones
de distancia y velocidad, calculados para vehículos individuales, se distribuyen normalmente. Cifra11
muestra histogramas de ambos tipos de errores, observados en el experimento M. El error promedio
(media±desviación estándar) es 0.35±0,06 m para la estimación de la distancia a la fuente, y 2,28±11,0
km/h para la estimación de la velocidad. La distribución de ambos tipos de error es normal, como lo
confirma la prueba estadística de Shapiro-Wilk (distancia:W=0.98,pag=0,91; velocidad:W=0.97, pag=0,5).
Aunque la fuerza de Shapiro-Wilk para una muestra tan pequeña es baja, los resultados indican que no
hay razón para rechazar la hipótesis de que la población de errores de estimación se distribuye
normalmente. Por lo tanto, se confirma la suposición del método propuesto.

Cifras12y13ilustrar cómo funciona el método propuesto de estimación de la velocidad del tráfico

promediada en el tiempo. Se muestran las siguientes señales: posiciones de los vehículos individuales, la
señal de posición promediada y la posición de una fuente puntual modelada, moviéndose a una
velocidad igual a la velocidad promedio de todos los vehículos (medida con el dispositivo de referencia).
En el experimento M (Figura12), los conductores intentaron moverse a una velocidad constante. Esto se
refleja en señales de posición que son aproximadamente lineales, los cambios en la pendiente se deben
principalmente a variaciones en la distancia. La señal de posición promediada está mayormente alineada
con la referencia, aunque se desvía de ella a medida que aumenta la distancia desde el sensor.
Sensores2021,21, 5337 13 de 18

(pero fuera de la ventana de análisis utilizada por el método). Para el segundo experimento (L1; los
experimentos L restantes arrojaron resultados similares y no se muestra que eviten la
redundancia), se observa una no linealidad mucho mayor en la posición de los vehículos
individuales. En este caso se registró un tráfico descontrolado y los vehículos se desplazaron con
velocidad y distancia variable. La señal de posición promediada también es notablemente no lineal.
No obstante, la regresión lineal aplicada a la posición media proporciona un resultado
razonablemente consistente con la referencia.

Figura 10.Velocidad estimada de vehículos individuales frente a la velocidad del vehículo medida con el dispositivo de referencia.

Figura 11.Histogramas de error de estimación para vehículos individuales: (a) distancia, (b) velocidad.

Mesa1muestra los resultados de la estimación de la velocidad en todos los experimentos. Los

valores de la velocidad real en tierra se obtuvieron de los dispositivos de referencia. Los resultados
obtenidos utilizando un enfoque simple de promediar estimaciones de velocidad individuales se
incluyen para compararlos con el método propuesto. El método de promedio simple es rápido, pero solo
puede promediar errores en las estimaciones de velocidad calculadas. Con este enfoque, el error
absoluto medio de la estimación de la velocidad es de 2,2 km/h (2,7 %), lo que puede ser suficiente para
el seguimiento del tráfico. Sin embargo, con el método propuesto, que promedia los errores en
Sensores2021,21, 5337 14 de 18

las señales de posición utilizadas para la estimación de la velocidad, en lugar de promediar errores en
las estimaciones finales, se obtiene una mejora en la precisión de la estimación de la velocidad. El error
promedio de todos los experimentos es de 1,2 km/h (1,44 %), lo que representa una reducción de 1 km/h
(1,3 puntos porcentuales) en comparación con el método de promedio simple. El aumento de precisión
es especialmente notable en el experimento M (con velocidad de vehículo controlada), donde el error se
reduce en 2,5 puntos porcentuales, y la estimación obtenida es muy cercana al valor de referencia (−
diferencia de 0,3 km/h). En los experimentos L (con velocidad del vehículo no controlada), los errores de
estimación son mayores, pero aún menores que en el método simple, y están en un

metro

o
s
b
norte

mi
t
o
t
(w
d
r
C
mi
válida y que aumenta la precisión de la estimación de la velocidad en comparación con el método simple que
promedia las estimaciones.

Figura 12.Señales de posición calculadas en el experimento M.

Sensores2021,21, 5337 15 de 18

Figura 13.Señales de posición calculadas en el experimento L1.

Tabla 1.Resultados de la estimación de la velocidad vehicular con el método propuesto.

Método Parámetro METRO L1 L2 L3 L4

Número de vehículos 31 8 7 5 7
Referencia
Velocidad media [km/h] 79.5 68.0 86.2 77.3 87.7
Velocidad media [km/h] 81.8 67.3 83.1 75,0 85.3
Simple
Error de estimación [km/h] 2.3 − 0.7 − 3.1 − 2.3 − 2.4
promediando
Error de estimación [%] 2.9 1.0 3.6 3.0 2.8
Velocidad media [km/h] 79.2 67.7 83.4 76.1 89.1
Propuesto
Error de estimación [km/h] − 0.3 − 0.3 − 2.8 − 1.2 1.4
método
Error de estimación [%] 0.4 0.4 3.2 1.6 1.6

Los resultados de nuestros experimentos validaron la precisión del algoritmo propuesto al

comparar sus resultados con datos de sensores de monitoreo de tráfico de última generación: un lidar y
un radar. También es interesante comparar nuestros resultados con otros enfoques basados en análisis
de audio. Una revisión de sensores de última generación reveló que actualmente no existen dispositivos
comerciales capaces de medir la velocidad del tráfico con sensores acústicos. Hay algunos sensores
acústicos para la detección y el conteo de vehículos. Otros trabajos publicados sobre la determinación
acústica de la velocidad del vehículo se centran en la medición de la velocidad de vehículos individuales y,
a menudo, informan de grandes errores de medición. Una explicación probable es que estos métodos
tratan a los vehículos como fuentes puntuales, lo cual (como discutimos en este documento) no es una
suposición válida y conduce a grandes errores de estimación de velocidad. Comparamos el error de
velocidad promedio de 1,2 km/h obtenido con nuestro método con el error absoluto promedio
informado en varias publicaciones relacionadas con una amplia gama de monitoreo de tráfico basado en
acústica. Na et al. estimó la velocidad del vehículo a partir de la medición del tiempo necesario para
pasar por las zonas de detección en un detector multizona basado en una matriz de micrófonos. El error
de velocidad promedio informado de 940 vehículos fue de 16,58 km/h [17]. Lopez-Valcarce et al. empleó
un enfoque de máxima verosimilitud utilizando dos micrófonos. Solo se midieron tres vehículos y el error
promedio fue de 4 km/h [21]. Cevher et al. examinó los patrones de ondas acústicas de un solo
micrófono omnidireccional. Con un método de perfil completo, obtuvieron un error promedio de 2,97
km/h (de 10 vehículos), mientras que dos métodos simplificados arrojaron errores de 13,39 km/h y 8,14
km/h [22]. Wu et al. examinó los patrones acústicos del audio de los teléfonos inteligentes y obtuvo un
error promedio de 2,17 km/h [34]. Göksu estimó la velocidad del vehículo
Sensores2021,21, 5337 16 de 18

del micrófono integrado y un error absoluto medio informado de 1,11 km/h [35]. Ishida et al. Examinó un mapa
de la diferencia de tiempo de llegada del sonido usando dos micrófonos y obtuvo un error de velocidad
promedio de 16,8 km/h para 12 vehículos, 9,38 km/h para 6 vehículos con motocicletas excluidas [36]. No
encontramos ningún trabajo publicado sobre el uso de análisis de intensidad de sonido para la estimación de la
velocidad del tráfico, lo que confirma que nuestro enfoque es novedoso. El error de velocidad promedio
obtenido en nuestros experimentos es menor que el reportado en otras publicaciones relacionadas (excepto
por [35], donde los valores de error son comparables).

4. Conclusiones
En nuestra publicación anterior [14], presentamos un método de detección y conteo de vehículos
mediante el análisis de señales de intensidad de sonido. En este artículo, ampliamos este enfoque proponiendo
un enfoque novedoso para la estimación de la velocidad del tráfico rodado, basado en el análisis de la
intensidad del sonido. Inicialmente, esperábamos usar este método para estimar la velocidad de cada vehículo
individual. Sin embargo, esto resultó ser problemático, por lo que decidimos desarrollar un método que estime
una velocidad de tráfico promedio dentro de un período de observación, suponiendo que el procedimiento de
promedio reduce la influencia de varios factores en la precisión de la estimación de la velocidad. Identificamos
tres fuentes principales de errores de estimación de velocidad. (1) La fuente de sonido aparente no es un punto
que sea constante dentro de un vehículo en movimiento (un hecho que a menudo se pasa por alto en
publicaciones relacionadas), también la posición de la fuente depende del rango de frecuencia analizado. En
nuestro método, disminuimos la influencia de este factor analizando solo una pequeña sección de tiempo
cuando un vehículo está cerca del sensor, y realizamos el análisis en tres bandas de frecuencia. (2) La
estimación de la distancia entre la trayectoria de movimiento de un vehículo y el sensor es crucial para obtener
una estimación precisa de la velocidad. Este resultó ser el problema más difícil, que resolvimos parcialmente en
el método propuesto al analizar la elevación de la fuente en dos bandas de frecuencia, en un breve fragmento
de tiempo cuando un vehículo está cerca del sensor. (3) La relación señal/ruido en las señales de posición e
intensidad calculadas es baja, lo que genera errores en las estimaciones de velocidad calculadas. Este problema
puede disminuirse promediando un número de estimaciones de velocidad dentro del período de observación, y
este enfoque produce una precisión de estimación satisfactoria. Sin embargo, propusimos un método basado
en promediar las señales de posición obtenidas para vehículos individuales y calcular la estimación de velocidad
a partir de la señal de posición promedio. Los experimentos demostraron que este método proporciona
estimaciones de velocidad más precisas que el método de promedio simple.

Un ejemplo de aplicación práctica del método propuesto es una estación de monitoreo de tráfico
en un sistema de ciudad inteligente. Con este método, se puede calcular un conteo de vehículos (en dos
direcciones opuestas) y la velocidad promedio del tráfico en los intervalos de tiempo definidos (por
ejemplo, cada 15 min). Una red de estas estaciones de control podría proporcionar información dinámica
sobre el tráfico rodado, adecuada para la gestión del tráfico urbano. La ventaja del método propuesto es
que es pasivo, no emite ninguna señal, a diferencia de los radares y lidars, por lo que no contribuye a la
contaminación de señales en las zonas urbanas. Tampoco es susceptible a la interferencia
electromagnética, que es el problema de los sensores basados en radar (como se observó en el
experimento M, en el que el radar simplemente no funcionó). El método propuesto es rentable, no
requiere equipos costosos ni un alto consumo de energía, a diferencia de los sensores basados en lidar.
Una configuración de bajo costo que consta de seis micrófonos MEMS, una interfaz I2S-USB y una
microcomputadora Raspberry Pi, que usamos en nuestros experimentos, es suficiente para realizar
análisis en línea en una estación de monitoreo. El sensor también es fácil de instalar, y no necesita una
orientación específica relativa a la dirección del tráfico (el sensor es omnidireccional), que requieren los
radares y especialmente los lidar.
Como es el caso de cada método de monitoreo de tráfico automatizado basado en sensores, el enfoque
propuesto también tiene sus limitaciones. El ruido ambiental de alto nivel puede perturbar el análisis de sonido.
Un viento muy fuerte o una lluvia torrencial con gotas de lluvia que golpean la carcasa del sensor pueden
enmascarar las señales emitidas por los vehículos. Tales problemas ocurren también en otros sensores (por
ejemplo, un radar Doppler no funcionó durante una fuerte lluvia). También existe un problema de oclusión
cuando el sensor observa simultáneamente varios vehículos. El problema de oclusión es común a la mayoría de
los sensores de monitoreo de tráfico. Dado que el método propuesto
Sensores2021,21, 5337 17 de 18

promedia un número de vehículos, la oclusión no es crítica para obtener resultados válidos. Otra
limitación del método propuesto es que se basa en los datos proporcionados por el detector de
vehículos. Las oclusiones son un problema común en el análisis de tráfico. El algoritmo maneja
correctamente las oclusiones parciales, siempre que el detector proporcione una sección de señal
suficientemente larga alrededor del azimut cero. El detector no puede manejar oclusiones
completas y tales casos se excluyen del análisis. Sin embargo, un porcentaje razonablemente
pequeño de oclusiones no es un problema para el algoritmo de estimación de velocidad.
En el trabajo futuro, la principal área posible de mejora es la estimación de la distancia entre el sensor y
la fuente de sonido. Se puede aumentar la resolución temporal del análisis, siempre que se proporcionen más
datos para una estimación de velocidad exitosa. También tenemos la intención de centrarnos en mejorar la
precisión de la estimación de la velocidad de los vehículos individuales. El método descrito en este documento
se implementará en una estación de monitoreo de tráfico y tenemos la intención de realizar un análisis a largo
plazo, 24 horas al día, 7 días a la semana, del tráfico vial en la ubicación seleccionada. Esta prueba
proporcionará más información sobre el rendimiento del método propuesto en diferentes condiciones.

Contribuciones de autor:Conceptualización, JK y GS; metodología, JK y GS; validación, JK y GS;

investigación, JK y GS; recursos, GS y JK; curación de datos, GS y JK; redacciónpreparación de
borrador original, GS y JK; redacción—revisión y edición, GS y JK; visualización, GS y JK Todos los
autores han leído y aceptado la versión publicada del manuscrito.

Fondos:Esta investigación fue financiada por el Centro Nacional de Investigación y Desarrollo de Polonia
(NCBR) a través del Fondo Europeo de Desarrollo Regional titulado: INFOLIGHT Cloud-Based Lighting
System for Smart Cities under Grant POIR.04.01.04/2019.

Declaración de la Junta de Revisión Institucional:No aplica.

Declaración de consentimiento informado:No aplica.

Declaración de disponibilidad de datos:Los datos incluidos en este estudio están disponibles previa solicitud por
contacto con el autor correspondiente.

Conflictos de interés:Los autores declaran no tener conflicto de intereses.

Referencias
1. Du, R.; Santi, P.; Xiao, M.; Vasilakos, AV; Fischione, C. La ciudad sensible: una encuesta sobre el despliegue y la gestión para el monitoreo de
ciudades inteligentes.Común IEEE. sobrev. Tutor.2019,21, 1533–1560. [Referencia cruzada]
2. Jamshidnejad, A.; de Schutter, B. Estimación de la velocidad de tránsito promedio generalizada basada en mediciones microscópicas.transporte Un Transp.
ciencia2015,11, 525–546. [Referencia cruzada]
3. Klein, LA; Molinos, MK; Gibson, DRPManual de detectores de tráfico, 3ª ed.; Informe No. FHWA-HRT-06-108; Investigación y Tecnología de la
Administración Federal de Carreteras: Washington, DC, EE. UU., 2006.
4. Adnan, MA; Sulaimán, N.; Zainuddin, NI; Besar, TBHT Técnica de medición de velocidad de vehículos utilizando varios instrumentos de detección de
velocidad. En Actas del Coloquio de aplicaciones industriales e ingeniería empresarial de IEEE de 2013 (BEIAC), Langkawi, Malasia, 7–9 de abril
de 2013; págs. 668–672. [Referencia cruzada]
5. Guerrero-Ibañez, J.; Zeadaly, S.; Contreras-Castillo, J. Tecnologías de Sensores para Sistemas Inteligentes de Transporte.Sensores2018, 18, 1212. [
Referencia cruzada]
6. Yamal, R.; Maná, K.; Tabee'a, M.; Khalaf, L. Control de tráfico mediante cámaras de imágenes digitales. EnTendencias emergentes en procesamiento de
imágenes, visión artificial y reconocimiento de patrones; Deligiannidis, L., Arabnia, HR, Eds.; Morgan Kaufmann: Waltham, MA, EE. UU., 2015; págs. 231–
247.
7. Yang, Z.; Pun-Cheng, LSC Detección de vehículos en sistemas de transporte inteligentes y sus aplicaciones en diferentes entornos: una revisión.
Visibilidad de la imagen computar2018,69, 143–154. [Referencia cruzada]
8. Darwish, T.; Abu Bakar, K. Estimación de densidad de tráfico en redes ad hoc vehiculares: una revisión.Red ad hoc2015,24, 337–351. [Referencia
cruzada]
9. Lahrmann, H.; Brassøe, B.; Johansen, JW; Madsen, JCO Impacto en la seguridad del control de la velocidad media en el Reino Unido.J.Transp. Tecnología 2016,6, 312–326. [
Referencia cruzada]
10. Cao, J.; Liu, J.; Wang, J.; Lai, X. Sensor vectorial acústico: revisiones y perspectivas futuras.Señal IET. Proceso.2017,11, 1–9. [Referencia
cruzada]
11. Jacobsen, F.; de Bree, HE El sensor de velocidad de partículas Microflown. Enmanual de procesamiento de señales en acústica; Havelock, D., Kuwano, S.,
Vorländer, M., Eds.; Springer: Nueva York, NY, EE. UU., 2008; págs. 1283–1291. [Referencia cruzada]
12. Kotus, J. Localización de múltiples fuentes de sonido en campo libre usando un sensor vectorial acústico.multimed. Aplicación de herramientas2015,74, 4235–4251. [Referencia cruzada
] [PubMed]
Sensores2021,21, 5337 18 de 18

13. Kotus, J. Determinación de la velocidad de los vehículos mediante sensor vectorial acústico. En Proceedings of the Signal Processing: Algorithms,
Architectures, Arrangements, and Applications (SPA) de 2018, Poznan, Polonia, 19 a 21 de septiembre de 2018; págs. 64–69. [Referencia cruzada]
14. Czyżewski, A.; Kotus, J.; Szwoch, G. Estimación de la intensidad del tráfico empleando un radar acústico pasivo y un sensor de radar doppler de microondas
mejorado.Sensores remotos2020,12, 110. [Referencia cruzada]
15. Salomons, E.; van Maercke, D.; Defrance, J.; de Roo, F. El modelo de propagación del sonido de Harmonoise.Acta Acust.2011,97, 62–74. [Referencia cruzada]

16. Ballesteros, JA; Sarradj, E.; Helechoandez, MD; Geyer, T.; Ballesteros, MJ Identificación de fuentes de ruido con beamforming en el paso de un automóvil.
aplicación acústico2015,93, 106–119. [Referencia cruzada]
17. Na, Y.; Guo, Y.; Fu, Q.; Yan, Y. Un sistema acústico de monitoreo de tráfico: Diseño e implementación. En las Actas de la 12.ª Conferencia Internacional sobre
Inteligencia Ubicua y Computación del IEEE de 2015, Beijing, China, 10 al 14 de agosto de 2015; págs. 119–126. [Referencia cruzada]
18. Barbagli, B.; Manés, G.; Facchini, R.; Manes, A. Red de sensores acústicos para la monitorización del tráfico de vehículos. En Actas de la Primera
Conferencia Internacional sobre Avances en Sistemas Vehiculares, Tecnologías y Aplicaciones, Venecia, Italia, 24–29 de junio de 2012.
19. Chen, S.; Sol, Z.; Bridge, B. Monitoreo de tráfico usando mapeo de campo de sonido digital.Trans. IEEE. Veh. Tecnología2001,50, 1582–1589. [Referencia
cruzada]
20. Duffner, O.; Marlow, S.; Murphy, N.; O'Connor, N.; Smeanton, A. Monitoreo del tráfico vial usando una matriz de dos micrófonos. En Actas de la
118.ª Convención de la Sociedad de Ingeniería de Audio, Barcelona, España, 28–31 de mayo de 2005; pag. 6355.
21. Lopez-Valcarce, R.; Mosquera, C.; PAGmirez-gonzalez, F. Estimación de la velocidad de los vehículos de carretera utilizando dos micrófonos omnidireccionales: un
enfoque de máxima verosimilitud.EURASIP J. Adv. Señal. Proceso.2004,8, 929146. [Referencia cruzada]
22. Cevher, V.; Chellappa, R.; McClellan, JH Estimación de la velocidad del vehículo utilizando patrones de ondas acústicas.Trans. IEEE. Señal. Proceso.2019, 57, 30–47. [
Referencia cruzada]
23. Ishida, S.; Liu, S.; Mimura, K.; Tagashira, S.; Fukuda, A. Diseño de un sistema acústico de conteo de vehículos usando DTW. En Actas del 23.er
Congreso Mundial ITS, Melbourne, Australia, 10–14 de octubre de 2016; págs. 1 a 10.
24. Warghade, vicepresidente; Deshpande, MS Estimación de la condición del tráfico vial basada en la acústica vial. En Actas de la Conferencia Internacional
sobre Informática, Comunicación, Control y Automatización (ICCUBEA), Pune, India, 17 y 18 de agosto de 2017. [Referencia cruzada]
25. Gato, RC; Forster, CHQ Modelo de aprendizaje automático basado en audio para la detección de congestión de tráfico.Trans. IEEE. Intel. Trans. sist. 2020, en prensa. [
Referencia cruzada]
26. Vij, D.; Aggarwal, N. Detección del estado del tráfico basada en teléfonos inteligentes mediante análisis acústico y crowdsourcing.aplicación acústico2018,138, 80–91. [
Referencia cruzada]
27. Fahy, F.Intensidad del sonido, 2ª ed.; E & FN Spon: Londres, Reino Unido, 1995.
28. Jacobsen, F. La intensidad del sonido y su medición y aplicaciones.actual Arriba. acústico Res.2003,3, 87–91.
29. Kotus, J.; Szwoch, G. Calibración de sensor de vector acústico basado en micrófonos MEMS para estimación de DOA.aplicación acústico2018, 141, 307–321. [
Referencia cruzada]
30. Graf, RA; Kuo, CY; Dowling, AP; Graham, WR Sobre el efecto de bocina de una interfaz neumático/carretera; Parte I: Experimentación y cálculo.
J. Sonido Vibración.2002,256, 417–431. [Referencia cruzada]
31. InvenSense: INMP441, micrófono omnidireccional con puerto inferior y salida digital I2S. Disponible en linea:https://
invensense.tdk.com/wp-content/uploads/2015/02/INMP441.pdf(consultado el 8 de julio de 2021).
32. Jacobsen, F.; de Bree, HA Una comparación de dos principios diferentes de medición de la intensidad del sonido.J. Acústica. Soc. Soy.2005,118, 1510–1517. [
Referencia cruzada]
33. Vitrónica: Poliscan FM1. Disponible en linea:https://www.vitronic.com/en-us/traffic-technology/speed-enforcement(consultado el 28 de julio de
2021).
34. Vu, Y.; Li, F.; Xie, Y.; Yang, S.; Wang, Y. HDSpeed: Detección híbrida de la velocidad del vehículo a través de sensores acústicos en teléfonos inteligentes.Trans. IEEE.
Multitud. computar2020, en prensa. [Referencia cruzada]
35. Göksu, H. Medición de la velocidad del vehículo mediante el procesamiento de señales acústicas a bordo.medida Control2018,51, 138–149. [Referencia cruzada]
36. Ishida, S.; Kajimura, J.; Uchino, M.; Tagashira, S.; Fukoda, A. SAVeD: Detector acústico de vehículos con estimación de velocidad capaz de detección
secuencial de vehículos. En Actas de la 21.ª Conferencia Internacional sobre Sistemas de Transporte Inteligentes (ITSC), Maui, HI, EE. UU., 4 al 7
de noviembre de 2018. [Referencia cruzada]
Los derechos de autor de los sensores (14248220) son propiedad de MDPI y su contenido no puede copiarse ni enviarse por correo
electrónico a varios sitios ni publicarse en un servidor de listas sin el permiso expreso por escrito del titular de los derechos de autor. Sin
embargo, los usuarios pueden imprimir, descargar o enviar artículos por correo electrónico para uso individual.