{"id":184918,"date":"2026-03-10T11:00:01","date_gmt":"2026-03-10T10:00:01","guid":{"rendered":"https:\/\/liora.io\/es\/nueva-formula-predice-accidentes"},"modified":"2026-03-10T11:00:01","modified_gmt":"2026-03-10T10:00:01","slug":"nueva-formula-predice-accidentes","status":"publish","type":"post","link":"https:\/\/liora.io\/es\/nueva-formula-predice-accidentes","title":{"rendered":"Esta nueva f\u00f3rmula predice accidentes antes de que sucedan."},"content":{"rendered":" \nInvestigadores han desarrollado un revolucionario sistema de IA que predice colisiones de veh\u00edculos 2,6 segundos antes de que ocurran, logrando un 90% de precisi\u00f3n sin requerir datos de choques reales. La Generalised Surrogate Safety Measure (GSSM), creada por Jiao et al. y publicada en Nature Machine Intelligence, aprende patrones de riesgo de colisi\u00f3n a partir de datos de conducci\u00f3n cotidiana y fue validada frente a 2.591 colisiones y cuasi accidentes del mundo real.\n <\/strong>\n
Este avance representa un cambio fundamental en la tecnolog\u00eda de seguridad automotriz. A diferencia de los sistemas tradicionales que reaccionan ante peligros inminentes o requieren costosos datos de choques para entrenarse, esta metodolog\u00eda sin etiquetas<\/b> aprende patrones de riesgo a partir de escenarios de conducci\u00f3n cotidianos, con el potencial de revolucionar c\u00f3mo los veh\u00edculos anticipan y previenen accidentes.<\/p>
Seg\u00fan el estudio de Nature Machine Intelligence, el sistema analiza la cinem\u00e1tica del movimiento instant\u00e1neo<\/b>, incluidas la velocidad y la aceleraci\u00f3n de los veh\u00edculos circundantes. Al procesar estos flujos de datos sin requerir etiquetas expl\u00edcitas de choques, el modelo puede aprovechar grandes cantidades de informaci\u00f3n de conducci\u00f3n f\u00e1cilmente disponible para desarrollar sus capacidades de evaluaci\u00f3n de riesgo.<\/p>\n\n
Rendimiento en el mundo real<\/h2>\n\n
La GSSM demostr\u00f3 m\u00e9tricas de rendimiento excepcionales en m\u00faltiples escenarios cr\u00edticos de conducci\u00f3n. El sistema alcanz\u00f3 un \u00c1rea bajo la curva precisi\u00f3n-exhaustividad (AUPRC) de 0,9<\/b>, lo que confirma su alta precisi\u00f3n para distinguir entre eventos de conducci\u00f3n seguros y peligrosos, seg\u00fan informaron los investigadores. El tiempo mediano de antelaci\u00f3n de la alerta<\/b>, de 2,6 segundos, proporciona momentos cruciales para que los conductores o los sistemas automatizados tomen medidas evasivas.<\/p>
Las pruebas abarcaron diversos escenarios de interacci\u00f3n, incluidas situaciones de alcance trasero, incorporaci\u00f3n y giro<\/b>, y el modelo super\u00f3 constantemente a los m\u00e9todos de referencia existentes tanto en precisi\u00f3n como en anticipaci\u00f3n. El proceso de validaci\u00f3n utiliz\u00f3 datos de veh\u00edculos equipados con GPS, IMU y sistemas de percepci\u00f3n como c\u00e1maras o radares para rastrear las trayectorias de los veh\u00edculos e interacciones con el entorno.<\/p>\n\n
Aplicaciones comerciales e impacto<\/h2><\/figure>\n\n
La tecnolog\u00eda abre oportunidades inmediatas en tres sectores clave. Para sistemas avanzados de asistencia al conductor (ADAS)<\/b>, habilita funciones de seguridad proactivas que anticipan riesgos en vez de solo reaccionar. Los veh\u00edculos aut\u00f3nomos<\/b> obtienen herramientas escalables para identificar peligros y mejorar la planificaci\u00f3n del movimiento en entornos complejos. Los operadores de flotas<\/b> pueden desplegar el sistema para monitorear patrones de comportamiento del conductor e implementar programas de formaci\u00f3n en seguridad espec\u00edficos.<\/p>
Al eliminar la necesidad de un costoso etiquetado de datos de choques, la GSSM ofrece una soluci\u00f3n comercialmente atractiva que podr\u00eda acelerar su adopci\u00f3n generalizada. Los investigadores se\u00f1alaron que datos de interacci\u00f3n adicionales y factores contextuales podr\u00edan aportar mejoras adicionales de rendimiento, lo que sugiere margen para optimizaciones continuas.<\/p>
Seg\u00fan la publicaci\u00f3n, el equipo ha puesto su c\u00f3digo y datos de experimentos a disposici\u00f3n p\u00fablica para apoyar la reproducibilidad y la investigaci\u00f3n adicional. Esta transparencia podr\u00eda establecer a la GSSM como un nuevo referente para los reguladores que eval\u00faan el desempe\u00f1o de seguridad de las tecnolog\u00edas aut\u00f3nomas y de asistencia al conductor en condiciones del mundo real.<\/p>\n
Los investigadores han desarrollado un sistema de IA revolucionario que predice colisiones de veh\u00edculos 2,6 segundos antes de que ocurran, con una precisi\u00f3n del 90 % sin requerir datos de colisiones reales. El Generalised Surrogate Safety Measure (GSSM), creado por Jiao et al. y publicado en Nature Machine Intelligence, aprende patrones de riesgo de colisi\u00f3n a partir de datos de conducci\u00f3n cotidiana y fue validado frente a 2.591 colisiones y casi colisiones del mundo real.<\/p>\n","protected":false},"author":87,"featured_media":184909,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"editor_notices":[],"footnotes":""},"categories":[2428],"class_list":["post-184918","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-noticias"],"acf":[],"_links":{"self":[{"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/posts\/184918","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/users\/87"}],"replies":[{"embeddable":true,"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/comments?post=184918"}],"version-history":[{"count":0,"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/posts\/184918\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/media\/184909"}],"wp:attachment":[{"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/media?parent=184918"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/categories?post=184918"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
![\"Mujer](\"https:\/\/liora.io\/app\/uploads\/sites\/7\/2026\/03\/analisis-datos-tableta-seguridad-almacen-1024x572.jpg\")
<\/figure>\n\n