Los coches pueden rastrearse mediante cámaras de vigilancia a las que nadie ha concedido acceso

Qué revela el tráfico de las cámaras cifradas sin mostrar el vídeo

Aunque el vídeo esté cifrado, deja una huella inequívoca en la red: cada fotograma se fragmenta en paquetes cuyos tamaños y tiempos de llegada son visibles sin necesidad de decodificar la imagen. Cuando un coche entra en el campo de visión, esas señales cambian porque la compresión compara cada cuadro nuevo con el anterior. Un vehículo en movimiento genera más detalle que una calle tranquila. Esa diferencia persiste tras el cifrado y permite a un detector, que solo analiza los tiempos y tamaños de llegada de los paquetes, identificar el paso sin leer nunca la imagen ni la matrícula del coche.

El detector se entrenó con 2 607 trazas de cámaras cifradas procedentes de 237 simulaciones realizadas sobre once cámaras y luego se evaluó en un conjunto reservado de 242 secuencias. La prueba arrojó una puntuación F1 de 0,989, un índice que combina la proporción de pasajes reales detectados con la fiabilidad de los pasajes reportados. Los errores medidos fueron nulos para los eventos omitidos y de 0,0225 falsos positivos por cada paso real. Esto significa que cada pista solo indica que algún vehículo pasó cerca de una cámara conocida en un momento aproximado. No revela qué coche era, su color ni hacia dónde se dirigió el conductor después. El error temporal medido presenta un desplazamiento medio de 0,022 segundos y una desviación estándar de 0,109 segundos. Ese margen de error define la naturaleza débil de las pistas que se alimentan al sistema de seguimiento.

Cómo las pistas anónimas y débiles cubren los vacíos entre las cámaras accesibles

Entre las pocas cámaras a las que un sistema de seguimiento puede acceder realmente, un coche puede desaparecer durante tanto tiempo que su posición se convierte casi en una conjetura. Estas cámaras accesibles suelen situarse en puntos estratégicos, como intersecciones o puertas perimetrales. Cuando una de ellas detecta un vehículo, ofrece una pista sólida: el momento, el lugar y la identidad. Pero, en cuanto la siguiente cámara aún no lo ha visto, el sistema debe proyectar esa incertidumbre a través de calles donde no existe visión directa.

Los eventos anónimos de paso pueden llenar parte de ese vacío. Cada uno aporta solo una marca temporal aproximada del paso cerca de una cámara de terceros conocida. Esa marca presenta un desplazamiento medio de 0,022 segundos y una dispersión típica de 0,109 segundos. La pista no indica qué coche estaba allí. Además, puede ser tardía, temprana, perdida o errónea. Aun así, resulta útil porque cae dentro de un tramo ciego. Si el sistema sabe que el coche salió de una cámara accesible dirigiéndose al norte y apareció más tarde en otra, un evento anónimo cerca de una calle secundaria permite descartar rutas que nunca pasan por ese punto. La evidencia es débil, pero no nula.

Para medir ese valor, se realizó una simulación controlada de 120 trayectos de vehículos a través de la red vial CARLA Town05. La región simulada contaba con 12 sensores directos dispersos en su borde y 15 cámaras interiores cuyas observaciones se trataron como eventos anónimos de paso. Con solo los sensores directos, el error medio de posición fue de 92,3 metros. Además, el 35,8 % de los trayectos terminó con errores superiores a 100 metros, lo que significa que la ruta estimada había abandonado por completo la vecindad correcta. Al añadir eventos anónimos ruidosos, ese error medio bajó a 36,8 metros, una reducción del 60,1 %. Los fallos graves descendieron del 35,8 % al 0,3 %, un resultado cercano al caso casi perfecto en el que cada evento intermedio era correcto.

No se trata de que estas pistas reemplacen a las cámaras directas. Son demasiado gruesas para eso. Su valor aparece en los huecos, donde un sistema de seguimiento dependería únicamente de la velocidad y la dirección. Un único paso anónimo puede ser erróneo, pero varios eventos de este tipo distribuidos a lo largo de una ruta dan al sistema oportunidades repetidas para descartar caminos imposibles. El resultado es una estimación más suave de dónde estaba el vehículo entre detecciones fuertes, incluso cuando nadie tiene acceso al vídeo que produjo las pistas.

El papel de los mapas viales cuando el vehículo sale del campo de visión

Cuando un vehículo sale del campo de visión de una cámara accesible, el sistema pierde su indicio más claro. El coche puede seguir circulando por calles que nadie vigila directamente. Su última posición conocida se convierte en punto de partida y, desde ahí, muchas rutas parecen posibles hasta que el mapa vial las acota. Como ese mapa no es espacio abierto, los coches no pueden cruzar manzanas, volar sobre parques ni atravesar edificios. Deben seguir carriles conectados y respetar tiempos de viaje plausibles. Así, el sistema puede descartar hipótesis que exigirían giros o velocidades imposibles. Esto cobra especial importancia durante los tramos ciegos, cuando no llega ninguna nueva observación directa.

Una simulación de 120 trayectos por una ciudad generada midió esa ganancia al abrirse dichos huecos: las restricciones viales redujeron el error medio de posición en un 27,6 % frente a un filtro sin restricciones que usaba los mismos indicios. Ese beneficio creció a medida que se alargó la distancia entre observaciones fiables: fue de unos 5,4 metros en rutas con huecos cortos y llegó a unos 26,8 metros en las más largas. El patrón apunta a una deriva: sin mapa, las estimaciones se alejan cada vez más del camino real con el tiempo. La ganancia no se explica solo por las intersecciones. La simulación no encontró vínculo claro entre el número de bifurcaciones de una ruta y la ayuda del mapa vial. Lo que importó fue que el mapa mantuvo cada hipótesis en calles donde un coche podía estar realmente. En tramos ciegos largos, esa simple regla física rindió más que la estimación cruda del movimiento.

Es posible rastrear vehículos mediante cámaras de vigilancia a las que nadie ha concedido acceso

Un vehículo puede rastrearse a través de tramos ciegos sin necesidad de ver jamás su matrícula ni su vídeo. Lo decisivo es un flujo escaso de señales anónimas que solo indican que algún coche pasó cerca de una cámara conocida en torno a una hora concreta. Al combinar esos eventos débiles con avistamientos oficiales escasos y la disposición física de las calles, el sistema deja de derivar hacia lugares imposibles.

En pruebas controladas basadas en 120 trayectos simulados por una red vial similar a la urbana, añadir indicios indirectos ruidosos redujo el error medio de posición de 92,3 metros a 36,8 metros, lo que supone una disminución del 60,1 %. Las pérdidas catastróficas bajaron del 35,8 % de las rutas al 0,3 %.

Una imagen sencilla hace concreta la idea: un coche se mueve por un mapa vial, las cámaras oficiales marcan solo unos pocos puntos, las privadas añaden puntos tenues entre ellos y el sistema usa las conexiones callejeras para elegir la ruta más plausible. El punto clave es que las ciudades ya poseen mucho más hardware de detección del que cualquier operador individual puede controlar directamente. Tiendas, residentes, empresas u otras organizaciones pueden ser dueñas de cámaras que nunca comparten el vídeo en bruto. Si solo exponen eventos de presencia, o si el tráfico cifrado revela suficiente información sobre la temporización y el tamaño de los paquetes para inferir un paso, el seguimiento puede extenderse a las lagunas donde no hay sensores oficiales. La misma idea podría aplicarse a detectores de movimiento, sensores de proximidad o flujos que informan del movimiento sin identificar al sujeto. Eso hace que el enfoque sea útil para la movilidad urbana, la seguridad pública, las operaciones de seguridad y los entornos defensivos donde la cobertura es cara y el acceso está fragmentado.

Los obstáculos son reales e incluyen necesidades de calibración, condiciones cambiantes de red y el problema más difícil de asociar eventos anónimos con vehículos en movimiento. El detector de pasos se entrenó con trazas de cámara etiquetadas, y su precisión puede variar cuando cambian los códecs, los puntos de vista o las condiciones inalámbricas. Seguir muchos vehículos a la vez sigue siendo difícil porque un evento no indica qué coche lo produjo, por lo que la precisión de asignación baja a medida que aumenta la densidad del tráfico. En las pruebas con múltiples vehículos, la precisión de correspondencia cayó del 100 % con un coche al 87 % con dos y al 63 % con tres. Los resultados controlados muestran una mejora sustancial en las condiciones modeladas, pero no demuestran que las ciudades reales puedan convertir cámaras privadas dispersas en una capa de seguimiento funcional. La propiedad, la privacidad, el coste y las restricciones operativas pueden limitar el acceso directo, por lo que la cadena probada es una ruta posible más que un sistema urbano listo para usar.