RAILGAP
La tecnología satelital EGNSS ha sido identificada como revolucionaria para la evolución del Sistema Europeo de Gestión del Tráfico Ferroviario (ERTMS) y los Sistemas de Comando y Control (CCS). Su adopción para la localización de trenes es crucial para reducir los costos del ciclo de vida del transporte ferroviario y aumentar su capacidad, fiabilidad y puntualidad, minimizando el consumo de energía por kilómetro-pasajero.
El proyecto RAILGAP busca superar las barreras actuales mediante el desarrollo de herramientas metodológicas innovadoras y avanzadas para diseñar referencias precisas y confiables, como Mapas Digitales y verdades de terreno (Ground Truth) de alta precisión. Además, RAILGAP tiene como objetivo contribuir al programa de aplicaciones de EGNSS promoviendo una movilidad verde, segura e inteligente. El proyecto se enfoca en potenciar las características ecológicas del transporte ferroviario, que consume menos del 2% de la electricidad en Europa y genera una décima parte de las emisiones de CO2 por pasajero en comparación con los aviones.
El LIF ha tenido un papel clave en la definición de requisitos y arquitecturas del proyecto, así como en la coordinación de la definición de especificaciones para las campañas de prueba en vía y la gestión en formatos estandarizados a nivel europeo (formato RailML).
Dentro del proyecto, se ha propuesto una arquitectura de fusión multisensor con un concepto de protección multicapa para lograr alta precisión, fiabilidad y disponibilidad del sistema. Como resultado, el LIF ha desarrollado un sistema automático de adquisición de datos que integra y sincroniza cinco tecnologías de sensores: GNSS, IMU, cámaras estereoscópicas, LIDAR y sensores fotoeléctricos. Este sistema está especialmente adaptado a las particularidades del material rodante en España (dresina de mantenimiento), y a las líneas C1 y C2 de cercanías Málaga.
Cabe destacar que, además de las pruebas en España, se han llevado a cabo campañas de pruebas de campo con trenes equipados con un entorno de medición a bordo en el centro-sur de Italia y la región de Cerdeña.
Los datos recopilados se han procesado utilizando mecanismos de detección y exclusión de fallos, donde cada medición de sensor debe pasar una prueba individual antes de ser considerada en el proceso de fusión de sensores. Además, se ha aplicado estrategias de detección y exclusión de fallos basadas en el filtro de fusión. La solución final está protegida por un algoritmo de monitoreo de confianza, garantizando así la integridad del sistema.
Para el preprocesamiento de GNSS, se implementó una cadena de detectores de amenazas locales para reducir la probabilidad de fallos en el proceso de fusión. Por ejemplo, se analiza la intensidad de la señal recibida para identificar excesiva multipath. Se evaluó el comportamiento del error GNSS en cada circulación y se derivó la probabilidad de fallo esperada. Para la Unidad de Medición Inercial (IMU), se recomendó un filtro paso-bajo para reducir el impacto de las vibraciones del motor del tren, limitando así el error en el proceso de fusión.
También se realizó una evaluación exhaustiva de las fuentes de error en los sensores LIDAR y de cámara, esenciales para los sistemas autónomos modernos. Entender y modelar estos errores fue crucial para mejorar el rendimiento de los sensores y garantizar la robustez de los sistemas autónomos, detección de objetos y el inventariado de la vía. Esta evaluación permitió desarrollar estrategias para mitigar estos problemas, mejorando la fiabilidad y efectividad general de los sensores utilizados en el proyecto RAILGAP.
La evaluación individual de los sensores y su posterior fusión han permitido, por un lado, desarrollar una metodología y herramientas para crear información de campo precisa y confiable (Ground Truth) utilizando GNSS como fuente principal. Por otro lado, se han desarrollado técnicas para identificar objetos y puntos clave, con el fin de realizar un monitoreo y control continuo del Mapa Digital de las vías ferroviarias.
El Ground Truth se basa en un conjunto de variables (KPIs) que permiten detectar desviaciones críticas. Estas variables están referidas a la Referencia de la Verdad de Terreno, definida como el extremo frontal de la Cabina Activa proyectado en el plano del carril en el punto central del eje transversal de la vía.
Adicionalmente, se han desarrollado un conjunto de herramientas para desarrollar el Mapa Digital de la Vía utilizando datos de los distintos sensores en en diferentes recorridos de tren bajo diferentes condiciones operativas y climáticas. Además, se desarrolló una metodología para la detección de objetos y la adquisición de puntos clave, lo que permite calcular sus posiciones relativas y absolutos respecto a la posición del tren durante cada recorrido.
RAILGAP: RAILway Ground truth and digital mAP
Proyecto Horizonte 2020.
Innovación para la gestión de la eficiencia ferroviaria. Consorcio formado por 12 miembros principalmente ítalo-español, entre otros participan: INECO, ADIF, Rete Ferroviaria Italiana (RFI), DLR de Alemania y CEDEX.
Enmarcado en la convocatoria del Programa Horizonte 2020 de la EU Agency for the Space Programme - European Union (EUSPA), RAILGAP se centra en el desarrollo de soluciones innovadoras de alta precisión para la obtención de los datos básicos del terreno y mapas digitales de las líneas ferroviarias, que constituyen elementos esenciales para el posicionamiento de los trenes con una fiabilidad y eficiencia sin precedentes en las operaciones ferroviarias.
