Algoritmos de Detección de Obstáculos y Predicción de Trayectorias Dinámicas para la Conducción Autónoma en Entornos Urbanos Complejos

La conducción autónoma en entornos urbanos complejos enfrenta desafíos significativos debido a obstáculos dinámicos, oclusiones de sensores e interacciones impredecibles entre múltiples agentes. Los sistemas actuales de detección de obstáculos a menudo luchan por mantener la robustez en condiciones adversas, mientras que los algoritmos de predicción de trayectorias a menudo priorizan la precisión a corto plazo sobre la fiabilidad temporal a largo plazo. Estas limitaciones obstaculizan el despliegue seguro y eficiente de vehículos autónomos en escenarios urbanos del mundo real, lo que requiere un enfoque más integrado que equilibre la precisión de percepción con las limitaciones en tiempo real. Este estudio propone un marco unificado que combina la fusión de múltiples sensores para la detección de obstáculos y la predicción de trayectorias con restricciones temporales para abordar estos desafíos. La metodología integra datos de LiDAR y cámara a través de una arquitectura neuronal optimizada, mejorando la robustez de detección contra oclusiones y ruido de sensor. Además, el modelo de predicción de trayectorias introduce ventanas de tiempo ajustadas dinámicamente, formuladas como un problema de optimización restringido utilizando enfriamiento simulado para asegurar tanto la precisión espacial como la viabilidad temporal. La validación experimental en un entorno de cosimulación CARLA-ROS demuestra la efectividad del sistema, logrando una tasa de recuperación del 84.1% bajo oclusiones severas y reduciendo las violaciones de ventanas de tiempo en un 67.3% en comparación con métodos convencionales. El marco mantiene un rendimiento en tiempo real con una latencia promedio de 82.1 ms, lo que lo hace adecuado para aplicaciones de conducción autónoma urbana. La investigación aporta una solución escalable que mejora tanto la fiabilidad de percepción como la seguridad de toma de decisiones en entornos urbanos dinámicos. Al incorporar explícitamente restricciones temporales en la predicción de trayectorias, el enfoque propuesto mejora la desplegabilidad práctica de los sistemas autónomos, allanando el camino hacia tecnologías de navegación más adaptativas y robustas en escenarios de tráfico complejos. Extensiones futuras podrían explorar el ajuste adaptativo de parámetros y la predicción cooperativa en entornos de vehículos conectados.