Em um contexto de desenvolvimento da mobilidade ativa, os gerentes de infraestrutura precisam de dados diferenciados, não apenas de contagem global.
Para dimensionar os layouts. Uma via verde que acolhe 80% dos ciclistas e 20% dos pedestres não foi projetada da mesma forma que uma estrada com uso equilibrado. A largura da pista, as zonas de passagem, as áreas de descanso, os sinais de trânsito e o pavimento dependem da mistura de usuários reais. Uma contagem geral não permite essa calibração.
Avaliar conflitos de uso. Em uma via mista, os conflitos entre pedestres e ciclistas (velocidade, ultrapassagem, sensação de insegurança) estão ligados à relação entre os dois fluxos e aos picos de copresença. Saber que em um sábado de verão, no final da manhã, 70% das passagens são feitas por ciclistas permite antecipar áreas de tensão e adaptar o gerenciamento do local.
Para justificar o financiamento diferenciado. Os programas AVELO financiam instalações para ciclismo. Programas para promover áreas naturais financiam trilhas para pedestres. Um caso baseado em dados diferenciados pode ser aplicado a ambas as fontes de financiamento de maneira confiável. Um caso com uma contagem geral não pode demonstrar que a infraestrutura atende principalmente ciclistas ou pedestres.
Produzir indicadores consistentes de mobilidade ativa. Os observatórios regionais e nacionais de mobilidade ativa necessitam de dados diferenciados para alimentar seus indicadores. Uma comunidade capaz de declarar “medimos 4.200 ciclistas e 1.800 pedestres por semana neste eixo” contribui para bancos de dados territoriais muito mais úteis do que uma comunidade que declara “medimos 6.000 travessias”.
Para distinguir um pedestre de um ciclista, um sensor deve analisar pelo menos um dos seguintes sinais: o tamanho ou a forma do objeto detectado, sua velocidade de movimento, sua pegada no solo ou sua assinatura energética.
O tamanho e a forma. Um ciclista em sua bicicleta ocupa uma superfície vertical mais alta e larga do que um pedestre em pé. Em um sensor térmico, a assinatura de um ciclista em movimento é característica: massa estendida horizontalmente (a bicicleta), ponto quente na altura do peito. Um pedestre tem uma assinatura mais estreita e vertical.
A velocidade. Um ciclista normalmente se move entre 12 e 25 km/h em uma via verde. Um pedestre entre 3 e 6 km/h. Essa diferença de velocidade é um forte sinal discriminatório que sensores com análise de trajetória podem explorar.
A pegada no chão. Sensores enterrados (circuitos indutivos, pneumáticos) detectam a pegada física no solo: roda de bicicleta versus pé humano, massa metálica versus ausência de massa. Esses sinais permitem a diferenciação em determinados perfis, mas com limitações significativas (bicicletas de carga, scooters, PMR em cadeiras de rodas motorizadas).
A combinação de vários sinais. Os sensores mais eficientes não dependem de um único sinal, mas de uma combinação — tamanho + velocidade + forma — analisada por um algoritmo de classificação. Essa abordagem é mais robusta do que os métodos de sinal único porque mantém uma precisão aceitável mesmo quando um dos sinais é ruidoso ou ambíguo.
Nem todas as tecnologias de contagem são iguais quando se trata de classificação de vários fluxos. Aqui está o status real de cada família numerosa.
Hoje, é a tecnologia que oferece a melhor relação precisão/facilidade de instalação para a classificação de pedestres/ciclistas no exterior. O sensor estereoscópico duplo analisa a cena em três dimensões, permitindo que a altura e a largura do objeto detectado sejam medidas com boa precisão.
O algoritmo de classificação analisa a assinatura térmica, a altura, a largura e a velocidade de cada passagem em tempo real. As taxas de classificação corretas chegam a 90 a 95% em condições normais — o que é mais do que suficiente para usos territoriais. Tudo sem imagem, sem identificador, em conformidade nativa com o RGPD.
Limite principal: a passagem simultânea de um pedestre e de um ciclista lado a lado pode gerar confusão de classificação. Configurações muito densas continuam difíceis de gerenciar perfeitamente para qualquer tecnologia.
Os sensores de radar medem a velocidade e a direção dos objetos em movimento. Eles podem distinguir fluxos de velocidade muito diferentes (pedestre a 4 km/h versus ciclista a 20 km/h) com boa confiabilidade. Por outro lado, dois usuários de velocidade semelhante (um pedestre rápido e um ciclista lento) podem ser classificados erroneamente.
Os radares são robustos em condições climáticas adversas e à noite, mas sua precisão de classificação geralmente é menor do que a dos sensores térmicos estereoscópicos. Eles são mais adequados para vias expressas onde há uma diferença marcante na velocidade entre os fluxos.
As câmeras combinadas com o software de análise de vídeo oferecem teoricamente a classificação mais rica: forma, tamanho, velocidade, comportamento e cor. Mas eles apresentam grandes problemas de conformidade com o GDPR (mesmo que desfocados, eles capturam dados visuais em um espaço público), exigem uma infraestrutura elétrica permanente e geram custos operacionais significativos.
Eles permanecem relevantes em contextos muito específicos — entradas para sites privados com controle de acesso, áreas de alta densidade onde a riqueza de dados justifica as restrições — mas não estão adaptados aos usos territoriais atuais.
Essas tecnologias enterradas permitem uma diferenciação limitada: o circuito indutivo detecta massas de metal (bicicletas clássicas sim, pedestres não); o tubo pneumático pode distinguir duas rodas próximas umas das outras (bicicleta) de ataques alternados (pedestres) com algoritmos adaptados.
Mas eles não produzem uma classificação confiável em fluxos mistos complexos e não detectam bicicletas com estrutura de carbono, scooters elétricos ou cadeiras de rodas motorizadas. Para uma via verde de uso verdadeiramente misto, essas tecnologias são insuficientes.
Até mesmo as melhores tecnologias de classificação têm limitações que todo usuário deve conhecer.
Perfis atípicos. Um ciclista que anda ao lado de sua bicicleta (para atravessar um obstáculo ou parar) será classificado como pedestre. Um pedestre que empurra um carrinho volumoso pode ser classificado como ciclista em alguns sensores. Crianças em bicicletas têm uma assinatura muito diferente dos adultos em bicicletas. Esses casos marginais geram erros ocasionais de classificação.
Passagens simultâneas. Quando um pedestre e um ciclista passam pelo campo de detecção ao mesmo tempo, os sensores menos sofisticados podem contá-los como uma única passagem ou classificá-los incorretamente. Os sensores estereoscópicos lidam melhor com essa situação graças à sua análise aprofundada, mas não perfeitamente.
Velocidades atípicas. Um ciclista muito lento (que observa uma paisagem, que está procurando seu caminho) pode ter uma velocidade próxima à de um pedestre veloz. Nesse caso, a classificação baseada apenas na velocidade não é confiável. Sensores que combinam velocidade e forma se saem melhor.
Degradação noturna. Em estradas mal iluminadas, algumas tecnologias veem sua precisão de classificação se deteriorar à noite. Os sensores térmicos são menos afetados porque não dependem da luz visível, mas mudanças na temperatura ambiente noturna podem alterar a assinatura térmica.
A margem de erro de classificação versus a margem de erro de contagem. Um sensor pode ter excelente precisão geral de contagem (95— 98%), mas menor precisão de classificação (88— 92%). Essas duas métricas são distintas e devem ser solicitadas separadamente ao fornecedor. Um sensor que conta bem, mas tem uma classificação ruim, não atende à necessidade se a distinção entre pedestres e ciclistas for o objetivo principal.
Para evitar surpresas desagradáveis, aqui estão as perguntas que você deve sempre fazer a qualquer fornecedor de sensores de fluxo múltiplo.
Qual é a precisão da classificação (não apenas contando) em canais mistos? Solicite dados de validação em sites semelhantes aos seus: mesmo tipo de estrada, mesma combinação de usuários, mesmo contexto ambiental.
Qual algoritmo é usado para classificação? Um algoritmo de sinal único (somente velocidade ou tamanho) é menos robusto do que um algoritmo multimodal que combina vários parâmetros. A transparência sobre o método é um indicador de seriedade.
Como o sensor se comporta em perfis atípicos? Ciclistas lentos, pedestres rápidos, bicicletas de carga, patinetes, cadeiras de rodas — pergunte como cada perfil é tratado e classificado.
A precisão da classificação é mantida à noite e com mau tempo? Condições degradadas revelam os limites reais das tecnologias.
Os dados brutos de classificação podem ser obtidos para controle de qualidade? Um provedor que não permite acesso a dados de classificação detalhados impossibilita qualquer auditoria de qualidade de dados.
A classificação de vários fluxos com um único sensor é possível e confiável na maioria das configurações padrão. Mas há situações em que é necessário um dispositivo mais elaborado.
Um único sensor é suficiente em uma faixa de pedestres/ciclistas de uso misto com largura de 2 a 4 metros, fluxos separados no tempo (poucas passagens simultâneas) e perfis de usuário padrão (adultos, velocidades normais). Nesse contexto, um sensor térmico estereoscópico bem instalado produz uma classificação que é 90— 95% confiável.
Um único sensor não é suficiente em uma pista muito larga (mais de 5 metros) onde os fluxos se cruzam constantemente, em um local de densidade muito alta com inúmeras passagens simultâneas ou em configurações em que perfis muito atípicos (bicicletas de carga grandes, veículos de mobilidade não padrão) representam uma parte significativa dos fluxos.
Dois sensores complementares — um orientado para os fluxos à esquerda e outro para os fluxos à direita — pode resolver os problemas de canais muito amplos ou fluxos bidirecionais intensos.
Um sensor e uma auditoria de validação manual A pontualidade (contagem manual em alguns dias de referência) possibilita calibrar os algoritmos de classificação e validar a confiabilidade do dispositivo em um local específico. Essa abordagem é recomendada para sites de alto risco, onde a precisão da classificação é uma condição para decisões de investimento significativas.
.svg)
