Detección automática de comportamiento de conducción mediante inteligencia artificial y análisis espaciotemporal de vídeo

Abstract

Este Trabajo de Fin de Grado presenta el desarrollo de un sistema basado en Inteligencia Artificial para la detección automática de comportamientos de conducción potencialmente peligrosos a partir de secuencias de vídeo. El objetivo es contribuir a la mejora de la seguridad vial mediante la identificación temprana de maniobras de riesgo como 'brake check', 'cut off', 'hard braking' y 'zigzag'.

Para ello, se construyó un conjunto de datos compuesto por vídeos de situaciones reales de conducción y se diseñó un proceso de preprocesamiento basado en YOLOv11 y ByteTrack para la detección y seguimiento de vehículos. Posteriormente, se entrenó un modelo híbrido CNN-LSTM utilizando MobileNetV2 como extractor de características. El estudio experimental se estructuró en tres fases: entrenamiento del modelo base, aplicación de técnicas de 'data augmentation' y ajuste fino ('fine-tuning'). Además, se evaluó el impacto del desequilibrio entre clases mediante una segunda configuración que agrupó las clases minoritarias en una única categoría denominada 'OTHERS'.

Los resultados muestran que la combinación de la estrategia 'OTHERS' con el aumento de datos mediante rotación de 10 grados (rot10) obtuvo el mejor rendimiento, alcanzando un Macro F1 de 0,66 y un Weighted F1 de 0,89. Estos resultados evidencian que la agrupación de clases minoritarias y la aplicación de técnicas adecuadas de aumento de datos mejoran la capacidad de generalización del modelo y su eficacia para la detección automática de comportamientos de conducción peligrosos.