Modelo de visión y lenguaje informado por el dominio para transporte de mercancías sostenible con clasificación del tren motriz y de la carga en camiones de drayage

Puertos más limpios, camiones más inteligentes

Los puertos mueven las mercancías que abastecen nuestras tiendas, pero los camiones de corto recorrido que trasladan contenedores dentro y fuera de las terminales también son importantes emisores de contaminación. Este estudio muestra cómo un nuevo tipo de inteligencia artificial puede vigilar esos camiones de “drayage” con cámaras junto a la carretera y determinar automáticamente cuáles siguen usando diésel y cuáles emplean tecnologías más limpias, sin necesidad de etiquetado manual de las imágenes. Ese tipo de información automatizada podría ayudar a reguladores, planificadores y comunidades locales a seguir el progreso hacia un aire más limpio alrededor de algunos de los puertos más concurridos del mundo.

Por qué los camiones portuarios importan para el clima y la salud

En Estados Unidos, el transporte es la mayor fuente única de emisiones de gases de efecto invernadero, y los camiones pesados contribuyen mucho más de lo que su número sugiere: representan una pequeña fracción del parque vehicular pero una gran parte de las emisiones. Esto es especialmente visible en los puertos de Los Ángeles y Long Beach, un par de puertos vecinos que, juntos, manejan alrededor del 40 por ciento de las importaciones de contenedores de EE. UU. y son además la mayor fuente fija de contaminación del aire del sur de California. Los camiones de drayage —los vehículos que trasladan contenedores entre puertos, patios ferroviarios y almacenes— generan gran parte de esta contaminación a pesar de recorrer trayectos relativamente cortos y predecibles. Por ello, California ha ordenado que para 2035 todos los camiones de drayage portuario sean de cero emisiones, confiando en tecnologías a batería, pilas de combustible de hidrógeno o combustibles gaseosos más limpios en lugar del diésel convencional.

Ver qué impulsa un camión y qué transporta

Para saber si estas políticas funcionan, los responsables necesitan medir qué tipo de camiones realmente llegan a las puertas del puerto y a las carreteras: ¿son diésel o eléctricos? ¿llevan un contenedor lleno, un bastidor vacío o ningún remolque? Tradicionalmente, responder a estas preguntas exige construir grandes colecciones de imágenes etiquetadas a mano y entrenar modelos específicos para la tarea. Los autores proponen una ruta distinta, llamada ZeroDray, que usa un modelo visión‑lenguaje —un sistema de IA que puede entender tanto imágenes como texto— sin entrenamiento adicional. Al modelo se le entregan imágenes de cámaras junto a la carretera de camiones que pasan por un corredor que sirve a los puertos de Los Ángeles y Long Beach y debe clasificar tanto el tren motriz (diésel, eléctrico, gas natural comprimido o hidrógeno) como la configuración de la carga (un contenedor único de 20 pies, el equivalente a 40 pies, chasis vacío o camión bobtail sin remolque).

Enseñar a la IA a pensar como un experto en camiones

De serie, los modelos visión‑lenguaje son generalistas: saben un poco de todo lo que hay en internet, pero carecen de conocimiento profundo sobre temas especializados como el drayage. ZeroDray salva esa brecha suministrando al modelo prompts cuidadosamente diseñados que codifican pistas de experto. Para los trenes motrices, los prompts describen indicios visuales como chimeneas de escape y grandes tanques de combustible en diésel, cilindros para GNC, depósitos de hidrógeno para camiones con pila de combustible, o la ausencia de elementos de escape y la presencia de insignias EV en camiones eléctricos. Para la carga, los prompts piden al modelo razonar sobre la geometría de la escena: ¿la longitud del contenedor excede notablemente su altura y la longitud de la cabina, como en una carga larga equivalente a 40 pies, o está más próxima en tamaño, como en un contenedor más corto de 20 pies? Al pedir a la IA que pase por estas pistas paso a paso y explique su razonamiento en lenguaje llano, el marco hace que sus decisiones sean más transparentes y fáciles de verificar.

Poner el sistema a prueba con tráfico portuario real

Los investigadores evaluaron ZeroDray con 443 imágenes de camiones capturadas durante dos días en febrero de 2025 por una cámara fija junto a la carretera cerca de los puertos. Observadores humanos proporcionaron etiquetas de referencia sobre el tren motriz y la configuración de la carga de cada camión. Luego compararon ZeroDray con una configuración más simple que solo suministraba nombres de clase básicos al mismo modelo subyacente. Con una guía mínima, el sistema básico ya reconocía algunos casos sencillos, como camiones diésel sin remolque. Pero presentaba grandes dificultades cuando las distinciones dependían de pequeñas diferencias visuales o de la disposición espacial, confundiendo a menudo tractores diésel y eléctricos o mezclando contenedores cortos y largos. Una vez que se añadieron las pistas visuales informadas por expertos y las reglas espaciales, la precisión aumentó drásticamente. La clasificación del tren motriz alcanzó cerca del 100 por ciento entre diésel, eléctrico, hidrógeno y GNC. El reconocimiento de la carga, especialmente la difícil distinción entre longitudes equivalentes simples y dobles, mejoró de aproximadamente la mitad de aciertos a alrededor del 98 por ciento. En total, en las 11 categorías combinadas de tren motriz y carga, el marco mejorado ZeroDray logró una puntuación F1 media del 99 por ciento, superando con creces el enfoque básico.

Qué significa esto para corredores de mercancías más limpios

Para los no especialistas, la idea principal es que una IA de propósito general, cuando se guía con las pistas de experto adecuadas, puede “mirar” vídeo de carreteras y decir con fiabilidad no solo cómo están cargados los camiones sino también qué los impulsa, sin necesidad de costosos entrenamientos personalizados. Esa capacidad podría dar a las autoridades portuarias y a los reguladores una nueva herramienta potente para monitorizar la transición del diésel a camiones de drayage de cero emisiones, detectar dónde hacen falta más estaciones de carga o de hidrógeno y reducir viajes vacíos ineficientes. Aunque el estudio actual usó un conjunto de datos modesto de una sola cámara en condiciones favorables, los autores sostienen que la misma estrategia puede ampliarse a otros centros de carga y entornos más variados. Si se escala de forma responsable, sistemas como ZeroDray podrían hacer visibles los detalles invisibles de la actividad de mercancías, ayudando a comunidades y responsables políticos a orientar los corredores de carga hacia una operación más limpia y eficiente.

Cita: Feng, G., Li, Y., Tok, A.Y.C. et al. Domain informed vision language model for sustainable freight with drayage truck powertrain and cargo classification. npj. Sustain. Mobil. Transp. 3, 15 (2026). https://doi.org/10.1038/s44333-026-00086-4

Palabras clave: camiones de cero emisiones, modelos visión‑lenguaje, drayage portuario, emisiones de mercancías, transporte sostenible