El proyecto procesa telemetría y clasifica ventanas de conducción. Su alcance divulgado es experimental y no equivale a una evaluación oficial de conductores.
SANTIAGO.— Un proyecto de la PUCMM propone estudiar patrones de conducción combinando un simulador, datos del vehículo e inteligencia artificial. DriveSense, divulgado el 11 de octubre, analiza registros del recorrido y los organiza en categorías de comportamiento dentro de un entorno experimental.
Iván Paul Marcelino y Juan Alfonso Alvarado Batista desarrollaron el trabajo con la asesoría de Rafael Omar Batista Jorge. La propuesta utiliza el simulador Assetto Corsa y recoge telemetría a una frecuencia de 20 hercios, equivalente a veinte registros por segundo, para procesarla mediante una arquitectura de almacenamiento y análisis.
El sistema clasifica ventanas de datos como conducción agresiva, distraída, normal o pasiva. Los autores compararon varios modelos de aprendizaje automático y seleccionaron XGBoost. La documentación describe validación cruzada y herramientas SHAP para interpretar la contribución de variables a las decisiones del modelo.
Una etiqueta calculada necesita contexto
El interés del proyecto está en relacionar lo que ocurre durante una sesión con una clasificación reproducible. Para interpretar ese resultado importa conocer cómo se definió cada categoría y con qué ejemplos aprendió el sistema. Una etiqueta de conducción agresiva es una salida del modelo; no equivale, por sí sola, a un diagnóstico permanente sobre la persona que está frente al volante.
La diferencia tiene una aplicación periodística inmediata. Sería incorrecto presentar DriveSense como una herramienta que ya identifica con certeza a conductores peligrosos en las vías dominicanas. La publicación consultada describe un trabajo con simulación y no acredita una validación de sus resultados en circulación real.
Tampoco se dispone en esta cobertura de una cifra comprobada de participantes o de precisión que permita atribuir al proyecto un porcentaje general de acierto. La selección de un modelo entre varias alternativas indica un proceso de comparación, pero su desempeño debe leerse con las condiciones y los límites del conjunto de datos utilizado.
Qué podría aportar a la educación vial
Desde el análisis de Movilidad Urbana RD, una aplicación educativa podría ser explorar con el participante qué maniobras o secuencias influyeron en una clasificación. Ese uso requeriría información comprensible y criterios de evaluación transparentes, además de una comprobación específica de su utilidad para aprender.
La interpretación de variables puede ayudar a revisar una predicción, aunque no convierte una asociación estadística en la causa de una conducta. También habría que distinguir entre el comportamiento observado durante una sesión y el que una persona muestra bajo circunstancias diferentes, fuera del simulador.
Cualquier uso con datos personales necesitaría explicar quién accede a los registros y para qué serán utilizados. Son preguntas pertinentes si el proyecto pasa de la experimentación a una prueba aplicada; la noticia no permite afirmar que exista ese despliegue ni que sus resultados se utilicen para licencias o sanciones.
El aporte divulgado abre una línea de investigación sobre formación y análisis de la conducción. Su siguiente valor estará en una validación que permita identificar con claridad qué mide, con qué margen de error y en qué contextos resulta útil.
Fuentes de esta información
DriveSense: Sistema Inteligente para la Clasificación de Perfiles de Conducción mediante Inteligencia Artificial. Escuela de Ingeniería en Computación y Telecomunicaciones / PUCMM · Publicado el 11/10/2026.
Información noticiosa publicada del 11 al 17 de octubre de 2026. El análisis identificado como enfoque de Movilidad Urbana RD es elaboración editorial propia.
Deja una respuesta