BumpBusters: detección de baches con aprendizaje automático en la Ciudad Autónoma de Buenos Aires

Abstract

La presencia de baches en la vía pública compromete la seguridad vial y genera perjuicios tanto al ciudadano afectado como a la sociedad. En este contexto, se propone para las áreas urbanas de la Ciudad Autónoma de Buenos Aires (CABA) un sistema para la detección de baches en tiempo real utilizando los sensores de acelerómetro y geolocalización de los dispositivos móviles. Para esto, se desarrolla un modelo de aprendizaje automático que combina la técnica de Random Forest para la detección de baches y K-Means para clasificarlos según su gravedad. El prototipo se prueba utilizando un vehículo a escala 1:18, y las visualizaciones se presentan geolocalizadas en un dashboard con Google Maps. Se utiliza Grafana para el monitoreo con alertas para los usuarios y los organismos de control. Como línea de extensión, se propone la integración con plataformas como Waze y Cabify para facilitar su adopción masiva.

The presence of potholes in public roads compromises road safety, affects quality of life, and causes economic harm both to the affected citizens and to society. In this context, a system is proposed for urban areas of the Autonomous City of Buenos Aires (CABA) to detect potholes in real time using the accelerometer and geolocation sensors of mobile devices. For this purpose, a machine learning model is developed that combines the Random Forest technique for pothole detection and K-Means to classify them according to their severity. The prototype is tested using a 1:18 scale vehicle, and the visualizations are geolocated and displayed on a dashboard using Google Maps. As a future extension, integration with platforms such as Waze and Cabify is proposed to facilitate adoption and large-scale distribution.