Un estudio reciente del proyecto RobotCycle de la Universidad de Oxford midió exactamente dónde mira un ciclista al circular por carriles bici, carriles bus y rotondas en Oxford, Reino Unido. Los resultados muestran que la anchura y separación de un carril afectan directamente la carga cognitiva del ciclista, y que la mayoría de los carriles bici no logran proporcionar la misma sensación de seguridad que un carril bus.
Índice
- Lo que construyeron los investigadores
- Resultados clave
- Cómo funciona
- Por qué esto es importante para la robótica
- Limitaciones y preguntas abiertas
- Preguntas frecuentes
- Conclusión
Lo que construyeron los investigadores
Investigadores del proyecto RobotCycle de la Universidad de Oxford equiparon a un ciclista con un rastreador ocular móvil y recorrieron la ciudad de Oxford durante varios meses en 2024 y 2025. Las rutas incluyeron carriles bici, carriles bus, caminos compartidos, rotondas, cruces semaforizados, giros no señalizados y pasos de cebra. El objetivo era capturar datos de mirada ocular de alta resolución —duración de la fijación, dispersión horizontal de la mirada y frecuencia de fijación— en condiciones de tráfico real.
El conjunto de datos es parte de un esfuerzo mayor para entender cómo los ciclistas perciben el riesgo en entornos urbanos. A diferencia de los estudios de laboratorio, este trabajo captura el comportamiento natural de conducción con tráfico real de coches, autobuses y peatones. Los investigadores anotaron cada segundo de video con el tipo de infraestructura, tipo de evento y condiciones climáticas. El resultado es un conjunto de datos rico y abierto que puede ayudar a urbanistas, fabricantes de vehículos y sistemas de conducción autónoma a entender qué miran realmente los ciclistas y qué los hace sentirse seguros o estresados.
Resultados clave
El hallazgo más sorprendente es que los carriles bici en Oxford no proporcionan casi ningún beneficio medible de seguridad en comparación con circular en un carril de coches. En cuanto a la duración de la fijación y la dispersión de la mirada, las diferencias entre carriles bici y carriles de coches fueron minúsculas: la dispersión fue solo un 8.5% mayor en carriles bici (p < 0.001, g de Hedges = 0.09, ratio = 1.085), una diferencia estadísticamente significativa pero prácticamente pequeña.
El verdadero contraste se dio con los carriles bus. Los ciclistas en carriles bus mostraron duraciones de fijación más largas y frecuencias de fijación mucho más bajas que en carriles bici o carriles de coches. La siguiente tabla resume los datos de frecuencia de fijación:
| Tipo de infraestructura | Frecuencia de fijación (fijaciones por minuto) | Interpretación |
|---|---|---|
| Carril bici | 142.2 | Refijaciones rápidas y frecuentes — alta carga cognitiva |
| Carril de coches | 80.5 | Escaneo moderado |
| Carril bus | 62.8 | Fijaciones largas y estables — menor carga cognitiva |
Los carriles bici tuvieron más del doble de tasa de fijación que los carriles bus. Los investigadores atribuyen esto a los carriles bici típicos de Oxford: estrechos, sin protección pintada y apenas separan a los ciclistas de los coches. Los carriles bus, por el contrario, son anchos, a menudo separados por líneas blancas continuas, y los conductores de autobuses locales están acostumbrados a compartir la carretera.
La duración de la fijación por sí sola no discriminó de forma fiable entre diferentes tipos de eventos como rotondas, cruces o giros. Esto sugiere que dónde mira un ciclista importa más que cuánto tiempo mantiene la mirada.
Cómo funciona
El estudio utilizó un sistema de rastreo ocular móvil (probablemente cámaras montadas en la cabeza y sensores infrarrojos) para registrar los movimientos oculares del ciclista a 60 Hz. Los datos brutos se procesaron para extraer fijaciones —periodos en los que la mirada permanece relativamente estable en un punto— y calcular dos métricas clave:
- Duración de la fijación: cuánto tiempo se detiene la mirada en un solo punto. Las fijaciones más largas suelen indicar atención concentrada o procesamiento cognitivo.
- Dispersión horizontal de la mirada: la extensión de la mirada a lo largo del plano horizontal. Una mayor dispersión sugiere más escaneo del entorno, a menudo debido a una amenaza percibida o incertidumbre.
Los investigadores transformaron los datos logarítmicamente para corregir la asimetría derecha, luego usaron ANOVA de Welch para pruebas globales seguidas de comparaciones post-hoc de Games-Howell. Los tamaños del efecto se informaron usando la g de Hedges y las razones de medias geométricas.
Un matiz importante: el conjunto de datos etiqueta la infraestructura según dónde está realmente la bicicleta, no lo que está disponible. Por ejemplo, si existe un carril bici pero el ciclista está en un carril de giro, el segmento se etiqueta como "carril de coches". Esto refleja el comportamiento real: los ciclistas a menudo abandonan los carriles protegidos para girar o evitar obstáculos.
Por qué esto es importante para la robótica
Para cualquiera que construya vehículos autónomos o robots en espacios compartidos, entender el comportamiento de los ciclistas es crítico. Los hallazgos del artículo tienen implicaciones directas:
- Sistemas de percepción: los coches autónomos deben esperar que los ciclistas en carriles bici estrechos exhiban movimientos oculares rápidos y de alta frecuencia, una señal de alerta y posible imprevisibilidad. En contraste, un ciclista en un carril bus ancho puede estar más relajado, pero también menos reactivo.
- Planificación de navegación: si un robot o vehículo autónomo quiere predecir la intención del ciclista, las métricas de mirada podrían ser un indicador útil de estrés o maniobras próximas. Los datos sugieren que un ciclista que fija la mirada en un objeto particular (por ejemplo, la puerta de un coche o un vehículo girando) podría estar a punto de desviarse.
- Diseño de infraestructura: los urbanistas y operadores de flotas que consideren robots de almacén o bots de reparto que compartan carreteras con ciclistas pueden usar estos conocimientos para diseñar espacios compartidos más seguros.
El conjunto de datos más amplio de RobotCycle tiene como objetivo, en última instancia, permitir "mapas de riesgo" basados en la mirada de las ciudades, que podrían ser utilizados por lanzaderas autónomas o robots humanoides que naveguen en entornos urbanos concurridos.
Limitaciones y preguntas abiertas
El estudio tiene varias limitaciones notables. En primer lugar, involucra solo a un ciclista —un miembro del equipo de investigación— y aunque las rutas eran diversas, el comportamiento individual puede no ser generalizable. En segundo lugar, el análisis se restringió a dos métricas (duración de la fijación y dispersión de la mirada); agregar datos de unidades de medición inercial (IMU) para rastrear movimientos de la cabeza podría mejorar la interpretación.
Lo más importante es que los investigadores no pudieron determinar qué miraba el ciclista durante cada fijación. Saber que un ciclista mira fijamente la puerta de un coche en lugar de la carretera sería mucho más predictivo del estrés. El equipo planea trabajos futuros que proyecten la mirada en puntos 3D de la escena para responder exactamente a esa pregunta.
Finalmente, los carriles bici en Oxford son particularmente estrechos y sin protección. Los resultados pueden diferir en ciudades con carriles bici separados o más anchos. El estudio debería replicarse en múltiples ciudades y con varios ciclistas antes de extraer conclusiones políticas sólidas.
Preguntas frecuentes
¿Los carriles bici realmente no ayudan a los ciclistas a sentirse más seguros? En este estudio, los carriles bici eran tan estrechos y mal separados del tráfico de coches que el comportamiento de la mirada del ciclista era casi idéntico al de circular en un carril de coches. Los carriles bus anchos y bien protegidos mostraron un claro beneficio.
¿Qué nos dice la frecuencia de fijación sobre la carga cognitiva? Una mayor frecuencia de fijación (más movimientos oculares por minuto) sugiere que el ciclista está escaneando el entorno más rápidamente, a menudo debido a peligro percibido o incertidumbre. Esto se asocia con una mayor carga de trabajo mental.
¿Pueden estos datos usarse para entrenar vehículos autónomos? Sí. Los patrones de mirada ocular proporcionan una verdad fundamental sobre lo que un ciclista considera relevante. Futuros sistemas autónomos podrían usar modelos de mirada similares para predecir el comportamiento del ciclista en tiempo real.
¿Se comprometió la seguridad del ciclista durante el estudio? El ciclista era un conductor experimentado y siguió todas las leyes de tránsito. El estudio registró el comportamiento natural en tráfico real, pero no se realizaron intervenciones arriesgadas.
Conclusión
El estudio de rastreo ocular de RobotCycle de Oxford revela que no toda la infraestructura ciclista es igual. Los carriles anchos y protegidos, como los carriles bus, permiten a los ciclistas circular con miradas más largas y relajadas, mientras que los carriles bici estrechos exigen un escaneo rápido constante. Estos hallazgos son una llamada de atención para los urbanistas y un valioso conjunto de datos para cualquiera que desarrolle robótica o sistemas autónomos que compartan la carretera con ciclistas.