Una empresa tecnológica geoespacial con sede en el Reino Unido, Envisage Space Ltd., ha presentado un nuevo enfoque analítico para uno de los problemas más persistentes del posicionamiento GNSS: la degradación de la precisión en entornos urbanos densos. Desarrollada en colaboración con la Cranfield University y con el apoyo del programa NAVISP de la Agencia Espacial Europea, la solución aborda desafíos operativos reales donde los errores de posicionamiento impactan directamente en el rendimiento de los servicios.
El sistema, denominado RelyMap Connect, fue presentado recientemente en un evento organizado por la ESA, destacando su aplicación en ecosistemas de micromovilidad como patinetes eléctricos y bicicletas compartidas, donde un posicionamiento fiable es esencial para el geofencing, el cumplimiento de estacionamiento y la monitorización de flotas.
Cómo el modelado predictivo GNSS resuelve los desafíos de degradación de señal en entornos urbanos
Los entornos urbanos siguen siendo uno de los escenarios más complejos para el posicionamiento por satélite debido al bloqueo de señales, las reflexiones multipath y la visibilidad inconsistente de satélites a nivel de calle. El procesamiento GNSS tradicional tiene dificultades para mantener la precisión en estas condiciones, lo que genera violaciones falsas de geocercas y ineficiencias operativas.
RelyMap Connect aborda este problema combinando modelado predictivo con datos GNSS en tiempo real. La plataforma utiliza modelos urbanos 3D de alta resolución para simular la visibilidad de satélites y predecir el rendimiento del posicionamiento antes de que ocurran los errores. Esta capa predictiva se fusiona con mediciones GNSS multiconstelación en vivo y telemetría de dispositivos.
Los algoritmos de aprendizaje automático analizan las discrepancias entre el comportamiento esperado y el real de la señal, permitiendo al sistema detectar cuándo la fiabilidad del posicionamiento comienza a degradarse. En lugar de reaccionar a los errores después de que ocurren, los operadores obtienen visibilidad anticipada sobre cuándo y dónde el rendimiento GNSS será poco fiable.
Métricas de confianza en tiempo real permiten decisiones de geofencing más inteligentes
Uno de los resultados más prácticos del sistema es un “factor de confianza” dinámico asignado a cada solución de posicionamiento. Esta métrica cuantifica la fiabilidad de los datos GNSS en tiempo real, permitiendo a los operadores tomar decisiones informadas sobre si la precisión cumple con los umbrales operativos.
En demostraciones de campo en múltiples ciudades del Reino Unido, esta capacidad resultó especialmente valiosa para operadores de micromovilidad. Al identificar zonas con degradación GNSS predecible, las empresas pudieron ajustar los límites de geocercas, reducir infracciones falsas de estacionamiento y mejorar el cumplimiento normativo.
Esto representa un cambio desde el geofencing estático hacia modelos adaptativos, donde las reglas pueden ajustarse dinámicamente en función de la fiabilidad del posicionamiento en lugar de coordenadas fijas.
Plataforma de analítica GNSS en la nube escalable a ciudades completas
RelyMap Connect funciona como una plataforma analítica basada en la nube, capaz de evaluar continuamente el rendimiento GNSS en grandes áreas urbanas. En lugar de depender únicamente de cálculos en dispositivos, el sistema integra modelado ambiental, datos históricos y mediciones en tiempo real en una capa centralizada de inteligencia.
Esta arquitectura permite una visibilidad a nivel de ciudad sobre la fiabilidad del posicionamiento, abriendo la puerta a aplicaciones más amplias más allá de la micromovilidad. Entre los posibles casos de uso se incluyen sistemas de entrega autónoma, robótica urbana, infraestructuras de ciudades inteligentes y servicios de navegación críticos para la seguridad.
Por qué esto es importante para el futuro del GNSS
Desde un punto de vista técnico, este desarrollo refuerza una tendencia creciente en la industria: el GNSS por sí solo ya no es suficiente en entornos complejos. El futuro del posicionamiento reside en enfoques híbridos que combinan datos satelitales con contexto ambiental, analítica predictiva y capas de validación basadas en inteligencia artificial.
Lo que está construyendo Envisage Space se alinea estrechamente con la evolución hacia sistemas de posicionamiento conscientes de la integridad. En lugar de centrarse únicamente en la precisión, la industria está evolucionando hacia métricas de fiabilidad y confianza, especialmente en aplicaciones donde un posicionamiento incorrecto puede generar consecuencias financieras, regulatorias o de seguridad.
Esto es especialmente relevante para sectores como la agricultura de precisión, la maquinaria autónoma y la movilidad urbana, donde la toma de decisiones depende cada vez más de la calidad verificada del posicionamiento y no solo de las coordenadas.
De la micromovilidad a los sistemas autónomos
Aunque el enfoque inicial es la micromovilidad, las implicaciones van mucho más allá. Cualquier sistema que opere en entornos con GNSS limitado puede beneficiarse del modelado predictivo de fiabilidad.
Por ejemplo:
- robots de entrega urbana que navegan por calles estrechas;
- vehículos autónomos que operan en ciudades densas;
- flujos de trabajo de construcción y topografía cerca de edificios altos;
- incluso agricultura de precisión en zonas con obstrucción parcial de señal.
A medida que los entornos urbanos se vuelven más conectados y automatizados, soluciones como RelyMap Connect podrían convertirse en una capa fundamental de la infraestructura de posicionamiento, similar a cómo las redes RTK transformaron las aplicaciones de alta precisión en entornos abiertos.
Sobre Envisage Space
Envisage Space Ltd. es una empresa británica de analítica geoespacial especializada en modelado del rendimiento GNSS e inteligencia de posicionamiento. Su plataforma principal, RelyMap, utiliza cartografía 3D de alta resolución y simulación satelital para predecir el comportamiento GNSS a nivel de calle con gran precisión espacial.
El proyecto RelyMap Connect fue desarrollado dentro del programa NAVISP de la Agencia Espacial Europea, que financia innovaciones avanzadas en posicionamiento, navegación y temporización en Europa. La colaboración con Cranfield University aporta experiencia académica adicional en procesamiento de señales GNSS y aprendizaje automático.
Puntos clave:
- desarrollo respaldado por la ESA dentro de la iniciativa NAVISP;
- integración de datos GNSS multiconstelación;
- uso de modelos urbanos 3D detallados para analítica predictiva;
- arquitectura en la nube escalable a nivel de ciudad;
- validación en condiciones reales en múltiples entornos urbanos del Reino Unido.
Con discusiones de comercialización ya en marcha con operadores y autoridades urbanas, el proyecto avanza más allá de la fase de investigación hacia escenarios reales de implementación.
