CNews→ original

VisionLabs conecta Luna Cars al aparcamiento de la oficina de MTS: acceso controlado por cámaras

VisionLabs ha puesto en marcha en la oficina de MTS un sistema de automatización del aparcamiento basado en la visión por computador de Luna Cars. La solución gestiona el acceso de los vehículos: las cámaras reconocen el automóvil y el sistema decide si lo deja entrar, sin intervención del personal de seguridad. Lo informa CNews en una publicación del 13 de octubre de 2026. El texto no menciona el número de plazas, la precisión del reconocimiento ni el coste del proyecto. • Cliente: MTS; ejecutor: VisionLabs. • Tecnología: videoanalítica Luna Cars basada en visión por computador. • Las métricas del proyecto no se han revelado por ahora.

Procesado por IA desde CNews; editado por Hamidun News
VisionLabs conecta Luna Cars al aparcamiento de la oficina de MTS: acceso controlado por cámaras
Fuente: CNews. Collage: Hamidun News.
◐ Escuchar artículo

VisionLabs ha implantado en la oficina de MTS un sistema de automatización del aparcamiento basado en la videoanalítica Luna Cars. Según CNews, la solución gestiona el acceso de los vehículos: las cámaras captan el automóvil, los algoritmos de visión por computador lo identifican y, a continuación, el sistema decide si abre la barrera. La publicación del 13 de octubre de 2026 no indica ni el número de plazas, ni la precisión del reconocimiento, ni los plazos de implantación, así que lo único que se puede valorar es el formato del proyecto, no sus resultados.

Qué se sabe del proyecto

El cliente es MTS, uno de los mayores operadores de telecomunicaciones de Rusia. El ejecutor es VisionLabs, desarrollador ruso de sistemas de visión por computador. Lleva tiempo en el mercado del reconocimiento de rostros y objetos, y Luna Cars forma parte de su gama de soluciones para trabajar con transporte.

Un aparcamiento corporativo es un escenario claro para esta tecnología. El flujo de vehículos es predecible, la lista de automóviles autorizados es limitada y las cámaras pueden colocarse de modo que el ángulo y la iluminación sean estables. Son las condiciones más benignas para la videoanalítica: aquí un error cuesta un retraso ante la barrera, no un incidente en una carretera urbana.

Cómo funcionan los sistemas de esta clase

El esquema habitual es el siguiente. La cámara de la entrada capta una imagen o un flujo de vídeo, el modelo localiza el vehículo y la matrícula, y después reconoce los caracteres. El resultado se contrasta con la lista de vehículos autorizados y el sistema envía la orden a la barrera. Las soluciones de este tipo suelen poder determinar también rasgos adicionales: marca, color, tipo de carrocería. La fuente no aclara qué funciones concretas están activas en la oficina de MTS.

La principal ventaja de este conjunto es que no requiere soportes físicos. No hacen falta pases, mandos ni un vigilante que compruebe las matrículas a mano. Las visitas de invitados se pueden gestionar con antelación: la matrícula se introduce en el sistema antes de la llegada.

Lo que no figura en la información

Para evaluar la madurez del proyecto faltan datos básicos:

  • Escala: no se indica el número de plazas ni de carriles de entrada.
  • Precisión: no se da el porcentaje de matrículas reconocidas correctamente en distintas condiciones (noche, nieve, placas sucias).
  • Velocidad: no se menciona el tiempo que pasa desde que el vehículo aparece en el encuadre hasta que se abre la barrera.
  • Integración: no está claro si el sistema está conectado con el sistema corporativo de control de acceso (SKUD) y con las listas de empleados.
  • Economía: no se han revelado el coste de la implantación ni el plazo de amortización.
  • Datos: no se dice dónde se almacenan las grabaciones de las cámaras ni durante cuánto tiempo.

Sin estas cifras, la noticia sigue siendo un caso de escaparate. Para VisionLabs, un caso así vale sobre todo en términos de reputación: un cliente con nombre importante y una tarea clara. Para el mercado, de momento no aporta material para compararse con la competencia.

Qué comprobar al implantarlo

Si una empresa con aparcamiento propio planea un sistema similar, conviene empezar con un piloto en un solo carril. Hay que medir la tasa de errores durante un mes, incluidos los episodios de mal tiempo y los meses de invierno, cuando las matrículas se ensucian y el sol bajo deslumbra a las cámaras.

Hay que comprobar por separado los escenarios de fallo. Qué ocurre si se pierde la conexión con el servidor, si la barrera puede abrirse manualmente y cómo se tratan las matrículas desconocidas y extranjeras. El tercer punto son los datos personales: la matrícula de un vehículo suele estar vinculada a un empleado concreto, por lo que se necesitan un reglamento de conservación y restricciones de acceso al archivo.

Si el proveedor está dispuesto a dar cifras de precisión y latencia y a fijarlas en el contrato, es una buena señal. Si se limita a la palabra «automatización», conviene pedirle los protocolos de pruebas.

ZK
Hamidun News
Noticias de AI sin ruido. Selección editorial diaria de más de 50 fuentes. Producto de Zhemal Khamidun, Head of AI en Alpina Digital.
✦ Unified AI Workspace

Access Frontier LLMs & Multimodal AI in One Workspace

Discover NomadNet AI (nomadnet.ai) — unified access to frontier language models, research synthesis, and multimodal workflows.

Try NomadNet AI →Launch NomadNet Agent
¿Qué te parece?
Cargando comentarios…