La automatización de vehículos en entornos portuarios representa una de las piezas clave de la logística moderna, permitiendo impulsar puertos más inteligentes y conectados en un contexto de creciente demanda global y presión por la sostenibilidad. Este contenido es una versión adaptada y resumida del paper «Collaborative Localization and Perception in Port Scenarios: CleanPorts 5.0» presentado en el 16º. Congreso Europeo para líderes en Movilidad Inteligente y Sistemas de Transporte Inteligente.

Los puertos son nodos clave del comercio mundial y gestionan aproximadamente el 75% de las mercancías que se intercambian a nivel internacional. En estos entornos conviven numerosos vehículos —camiones portacontenedores, vehículos guiados autónomos (AGV) y otros equipos especializados— que deben operar de forma coordinada en espacios a menudo reducidos y con alta densidad de tráfico.

Sin embargo, la navegación y localización de estos vehículos no siempre es sencilla. Los sistemas tradicionales basados en GNSS (como el GPS) pueden perder precisión en terminales portuarias debido a la presencia de grandes grúas, estructuras metálicas y pilas de contenedores, que generan interferencias en la señal.

En este contexto, disponer de sistemas de localización y percepción más avanzados resulta fundamental para garantizar operaciones seguras y eficientes. Una de las soluciones emergentes es la percepción basada en la infraestructura, donde sensores instalados en el propio puerto supervisan el entorno y proporcionan una visión global de lo que ocurre en la terminal.

Este enfoque complementa los sistemas instalados en los vehículos, mejorando la detección de obstáculos, facilitando la coordinación del tráfico y reduciendo el riesgo de colisiones. En definitiva, permite avanzar hacia operaciones portuarias más seguras, eficientes y preparadas para la automatización.

En los entornos portuarios existen tres retos principales que esta investigación busca abordar:

• Interferencias en la señal de posicionamiento: Las grandes estructuras metálicas, las grúas y las pilas de contenedores pueden interferir en las señales de posicionamiento por satélite (GNSS), reduciendo su precisión.

• Complejidad del tráfico: el tráfico de alta densidad requiere capacidades precisas de localización y evitación de obstáculos.

• Necesidades de cooperación: los vehículos y la infraestructura deben compartir información para mejorar el conocimiento de la situación y la seguridad.

La naturaleza dinámica de los entornos portuarios, donde la posición de los contenedores cambia con frecuencia y circula un gran número de vehículos, limita el uso de técnicas de localización y cartografía simultáneas (SLAM), que suelen funcionar mejor en entornos más estables. En este contexto, la odometría LiDAR (LiO) surge como una alternativa eficaz, ya que se centra en estimar la posición del vehículo sin necesidad de generar un mapa global completo. Esto la hace especialmente adecuada para entornos dinámicos y con pocas referencias fijas, como los puertos, donde el objetivo principal es garantizar una localización precisa.

La odometría LiDAR permite estimar la posición y orientación de un vehículo mediante el análisis de escaneos LiDAR consecutivos. Este sistema puede operar de forma independiente o combinarse con otros sensores, como las unidades de medición inercial (IMU), que registran aceleraciones y movimientos angulares a alta frecuencia. Esta combinación ayuda a reducir las distorsiones en los escaneos LiDAR causadas por el movimiento del vehículo.

En este estudio se utiliza DLIO (Direct LiDAR-Inertial Odometry), una solución avanzada que combina datos LiDAR e inerciales para mejorar la estimación de la trayectoria del vehículo con una menor carga computacional. El sistema se complementa con RTK-GNSS, que proporciona un posicionamiento inicial preciso, mientras que DLIO permite mantener una localización continua y más robusta incluso en zonas donde la señal GNSS se ve degradada.

Para evaluar este enfoque, la percepción basada en la infraestructura se implementa en el simulador CARLA, utilizando un sensor LiDAR situado en un punto fijo de la infraestructura dentro de una zona portuaria simulada. El entorno reproduce un escenario portuario con múltiples vehículos, incluidos camiones y coches, circulando por diferentes rutas.

A partir de los datos captados por el LiDAR, se aplica el modelo PointPillars, un sistema de detección de objetos 3D basado en aprendizaje profundo diseñado para procesar nubes de puntos LiDAR de forma rápida y eficiente. Posteriormente, se utiliza un algoritmo de seguimiento en tiempo real (SORT) para mantener la identificación de cada vehículo a lo largo del tiempo, lo que permite realizar un seguimiento continuo de los vehículos en movimiento. El LiDAR instalado en la infraestructura ofrece así una visión global del entorno, capaz de detectar y monitorizar múltiples vehículos simultáneamente.

Este enfoque demuestra el potencial de combinar percepción a bordo y percepción basada en la infraestructura para facilitar la navegación autónoma en entornos portuarios, mejorando la seguridad, la coordinación del tráfico y la eficiencia operativa. Además, este tipo de soluciones podría aplicarse también a otros entornos industriales caracterizados por una alta densidad de vehículos.

Referencias bibliográficas