乌鸦传媒 Spain /es-es/ 乌鸦传媒 Fri, 28 Mar 2025 09:08:35 +0000 es-ES hourly 1 https://wordpress.org/?v=6.7.2 /es-es/wp-content/uploads/sites/16/2021/07/cropped-favicon.png?w=32 乌鸦传媒 Spain /es-es/ 32 32 138066680 Gemelos digitales para optimizar el ciclo de vida en una aeron谩utica m谩s sostenible /es-es/investigacion/perspectivas-de-expertos/gemelos-digitales-para-optimizar-el-ciclo-de-vida-en-una-aeronautica-mas-sostenible/ Thu, 27 Mar 2025 16:33:12 +0000 /es-es/?p=571537 La Industria 5.0 emerge como un nuevo paradigma que busca la convergencia entre la automatizaci贸n inteligente y la interacci贸n humano-m谩quina para lograr una producci贸n m谩s eficiente, personalizada y sostenible.

The post Gemelos digitales para optimizar el ciclo de vida en una aeron谩utica m谩s sostenible appeared first on 乌鸦传媒 Spain.

]]>

Gemelos digitales para optimizar el ciclo de vida en una aeron谩utica m谩s sostenible

Fernando Rodr铆guez Caro
28 de marzo de 2025
capgemini-engineering

滨苍迟谤辞诲耻肠肠颈贸苍

La industria aeron谩utica europea se encuentra en un punto de inflexi贸n crucial, la competencia global en el sector de la aviaci贸n se ha intensificado debido al r谩pido avance tecnol贸gico en regiones fuera de Europa. Por otro lado, los crecientes desaf铆os ambientales y las regulaciones para combatir el cambio clim谩tico exigen una transformaci贸n profunda en la forma en que las aeronaves son dise帽adas, fabricadas, operadas y mantenidas.

En este contexto, la Industria 5.0 emerge como un nuevo paradigma que busca la convergencia entre la automatizaci贸n inteligente y la interacci贸n humano-m谩quina para lograr una producci贸n m谩s eficiente, personalizada y sostenible. Este nuevo paradigma pone un 茅nfasis especial en la 肠辞濒补产辞谤补肠颈贸苍 entre robots, inteligencia artificial (IA) y trabajadores humanos, promoviendo una fabricaci贸n m谩s 谩gil y adaptable a las necesidades cambiantes del mercado. Adem谩s, este modelo impulsa la sostenibilidad mediante la optimizaci贸n de recursos y la reducci贸n del impacto ambiental, elementos clave en la evoluci贸n de la aviaci贸n hacia un futuro m谩s ecol贸gico y sostenible. Seg煤n un estudio del 乌鸦传媒 Research Institute la inversi贸n en gemelos digitales en el sector aeroespacial y de defensa ha aumentado un 40% en el 煤ltimo a帽o, representando el 2,7% de los ingresos de estas organizaciones. Adem谩s, el 81% de las empresas encuestadas reconoce que los gemelos digitales son fundamentales para mejorar la disponibilidad y fiabilidad de los sistemas y equipos a lo largo de su ciclo de vida.

Dentro de esta transformaci贸n tecnol贸gica, la estrategia de la juega un papel fundamental al establecer directrices para el desarrollo y la implementaci贸n de soluciones avanzadas en inteligencia artificial, datos y rob贸tica dentro del ecosistema industrial europeo. En su reciente documento de pol铆ticas y hoja de ruta tecnol贸gica, ADRA enfatiza la necesidad de crear infraestructuras de datos abiertas, interoperables y seguras, que fomenten la 肠辞濒补产辞谤补肠颈贸苍 entre empresas, centros de investigaci贸n y organismos reguladores. Esto permitir谩 acelerar la adopci贸n de soluciones innovadoras en el sector aeron谩utico y garantizar que Europa mantenga una posici贸n de liderazgo en el desarrollo de tecnolog铆as estrat茅gicas.

La integraci贸n de tecnolog铆as avanzadas como la inteligencia artificial (IA), el Internet Industrial de las Cosas (IIoT), los gemelos digitales (DT) y las soluciones de rob贸tica automatizada emerge como una v铆a prometedora para abordar estos retos. Estas tecnolog铆as no solo ofrecen soluciones innovadoras para optimizar procesos y reducir costos, sino que tambi茅n permitir谩n al sector avanzar hacia un modelo m谩s sostenible y respetuoso con el medio ambiente.

El proyecto GENEX, financiado por la UE, est谩 desarrollando una plataforma end-to-end basada en IIoT y gemelos digitales para la optimizaci贸n de la fabricaci贸n y el mantenimiento de estructuras compuestas de aeronaves de pr贸xima generaci贸n. Estos modelos incorporan conocimiento sobre los componentes de las aeronaves y los procesos de fabricaci贸n/reparaci贸n para su optimizaci贸n. Adem谩s, permiten el desarrollo de un sistema de monitorizaci贸n y gesti贸n de la salud y uso de las aeronaves, para garantizar la seguridad y la aeronavegabilidad.

Tecnolog铆as habilitadoras clave

La integraci贸n de nuevas tecnolog铆as en el sector aeron谩utico, en cualquier eslab贸n de la cadena de valor, supone un reto por la estricta regulaci贸n que cumplen todos los procesos aeron谩uticos. Cualquier avance tecnol贸gico requiere muchas horas de vuelo antes de ser ampliamente aceptado por la industria aeron谩utica. Sin embargo, la adopci贸n de estas tecnolog铆as se considera clave para impulsar la innovaci贸n industrial y de paso abordar los desaf铆os que enfrenta la aviaci贸n.

Hacia la neutralidad clim谩tica

El compromiso con la neutralidad clim谩tica en la industria aeron谩utica europea no es solo una meta ambiciosa, sino una necesidad imperativa para garantizar la sostenibilidad del planeta y la competitividad del sector. La integraci贸n de tecnolog铆as avanzadas como la inteligencia artificial, el IIoT y los gemelos digitales desempe帽a un papel crucial en la consecuci贸n de este objetivo, proporcionando soluciones innovadoras para abordar los desaf铆os ambientales m谩s apremiantes.

Estas tecnolog铆as reducen el consumo de energ铆a y materias primas, optimizan los procesos log铆sticos y mejoran la eficiencia operativa. Adem谩s, fomentan el empleo de materiales sostenibles y el reciclaje, fortaleciendo la transici贸n hacia una econom铆a circular en el sector. Dichas innovaciones no solo reducen el impacto ambiental, sino que tambi茅n maximizan el uso de recursos en la industria aeron谩utica. El reciclaje de materiales, el dise帽o modular de componentes y la reutilizaci贸n de recursos se ven facilitados por el uso de tecnolog铆as habilitadoras como los gemelos digitales y el IIoT. Al integrar estas herramientas, la industria puede reducir significativamente su impacto ambiental mientras maximiza el valor econ贸mico de sus operaciones.

La transici贸n hacia la Industria 5.0 y el cumplimiento de los objetivos del presentan desaf铆os significativos para la industria aeron谩utica europea. Uno de los principales retos es la falta de estandarizaci贸n en los datos y las herramientas utilizadas para procesar y gestionar los flujos de informaci贸n relacionados con los procesos y entidades involucradas. Esta carencia dificulta la interoperabilidad y la eficiencia en la gesti贸n de informaci贸n cr铆tica. Adem谩s, mejorar la eficiencia en los procesos de fabricaci贸n y mantenimiento es esencial para reducir costes y tiempos de inactividad. La adopci贸n de t茅cnicas avanzadas como la impresi贸n 3D, la automatizaci贸n rob贸tica y especialmente el uso de gemelos digitales en MRO (mantenimiento, reparaci贸n y operaciones), permite anticipar fallos y optimizar la vida 煤til de los componentes. Estas innovaciones est谩n alineadas con los objetivos del Net-Zero Industry Act, que busca acelerar el desarrollo y la producci贸n de tecnolog铆as limpias para lograr la neutralidad clim谩tica.

Inteligencia artificial

La IA desempe帽a un papel fundamental en la transformaci贸n de la aviaci贸n. Desde el dise帽o de aeronaves m谩s eficientes hasta la optimizaci贸n de rutas de vuelo, la IA permite analizar grandes vol煤menes de datos en tiempo real para mejorar la eficiencia operativa. Por ejemplo, los algoritmos de aprendizaje autom谩tico pueden predecir el mantenimiento necesario para componentes cr铆ticos, evitando retrasos y reduciendo los costos operativos. En t茅rminos de sostenibilidad, la IA puede contribuir al desarrollo de motores m谩s limpios mediante simulaciones avanzadas y optimizaci贸n aerodin谩mica. Adem谩s, facilita la monitorizaci贸n del consumo de combustible y las emisiones, permitiendo a las aerol铆neas adoptar estrategias que minimicen su impacto ambiental.

En el Proyecto GENEX, los modelos basados en IA, permiten adaptar los par谩metros de procesos ATL[1] (Automated Tape Laying) a las variaciones de los materiales/caracter铆sticas del proceso y posibilitan su control para par谩metros de entrada determinados (velocidad de aplicaci贸n y potencia de calentamiento, grado de precurado y temperatura del sustrato).

Gemelos digitales

Los gemelos digitales se han convertido en una herramienta clave para el desarrollo y operaci贸n de aeronaves. Un gemelo digital es una representaci贸n virtual de un activo f铆sico que permite simular y analizar su comportamiento en diferentes escenarios. En el sector aeron谩utico, esto significa que se pueden realizar pruebas virtuales exhaustivas antes de construir componentes f铆sicos, ahorrando tiempo y reduciendo el desperdicio de materiales. Adem谩s, los gemelos digitales permiten predecir fallos potenciales en los sistemas, lo que mejora la seguridad y reduce los tiempos de inactividad. Un caso de uso destacado es el mantenimiento predictivo: utilizando datos en tiempo real y modelos digitales, las aerol铆neas pueden identificar y solucionar problemas antes de que ocurran, optimizando los recursos y minimizando el impacto ambiental.

El desarrollo de un Digital Twin Framework en Genex, proporciona una herramienta que garantiza la estandarizaci贸n, interoperabilidad y usabilidad de los datos dentro del ecosistema industrial, permitiendo generar modelos de gemelos digitales de diversos activos.

El proyecto GENEX

El () surge como una iniciativa clave para revolucionar la fabricaci贸n y el mantenimiento de estructuras aeron谩uticas mediante el uso de gemelos digitales. Financiado por el programa Horizon Europe, GENEX busca desarrollar un marco digital integral que optimice la fabricaci贸n y mantenimiento de componentes compuestos en aeronaves (ver Ilustraci贸n 1).

El proyecto est谩 liderado por un consorcio de empresas e instituciones de investigaci贸n de primer nivel, incluyendo ITAINNOVA, 乌鸦传媒, AIMEN, CIDETEC, AERNNOVA y DLR, entre otras. Su objetivo es integrar modelos computacionales avanzados con sensores en tiempo real para mejorar la seguridad, eficiencia y sostenibilidad de los procesos aeron谩uticos. A trav茅s del uso de gemelos digitales, que permiten representar virtualmente elementos f铆sicos en aeronaves, se facilita una monitorizaci贸n avanzada de los procesos de fabricaci贸n, mantenimiento y reparaci贸n, asegurando un mayor control y optimizaci贸n de los recursos.

En este contexto, el enfoque del proyecto se alinea con la visi贸n de la Industria 5.0, promovida por la Comisi贸n Europea. Este concepto redefine la interacci贸n entre humanos y m谩quinas en un entorno digital altamente automatizado, en el que los trabajadores colaboran con sistemas avanzados para mejorar la precisi贸n, seguridad y sostenibilidad de los procesos industriales. La integraci贸n de estas tecnolog铆as permite no solo la automatizaci贸n de tareas repetitivas, sino tambi茅n la toma de decisiones m谩s informadas gracias a la inteligencia artificial y la conectividad del IIoT.

乌鸦传媒 desempe帽a un papel fundamental en el desarrollo del Digital Twin Framework, una herramienta que garantiza la estandarizaci贸n, interoperabilidad y usabilidad de los datos dentro del ecosistema industrial. Gracias a esta tecnolog铆a, se facilita la simulaci贸n y optimizaci贸n de procesos de fabricaci贸n y mantenimiento, reduciendo tiempos de inactividad y costos operativos.

El Digital Twin Framework de 乌鸦传媒 responde de manera integral a estos desaf铆os de la digitalizaci贸n en la industria aeron谩utica, proporcionando una plataforma IIoT com煤n, multidisciplinaria e interoperable basada en una arquitectura modular. Su capacidad para integrar datos de sensores, modelos de simulaci贸n y algoritmos de inteligencia artificial garantiza la estandarizaci贸n de los datos mediante la generaci贸n de plantillas ad-hoc, permitiendo una gesti贸n estructurada y eficiente de la informaci贸n.

En l铆nea con las iniciativas del programa Horizonte Europa, el Digital Twin Framework se apoya en tecnolog铆as de conectividad avanzada, como el IoT industrial, para garantizar un flujo de datos continuo y en tiempo real. Esto permite a las aeronaves y a los sistemas de producci贸n intercambiar informaci贸n con latencia ultrabaja, mejorando la eficiencia operativa y facilitando la toma de decisiones basadas en datos precisos.

Asimismo, la incorporaci贸n de tecnolog铆as emergentes como computaci贸n en el borde (edge computing) contribuye a la optimizaci贸n de procesos en entornos industriales, reduciendo la dependencia de infraestructuras f铆sicas y mejorando la escalabilidad de las soluciones digitales.

Ilustraci贸n 1. Proyecto GENEX.

Finalmente, su enfoque en la optimizaci贸n de la fabricaci贸n y el mantenimiento predictivo, mediante el uso de modelos de aprendizaje autom谩tico e inteligencia artificial, permite anticipar fallos, mejorar la eficiencia en reparaciones y maximizar la vida 煤til de los componentes cr铆ticos, reduciendo tiempos de inactividad y costos operativos.

Entre los casos de uso llevados a cabo con la herramienta Digital Twin Framework, podemos destacar los siguientes:

  • Estandarizaci贸n de datos: La integraci贸n de datos es esencial para generar gemelos digitales efectivos. GENEX trabaja en la creaci贸n de un sistema unificado que permite gestionar la informaci贸n de m煤ltiples sensores y procesos, asegurando que los datos sean compatibles y reutilizables en todo el ciclo de vida de las aeronaves.
  • ANITA: Este caso de uso destaca por su aplicaci贸n pr谩ctica en la reparaci贸n de componentes de avi贸n fabricados en compuestos avanzados. Gracias a la monitorizaci贸n con sensores, el gemelo digital del componente permite modelar el da帽o y optimizar la reparaci贸n utilizando mantas t茅rmicas controladas por inteligencia artificial. Estas mantas aplican la temperatura y duraci贸n exactas para garantizar una reparaci贸n precisa, segura y eficiente.

Estos avances est谩n respaldados por el programa Horizonte Europa, que promueve una industria aeron谩utica europea m谩s resiliente, sostenible y competitiva a nivel global. En este sentido, GENEX se posiciona como un referente dentro de esta estrategia europea, demostrando c贸mo la digitalizaci贸n y la sostenibilidad pueden converger para transformar la industria aeron谩utica.


[1] En el contexto de la manufactura aeron谩utica, los procesos ATL (Automated Tape Laying) son t茅cnicas automatizadas utilizadas para colocar cintas de material compuesto en capas precisas y controladas. Estos procesos son esenciales para la fabricaci贸n de componentes estructurales de aeronaves, como alas y fuselajes, debido a su capacidad para mejorar la precisi贸n, reducir el tiempo de producci贸n y minimizar el desperdicio de material.

Conoce al autor

Fernando Rodr铆guez Caro

Project Manager | Digital & Software | Manufacturing Operations – 乌鸦传媒 Engineering

    The post Gemelos digitales para optimizar el ciclo de vida en una aeron谩utica m谩s sostenible appeared first on 乌鸦传媒 Spain.

    ]]>
    571537
    Ingenier铆a del ma帽ana: consideraciones clave en el dise帽o de dispositivos integrados en red. /es-es/investigacion/perspectivas-de-expertos/ingenieria-claves-diseno-dispositivos-integrados-en-red/ Tue, 25 Feb 2025 08:12:48 +0000 /es-es/?p=566815 Desde la aparici贸n de los smartphones, 芦estar siempre conectado禄 est谩 hoy en d铆a totalmente incorporado a nuestra vida cotidiana.

    The post Ingenier铆a del ma帽ana: consideraciones clave en el dise帽o de dispositivos integrados en red. appeared first on 乌鸦传媒 Spain.

    ]]>

    Ingenier铆a del ma帽ana: consideraciones clave en el dise帽o de dispositivos integrados en red.

    Anne-Flore Agard
    25 de febrero de 2025
    capgemini-engineering

    En los 煤ltimos a帽os, hemos asistido a una verdadera proliferaci贸n de dispositivos y productos conectados a Internet de las Cosas (IoT). Desde la aparici贸n de los smartphones, 芦estar siempre conectado禄 est谩 hoy en d铆a totalmente incorporado a nuestra vida cotidiana. El valor del mercado, que se prev茅 que aumente de 25.000 millones de d贸lares en 2024 a 120.000 millones en 2032, confirma la aceleraci贸n de la adopci贸n de dispositivos conectados en el mercado de consumo.

    Esta aceleraci贸n hace necesario responder a las principales expectativas de los consumidores:

    • Experiencia de uso sencilla: el 65% de los consumidores espera que todos los dispositivos conectados cuenten con una interfaz m谩s intuitiva y 煤nica.
    • Valor: el 50% de los consumidores destaca la falta de recomendaciones contextuales y relevantes en escenarios complejos,
    • Confianza: la privacidad de los datos es un aspecto clave en la decisi贸n de compra del 75% de los consumidores; y el 67% manifiesta su desconfianza sobre el uso que las organizaciones hacen de sus datos.
    • Sostenibilidad: el 60% de los consumidores demanda conocer la huella de carbono del producto.

    Las empresas de tecnolog铆a conectada afrontan importantes retos para construir soluciones de valor y dar respuesta a las expectativas del consumidor con modelos de negocio rentables:

    • Confianza en la privacidad de los datos, con una transparencia en la comunicaci贸n del uso de los datos, la implantaci贸n de una 芦etiqueta de privacidad禄 y la capacidad de mantener la seguridad de los datos en un entorno tecnol贸gico en constante evoluci贸n. 
    • Interoperabilidad sin obst谩culos, con la adopci贸n de est谩ndares de compatibilidad entre plataformas y alianzas cerradas en todo el ecosistema.
    • Impulso con HybridAI, integrado desde el edge hasta la red, desde la plataforma de desarrollo de datos y aplicaciones hasta las operaciones, como diferenciador clave para mejorar la funcionalidad de los dispositivos para una experiencia de usuario personalizada y precisa.
    • Seguridad por dise帽o: la seguridad en el coraz贸n de los procesos de dise帽o, incluida la implantaci贸n de s贸lidas medidas de protecci贸n con autenticaci贸n s贸lida y cifrado integral de datos.
    • Promover la sostenibilidad mediante soluciones de bajo consumo de energ铆a, fomentar la econom铆a circular y una cadena de suministro de reciclaje close-loop.
    • Adaptaci贸n del modelo de negocio a trav茅s un nuevo modelo de ingresos que compense la elevada inversi贸n inicial y un retorno de la inversi贸n m谩s prolongado
    • Escasez de talento, incrementada por la necesaria convergencia de diversas habilidades, impone nuevas formas de gesti贸n del mismo y de cooperaci贸n entre los fabricantes y el ecosistema digital.

    El paso de los dispositivos inteligentes a los aut贸nomos reside no solo en una integraci贸n perfecta end-to-end, sino en la interoperabilidad de todo el ecosistema. 

    El entorno regulatorio se vuelve cr铆tico para garantizar el desarrollo y la adhesi贸n a normas y marcos que aseguren un 芦trabajo conjunto禄 sin trabas de los productos de diferentes fabricantes.

    Con el 67% de los consumidores considerando los dispositivos conectados como una necesidad, 煤nete al panel titulado 芦Engineering tomorrow-key considerations in a network-integrated device design禄 en el #MWC2025, donde Anne-Flore Agard, global heald of telecom en 乌鸦传媒 Engineering, mostrar谩 c贸mo la compa帽铆a contribuye a impulsar la pr贸xima ola de dispositivos conectados en red para una valiosa experiencia de usuario.

    The post Ingenier铆a del ma帽ana: consideraciones clave en el dise帽o de dispositivos integrados en red. appeared first on 乌鸦传媒 Spain.

    ]]>
    566815
    Simplificaci贸n de los gemelos digitales de red para las telecos mediante Gen AI /es-es/investigacion/perspectivas-de-expertos/simplificacion-gemelos-digitales-red-telecos-gen-ai/ Wed, 19 Feb 2025 17:14:52 +0000 /es-es/?p=566672&preview=true&preview_id=566672 En telecomunicaciones, los gemelos digitales de red est谩n transformando la forma en la que los operadores de red gestionan, optimizan y predicen el rendimiento de la misma.

    The post Simplificaci贸n de los gemelos digitales de red para las telecos mediante Gen AI appeared first on 乌鸦传媒 Spain.

    ]]>

    Simplificaci贸n de los gemelos digitales de red para las telecos mediante Gen AI

    Subhankar Pal
    Jan 29, 2025
    capgemini-engineering

    Entendiendo los gemelos digitales de red

    En telecomunicaciones, los gemelos digitales de red est谩n transformando la forma en la que los operadores de red gestionan, optimizan y predicen el rendimiento de la misma.

    Un gemelo digital de red es una r茅plica virtual muy detallada de una red real que no s贸lo modela los elementos f铆sicos (por ejemplo, torres de radio, enrutadores, conmutadores y servidores de centros de datos), sino tambi茅n la parte 芦invisible禄 de la red, como las se帽ales, la cobertura, las interferencias, el comportamiento del tr谩fico y la movilidad de los usuarios a trav茅s de las capas de frecuencia.

    Los gemelos digitales de red tienen varios usos en las empresas de telecomunicaciones, desde I+D hasta planificaci贸n, despliegue y operaciones. Por ejemplo, utilizando gemelos digitales de red para identificar anomal铆as en el consumo de energ铆a en todas las celdas.

    Un gemelo digital proporciona un laboratorio virtual para la experimentaci贸n en tiempo real, antes de introducir cambios en la red f铆sica, minimizando as铆 los riesgos. Puede representar cualquier escala o complejidad, desde una 煤nica funci贸n de red o protocolo inal谩mbrico hasta toda la red m贸vil, y se utiliza para probar, analizar, optimizar, supervisar o validar con un riesgo m铆nimo (o nulo) para la red real. Gartner predice que los gemelos digitales de red mejorar谩n el tiempo de respuesta a las solicitudes en un 20% en todas las redes.

    Sin embargo, el volumen de datos, la naturaleza din谩mica de las redes y la necesidad de escalabilidad plantean retos considerables a la hora de crear gemelos digitales de red. Su creaci贸n y mantenimiento son desalentadoramente complejos. La inteligencia artificial generativa (GenAI) podr铆a simplificar y mejorar la tecnolog铆a de los gemelos digitales de red.

    Seg煤n el Instituto de Investigaci贸n 乌鸦传媒, el 96% de las empresas mundiales de telecomunicaciones tienen la GenAI como una de sus principales prioridades y el 86% de ellas ya la han adoptado en cierta medida. En el contexto de los gemelos digitales de red, GenAI puede utilizarse para automatizar la generaci贸n y actualizaci贸n de estos modelos virtuales, haciendo que el proceso sea m谩s eficiente y menos propenso a errores.

    La Gen AI se une a los gemelos digitales de red

    La GenAI ya se est谩 utilizando para facilitar el desarrollo y despliegue de gemelos digitales. Por ejemplo, Aira Technologies ha creado RANGPT, una aplicaci贸n basada en LLM para consultar y controlar de forma segura la RAN mediante GenAI. Con , un experto en tecnolog铆a inal谩mbrica puede analizar datos, obtener informaci贸n, experimentar iterativamente y, en 煤ltima instancia, desplegar c贸digo, como una aplicaci贸n RAN, en unas pocas horas.

    La GenAI permite simplificar la creaci贸n y el mantenimiento de gemelos digitales de red de varias maneras.

    1. Generaci贸n de datos: La GenAI admite la creaci贸n de datos sint茅ticos para complementar los datos del mundo real, lo que facilita el entrenamiento de modelos de gemelos digitales sin grandes conjuntos de datos. Seg煤n Gartner, el uso de GenAI para crear datos sint茅ticos es un 谩rea de r谩pido crecimiento. Para 2026, el , frente a menos del 5% en 2023.
    2. Modelado de sistemas complejos: La Gen AI simplifica el modelado de sistemas complejos, sobre todo de sistemas con din谩micas no lineales o interacciones intrincadas, mediante el aprendizaje de patrones y relaciones a partir de los datos. Por ejemplo, una herramienta de IA generativa podr铆a modelar el comportamiento de los canales de radio en distintas condiciones geogr谩ficas y meteorol贸gicas. Ericsson ha creado un utilizando , una plataforma de 肠辞濒补产辞谤补肠颈贸苍 y simulaci贸n de mundos virtuales en tiempo real para flujos de trabajo 3D basada en Gen AI. Ayuda a simular con precisi贸n la interacci贸n entre las celdas 5G y el entorno, por ejemplo, los fen贸menos f铆sicos y los aspectos relacionados con la movilidad. Esto podr铆a ayudarnos a desarrollar redes m谩s r谩pidas y fiables en el futuro.
    3. Generaci贸n de escenarios realistas: Generaci贸n de escenarios realistas: La GenAI puede utilizarse para crear diversos escenarios y an谩lisis hipot茅ticos que ayuden a evaluar los riesgos y las estrategias de mitigaci贸n. Por ejemplo, una herramienta podr铆a explorar varios escenarios de movilidad de usuarios a distintas velocidades. Qualcomm ha creado un acelerado por Gen AI que representa con precisi贸n la red f铆sica de acceso radioel茅ctrico (RAN), para ayudar a los operadores a responder a estas preguntas 芦hipot茅ticas禄, como cu谩ntos usuarios puede admitir un nodo de red manteniendo ciertos par谩metros de calidad de servicio (QoS).鈥
    4. Generaci贸n de insights visuales: La Gen AI permite crear modelos fundacionales de clases de activos de utilities, utilizando im谩genes visuales a gran escala. Estas arquitecturas de redes neuronales proporcionan informaci贸n valiosa para el mantenimiento y la supervisi贸n. Por ejemplo, se pueden utilizar para visualizar torres, l铆neas de transmisi贸n, transformadores, etc.
    5. Colaboraci贸n humana: La Gen AI permite a un experto humano trabajar m谩s eficazmente con la red, combinando su conocimiento con la informaci贸n basada en datos de la red. Esto puede mejorar la toma de decisiones y la resoluci贸n de problemas. Por ejemplo, la Gen AI podr铆a crear una interfaz de comunicaci贸n entre los humanos y la red. Los ingenieros podr铆an consultar el estado de la red a trav茅s de un simple texto del tipo “驴cu谩ntos usuarios de m贸viles est谩n realizando llamadas a trav茅s de este emplazamiento de radio?”
    Figura 1 鈥 Casos de uso de gemelos digitales de red aumentados con Gen AI

    As铆 pues, la IA generativa puede ayudar a acelerar la creaci贸n de gemelos digitales de redes, representando con precisi贸n sus funciones y comportamientos relevantes, haci茅ndolos m谩s accesibles y asequibles que nunca.

    Sorteando los riesgos

    Como cualquier otra tecnolog铆a, el uso de Gen AI para los gemelos digitales de red tiene retos que deben abordarse antes de que pueda desplegarse comercialmente. Por ejemplo, puede producir contenidos t贸xicos, sesgados o alucinados. Tambi茅n existen riesgos para la privacidad y la seguridad de los datos, como la posible filtraci贸n de informaci贸n sensible o el uso indebido de datos personales.

    Por tanto, es esencial considerar cuidadosamente los riesgos de la Gen AI. Esto incluye la necesidad de marcos para mitigar estos riesgos, junto con salvaguardas (guardrails), un conjunto de pol铆ticas predefinidas y protocolos operativos para regular el comportamiento y los resultados de un modelo.

    Estas salvaguardas proporcionan l铆mites 茅ticos, cumplimiento legal, adecuaci贸n contextual y medidas de seguridad, evitando resultados perjudiciales o sesgados y el uso indebido de informaci贸n sensible.

    Like any other technology, the use of GenAI for network digital twins has challenges that must be addressed before it can be deployed commercially. For example, it can produce toxic, biased, or hallucinated content. There are also data privacy and security risks, like the potential leakage of sensitive information or misuse of personal data. 

    So, careful consideration of GenAI’s risks is essential. This includes the need for frameworks to mitigate these risks, along with 鈥榞uardrails’, a set of predefined policies and operational protocols to regulate a model’s behavior and output.  

    These guardrails provide ethical boundaries, legal compliance, contextual appropriateness and security measures, preventing harmful or biased outputs and misuse of sensitive information.  son ejemplos de frameworks programables de estas salvaguardas.

    颁辞苍肠濒耻蝉颈贸苍:&苍产蝉辫; 

    Gracias a la IA Generativa, la hasta ahora compleja tarea de desarrollar gemelos digitales de red es cada vez m谩s f谩cil. La GenAI est谩 cambiando la forma en que construimos, mantenemos e interactuamos con estas r茅plicas virtuales, abriendo las puertas a una optimizaci贸n e innovaci贸n de red sin precedentes. Los gemelos digitales acelerados por Gen AI y

    La visi贸n de 乌鸦传媒 es que la Gen AI se introducir谩 de forma gradual y constante utilizando un enfoque de IA h铆brida. Esto combina los beneficios de Gen AI con fuentes de conocimiento estructurado y razonamiento simb贸lico, como se muestra en la siguiente figura, y, en cada paso de este viaje, ayudar谩 a simplificar tangiblemente los gemelos digitales de red.

    A corto plazo, la atenci贸n se centrar谩 en utilizar GenAI para construir partes del gemelo digital de red. A medio plazo, ayudar谩 a que estos gemelos sean m谩s inteligentes y act煤en como copilotos. A largo plazo, asistiremos al auge de los gemelos generativos multiagente para automatizar tareas complejas de gesti贸n de redes.

     
    Figura 2 鈥 Una hoja de ruta introductoria para IA generativa en un gemelo digital de red. Fuente:  

    Los gemelos digitales de red se han convertido en una herramienta esencial para los CSP, ya que les permiten probar, optimizar y gestionar las redes con un riesgo m铆nimo. Ahora es crucial que los operadores construyan estos gemelos digitales de forma r谩pida y eficiente. La IA Generativa simplifica su creaci贸n, mantenimiento y optimizaci贸n automatizando procesos, generando datos sint茅ticos, modelando sistemas complejos y permitiendo interacciones intuitivas entre humanos y redes. 乌鸦传媒 ve a la Gen AI como un habilitador transformador de gemelos digitales de red, impulsando avances graduales hacia soluciones de gesti贸n de red m谩s inteligentes y aut贸nomas que mejoren el ROI y la eficiencia operativa.

    驴Qu茅 es lo pr贸ximo?:

    1. Planificar y preparar: Definir objetivos, evaluar la infraestructura existente y establecer una estrategia de datos s贸lida mediante la identificaci贸n de casos de uso clave, la consolidaci贸n de datos de alta calidad y el aprovechamiento de datos sint茅ticos a trav茅s de la IA Generativa. Identifica las carencias y garantiza la alineaci贸n con los objetivos de la red.
    1. Construir y pilotar: Utilizar la IA Generativa para automatizar la creaci贸n y el mantenimiento del gemelo digital, integrar herramientas y plataformas escalables, implementar barreras de protecci贸n y marcos de seguridad. Poner a prueba la soluci贸n a peque帽a escala, perfeccionarla en funci贸n de los comentarios y formar a los equipos para una adopci贸n eficaz.
    1. Optimizar and escalar: Supervisar las principales m茅tricas de rendimiento mediante una interfaz generativa para la 肠辞濒补产辞谤补肠颈贸苍 humana, actualizar continuamente el gemelo digital con informaci贸n en tiempo real y ampliar su alcance a toda la red. Avanzar hacia una gesti贸n aut贸noma de la red para mejorar el retorno de la inversi贸n y la eficiencia operativa.

    Nos encontramos en la encrucijada de una transformaci贸n tecnol贸gica. Si se aplica correctamente, la Gen AI combinada con la tecnolog铆a de gemelos digitales redefinir谩 el panorama de las telecomunicaciones. Pero las ventajas de GenAI solo pueden aprovecharse realmente con una estrategia adecuada. Para tener 茅xito, las compa帽铆as de telecomunicaciones deben definir cuidadosamente sus marcos pol铆ticos y sus barreras de protecci贸n para utilizar esta nueva tecnolog铆a de forma segura. 乌鸦传媒 puede ayudar.

    Telco乌鸦传媒 es una serie de publicaciones sobre las 煤ltimas tendencias y oportunidades en el sector de las telecomunicaciones, impulsadas por una comunidad de expertos y l铆deres de opini贸n de todo el mundo.

    Meet the author

    Subhankar Pal

    Senior Director and Global Innovation leader for the Intelligent Networks program, 乌鸦传媒 Engineering聽
    Subhankar has over 24 years of experience in telecommunications, specializing in advanced network automation, optimization, and sustainability using cloud-native principles and machine learning for 5G and beyond. At 乌鸦传媒, he leads technology product incubation, product strategy, roadmap development, and consulting for the telecommunications sector and related markets.

    Pragya Vaishwanar

    Director GTM, Market and Sales Enablement for Digital Engineering, 乌鸦传媒 Engineering
    Pragya is focused on helping our customers transform and adopt to the new digital age, and integrate digital engineering innovations into their business. She is focused on driving the expansion and delivery of digital transformation and helping companies to get a grasp on future technologies. She focuses on market and sales enablement and supports the go-to-market strategy for digital engineering.

      The post Simplificaci贸n de los gemelos digitales de red para las telecos mediante Gen AI appeared first on 乌鸦传媒 Spain.

      ]]>
      566672
      Sistemas de seguridad e interfaces hombre-m谩quina orientadas a una poblaci贸n diversa /es-es/investigacion/perspectivas-de-expertos/sistemas-de-seguridad-e-interfaces-hombre-maquina-orientadas-a-una-poblacion-diversa/ Tue, 11 Feb 2025 16:39:04 +0000 /es-es/?p=566412 La llegada de los veh铆culos aut贸nomos promete revolucionar el transporte, ofreciendo beneficios como la reducci贸n de accidentes causados por errores humanos y la mejora de la eficiencia del tr谩fico. Sin embargo, tambi茅n plantea desaf铆os significativos, especialmente en t茅rminos de seguridad para los peatones.

      The post Sistemas de seguridad e interfaces hombre-m谩quina orientadas a una poblaci贸n diversa appeared first on 乌鸦传媒 Spain.

      ]]>

      Sistemas de seguridad e interfaces hombre-m谩quina orientadas a una poblaci贸n diversa

      Arturo Paz G贸mez
      23 de enero de 2024
      capgemini-engineering

      La llegada de los veh铆culos aut贸nomos promete revolucionar el transporte, ofreciendo beneficios como la reducci贸n de accidentes causados por errores humanos y la mejora de la eficiencia del tr谩fico. Sin embargo, tambi茅n plantea desaf铆os significativos, especialmente en t茅rminos de seguridad para los peatones.

      Entre 2010 y 2020, la Uni贸n Europea logr贸 una reducci贸n media del 36% en el n煤mero de muertes por accidentes de tr谩fico.  Sin embargo, La UE ha establecido regulaciones estrictas para mejorar la seguridad vial. En 2021, , con el objetivo de reducir las muertes y lesiones graves en un 50% para 2030.

      La llegada de los veh铆culos aut贸nomos ofrece beneficios como la reducci贸n de accidentes causados por errores humanos y la mejora de la eficiencia del tr谩fico. Sin embargo, plantea retos significativos en t茅rminos de seguridad para el peat贸n.

      Uno de los principales problemas es la 鈥渞esponsabilidad鈥 de los veh铆culos aut贸nomos de reconocer y reaccionar adecuadamente a la presencia de peatones. Aunque los sistemas de sensores y c谩maras han avanzado considerablemente, a煤n existen situaciones complejas, como peatones que cruzan inesperadamente o en condiciones de baja visibilidad, donde los veh铆culos pueden no reaccionar a tiempo.

      La interacci贸n entre peatones y veh铆culos aut贸nomos tambi茅n es un 谩rea de preocupaci贸n. Los peatones est谩n acostumbrados a comunicarse con los conductores a trav茅s de se帽ales visuales y gestos. Con veh铆culos aut贸nomos, esta comunicaci贸n se pierde, lo que puede llevar a malentendidos y accidentes.

      Aunque los veh铆culos aut贸nomos tienen el potencial de mejorar la seguridad vial, es crucial abordar estos desaf铆os para garantizar que los peatones est茅n protegidos. La 肠辞濒补产辞谤补肠颈贸苍 entre fabricantes, reguladores y la sociedad en general ser谩 esencial para crear un entorno seguro y confiable para todos. La Comisi贸n Europea, a trav茅s de CCAM (), ha publicado varios informes y recomendaciones sobre la implementaci贸n segura de esta tecnolog铆a en Europa. Uno de sus informes, “Challenges for Automated Vehicles in Detecting and Responding to Vulnerable Road Users” (顿别蝉补蹿铆辞蝉 para los veh铆culos automatizados en la detecci贸n y respuesta a los usuarios vulnerables de la v铆a), aborda espec铆ficamente el tema de la percepci贸n de peatones y ciclistas. Existen adem谩s proyectos europeos de investigaci贸n sobre veh铆culos aut贸nomos y la interacci贸n con peatones, como el proyecto INTERACTIV o el proyecto BRAVE, que han desarrollado soluciones y recomendaciones en este 谩mbito.

      eHMI actuales

      Hoy en d铆a existen diferentes tipos de eHMI (external human machine interface) que cubren diferentes necesidades y ayudan a hacer el tr谩fico m谩s seguro tanto para conductores como para peatones y otros veh铆culos.

      Sistema ac煤stico de alerta en veh铆culos

      El sistema AVAS (Acoustic Vehicle Alerting System) es un sistema ac煤stico para veh铆culos que usen motor el茅ctrico, que utiliza el sonido para indicar a los usuarios de su entorno que el coche est谩 en movimiento cuando circula a baja velocidad (menos de 20 km/h). Cuando el coche va a esta velocidad, tiene que emitir un sonido para avisar a los usuarios de la v铆a, pero no hace diferencias entre los tipos de usuarios de la v铆a o las situaciones en las que conducen.

      Sistemas visuales

      Todos los veh铆culos tienen sistemas de mensajes visuales para comunicarse con los veh铆culos o los peatones. Se trata de los intermitentes, las luces de emergencia, las luces delanteras y traseras, la luz de freno, la luz de marcha atr谩s, la luz diurna o las luces cortas y largas. Estas luces son reconocibles por todos y hacen la conducci贸n m谩s f谩cil y segura.

      Sistemas ac煤sticos

      Todos los veh铆culos cuentan con sistemas de alertas ac煤sticas como puede ser el claxon. Se utiliza para comunicar el veh铆culo con otros veh铆culos o con los peatones. Generalmente se utiliza para advertir sobre una situaci贸n de peligro. Otros veh铆culos pesados, como camiones o m谩quinas de construcci贸n, disponen de un sonido para avisar cuando est谩n realizando un movimiento marcha atr谩s.

      Beneficios

      Los veh铆culos aut贸nomos representan una innovaci贸n significativa en el 谩mbito del transporte, con el potencial de transformar la seguridad vial de manera profunda. Uno de los principales beneficiarios de esta tecnolog铆a son los peatones, quienes a menudo se encuentran en situaciones de vulnerabilidad en las v铆as urbanas.

      Los errores humanos, como la distracci贸n, la fatiga y la conducci贸n bajo los efectos del alcohol, son causas comunes de accidentes de tr谩fico. Los veh铆culos aut贸nomos, al estar controlados por sistemas avanzados de inteligencia artificial, eliminan estos factores de riesgo, reduciendo significativamente la probabilidad de accidentes que involucren a peatones. En 2020, la Comisi贸n Europea public贸 . En este estudio, la CE analiza los impactos esperados de los veh铆culos automatizados y aut贸nomos en el comportamiento de los usuarios de la v铆a y los flujos de tr谩fico y concluye que los veh铆culos aut贸nomos, al eliminar los errores humanos como factor, tienen el potencial de reducir dr谩sticamente los accidentes de tr谩fico, incluyendo aquellos que involucran a peatones.

      Equipados con sensores avanzados, c谩maras y radares, los veh铆culos aut贸nomos pueden detectar la presencia de peatones en su entorno con gran precisi贸n. Estos sistemas permiten una reacci贸n r谩pida y adecuada ante situaciones imprevistas.

      Los veh铆culos aut贸nomos estar谩n programados para cumplir estrictamente con las normas de tr谩fico, incluyendo l铆mites de velocidad y se帽ales de circulaci贸n. Esto asegura que los veh铆culos se detengan en los pasos de peatones y respeten las se帽ales de tr谩fico, creando un entorno m谩s seguro para los peatones.

      Otro aspecto beneficioso ser铆an los sistemas de comunicaci贸n que permitir铆an a los veh铆culos interactuar con los peatones. Por ejemplo, mediante se帽ales luminosas o ac煤sticas, los veh铆culos pueden indicar a los peatones cu谩ndo es seguro cruzar la calle, mejorando la coordinaci贸n y reduciendo el riesgo de accidentes.

      El despliegue de veh铆culos aut贸nomos tambi茅n impulsara mejoras en la infraestructura urbana. Se est谩n desarrollando ciudades inteligentes con sem谩foros conectados, pasos de peatones inteligentes y otras tecnolog铆as que facilitan la integraci贸n segura de veh铆culos aut贸nomos y peatones.

      顿别蝉补蹿铆辞蝉

      Es esencial que los sistemas de percepci贸n sean capaces de identificar y reaccionar adecuadamente ante la presencia de peatones en diversas situaciones. Los veh铆culos aut贸nomos deben estar equipados con una combinaci贸n de sensores avanzados, como c谩maras, radares y LiDAR, que trabajen juntos para proporcionar una visi贸n completa del entorno. Estos sensores deben ser capaces de detectar peatones en diferentes condiciones de luz y clima, as铆 como en situaciones complejas, como cuando est谩n parcialmente ocultos por otros objetos. Cualquier error en estos sistemas es cr铆tico.

      Adem谩s, los algoritmos de inteligencia artificial utilizados en los veh铆culos aut贸nomos deben ser capaces de reconocer a los peatones con alta precisi贸n. Esto incluye la capacidad de distinguir entre peatones y otros objetos en movimiento, as铆 como predecir el comportamiento de los peatones. La capacidad de reacci贸n ante la presencia de peatones tambi茅n es fundamental. Los sistemas de frenado autom谩tico deben activarse en milisegundos para evitar colisiones. Adem谩s, los veh铆culos deben ser capaces de realizar maniobras evasivas de manera segura cuando sea necesario.

      Tambi茅n es importante que exista una actualizaci贸n continua de datos y algoritmos basados en nuevas informaciones y situaciones encontradas en la carretera. Esto incluye aprender de incidentes pasados y mejorar sus sistemas de percepci贸n y reacci贸n en consecuencia.

      Es muy importante tambi茅n poder desarrollar sistemas de comunicaci贸n inequ铆voca entre veh铆culos aut贸nomos y peatones para mejorar significativamente la seguridad. Esta comunicaci贸n bidireccional puede ayudar a reducir la incertidumbre y mejorar la coordinaci贸n en las interacciones entre veh铆culos y peatones. Sin embargo, el desarrollo de esta comunicaci贸n es un reto al tratarse de algo no definido.

      Optimizar el uso de se帽ales ac煤sticas en veh铆culos aut贸nomos es esencial para reducir su impacto ambiental. A trav茅s de un uso selectivo, ajustes de volumen y frecuencia, alternativas visuales, integraci贸n con infraestructura inteligente y la implementaci贸n de normativas adecuadas, es posible minimizar la contaminaci贸n ac煤stica y mejorar la calidad de vida en las ciudades. Es fundamental establecer normativas claras sobre el uso de se帽ales ac煤sticas en veh铆culos aut贸nomos y educar a los desarrolladores y operadores sobre las mejores pr谩cticas. Las regulaciones pueden incluir l铆mites de volumen, restricciones de uso en ciertas 谩reas y horarios, y la promoci贸n de tecnolog铆as alternativas. La educaci贸n y la concienciaci贸n sobre estos aspectos pueden ayudar a garantizar que los veh铆culos aut贸nomos contribuyan a un entorno m谩s silencioso y sostenible.

      El proyecto AWARE2ALL

      AWARE2ALL tiene como objetivo facilitar el despliegue de veh铆culos aut贸nomos en el tr谩fico, abordando los cambios en la seguridad vial y la interacci贸n entre los usuarios de la carretera mediante el desarrollo de tecnolog铆as innovadoras y herramientas de evaluaci贸n. El proyecto se basa en resultados de programas anteriores y se enfoca en desarrollar sistemas de seguridad y HMI (interfaz hombre m谩quina) para garantizar la operaci贸n segura de los veh铆culos aut贸nomos.

      Dentro del veh铆culo, se realizar谩 un monitoreo continuo del estado de los ocupantes para evaluar situaciones internas y, en caso de emergencia, decidir si es posible transferir el control al conductor o ejecutar una maniobra de emergencia. Si una colisi贸n es inevitable, los sistemas avanzados de seguridad pasiva se adaptar谩n para minimizar la gravedad de las lesiones. Fuera del veh铆culo, un sistema de percepci贸n del entorno permitir谩 identificar el comportamiento de los usuarios vulnerables de la carretera (VRUs) y anticipar situaciones cr铆ticas de seguridad, comunic谩ndose eficazmente con ellos para evitar peligros.

      Para asegurar la aceptaci贸n de los usuarios, se integrar谩n aspectos culturales y psicol贸gicos en todas las etapas del proyecto. Adem谩s, se proporcionar谩n sugerencias para futuras regulaciones y est谩ndares, abordando tanto las nuevas tecnolog铆as desarrolladas como los m茅todos de validaci贸n.

      Para ello, 乌鸦传媒 presenta una soluci贸n innovadora basada en una comunicaci贸n ac煤stica efectiva entre los veh铆culos aut贸nomos y las personas usuarias de la v铆a, haciendo foco especialmente en personas discapacitadas. El eHMI enviar谩 diferentes tipos de sonidos considerando el ruido ambiental, el tipo del VRU y c贸mo reacciona este VRU. Estos mensajes ser谩n enviados de forma visual y ac煤stica mediante varios altavoces ubicados en puntos estrat茅gicos del veh铆culo, permiti茅ndoles enviar estos mensajes de manera 贸ptima, para que sean m谩s reconocibles por los usuarios, ajustando el volumen, frecuencia y direcci贸n seg煤n se especifique. 

      Primero necesitamos de un sistema de percepci贸n que permita la identificaci贸n de la situaci贸n externa del veh铆culo y de los VRUs con los que el veh铆culo debe interactuar. El sistema deber谩 detectar y analizar la atenci贸n de los VRUs, a trav茅s de una combinaci贸n de fusi贸n de sensores y detecci贸n de objetos que se realizar谩 simult谩neamente, permitiendo generar un mapa representativo del entorno del veh铆culo.

      Con esta informaci贸n el sistema de comunicaci贸n permitir谩 la interacci贸n con los VRUs utilizando interfaces multimodales (Visuales y Ac煤sticas). Despu茅s del reconocimiento del entorno del veh铆culo por los sistemas de percepci贸n, se transferir谩n a los Sistemas Ac煤sticos y Visuales los patrones definidos por la estrategia de comunicaci贸n.

      En la siguiente imagen se muestra la arquitectura completa de soluci贸n desarrollada en el proyecto partiendo del sistema de percepci贸n hasta la comunicaci贸n, pasando por un sistema de decisi贸n.

      Conclusiones

      El advenimiento de la conducci贸n aut贸noma depende m谩s del marco regulatorio que de la madurez tecnol贸gica de los propios veh铆culos. Sin embargo, a煤n existen retos y preguntas sin respuesta en relaci贸n con la seguridad de otros usuarios que requieren un esfuerzo investigador. AWARE2ALL plantea una soluci贸n para aumentar la seguridad vial, enfocada en Usuarios Vulnerables de la Carretera, que no suelen aparecer en los percentiles y pueden quedar fuera de estudios y nuevas aplicaciones. Este proyecto ofrece algunas ventajas basadas en el sistema externo de interfaz hombre-m谩quina (eHMI) en veh铆culos para la seguridad de peatones vulnerables.

      El eHMI desempe帽a un papel crucial en la industria al permitir una comunicaci贸n efectiva entre humanos y sistemas automatizados. Garantiza que la informaci贸n cr铆tica se transmita con precisi贸n, lo que permite al veh铆culo y los peatones tomar las mejores decisiones para aumentar la seguridad. Esta informaci贸n esencial se transmite de forma clara y comprensible al usuario mediante los mensajes visuales y ac煤sticos conduciendo a decisiones m谩s racionales y pr谩cticas.

      En resumen, AWARE2ALL apuesta por la integraci贸n de HMI externas en los veh铆culos mejora la seguridad al mejorar la comunicaci贸n, proporcionar una representaci贸n clara de la informaci贸n y ayuda en la toma de decisiones. Estos sistemas contribuyen significativamente a la seguridad de los peatones y a la seguridad vial en general facilitando el tr谩nsito de los VRUs y de todos los veh铆culos y peatones.

      Autor

      Arturo Paz G贸mez

      Mechanical & physical Engineer

        The post Sistemas de seguridad e interfaces hombre-m谩quina orientadas a una poblaci贸n diversa appeared first on 乌鸦传媒 Spain.

        ]]>
        566412
        Aeronaves sostenibles impulsadas por Clean Aviation /es-es/investigacion/perspectivas-de-expertos/aeronaves-sostenibles-impulsadas-por-clean-aviation/ Thu, 23 Jan 2025 10:20:38 +0000 /es-es/?p=565639 En la actualidad, el sector aeron谩utico experimenta un momento global de reflexi贸n sobre la estrategia futura a considerar para reducir su impacto sobre la energ铆a consumida y sobre la poluci贸n mundial.

        The post Aeronaves sostenibles impulsadas por Clean Aviation appeared first on 乌鸦传媒 Spain.

        ]]>

        Aeronaves sostenibles impulsadas por Clean Aviation

        Seraf铆n Escudero
        23 de enero de 2024
        capgemini-engineering

        En la actualidad, el sector aeron谩utico experimenta un momento global de reflexi贸n sobre la estrategia futura a considerar para reducir su impacto sobre la energ铆a consumida y sobre la poluci贸n mundial. No en vano, la estimaci贸n del sector sobre las emisiones de efecto invernadero se estiman alrededor del 3%, sobre el 28,5% que representa el transporte a nivel global.

        Con esp铆ritu internacional y centrados en articular las tecnolog铆as m谩s potenciales para reducir este impacto en las pr贸ximas d茅cadas principalmente en Europa, nace en 2021 鈥淐lean Aviation Joint Undertaking – CAJU鈥, iniciativa focalizada en una futura Aviaci贸n Limpia, que es el principal programa de investigaci贸n e innovaci贸n de la Uni贸n Europea para transformar la aviaci贸n hacia un futuro sostenible y clim谩ticamente neutro.

        Al reunir los mejores talentos y capacidades de los sectores p煤blico y privado, desarrollar tecnolog铆as de vanguardia y ponerlas a disposici贸n para dar un salto transformador en el rendimiento de las aeronaves en la d茅cada de 2030, la nueva Empresa Com煤n para una Aviaci贸n Limpia allanar谩 el camino hacia la ambici贸n de la UE de alcanzar la neutralidad clim谩tica para 2050, para todo el sector aeron谩utico, tanto civil como militar.

        Al operar en el centro de un ecosistema amplio y diverso de actores en toda Europa, que abarca desde la comunidad aeron谩utica, las pymes pioneras, los centros de investigaci贸n y el mundo acad茅mico, act煤a como un centro para nuevas ideas e innovaciones.

        Como asociaci贸n p煤blico-privada europea, Clean Aviation lleva la tecnolog铆a y la ciencia aeron谩utica m谩s all谩 de los l铆mites actuales, al crear nuevas tecnolog铆as que reducir谩n significativamente el impacto de la aviaci贸n en el planeta, permitiendo que las generaciones futuras disfruten de los beneficios sociales y econ贸micos de los viajes a茅reos en el futuro.

        Con un presupuesto de 4.100 M鈧, Clean Aviation fomentar谩 el desarrollo de tecnolog铆as punteras que hagan que la aviaci贸n sea neutra para el clima en 2050.

        CAJU (Clean Aviation Joint Undertaking) es la iniciativa com煤n para una Aviaci贸n Limpia. Se basa en el 茅xito de otras iniciativas como Clean Sky, que seguir谩 funcionando hasta 2024. Gracias a Clean Sky se entregar谩n m谩s de 100 demostradores con tecnolog铆as relevantes, que contribuir谩n a estos objetivos.

        乌鸦传媒 impulsa tanto internamente como externamente entre sus clientes, la transici贸n digital y transici贸n de tecnolog铆as sostenibles. En este sentido, ha conseguido ser la primera compa帽铆a, con conocimientos 铆ntegros en servicios de ingenier铆a y sin producto propio, en entrar como miembro internacional de CAJU, siendo parte oficialmente desde noviembre de 2023. Con un compromiso claro de inversi贸n y apoyo a los objetivos claves de Clean Aviation.

        Clean aviation define dos horizontes claros hacia la neutralidad clim谩tica para 2050:

        • 2030: demostrar e introducir conceptos de aeronaves de bajas emisiones que aprovechen los resultados de la investigaci贸n de la Clean Aviation, haciendo un uso acelerado de combustibles sostenibles y operaciones 芦verdes禄 optimizadas, de modo que estas innovaciones puedan ofrecerse a las aerol铆neas y operadores para 2030 para una entrada en servicio [EIS] en el per铆odo 2030-2035.
        • 2050: aviaci贸n clim谩ticamente neutra, mediante la explotaci贸n de tecnolog铆as futuras maduradas m谩s all谩 de la fase de Aviaci贸n Limpia junto con el despliegue completo de combustibles de aviaci贸n sostenibles y portadores de energ铆a alternativos.

        El programa se articula en torno a tres ejes principales, cada uno de ellos con esfuerzos espec铆ficos de I+D y demostradores que impulsan la eficiencia energ茅tica y la reducci贸n de emisiones de las futuras aeronaves. En cada uno de ellos se desarrollar谩n tecnolog铆as y facilitadores, se aprovechar谩n los conocimientos y capacidades esenciales, y tambi茅n se reducir谩n los riesgos de las tecnolog铆as y soluciones identificadas cuando se requiera una mayor maduraci贸n, validaci贸n y demostraci贸n para maximizar su impacto:

        • Aviones regionales el茅ctricos h铆bridos. Investigaci贸n e innovaci贸n en nuevas arquitecturas (h铆bridas) de energ铆a el茅ctrica y su integraci贸n, y maduraci贸n de tecnolog铆as para la demostraci贸n de nuevas configuraciones, conceptos de energ铆a a bordo y control de vuelo.
        • Aviones ultraeficientes de corto y medio alcance. Respuesta a las necesidades de corto y medio alcance con arquitecturas innovadoras de aeronaves que utilicen sistemas de propulsi贸n t茅rmica ultraeficientes y altamente integrados y que aporten mejoras revolucionarias en la eficiencia del combustible. Esto ser谩 esencial para la transici贸n a fuentes de energ铆a de baja o nula emisi贸n (combustibles sint茅ticos, combustibles no drop-in como el hidr贸geno), cuya producci贸n ser谩 m谩s intensiva en energ铆a, m谩s cara y s贸lo disponible en cantidades limitadas.
        • Tecnolog铆as disruptivas para habilitar aviones propulsados por hidr贸geno. Respuesta a las necesidades de corto y medio alcance con arquitecturas innovadoras de aeronaves que utilicen sistemas de propulsi贸n t茅rmica ultraeficientes y altamente integrados y que aporten mejoras revolucionarias en la eficiencia del combustible. Esto ser谩 esencial para la transici贸n a fuentes de energ铆a de baja o nula emisi贸n (combustibles sint茅ticos, combustibles no drop-in como el hidr贸geno), cuya producci贸n ser谩 m谩s intensiva en energ铆a, m谩s cara y s贸lo disponible en cantidades limitadas.

        A continuaci贸n, se indican los :

        Tipo de aeronaveTecnolog铆as y arquitecturas clave que deben validarse a nivel de aeronaveEntrada en servicio viableReducci贸n del consumo de combustibleReducci贸n de emisiones% de emisiones del transporte a茅reo actual
        RegionalPropulsi贸n h铆brida distribuida combinada con una configuraci贸n altamente eficiente de la aeronave.~2035-50%-90%~5%
        Comerciales de corto-medio alcanceConfiguraci贸n avanzada de aeronaves ultra eficientes y motores de turbina de gas ultra eficientes, baip谩s ultra alto (posiblemente de rotor abierto)-90%-30%-86%~50%

        乌鸦传媒, como miembro de Clean Aviation desde noviembre de 2023, trabajar谩 en los proyectos de I+D de Clean Aviation en calidad de socio, con una financiaci贸n impulsada por Europa dirigida a la innovaci贸n tecnolog铆a en este sector, en su m谩xima expresi贸n.

        El proyecto HE-ART

        La aviaci贸n regional ser谩 la primera en beneficiarse de las nuevas tecnolog铆as de propulsi贸n y de las soluciones complementarias asociadas (sistemas m谩s h铆bridos, m谩s eficientes energ茅ticamente y mucho m谩s interconectados) para reducir la huella ambiental de la aviaci贸n. El , de 60 M鈧 financiados en parte por la UE (44 M鈧), en el que estamos involucrados, ser谩 un primer paso en el camino hacia la hibridaci贸n el茅ctrica de los aviones regionales. Se estudiar谩 la viabilidad de un turboh茅lice el茅ctrico h铆brido en un demostrador de pruebas en tierra a escala real, mediante la combinaci贸n de un tren motriz el茅ctrico en un turboh茅lice ultra eficiente y la compatibilidad con combustibles de aviaci贸n 100% sostenibles, llamados SAF. HE-ART perseguir谩 una mejora de la eficiencia y una reducci贸n de las emisiones de gases de efecto invernadero de hasta el 30%. Adem谩s, integrar谩 nuevas tecnolog铆as, como el n煤cleo del motor t茅rmico, el tren motriz el茅ctrico, la distribuci贸n el茅ctrica, la caja de cambios, la h茅lice, la g贸ndola y el intercambiador de calor.

        乌鸦传媒 participa en el paquete de trabajo del sistema de gesti贸n de calor de 煤ltima generaci贸n del proyecto HE-ART, que trata del desarrollo de un sistema integral de gesti贸n t茅rmica para todos los componentes del interior de la g贸ndola del motor hibrido-el茅ctrico, que incluyen las nuevas tecnolog铆as mencionadas. La experiencia de 乌鸦传媒 en sistemas de gesti贸n t茅rmica, modelado, c谩lculo de actuaciones t茅rmicas y dise帽o ha tenido como resultado nuevas propuestas de configuraciones optimizadas de circuitos de refrigeraci贸n aire-l铆quido de alta eficiencia que favorecen la reducci贸n del consumo y el pleno rendimiento en todas las condiciones de funcionamiento.

        Por tanto, 乌鸦传媒 trabaja junto a las mejores empresas del sector, en sistemas clave que representar谩n un hito en la evoluci贸n de motores turbo h茅lices hibrido-el茅ctrico, para la siguiente generaci贸n de aeronaves regionales, m谩s respetuosas con el medio ambiente.

        Autor

        Seraf铆n Escudero

        Sustainable Aeronautical Systems Architect and R&D project expert聽

          础谤迟铆肠耻濒辞s relacionados

          The post Aeronaves sostenibles impulsadas por Clean Aviation appeared first on 乌鸦传媒 Spain.

          ]]>
          565639
          Fusi贸n c谩mara-radar basada en IA: estimaci贸n de profundidad densa para veh铆culos aut贸nomos /es-es/investigacion/perspectivas-de-expertos/fusion-camara-radar-para-vehiculos-autonomos/ Wed, 18 Dec 2024 11:14:56 +0000 /es-es/?p=564808 The post Fusi贸n c谩mara-radar basada en IA: estimaci贸n de profundidad densa para veh铆culos aut贸nomos appeared first on 乌鸦传媒 Spain.

          ]]>

          Fusi贸n c谩mara-radar basada en IA: estimaci贸n de profundidad densa para veh铆culos aut贸nomos

          Rafael Escarabajal S谩nchez
          18 de diciembre de 2024
          capgemini-engineering

          Los veh铆culos aut贸nomos (AVs) dependen de un sofisticado conjunto de sensores para percibir su entorno y tomar decisiones cr铆ticas de conducci贸n. Entre estos sensores, el radar y las c谩maras desempe帽an roles fundamentales al proporcionar datos 煤nicos esenciales para la navegaci贸n y seguridad del veh铆culo. Los avances en Inteligencia Artificial permiten ahora fusionar en tiempo real los datos proporcionados por radares y c谩maras de alta resoluci贸n para ofrecer una comprensi贸n integral del entorno del veh铆culo, presentando oportunidades significativas en la industria de Veh铆culos Aut贸nomos (AVs).

          Los esfuerzos de inversi贸n e investigaci贸n est谩n cada vez m谩s centrados en optimizar estas tecnolog铆as de fusi贸n para mejorar la seguridad y rendimiento del veh铆culo en diversas condiciones ambientales. Es por esta raz贸n que el proyecto (Percepci贸n Inteligente para Veh铆culos Conectados y Aut贸nomos), en el que 乌鸦传媒 ha participado activamente, investiga el uso de t茅cnicas basadas en IA para la fusi贸n de im谩genes de c谩mara y radar (INPERCEPT, 2024).

          En la fusi贸n c谩mara-radar, las c谩maras ofrecen informaci贸n visual de alta resoluci贸n en 2D, pero con ellas no es sencillo realizar una estimaci贸n de la distancia a los objetos detectados. Sin embargo, el radar es capaz de proporcionar medidas precisas de distancia y velocidad de los objetos del entorno. Por tanto, combinando estas fuentes de datos, los AVs pueden detectar y clasificar objetos con precisi贸n, operar eficazmente en diversas condiciones y tomar decisiones de conducci贸n m谩s seguras . Mientras que el LiDAR proporciona una estimaci贸n espacial m谩s densa y detallada, el radar se est谩 convirtiendo en el sensor preferido para la fusi贸n con c谩maras en veh铆culos aut贸nomos debido a su mejor rendimiento en condiciones clim谩ticas adversas, su menor coste, menor consumo de energ铆a, mayor alcance de medici贸n y capacidad para medir directamente la velocidad de los objetos.

          Una aplicaci贸n cr铆tica de la fusi贸n radar-c谩mara es la estimaci贸n de profundidad densa, que implica generar mapas detallados que asignan valores precisos de profundidad a cada p铆xel dentro de las im谩genes capturadas. Estos mapas de profundidad proporcionan informaci贸n espacial esencial sobre las distancias y posiciones de los objetos en el entorno del veh铆culo. Este mapeo preciso es crucial para funcionalidades avanzadas como la detecci贸n de obst谩culos y la planificaci贸n de rutas, permitiendo que los AVs naveguen de manera segura y efectiva.

          Los avances recientes en algoritmos de estimaci贸n de profundidad monocular han revolucionado este campo al generar mapas de profundidad relativa utilizando una sola c谩mara. Estos mapas transmiten las relaciones espaciales entre objetos basadas en sus distancias percibidas entre s铆, en lugar de unidades f铆sicas absolutas como metros. Esta capacidad permite a los AVs discernir qu茅 objetos est谩n m谩s cerca o m谩s lejos, proporcionando un contexto cr铆tico para los procesos de toma de decisiones.

          Al integrar el mapa de profundidad relativa derivado 煤nicamente de la imagen con datos de radar, se hace posible convertir estas distancias relativas en medidas absolutas precisas. El radar desempe帽a un papel fundamental en este proceso al escalar y transformar el mapa de profundidad relativa en un mapa de profundidad absoluto preciso. En el proyecto INPERCEPT, esta integraci贸n se realiza mediante algoritmos basados en redes neuronales, de la manera expuesta en el presente art铆culo.

          惭别迟辞诲辞濒辞驳铆补

          Esquema general

          El algoritmo de fusi贸n propuesto toma como entrada una imagen proveniente de una c谩mara de v铆deo y una nube de puntos proveniente del radar. En primer lugar, la imagen se procesa con un modelo para la estimaci贸n de profundidad monocular llamado Depth Anything (Lihe Yang, 2024), que genera un mapa de profundidad relativo. Posteriormente, dicho mapa relativo es combinado con la nube de puntos del radar utilizando una red neuronal basada en U-Net  (Olaf Ronneberger, 2015) para generar como salida el mapa de profundidad absoluto en metros (ver Ilustraci贸n 2). Para supervisar el entrenamiento de dicha red neuronal, se utilizan datos de un LiDAR, ya que generan nubes de puntos mucho m谩s densas que funcionan a modo de referencia para el aprendizaje. En la Ilustraci贸n 1 se muestra el esquema completo.

          Ilustraci贸n 1. Esquema general del algoritmo de fusi贸n c谩mara-radar.

          Dataset

          El algoritmo propuesto es entrenado utilizando el dataset de Nuscenes (Holger Caesar, 2019), que recoge 1.000 escenas de conducci贸n, en las que se ejecutan diversas maniobras en diferentes condiciones de tr谩fico y meteorolog铆a. Entre sus datos, se encuentran im谩genes y nubes de puntos (de LiDAR y radar), que son los necesarios para el entrenamiento del algoritmo.

          Los datos deben ser preprocesados para adecuarse al formato esperado por la red neuronal. A grandes rasgos, los datos se adaptan de la siguiente manera:

          1. Imagen: debe ser normalizada y ajustada al tama帽o esperado por Depth Anything.
          2. Mapa relativo de profundidad: debe expresar las distancias entre 0 y 1, siendo 0 los pixeles m谩s cercanos, y 1 los m谩s lejanos. Tambi茅n debe ajustarse al tama帽o de la U-Net.
          3. Nubes de puntos: deben proyectarse al plano de la imagen utilizando los par谩metros intr铆nsecos de la c谩mara (tambi茅n proporcionados en el dataset de Nuscenes). Luego deben normalizarse sus coordenadas para facilitar la labor de la red neuronal, y finalmente se debe escoger un n煤mero fijo de puntos (por ejemplo, 100). Si la nube inicial tiene menos puntos, se deben repetir de manera aleatoria hasta llegar a 100. Si la nube inicial excede este n煤mero, se considerar谩n los 100 puntos m谩s representativos.

          Red neuronal

          La estrategia general seguida para fusionar el mapa relativo de profundidades con el radar se muestra en la  Ilustraci贸n 2, y consiste en crear una U-Net que toma el mapa relativo de profundidades del que va extrayendo features con capas convolucionales, y disminuyendo su dimensi贸n con capas de pooling, lo que constituye el encoder. Al final de dicho encoder, donde la imagen tiene menor dimensi贸n, se concatena con las features del radar y luego vuelve paulatinamente a su tama帽o original utilizando convoluciones transpuestas (parte de decoder), dando como resultado una imagen del mismo tama帽o que la inicial que se corresponde con el mapa absoluto de profundidades.

          En cuanto al radar, partiendo de una nube de puntos de tama帽o 3×100 (donde 100 es el n煤mero fijo de puntos elegido en el paso anterior), en primer lugar se pasa por un extractor de features basado en PointNet (Charles R. Qi, 2017). PointNet extrae caracter铆sticas de manera que el resultado es invariante del orden de los puntos de entrada. Est谩 basado en perceptrones multicapa (MLP) compartidos, que se implementan usando convoluciones unidimensionales. Hay que asegurar que la dimensi贸n final de las features de la nube de puntos coincide con la del encoder de la U-net, para que se puedan concatenar.

          La supervisi贸n se realiza con la ayuda de las medidas de LiDAR, que tambi茅n son proyectadas en la misma imagen. Ello permite calcular el error como la media de todos los errores entre la profundidad estimada de cada pixel con la red neuronal y el valor proporcionado por el LiDAR en dicho pixel. Este error constituye el t茅rmino fundamental de la funci贸n de coste para el entrenamiento, que incluye otros t茅rminos relacionados con mantener la consistencia e informaci贸n estructural del mapa de profundidad (esto implica que se mantenga el mismo orden relativo de profundidades respecto al mapa relativo de entrada).

          Ilustraci贸n 2. Red neuronal (se han omitido 3 capas) para fusionar mapa de profundidad relativo y radar (U-Net).

          Implementaci贸n en el proyecto INPERCEPT

          El proyecto INPERCEPT (INPERCEPT, 2024) tiene como objetivo principal mejorar las tecnolog铆as clave que permitan a los veh铆culos aut贸nomos operar de manera m谩s eficiente y segura en t茅rminos energ茅ticos, detectando obst谩culos y condiciones adversas. Entre sus metas se incluye el desarrollo de sistemas de percepci贸n externa para una mejor detecci贸n del entorno en situaciones exigentes. Es aqu铆 donde entra en juego la fusi贸n de datos (Ilustraci贸n 3), que recibe datos de radar y c谩mara frontal para generar un mapa de profundidad. Este mapa es posteriormente utilizado para generar los llamados mapas de coste, que son representaciones espaciales que indican la presencia de obst谩culos o peligros, y son fundamentales para planificar rutas y ejecutar acciones como el frenado.

          Ilustraci贸n 3. Rol de la fusi贸n de datos en el proyecto INPERCEPT.

          En lo que respecta al hardware, el algoritmo ha sido implementado en una Nvidia Jetson AGX Orin 64GB (Nvidia, 2024), una plataforma avanzada de computaci贸n dise帽ada para aplicaciones de inteligencia artificial (IA) y computaci贸n de alto rendimiento, particularmente en el 谩mbito de la rob贸tica, la visi贸n por computadora y el edge computing. El dispositivo se ha configurado para optimizar la inferencia de los algoritmos basados en redes neuronales, utilizando C++ y TensorRT, explotando el uso de GPUs.

          El radar empleado es el modelo AWR1843 de Texas Instruments (TI), que es un radar de Onda Continua Modulada en Frecuencia (FMCW) de M煤ltiple Entrada y M煤ltiple Salida (MIMO), dise帽ado para operar en la banda de 77 a 81 GHz. Este radar incluye tres antenas de transmisi贸n y cuatro antenas de recepci贸n, y es uno de los modelos m谩s avanzados, fiables y modernos creados por TI.

          La c谩mara, desarrollada por Ficosa, ofrece la imagen en formato H.264 con un frame rate de 25 fps, un campo de visi贸n de 196潞x150潞 y una resoluci贸n horizontal-vertical de 1344 x 968 pixeles.

          Por 煤ltimo, hay que se帽alar que los datos generados en INPERCEPT no tienen exactamente la misma naturaleza que los del dataset de Nuscenes empleados para entrenar el algoritmo. Se genera menos cantidad de puntos de radar y el rango de medida es distinto, porque los objetos de la base de datos de Nuscenes est谩n m谩s alejados. Ello nos ha obligado a entrenar el algoritmo con el paradigma de Data Augmentation para aumentar la diversidad del dataset de Nuscenes.

          Resultados

          Para evaluar la calidad de las estimaciones de profundidad, se ha calculado, utilizando el set de datos de test de Nuscenes, el error medio entre la profundidad estimada y la proporcionada por el LiDAR hasta cierta distancia m谩xima, y despreciando los puntos m谩s alejados de dicha distancia. Se ha tomado como distancia m谩xima desde los 10 metros hasta los 50 metros para comprobar c贸mo el error evoluciona a medida que debe estimar mayores distancias, y se proporcionan valores absolutos y relativos. Los resultados se recogen en la Tabla 1.

           DISTANCIAS M脕XIMAS CONSIDERADAS (m)
           1020304050
          Error absoluto (m)0.370.771.211.501.75
          Error relativo (%)3.703.854.033.753.50
          Tabla 1. Errores absolutos y relativos en la estimaci贸n de profundidad considerando distintas distancias.

          En la Tabla 1 se puede observar c贸mo el error absoluto aumenta a medida que las distancias consideradas aumentan, lo que resulta razonable ya que mantener la precisi贸n de las estimaciones se complica a medida que se consideran objetos m谩s lejanos. Sin embargo, el error relativo es bastante uniforme, oscilando alrededor del 3% y el 4%, lo cual se considera un 茅xito en cuanto a calidad de estimaci贸n. Por su parte, en la Ilustraci贸n 4 se muestra gr谩ficamente el resultado de la aplicaci贸n del algoritmo de fusi贸n c谩mara-radar con im谩genes tomadas en el exterior del Automotive Technological Center (ATC) de 乌鸦传媒.

          Ilustraci贸n 4. Resultado visual con datos de INPERCEPT. (a) Original image, (b) Radar pointcloud, (c) relative depth map extracted using Depth Anything, (d) absolute depth map using our algorithm.

          En modo inferencia con la Nvidia Jetson AGX Orin, la red neuronal Depth Anything requiere unos 40 ms en ejecutar, mientras que la red neuronal U-Net tarda unos 3 ms, siendo el tiempo de c贸mputo total de 43 ms, lo que lo habilita para tiempo real. Es importante tener en cuenta que nuestra red funciona a partir de un mapa de profundidad relativo que se puede obtener por cualquier m茅todo, no necesariamente con Depth Anything. En este trabajo se eligi贸 Depth Anything por su novedad y gran precisi贸n, pero pueden existir otros modelos (o se lanzar谩n en el futuro) que aligeren la obtenci贸n de la profundidad relativa, que es el principal cuello de botella computacional en la estimaci贸n de profundidad densa.

          颁辞苍肠濒耻蝉颈贸苍

          Este art铆culo propone un m茅todo para la estimaci贸n de profundidad densa empleando un modelo basado en una red neuronal de tipo U-Net que, en lugar de tomar como entrada la imagen captada por la c谩mara, utiliza un mapa relativo de profundidades que se asume preciso, y que se combina con la nube de puntos proveniente del radar. Este planteamiento experimental es posible gracias a la aparici贸n de nuevos algoritmos, como Depth Anything, que son capaces de proporcionar mapas de profundidad relativos muy precisos, porque han sido entrenados con una cantidad ingente de im谩genes de manera no supervisada. En este trabajo, esta informaci贸n se asume m谩s valiosa que la imagen original en la tarea de obtener profundidades absolutas.

          El algoritmo de fusi贸n ha sido entrenado con el dataset de Nuscenes y luego se ha probado en el contexto del proyecto INPERCEPT como parte de fundamental de los servicios dedicados a percibir los obst谩culos para planificaci贸n de rutas o frenado, y en el que se utilizan radar, c谩mara y un dispositivo de computaci贸n de Nvidia de 煤ltima generaci贸n. Los resultados objetivos proporcionados en el entrenamiento de la red con Nuscenes avalan la eficacia del m茅todo, mientras que su posterior aplicaci贸n con datos reales de INPERCEPT demuestran una integraci贸n v谩lida pese a la diferente naturaleza de los datos, a falta de comprobaciones de mayor rigor, por ejemplo comparando los resultados con los de un LiDAR.

          El algoritmo presentado no solo demuestra su viabilidad t茅cnica y efectividad en entornos controlados y reales, sino que tambi茅n ofrece un camino prometedor hacia soluciones de percepci贸n m谩s seguras, econ贸micas y adaptables para la industria de los veh铆culos aut贸nomos. Este art铆culo demuestra la integraci贸n exitosa de radar y c谩maras, potenciada por algoritmos avanzados, y contribuye al avance hacia la pr贸xima generaci贸n de veh铆culos aut贸nomos capaces de navegar de manera segura y eficiente en un mundo cada vez m谩s complejo y din谩mico.

          Referencias

          Charles R. Qi, H. S. (2017). PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation. IEEE / CVF Computer Vision and Pattern Recognition Conference (CVPR), (p谩gs. 652-660).

          Holger Caesar, V. B. (2019). nuScenes: A multimodal dataset for autonomous driving. arXiv preprint arXiv:1903.11027. Obtenido de https://www.nuscenes.org/nuscenes

          INPERCEPT. (2024). INPERCEPT: Intelligent Perception. Obtenido de https://www.inpercept.es/

          Lihe Yang, B. K. (2024). Depth Anything: Unleashing the Power of Large-Scale Unlabeled Data. IEEE / CVF Computer Vision and Pattern Recognition Conference (CVPR), (p谩gs. 10371-10381).

          Nvidia. (2024). Jetson Orin. Obtenido de https://www.nvidia.com/en-us/autonomous-machines/embedded-systems/jetson-orin/

          Olaf Ronneberger, P. F. (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation. Medical Image Computing and Computer Assisted Interventions.

          Autor

          Rafael Escarabajal S谩nchez

          R&D Software Engineer
          R&D Software EngineerAuto

          Jorge Pinazo Donoso

          Electronics R&D Technical Lead

            Este proyecto ha sido subvencionado por el CDTI, cofinanciado con fondos Europeos del Mecanismo de Recuperaci贸n y Resiliencia y apoyado por el Ministerio de Ciencia e Innovaci贸n. Este proyecto tiene n煤mero de expediente PTAS-20211011

            The post Fusi贸n c谩mara-radar basada en IA: estimaci贸n de profundidad densa para veh铆culos aut贸nomos appeared first on 乌鸦传媒 Spain.

            ]]>
            564808
            Espacios de datos soberanos para la Industria Inteligente /es-es/investigacion/perspectivas-de-expertos/espacios-de-datos-soberanos-para-la-industria-inteligente/ Tue, 03 Dec 2024 11:11:28 +0000 /es-es/?p=564541 The post Espacios de datos soberanos para la Industria Inteligente appeared first on 乌鸦传媒 Spain.

            ]]>

            Espacios de datos soberanos para la Industria Inteligente

            Carlos M茅ndez
            3 de diciembre de 2024
            capgemini-engineering

            En la era de la Industria Inteligente, la transformaci贸n digital es crucial para las industrias que buscan soluciones inteligentes e impulsadas por datos. A medida que crece la interconexi贸n, compartir datos de manera segura y eficiente entre las partes interesadas se vuelve esencial. Los m茅todos tradicionales de compartici贸n de datos a menudo presentan problemas con la soberan铆a de los datos, la seguridad y el cumplimiento normativo. Aqu铆 es donde entran los Espacios de Datos: un cambio de paradigma innovador en la gesti贸n y el intercambio de datos dentro y a trav茅s de las industrias.

            驴Qu茅 son los espacios de datos?

            Los Espacios de Datos son infraestructuras federadas y abiertas que facilitan el intercambio de datos seguro y controlado entre los miembros participantes, bas谩ndose en pol铆ticas, normas y est谩ndares comunes. Garantizan que las organizaciones mantengan el control total sobre sus datos, a la vez que cumplen con las pol铆ticas y los requisitos regulatorios predefinidos. Tecnolog铆as avanzadas como la criptograf铆a, blockchain y la gesti贸n de identidades descentralizadas refuerzan estos espacios, creando un marco s贸lido para el intercambio seguro de los datos.

            La visi贸n de la Uni贸n Europea

            Reconociendo la importancia estrat茅gica de los Espacios de Datos, la Uni贸n Europea (UE) invertir谩 2.000 millones de euros entre 2021 y 2027 en iniciativas como Gaia-X, para establecer un marco com煤n para la infraestructura de datos y la gobernanza. Estas iniciativas tienen como objetivo promover la interoperabilidad y la seguridad de los datos en los Estados miembros y las industrias, fortaleciendo la cadena de valor industrial, fomentando la innovaci贸n y garantizando el cumplimiento de las estrictas regulaciones europeas de protecci贸n de datos.

            La iniciativa ESPADIN en 乌鸦传媒

            ESPADIN (Espacios de Datos para la Industria) de 乌鸦传媒 es un proyecto pionero de I+D que desarrolla una soluci贸n integral de espacios de datos alineada con las directrices y est谩ndares europeos. ESPADIN ofrece un entorno seguro y descentralizado para el intercambio y la gesti贸n de datos en tiempo real, integrando tecnolog铆as dentro de un marco compatible con Gaia-X e IDS.

            El proyecto ESPADIN cuenta con importantes socios industriales -Repsol, Grupo Antolin y FCC-, as铆 como con centros de investigaci贸n, para validar su arquitectura a trav茅s de casos de uso pr谩cticos. Estas colaboraciones demuestran la aplicabilidad y eficacia del proyecto en escenarios industriales del mundo real.

            Entendiendo los espacios de datos

            Las principales caracter铆sticas de los espacios de datos son:

            • Infraestructura federada: Habilita la 肠辞濒补产辞谤补肠颈贸苍 sin centralizar los datos, garantizando que los datos permanezcan dentro de la jurisdicci贸n de su propietario al mismo tiempo que est谩n accesibles para las partes autorizadas.
            • Pol铆ticas, normas y est谩ndares comunes: Garantizan la interoperabilidad y el cumplimiento, dictando la gesti贸n, el acceso y el intercambio de datos.
            • Soberan铆a y control de los datos: Los propietarios de los datos mantienen el control sobre sus datos, decidiendo el acceso, las condiciones y los fines.
            • Seguridad y privacidad: La encriptaci贸n robusta, los protocolos de comunicaci贸n seguros y las tecnolog铆as de preservaci贸n de la privacidad protegen los datos.
            • Gesti贸n de identidades descentralizada: Los sistemas de identidad soberana (SSI) mejoran la privacidad y la seguridad al reducir la dependencia de proveedores centralizado
            • Conectores y protocolo del espacio de datos: Los conectores son esenciales para compartir datos en un espacio de datos, habilitando el intercambio de datos confiable y seguro entre los participantes. El Protocolo del Espacio de datos (DSP) garantiza la interoperabilidad entre los participantes, promoviendo la adopci贸n de vocabularios y ontolog铆as comunes.

            Innovaci贸n tecnol贸gica en ESPADIN

            IoT H铆brido, Edge y Arquitectura Cloud: ESPADIN integra tecnolog铆as de IoT, edge computing y cloud para garantizar la disponibilidad y el procesamiento de datos en tiempo real, habilitando la recopilaci贸n, el procesamiento y el an谩lisis eficiente de los datos.

            Blockchain y Tecnolog铆as de Identidad autogestionada: La tecnolog铆a blockchain proporciona un manejo de datos seguro e inmutable, mientras que la identidad soberana (SSI) asegura una autenticaci贸n y autorizaci贸n de datos seguras, mejorando la privacidad y la seguridad.

            Validaci贸n colaborativa: ESPADIN colabora con Repsol, Grupo Antolin y FCC en casos de uso clave:

            • Repsol: Demostraci贸n de la trazabilidad de la producci贸n de hidr贸geno verde.
            • Grupo Antolin: Supervisi贸n en tiempo real y garant铆a de calidad en la producci贸n de piezas de pl谩stico para veh铆culos.
            • FCC: Inspecci贸n y mantenimiento mejorados de t煤neles utilizando tecnolog铆as IoT y blockchain.

            El proyecto se desarrolla seg煤n la siguiente arquitectura:

            Cumplimiento de los est谩ndares europeos

            ESPADIN garantiza el cumplimiento de las normativas europeas, incluyendo la RGPD y la Ley de Gobernanza de Datos, aline谩ndose con las directrices de Gaia-X e IDSA. Este marco de cumplimiento asegura la soberan铆a de los datos, la seguridad y la interoperabilidad.

            Futuras l铆neas de trabajo

            ESPADIN persigue ampliar su alcance a diversas industrias m谩s all谩 de sus casos de uso iniciales, mejorando la cadena de valor industrial y fomentando la innovaci贸n. La arquitectura flexible del proyecto y las tecnolog铆as en las que se ha fundado lo posicionan para abordar nuevos desaf铆os y oportunidades en la econom铆a digital.

            颁辞苍肠濒耻蝉颈贸苍

            ESPADIN representa un avance significativo en el desarrollo de los Espacios de Datos, aline谩ndose con las iniciativas y los marcos regulatorios europeos para proporcionar una infraestructura de datos segura, interoperable y estandarizada. A trav茅s de su arquitectura innovadora y sus esfuerzos colaborativos, ESPADIN est谩 preparado para revolucionar la gesti贸n de datos en la industria inteligente, estableciendo nuevos est谩ndares para la soberan铆a de los datos y la innovaci贸n digital.

            Contenidos relacionados

            El proyecto ESPADIN

            ESPADIN es un proyecto de investigaci贸n que pretende contribuir al desarrollo de la Industria 4.0 facilitado la interoperabilidad, gobernanza y seguridad/confiabilidad de los espacios de datos.

              Edge computing descentralizado

              El mercado del聽Edge Computing聽est谩 experimentando una profunda evoluci贸n, lo que indica un alejamiento de la computaci贸n聽cloud聽centralizada tradicional hacia un entorno m谩s distribuido.

                Autor

                Carlos M茅ndez

                Innovation Technology Manager

                  Este proyecto ha sido subvencionado por el CDTI, cofinanciado con fondos Europeos del Mecanismo de Recuperaci贸n y Resiliencia y apoyado por el Ministerio de Ciencia e Innovaci贸n. Este proyecto tiene n煤mero de expediente MIG-20221071

                  The post Espacios de datos soberanos para la Industria Inteligente appeared first on 乌鸦传媒 Spain.

                  ]]>
                  564541
                  Contribuyendo a la creaci贸n de la pr贸xima generaci贸n de comunicaciones m贸viles 6G /es-es/investigacion/perspectivas-de-expertos/contribuyendo-a-la-creacion-de-la-proxima-generacion-de-comunicaciones-moviles-6g/ Tue, 12 Nov 2024 10:04:56 +0000 /es-es/?p=563993 Como con cada cambio de generaci贸n de telefon铆a m贸vil, se espera que 6G traiga una mayor velocidad en la transmisi贸n de los datos, y tambi茅n una reducci贸n de la latencia en las conexiones.

                  The post Contribuyendo a la creaci贸n de la pr贸xima generaci贸n de comunicaciones m贸viles 6G appeared first on 乌鸦传媒 Spain.

                  ]]>

                  Contribuyendo a la creaci贸n de la pr贸xima generaci贸n de comunicaciones m贸viles 6G

                  Aurora Ramos
                  12 de noviembre de 2024
                  capgemini-engineering

                  En 2021 dieron comienzo los primeros proyectos de investigaci贸n de lo que ser谩 la nueva generaci贸n de red m贸vil 6G. Los primeros despliegues de pilotos comerciales est谩n previstos hacia 2030.

                  Como con cada cambio de generaci贸n de telefon铆a m贸vil, se espera que 6G traiga una mayor velocidad en la transmisi贸n de los datos, y tambi茅n una reducci贸n de la latencia en las conexiones respecto a la generaci贸n anterior, 5G. Detr谩s de estos requerimientos de mejores prestaciones en cuanto a velocidad y latencia, y que har谩n que 6G habilite el camino hacia un mundo hiper-conectado, hay cambios tecnol贸gicos sustanciales, adem谩s de otros factores diferenciadores a tener en cuenta, como la sostenibilidad ambiental.

                  En 5G, los principales novedades tecnol贸gicas respecto a 4G vinieron en gran parte relacionadas con desagregaci贸n de la gesti贸n de red con tecnolog铆as como las redes controladas por software (SDN); Multi-access Edge Computing (MEC), llevando la computaci贸n en la nube al extremo de la red para reducir latencia; y la virtualizaci贸n de red (Network Function Virtualization), que posibilit贸 hacer un “rebanado” de la red (network slicing) y que defini贸, seg煤n ITU, tres tipos de servicios: eMBB (Enhanced Mobile Broad Band), URLLC (Ultra Reliable Low Latency Communication), y mMTC (Massive Machine Type Communication). De esta forma, mediante la creaci贸n de m煤ltiples redes virtuales (network slice) sobre una misma red f铆sica, fue posible optimizar el uso de los recursos de red seg煤n la priorizaci贸n de ciertos KPIs (Key Performance Indicators) para cada caso de uso. Esto aument贸 el rendimiento, posibilitando nuevos casos de uso como por ejemplo en Industria 4.0, protecci贸n p煤blica en emergencias (PPDR), coche conectado (V2X) y en sector salud, cirug铆a en remoto, entre otros.

                  6G toma de base por supuesto 5G, proponiendo nuevos casos de uso con requerimientos de red mucho m谩s exigentes (latencia por debajo de milisegundos y velocidades de Gbps), y que seg煤n la tienen como hilo conductor la interconexi贸n entre los mundos f铆sico, virtual y personal. As铆 mismo, no es posible hablar de 6G sin considerar el enfoque social, a trav茅s de lo que se han denominado Key Value indicators entre los que se encuentran sostenibilidad (ambiental, social y econ贸mica), inclusividad y confiabilidad.  

                  Figura 1 Visi贸n conceptual de 6G, proyecto Hexa-X

                  Los se clasifican en las siguientes familias principales: telepresencia hologr谩fica para experiencias inmersivas, robots colaborativos (co-bots), ubicuidad de sensores (physical awareness), movilidad en UAVs, gemelos digitales, e Internet de los Sentidos con aplicaciones h谩pticas gracias a la inclusi贸n de nuevos dispositivos inteligentes.

                  Estos nuevos dispositivos finales, m谩s all谩 de los smartphones, como robots inteligentes, coches conectados, etc., por un lado requieren comunicaciones m谩s avanzadas en tiempo real, pero tambi茅n pueden proporcionar por s铆 mismos capacidades de computaci贸n extra en el extremo final de la red, lo que se denomina “extreme edge”. De esta manera, el servicio de red se puede desplegar a lo largo de todo el compute continuum, desde el Cloud, al Edge e incluso al Extreme Edge como un continuo, y aprovechando la mayor capacidad de computaci贸n de los nuevos terminales de forma local junto al usuario final, reduciendo a煤n m谩s la latencia.

                  Esta distribuci贸n de nodos de computaci贸n incluyendo el Extreme Edge, propuesta desde el inicio de especificaci贸n de 6G, se est谩 encontrando con importantes retos; por ejemplo, la heterogeneidad de los nodos en el extreme Edge hace m谩s complicada su gesti贸n de forma hol铆stica, as铆 como su volatilidad, ya que pueden conectarse/desconectarse con frecuencia, a diferencia de recursos de computaci贸n est谩ticos en el Edge o cloud. La Inteligencia Artificial puede ayudar en este caso a crear patrones en cuanto al comportamiento que se puede esperar en este tipo de nodos. La IA incorporada de forma nativa en la arquitectura de 6G es uno de los diferenciadores claves de esta nueva generaci贸n de red m贸vil. As铆, los componentes de AI/ML son agregados de forma intr铆nseca en el dise帽o de la arquitectura a todos los niveles, e.g. infraestructura, red, y aplicaci贸n, y en todos los dominios. El aprendizaje autom谩tico (Machine Learning, ML) se aplica para la toma de decisiones predictivas, anticip谩ndose a posibles errores, permitiendo aumentar la fiabilidad y disponibilidad del servicio de red considerablemente, as铆 como anticipar posibles degradaciones de la calidad de servicio (latencia, velocidad, etc.).  Sin embargo a pesar de que los beneficios de aplicar IA en la gesti贸n de red son claros y aceptados por los operadores, incluyendo la reducci贸n de costes operacionales (OPEX) y consumo energ茅tico, entre otros hay importantes barreras a煤n de adopci贸n, como son: dificultades para cuantificar el retorno de inversi贸n, falta de perfiles en ciencia de datos en el sector telco, y otras barreras m谩s t茅cnicas como preocupaci贸n por la privacidad de los datos y mecanismos espec铆ficos de la explicabilidad de la IA en sistemas de gesti贸n de red de los operadores.

                  En relaci贸n con la incorporaci贸n de sensores ubicuos con red m贸vil ha surgido con fuerza recientemente el t茅rmino Integrated Sensing and Communication (ISAC), tambi茅n conocido como Joint Communication and Sensing (JCAS); ISAC integra informaci贸n de sensores y localizaci贸n espacial de objetivos pasivos (no conectados) con la red m贸vil expandiendo la funcionalidad de red m谩s all谩 de la pura comunicaci贸n. Esto est谩 asociado a casos de uso como los enjambres de drones, la movilidad, la log铆stica, etc. 

                  Otra caracter铆stica inherente a 6G es la cobertura global, lo que incluye conectividad a zonas rurales y m谩s remotas, alineado con la inclusividad. Por ello existe una importante l铆nea de trabajo en 6G para la integraci贸n de red terrestres con redes no terrestres (NTN) t铆picamente con conectividad a trav茅s de sat茅lite, pero en las que, dados los requisitos exigentes de baja latencia, los HAPs (high altitude platform station) han irrumpido con fuerza como soluci贸n intermedia con la que se mejora el alcance de conectividad a zonas remotas sin comprometer en exceso la latencia, como ocurre a trav茅s de las conexiones con sat茅lites.

                  Considerando que la complejidad de las redes en 6G crecer谩 exponencialmente, esto tambi茅n significar谩 nuevos retos en la seguridad, verificaci贸n de identidades, etc. Las tecnolog铆as Quantum y basadas en Tecnolog铆a de Contabilidad Distribuida o Distributed Ledger Technologies (DLT) tendr谩n un papel muy relevante en este sentido.

                  Las bandas de frecuencia en el espectro de 6G esperan cubrir un amplio rango m谩s all谩 de las frecuencias que existen hoy. El objetivo es ir a banda pr贸xima a Teraherzios, entre 100 Ghz a 1 Thz.

                  Finalmente, y no menos importante, alienado con el objetivo clave de sostenibilidad, 6G incluir谩 medidas concretas para la mejora de la eficiencia energ茅tica y m谩s a煤n para descarbonizaci贸n (mediante de uso de fuentes de energ铆a limpias) y reducci贸n del consumo energ茅tico de las redes de telecomunicaciones, lo que est谩 suponiendo un campo muy amplio de investigaci贸n dentro del sector telco.

                  El proyecto 6G-XR (6G eXperimental Research)

                  El es una iniciativa financiada por la Uni贸n Europea bajo el programa Horizon Europe dentro del programa de Smart Networks and Services Joint Undertaking, SNS-JU.

                  6G-XR est谩 formado por un consorcio de 15 entidades en el cual 乌鸦传媒 colabora con empresas como Telef贸nica, Ericsson, Nokia e Intel, adem谩s de con universidades y centros de investigaci贸n de prestigio.

                  El objetivo 煤ltimo del proyecto es fortalecer el liderazgo europeo en tecnolog铆as 6G a trav茅s de la generaci贸n de servicios de Realidad Extendida (XR) e infraestructuras que proporcionan capacidades hacia la era 6G.

                  6G-XR est谩 desarrollando un laboratorio experimental de 6G que abarca m煤ltiples localizaciones en diferentes pa铆ses de Europa y que servir谩 como plataforma de validaci贸n para varios casos de uso de 6G, con especial foco en aplicaciones de Realidad Extendida (XR) y Comunicaciones Hologr谩ficas, en entornos multidominio. M谩s concretamente la infraestructura del proyecto comprende por un lado un nodo en el norte de Europa formado por testbeds en la Universidad de Oulu y el Centro de Investigaci贸n de Finlandia VTT, y por otro lado un nodo en el sur de Europa con localizaciones (Madrid) en el que participan Telefonica, Ericsson y 乌鸦传媒, y en Barcelona por parte del centro de investigaci贸n i2cat.   

                  Como se mencionaba en la secci贸n anterior, se espera que 6G juegue un papel clave en la convergencia entre los mundos f铆sico y virtual, fundamentada en aplicaciones de XR, Spatial Computing y comunicaciones hologr谩ficas, siendo las experiencias inmersivas uno de los casos de uso claves en 6G. La telepresencia XR permitir谩 a las personas ser recreados en su representaci贸n virtual en tiempo real, lo que requerir谩 el consumo de muchos m谩s recursos tanto de red como de computaci贸n, por lo que ser谩 necesario la optimizaci贸n de dichos recursos a la vez que se adopta una soluci贸n de compromiso desde el punto de visto de la sostenibilidad ambiental. Para que la comunicaci贸n hologr谩fica tenga lugar con una calidad aceptable para el usuario final, se requerir谩n tasas de datos mucho mayores que hoy en d铆a, del orden de Gbps, con restricciones de latencia muy estrictas entre 1-10ms y con una tasa de 茅xito de entrega de paquetes del 99-99,99%.

                  Con el fin de alcanzar estos requisitos, el proyecto 6G-XR est谩 dise帽ando e implementando nuevos mecanismos de gesti贸n de recursos de red, computaci贸n y tecnolog铆as de radio acceso y soluciones espec铆ficas para aplicaciones XR que est茅n orientados a esta optimizaci贸n sin comprometer el consumo de energ铆a.

                  Asimismo, se est谩n incorporando algoritmos de Machine Learning como parte de los mecanismos de gesti贸n de los recursos para proporcionar mayor nivel de automatizaci贸n y ser capaces de anticipar acciones de reasignaci贸n de recursos, buscando compromiso entre una calidad de experiencia aceptable para el usuario y el objetivo de reducir consumo energ茅tico.

                  El rol principal de 乌鸦传媒 en 6G-XR es el de coordinar los trabajos en cuanto al dise帽o e implementaci贸n de los componentes que habilitan las tecnolog铆as de Multi-access Edge computing (MEC). Adem谩s, 乌鸦传媒 despliega en 5Tonic su framework de MEC Intelligence Edge Application Platform (IEAP), desarrollando nuevas APIs que facilitan el acceso para proveedores de aplicaciones externos. Por un lado, el IEAP se est谩 integrando con la infraestructura de red de Ericsson; por otro se est谩 trabajando adem谩s en la federaci贸n con el orquestador de MEC de i2cat en Barcelona, seg煤n especificaciones de para habilitar casos de uso multidominio.

                  El trabajo de 乌鸦传媒 en 6G-XR posiciona a la compa帽铆a en tecnolog铆a MEC y automatizaci贸n con IA en el sector telco en general, y en particular para el despliegue de aplicaciones XR y comunicaciones hologr谩ficas. Este trabajo, por ende, impactar铆a positivamente tambi茅n en otras industrias que pueden utilizar este tipo de soluciones, como sector transporte, industrial, energ铆a etc.

                  El proyecto 6G-XR tiene planificado el lanzamiento de tres 鈥open calls鈥 a lo largo de todo el proyecto. Estas open calls ofrecen la infraestructura desarrollada en el proyecto 6G-XR a entidades externas para hacer sus propios experimentos. La primera open call, cuyos proyectos finalizaron a mitad de 2024, estuvo orientada a la experimentaci贸n con componentes de infraestructura proporcionados por entidades externas; los proyectos de la segunda open call, que est谩 centrada en componentes m谩s disruptivos alineados con el 谩mbito de otros proyectos de investigaci贸n actuales de 6G, se implementar谩n entre Septiembre de 2024 y Febrero de 2025. En marzo de 2025 se abrir谩 la convocatoria para la tercera open call que estar谩 dirigida a proveedores de aplicaciones de otras industrias verticales que deseen desplegar sus servicios sobre la infraestructura del proyecto 6G-XR.

                  Sobre la participaci贸n de 乌鸦传媒 en la definici贸n de l铆neas de investigaci贸n e innovaci贸n hacia 6G

                  乌鸦传媒 es miembro de la asociaci贸n industrial a nivel europeo 6G-IA (6G Infrastructure Association). La 6G-IA es la voz de la Industria y organismos de Investigaci贸n europeos para la pr贸xima generaci贸n de redes y servicios. Su objetivo principal es contribuir al liderazgo de Europa en 5G, 5G avanzado e investigaci贸n en 6G. La 6G-IA representa el lado privado en la 5G-PPP y en la Smart Networks and Services JU (Joint Undertaking), en donde el sector p煤blico est谩 representado por la Comisi贸n Europea. La 6G-IA aglutina una comunidad de actores digitales y de telecomunicaciones, como operadores, fabricantes, organismos de investigaci贸n, universidades, industrias verticales, PYMEs y asociaciones de ICT. La 6G-IA lleva a cabo un amplio n煤mero de actividades en 谩reas estrat茅gicas como estandarizaci贸n, definici贸n de frecuencias del espectro, proyectos de I+D, capacitaci贸n tecnol贸gica, 肠辞濒补产辞谤补肠颈贸苍 con otras industrias verticales para despliegue de pilotos, y cooperaci贸n internacional.

                  Por ejemplo, como parte de las actividades como miembro de la 6G-IA, 乌鸦传媒 actualmente est谩 participando en la elaboraci贸n de un Whitepaper sobre que actualiza la visi贸n de 6G por parte de la asociaci贸n, y que se publicar谩 en Octubre de 2025.

                  Para m谩s informaci贸n sobre la participaci贸n de 乌鸦传媒 en la 6G-IA, y en proyectos de Investigaci贸n, Desarrollo e Innovaci贸n de 6G, incluyendo 6G-XR, pueden contactar con Aurora Ramos (ver firma)

                  Aurora Ramos ha sido elegida por como una de las 100 mujeres en el mundo m谩s influyentes en 6G en este a帽o 2024.

                  Contenidos relacionados

                  6G para un futuro hiperconectado

                  En 2030, el mundo ser谩 radicalmente distinto gracias a los avances en conectividad y tecnolog铆as inteligentes conectadas.

                    Edge computing descentralizado

                    El mercado del聽Edge Computing聽est谩 experimentando una profunda evoluci贸n, lo que indica un alejamiento de la computaci贸n聽cloud聽centralizada tradicional hacia un entorno m谩s distribuido.

                      Autora

                      Aurora Ramos

                      Lead 5G/6G Connectivity & Networks – 乌鸦传媒 Engineering Spain
                      Aurora Ramos ha sido elegida por Women in 6G como una de las 100 mujeres en el mundo m谩s influyentes en 6G en el a帽o 2024.

                        6G-XR project has received funding from the  under the European Union鈥檚  under Grant Agreement No 101096838.

                        The post Contribuyendo a la creaci贸n de la pr贸xima generaci贸n de comunicaciones m贸viles 6G appeared first on 乌鸦传媒 Spain.

                        ]]>
                        563993
                        Inteligencia artificial para el diagn贸stico y tratamiento temprano de enfermedades con gran prevalencia en el envejecimiento /es-es/investigacion/perspectivas-de-expertos/inteligencia-artificial-diagnostico-y-tratamiento-temprano-enfermedades-envejecimiento/ Wed, 30 Oct 2024 12:16:29 +0000 /es-es/?p=563708 Este consorcio est谩 creando una soluci贸n inteligente capaz de identificar en fases iniciales enfermedades neurol贸gicas, motoras y degenerativas.

                        The post Inteligencia artificial para el diagn贸stico y tratamiento temprano de enfermedades con gran prevalencia en el envejecimiento appeared first on 乌鸦传媒 Spain.

                        ]]>

                        Inteligencia artificial para el diagn贸stico y tratamiento temprano de enfermedades con gran prevalencia en el envejecimiento: el proyecto AI4HealthyAging

                        Iv谩n Romero
                        30 de octubre de 2024
                        capgemini-engineering

                        AI4HealthyAging es un proyecto destinado a la detecci贸n temprana de enfermedades relacionadas con el envejecimiento mediante Inteligencia Artificial, desarrollado por un consorcio p煤blico-privado de 15 entidades y financiado con 12,5 millones de euros dentro del programa Misiones de I+D en Inteligencia Artificial 2021.

                        Este consorcio est谩 creando una soluci贸n inteligente capaz de identificar en fases iniciales enfermedades neurol贸gicas, motoras y degenerativas como la insuficiencia card铆aca, en la que el coraz贸n no bombea sangre de manera eficiente; el ictus, causado por la interrupci贸n del flujo sangu铆neo al cerebro; la sarcopenia, caracterizada por la p茅rdida de masa y fuerza muscular; el Parkinson, que afecta el control motor; la hipoacusia, que reduce la capacidad auditiva; adem谩s del c谩ncer de pr贸stata y colon, ambos tipos de tumores malignos que afectan com煤nmente a personas mayores y requieren detecci贸n precoz para un tratamiento eficaz. Este sistema utiliza algoritmos de IA para realizar pron贸sticos tempranos y apoyar la toma de decisiones en el tratamiento de personas mayores. 

                        La detecci贸n temprana de enfermedades relacionadas con la edad es fundamental para mejorar la calidad de vida y la longevidad de la poblaci贸n. A medida que las personas envejecen, aumenta el riesgo de desarrollar condiciones cr贸nicas como enfermedades cardiovasculares, diabetes, c谩ncer y demencia. Identificar estas enfermedades en sus primeras etapas permite una intervenci贸n m茅dica oportuna, lo cual puede retrasar la progresi贸n de la enfermedad, reducir complicaciones y mejorar significativamente los resultados cl铆nicos. Adem谩s, la detecci贸n temprana facilita la implementaci贸n de cambios en el estilo de vida y la administraci贸n de tratamientos preventivos, lo que no solo beneficia al individuo, sino que tambi茅n reduce la carga econ贸mica y social sobre los sistemas de salud, haciendo de la detecci贸n precoz una herramienta esencial para posibilitar un envejecimiento saludable y sostenible en la sociedad. 

                        乌鸦传媒 dirige el proyecto y participa llevando a cabo una exploraci贸n integral del modelado predictivo y las tecnolog铆as de aprendizaje federado, abarcando tres casos de uso clave que impulsan el avance en la atenci贸n m茅dica: 

                        • En primer lugar, la implementaci贸n del aprendizaje federado en los centros de salud revoluciona la capacitaci贸n de modelos al utilizar datos distribuidos sin centralizaci贸n, lo que refuerza la solidez del modelo de diagn贸stico. Este enfoque colaborativo no solo garantiza la privacidad del paciente y el cumplimiento del RGPD, sino que tambi茅n optimiza la calidad del diagn贸stico y la eficacia del tratamiento mediante la agregaci贸n de datos interinstitucionales. 
                        • En segundo lugar, aprovechando los sensores IMU port谩tiles, el proyecto se centra en predecir el potencial de recuperaci贸n de los pacientes con accidente cerebrovascular (ictus) mediante algoritmos avanzados de aprendizaje autom谩tico y an谩lisis de datos de movimiento. Este enfoque personalizado permite terapias personalizadas, optimizando la eficiencia del tratamiento y reduciendo los costos y el tiempo de rehabilitaci贸n. 
                        • Por 煤ltimo, el proyecto tiene como objetivo la predicci贸n personalizada del potencial de recuperaci贸n de los pacientes con insuficiencia card铆aca mediante el an谩lisis de datos de ECG, lo que conduce a mejores resultados cl铆nicos, per铆odos de rehabilitaci贸n m谩s cortos y una mejor calidad de vida. 

                        Al adoptar la medicina personalizada, esta iniciativa tiene como objetivo minimizar los costos y mejorar el manejo de la insuficiencia card铆aca. Al incorporar la explicabilidad junto con tecnolog铆as innovadoras, el proyecto AI4HealthyAging garantiza que los modelos predictivos no solo funcionen bien, sino que tambi茅n sean interpretables, fomentando la confianza y una adopci贸n m谩s amplia en la comunidad sanitaria. 

                         

                        Contenidos relacionados

                        La inteligencia artificial y el futuro de la sanidad

                        La cient铆fica de datos Mar铆a Isabel Bernardos explica c贸mo un proyecto de 乌鸦传媒 estudia la forma en que la IA puede ayudar al diagn贸stico y tratamiento precoz de enfermedades relacionadas con el envejecimiento.

                          El proyecto AI4HealthyAging

                          Su ejecuci贸n se realiza a trav茅s de un consorcio p煤blico-privado formado por 15 entidades y cuenta con una dotaci贸n de 12,5 millones de euros.

                            IA para la mejora de los diagn贸sticos de COVID

                            Tres hospitales espa帽oles trabajan con un consorcio formado por 乌鸦传媒, Vodafone Espa帽a, Intel, Cisco, Microsoft y Gilead Sciences Espa帽a para desarrollar una prueba de concepto de modelo de diagn贸stico federado para detectar COVID.

                              Autor

                              Iv谩n Romero

                              Senior Data Scientist at 乌鸦传媒 Engineering

                                Inteligencia Artificial para el Diagn贸stico y Tratamiento Temprano de Enfermedades con Gran prevalencia en Envejecimiento es un proyecto financiado por el Programa Misiones de I+D en Inteligencia Artificial del Ministerio de Asuntos Econ贸micos y Transformaci贸n Digital (MIA.2021.M02.0007)

                                The post Inteligencia artificial para el diagn贸stico y tratamiento temprano de enfermedades con gran prevalencia en el envejecimiento appeared first on 乌鸦传媒 Spain.

                                ]]>
                                563708
                                Movilidad automatizada centrada en el pasajero: el proyecto ULTIMO /es-es/investigacion/perspectivas-de-expertos/movilidad-automatizada-centrada-en-el-pasajero-el-proyecto-ultimo/ Wed, 16 Oct 2024 07:21:22 +0000 /es-es/?p=563153 La industria de los veh铆culos aut贸nomos (AVs) avanzar谩 significativamente en los pr贸ximos a帽os, transformando la forma en que nos movemos.

                                The post Movilidad automatizada centrada en el pasajero: el proyecto ULTIMO appeared first on 乌鸦传媒 Spain.

                                ]]>

                                Movilidad automatizada centrada en el pasajero: el proyecto ULTIMO

                                Rafael Escarabajal S谩nchez
                                16 de octubre de 2024
                                capgemini-engineering

                                La industria de los veh铆culos aut贸nomos (AVs) avanzar谩 significativamente en los pr贸ximos a帽os, transformando la forma en que nos movemos. Estos veh铆culos utilizan una combinaci贸n de sensores, inteligencia artificial y algoritmos avanzados para navegar sin intervenci贸n humana directa.
                                El transporte p煤blico y de mercanc铆as no es ajeno a esta revoluci贸n pues la necesidad de una movilidad m谩s eficiente, accesible y sostenible es cada vez m谩s urgente, especialmente en ciudades con alta densidad de poblaci贸n y preocupaciones ambientales.

                                Situaci贸n del transporte p煤blico aut贸nomo

                                El transporte p煤blico con autobuses aut贸nomos ya ha comenzado a implementarse en varias ciudades alrededor del mundo. Aunque todav铆a es una tecnolog铆a en desarrollo y en muchas 谩reas los proyectos est谩n en fase piloto, existen diversas iniciativas que est谩n demostrando su viabilidad del despliegue y mostrando los beneficios que aporta.

                                Fuera de Europa podemos mencionar proyectos como los de Singapur, Ciudad de M茅xico, Se煤l, Shenzhen, San Francisco, Las Vegas, Dub谩i, S铆dney, Tokio o Toronto.

                                En Europa existen tambi茅n diferentes iniciativas como las de Sion, en Suiza, Helsinki, Par铆s u Oslo lideradas por diferentes fabricantes:

                                • Volkswagen Commercial Vehicles (VWCV) es el veh铆culo m谩s ambicioso y avanzado. Recientemente, anunciaron la integraci贸n de tecnolog铆a de Mobileye en sus veh铆culos y pretenden realizar el lanzamiento de veh铆culos L4 en 2026.
                                • EasyMile ha desplegado veh铆culos en m谩s de 30 pa铆ses y m谩s de 300 localizaciones. Su EZ10 es el veh铆culo m谩s usado en Europa, aunque solo tienen desplegados veh铆culos L4 en una carretera p煤blica de Francia.
                                • Renault form贸 equipo con Waymo en 2019 y tambi茅n ha firmado una alianza con WeRide para posibilitar el transporte p煤blico aut贸nomo en Francia. Sin embargo, hasta la fecha no se conocen datos de despliegues de veh铆culos L4.
                                • GAMA absorbi贸 a Navya en 2023, ofreciendo actualmente una tecnolog铆a limitada a rutas fijas y con bajas velocidades que evolucionar谩 en los pr贸ximos a帽os.

                                Como se puede apreciar, ninguno de los fabricantes europeos ha alcanzado una implementaci贸n completamente aut贸noma a gran escala. La mayor铆a de las empresas en la regi贸n se encuentran en fases de prueba y desarrollo, lo que contrasta con la situaci贸n en Am茅rica y, sobre todo, en Asia, donde algunas compa帽铆as est谩n liderando la integraci贸n de AVs en sus operaciones de transporte p煤blico.

                                Beneficios

                                Incorporar veh铆culos aut贸nomos para el transporte de pasajeros o de mercanc铆as y la log铆stica de 煤ltima milla presenta m煤ltiples beneficios como la reducci贸n de costes operativos, la optimizaci贸n de recursos o una mejor cobertura de 谩reas con poca conectividad. Pero, sobre todo, cambiar谩 la forma en que concebimos un transporte m谩s eficiente y sostenible, al promover el uso compartido de veh铆culos y reducir la dependencia de los autom贸viles particulares.

                                A diferencia de los sistemas de transporte p煤blico tradicionales que operan en rutas fijas y horarios establecidos, los veh铆culos aut贸nomos pueden ajustar su ruta y horario en funci贸n de la demanda real, ofreciendo un servicio m谩s flexible y personalizado, adaptado a las necesidades cambiantes de los usuarios y a las condiciones del entorno. Es lo que se conoce como Transporte Sensible a la Demanda o Demand Responsive Transport (DRT).

                                En este modelo emergente, potentes algoritmos de Machine Learning y T茅cnicas de Anal铆ticia de Datos son capaces de predecir patrones de demanda en tiempo real y ajustar las rutas de los veh铆culos aut贸nomos din谩micamente.  Esto no solo garantiza una distribuci贸n eficiente de los recursos, sino que tambi茅n minimiza tiempos de espera y evita la saturaci贸n de veh铆culos en determinadas zonas. Este enfoque flexible y adaptable permite mejorar la eficiencia del sistema y hacer frente a fluctuaciones en la demanda (Bischoff, F眉hrer, & Maciejewski, 2019); beneficios que se multiplican considerando que los veh铆culos aut贸nomos operaran como parte de flotas inteligentes, colaborando entre s铆 para disminuir la congesti贸n vial optimizando el uso de la energ铆a y reduciendo las emisiones y fomentar una movilidad m谩s equitativa y accesible.

                                顿别蝉补蹿铆辞蝉

                                M谩s all谩 de los desaf铆os inherentes a los diferentes niveles de conducci贸n aut贸noma, el transporte p煤blico presenta retos espec铆ficos.

                                En primer lugar, adem谩s de desplegar mecanismos para evitar accidentes y garantizar una conducci贸n segura y responsable, es crucial priorizar la protecci贸n continua de los pasajeros en el interior de los autobuses aut贸nomos, m谩s teniendo en cuenta que no dispondr谩n de un conductor o empleado de la compa帽铆a que pueda hacer frente a situaciones imprevistas. Esto requiere la creaci贸n de protocolos claros para manejar emergencias y situaciones imprevistas, asegurando que los pasajeros se sientan seguros y confiados al utilizar estos servicios, y el despliegue de sistemas inteligentes que monitoricen el interior y exterior del veh铆culo, capaces de detectar, alertar y gestionar situaciones de riesgo como ca铆das de los pasajeros, disturbios, peleas o vandalismo en el interior del veh铆culo. La combinaci贸n de protocolos y tecnolog铆as junto con la transparencia en la operaci贸n y la garant铆a de un servicio consistente y bien gestionado ser谩n claves para construir esta confianza.

                                Garantizar la escalabilidad de los sistemas de transporte aut贸nomos es tambi茅n esencial para su implantaci贸n y adopci贸n generalizada. Esto implica no solo la capacidad de manejar un aumento en la demanda, sino tambi茅n la integraci贸n fluida con la infraestructura existente para soportar la comunicaci贸n continua entre veh铆culos, centros de supervisi贸n y otros actores del sistema de transporte.

                                Aunque ya hemos comentado los importantes beneficios del transporte aut贸nomo en cuanto a la reducci贸n de su impacto ambiental, es tambi茅n fundamental asegurarlo a largo plazo, adoptando el uso de fuentes de energ铆a renovables para alimentar las flotas de veh铆culos, la selecci贸n de de rutas que minimicen el consumo de energ铆a y asegurando una gesti贸n sostenible de la producci贸n y eventual eliminaci贸n de los veh铆culos.

                                Adicionalmente, la infraestructura existente debe adaptarse y expandirse para soportar la operaci贸n de veh铆culos aut贸nomos en el transporte p煤blico. Esto incluye no solo la instalaci贸n de redes de comunicaci贸n robustas que permitan una interacci贸n continua entre los AVs y los sistemas de supervisi贸n, sino tambi茅n la implementaci贸n de estaciones de carga para flotas el茅ctricas y la adaptaci贸n de carreteras para mejorar la precisi贸n de los sensores y c谩maras. La infraestructura vial, como sem谩foros inteligentes y se帽alizaci贸n espec铆fica para AVs, tambi茅n ser谩 necesaria para permitir una integraci贸n eficiente y segura. El reto radica en garantizar que estas mejoras se implementen de manera escalable y econ贸mica, adapt谩ndose a las necesidades de cada regi贸n.

                                El marco regulatorio es otro desaf铆o crucial para la implementaci贸n de AVs. Los gobiernos y las autoridades de transporte deben desarrollar normas que garanticen la seguridad, la privacidad y la interoperabilidad de los sistemas de transporte aut贸nomos. Esto incluye establecer reglas claras sobre la responsabilidad en caso de accidentes, la protecci贸n de los datos personales de los pasajeros, y la certificaci贸n de los veh铆culos y sus sistemas. Adem谩s, es necesario que las regulaciones se mantengan actualizadas con los avances tecnol贸gicos, permitiendo una innovaci贸n constante mientras se protege a los usuarios y se garantiza una operaci贸n justa y equitativa en el mercado.

                                Un 煤ltimo aspecto fundamental para el 茅xito de la integraci贸n de AVs es la 肠辞濒补产辞谤补肠颈贸苍 entre legisladores, autoridades, comunidades locales, operadores de transporte y desarrolladores de tecnolog铆a. Para ello es necesario crear un entorno que permita la interoperabilidad entre los diferentes actores, plataformas y proveedores. Esta 肠辞濒补产辞谤补肠颈贸苍 debe garantizar la creaci贸n de est谩ndares de seguridad, as铆 como una educaci贸n p煤blica eficaz que facilite la adopci贸n y el uso de estos sistemas. A largo plazo, este enfoque multidisciplinario es esencial para garantizar una implementaci贸n segura, eficiente y sostenible de los veh铆culos aut贸nomos en el transporte p煤blico.

                                El proyecto ULTIMO

                                El proyecto ULTIMO (Ultimo, 2024) tiene como objetivo crear la primera integraci贸n econ贸micamente viable y sostenible de veh铆culos aut贸nomos (AVs) para el transporte p煤blico como servicio (MaaS) y para el transporte urbano de mercanc铆as como servicio (LaaS):

                                • El MaaS abarca varias capas clave para ofrecer un transporte eficiente y conectado: La primera capa se encarga del hardware y software necesarios para la conducci贸n aut贸noma, incluyendo sensores y algoritmos de control. La segunda capa incluye la concepci贸n de veh铆culos equipados y homologados para operar de forma aut贸noma dentro de un entorno definido. La tercera capa gestiona las operaciones y mantenimiento de la flota de veh铆culos aut贸nomos, tanto a nivel f铆sico como digital. La cuarta capa cubre la interfaz con el usuario, gestionando la experiencia del cliente, la fijaci贸n de precios y la planificaci贸n de viajes. La quinta capa proporciona plataformas de contenido digital y servicios asociados a los usuarios. Finalmente, la sexta capa incluye la infraestructura f铆sica y tecnol贸gica necesaria para habilitar el servicio, como servicios en la nube y tecnolog铆a V2X.
                                • En el caso de transporte urbano de mercanc铆as como servicio (LaaS), la estructura es similar, sustituyendo la cuarta y quinta capas por una capa de gesti贸n de la mercanc铆a desde el expedidor hasta el receptor.

                                ULTIMO cuenta en el consorcio con diferentes fabricantes de veh铆culos aut贸nomos SAE de Nivel 4 proporcionado al consorcio 15 veh铆culos que ser谩n desplegados en tres ubicaciones europeas en Suiza, Noruega y Alemania, dando as铆 soporte a las dos primeras capas de estas arquitecturas.

                                Sin embargo, ofrecer servicios de movilidad aut贸noma a gran escala, bajo demanda, puerta a puerta, bien aceptados, compartidos, integrados de manera fluida y econ贸micamente viables requiere un intercambio de informaci贸n sin interrupciones entre diversos actores y exige una infraestructura avanzada de hardware, software y comunicaciones para manejar desde decisiones de alto nivel, como la planificaci贸n de rutas, hasta operaciones de bajo nivel, como la detecci贸n de obst谩culos. Son, por tanto, necesarias innovaciones significativas en todas las capas de estas arquitecturas.

                                En particular, y relacionadas con las capas 2 y 3, 乌鸦传媒 est谩 dise帽ando y desarrollando la Unidad de Monitoreo a Bordo (PS-OBU) capaz de facilitar la comunicaci贸n entre el veh铆culo y la infraestructura externa, compuesta por un Centro de Supervisi贸n y un Orquestador de Flota, y de recibir la informaci贸n de los sensores instalados para monitorizar el interior del veh铆culo y ejecutar servicios asociados a la seguridad de los pasajeros. El acceso a esta unidad se realizar谩 mediante APIs estandarizadas que garanticen la escalabilidad del sistema.

                                A continuaci贸n, se expone la arquitectura de comunicaciones a nivel general, mostrando el papel de la PS-OBU en el conjunto del Sistema Inteligente de Transporte (ITS) y c贸mo est谩 se integra en el interior del veh铆culo con el resto de elementos con los que interact煤a. Por 煤ltimo, se expone el framework de la PS-OBU, mostrando los servicios de seguridad a los pasajeros y el llamado Sistema de Informaci贸n para Pasajeros (PIS), que proporciona informaci贸n relevante a los pasajeros y contribuye a una mejor aceptaci贸n y confianza.

                                Arquitectura de la soluci贸n

                                En el proyecto ULTIMO, el sistema se divide en dos partes diferenciadas (ver la Ilustraci贸n 1), correspondientes a la infraestructura externa el veh铆culo (Centro de Supervisi贸n, Orquestador de Flota) y a los elementos del interior del veh铆culo (OBUs, sensores, router).

                                El elemento que coordina el env铆o de informaci贸n desde el interior del veh铆culo hacia la infraestructura es la PS-OBU. Dicha comunicaci贸n se realiza de dos formas:

                                • Para vol煤menes grandes de datos como v铆deo en vivo, la PS-OBU implementa un servidor de streaming que permite al Centro de Supervisi贸n acceder e integrar estos datos en su panel de control.
                                • Para datos ligeros, se utiliza un protocolo est谩ndar de intercambio de datos que publica la informaci贸n proporcionada por los sensores y los eventos de seguridad interna detectados (peleas, vandalismo, riesgos relacionados con la salud de un pasajero como ca铆das, presencia de humo, temperatura excesiva, etc.) por algoritmos de IA que procesan la informaci贸n de los sensores a bordo (v铆deo, audio, ambientales).

                                La informaci贸n recopilada por la PS-OBU de cada veh铆culo de la flota y las alertas de seguridad son enviadas a un Centro de Supervisi贸n externo, capaz as铆 de detectar cualquier incidente en el interior de los veh铆culos y tomar las medidas oportunas como detener el veh铆culo, enviar mensajes a los pasajeros o enviar un equipo de intervenci贸n.

                                La PS-OBU est谩 tambi茅n conectada al Orquestador de Flota para recibir datos de utilidad, como rutas, para su visualizaci贸n dentro del veh铆culo, y poder modificar el estado de la aplicaci贸n m贸vil de los pasajeros para ofrecerles una comunicaci贸n personalizada.

                                Finalmente, la PS-OBU tambi茅n se conecta a un Sistema de Informaci贸n para Pasajeros (PIS), consistente en una interfaz de usuario mostrada en una pantalla t谩ctil dentro del veh铆culo, con informaci贸n 煤til para los pasajeros relativa al trayecto (rutas, paradas, mensajes) que tambi茅n permite interactuar con el Centro de Supervisi贸n mediante videollamadas.

                                En el siguiente diagrama (Ilustraci贸n 1) se muestran las conexiones entre todos estos elementos.

                                Ilustraci贸n 1. Arquitectura general de comunicaciones de ULTIMO.

                                颁辞苍肠濒耻蝉颈贸苍

                                Un sistema de conducci贸n aut贸noma basado en flotas que proporcione servicio de Demand Responsive Transport (DRT) requiere una arquitectura estandarizada que permita el funcionamiento a escala de todos los subsistemas involucrados, con integraci贸n autom谩tica de las funcionalidades para cualquier veh铆culo de la flota. Esto facilita el conocimiento del estado de cada veh铆culo y permite una r谩pida actuaci贸n por parte de los servicios de supervisi贸n en caso de una emergencia.

                                Este documento presenta la arquitectura de comunicaciones del proyecto ULTIMO, con especial 茅nfasis en las caracter铆sticas de la Unidad de Monitoreo a Bordo (PS-OBU), actualmente en desarrollo por 乌鸦传媒. Esta unidad no solo act煤a como nexo entre el interior y el exterior del veh铆culo mediante la implementaci贸n de protocolos de comunicaci贸n, sino que gestiona todos los servicios asociados a los pasajeros basados en inteligencia artificial gracias a su capacidad de computaci贸n avanzada. Dichos servicios buscan garantizar la seguridad de los pasajeros, evitando o subsanando incidentes tan pronto como ocurran. Adem谩s, a帽adiendo elementos como la Passenger Information System (PIS) se mejora el nivel de confianza de los pasajeros, al poder visualizar toda la informaci贸n necesaria y tener la capacidad de contactar o pedir ayuda de manera 谩gil y sencilla.

                                Por 煤ltimo, el esfuerzo en la estandarizaci贸n de las APIs para permitir la comunicaci贸n eficiente de la PS-OBU con los dem谩s actores del sistema es crucial para enfrentar el reto de la escalabilidad. Las APIs, embebidas en un middleware robusto, no solo proporcionan descriptores estandarizados, sino que tambi茅n gestionan las comunicaciones, asegurando una operaci贸n fluida y confiable del sistema. De esta manera, el proyecto ULTIMO contribuye significativamente a superar los retos asociados con la integraci贸n de veh铆culos aut贸nomos en el transporte p煤blico, promoviendo una movilidad m谩s segura, eficiente y accesible.

                                Referencias

                                Bischoff, J., F眉hrer, K., & Maciejewski, M. (2019). Impact assessment of autonomous DRT systems. Transportation Research Procedia, 440-446.

                                Nvidia. (2024). Jetson Orin. Retrieved from https://www.nvidia.com/en-us/autonomous-machines/embedded-systems/jetson-orin/

                                Ultimo. (2024). ULTIMO: Unlocking large-scale and passenger-centric automated mobility. Retrieved from https://ultimo-he.eu/

                                 

                                Autores

                                Rafael Escarabajal S谩nchez

                                R&D Software Engineer
                                R&D Software EngineerAuto

                                Jorge Pinazo Donoso

                                Electronics R&D Technical Lead

                                  The post Movilidad automatizada centrada en el pasajero: el proyecto ULTIMO appeared first on 乌鸦传媒 Spain.

                                  ]]>
                                  563153