Memoria para optar al título de Ingeniero Civil Industrial / 08/11/2023

Memoria para optar al título de Ingeniero Civil Eléctrico / Los robots de servicio son cada vez más frecuentes dado su potencial para realizar diversos tipos de tareas. Una actividad con gran potencial es la de seguir a una persona, ya que se puede utilizar para ejecutar acciones más complejas, como aprender un recorrido predeterminado, ayudar a transportar objetos, monitorear a una persona, etc. Luego, el objetivo de este trabajo es el de implementar un sistema de seguimiento de una persona con el robot de servicio Pepper de SoftBank Robotics, que implica ser capaz de funcionar en tiempo real, con la presencia de múltiples personas, entre otros. Tras investigar en la literatura distintos métodos relacionados con este trabajo, se propone e implementa un sistema modular que basa su funcionamiento en imágenes de color y profundidad adquiridas por el robot. Primero se obtienen candidatos de personas utilizando la nube de puntos generada por la imagen de profundidad para reducir el costo computacional, y luego se detectan utilizando la imagen de color. Posteriormente se asocian las detecciones de todas las personas a lo largo del stream de video. A continuación se entrena un clasificador adaptativo capaz de diferenciar a la persona que se está siguiendo de las demás, mediante un conjunto de características elegidas previamente. Por último, se tiene un módulo encargado de accionar al robot para realizar la rutina de movimiento, que permite seguir a la persona. El sistema se evaluó en un conjunto de videos generados específicamente para la tarea de seguimiento. Los resultados obtenidos indican que el sistema sí se puede ejecutar en tiempo real, con una tasa aproximada de 12 fps. Por otro lado, la detección de la persona a seguir alcanzó una media del 90.49%, además de ser capaz de reencontrarla la mayoría de las veces con una tasa promedio del 92.01%. Estos resultados compiten con métodos tradicionales utilizados en la literatura, pero que no logran ejecutarse en tiempo real en una máquina de las mismas características a la utilizada en este trabajo. Se concluye que el sistema cumple con los objetivos planteados, y también da la posibilidad de realizar una mejora continua de éste por la naturaleza modular de la solución propuesta. Aún así, existe un conjunto de problemáticas no resueltas que se esperan resolver con métodos modernos y hardware especializado, como por ejemplo las redes neuronales convolucionales.

La inteligencia artificial (IA) también conocida como la inteligencia no natural, presenta un gran avance para la humanidad en diferentes sectores económicos, al reemplazar procesos y funciones por sistemas expertos o  robots industriales. No obstante, se cuestiona si la IA aporta valor y desarrollo en el entorno laboral para el ser humano, si crea más empleos o todo lo contrario. El presente trabajo tiene como objetivo general presentar investigaciones relevantes sobre la inteligencia artificial y su impacto controversial en torno al empleo y desempleo en las industrias, como tema central de este documento. Así también se revisan los inicios históricos de la IA, el análisis de las diferentes perspectivas y su aplicación. En esta investigación se aborda la explicación de los sistemas inteligentes, las principales razones de uso en los diversos sectores económicos, los riesgos y ventajas de su aplicación en las organizaciones,  se precisan los sectores económicos más desarrollados en la aplicación de la tecnología  en las últimas décadas, así como  su evolución en los últimos años en el Perú y el mundo. La relevancia del tema a presentar es la IA y su aceptación en las industrias, al generar resultados positivos en las  utilidades, reducción de costos, eficiencias en los procesos y rentabilidad. Asimismo el uso de las diversas herramientas que proporciona como por ejemplo el uso de los Chatbots;  sin embargo, también hay consecuencias desfavorables de su implementación en las empresas, como el prescindir de mano de obra o puestos de trabajo, generándose así la controversia. Para el desarrollo de la investigación se utilizó una metodología correlacional, descriptiva y conceptual. Se concluirá que el impacto social de la IA va a ser enorme. Pero aún hay preguntas clave sin una respuesta clara, donde nos preguntamos si están las sociedades preparadas para lo que viene y qué medidas deberían tomar las empresas para que la inteligencia artificial mejore la forma de vida del ser humano del siglo XXI. / Artificial intelligence (AI), also known as unnatural intelligence, presents a great advance for humanity in different economic sectors, by replacing processes and functions with expert systems or industrial robots. However, it is questioned whether AI brings value and development in the work environment for the human being, if it creates more jobs or the opposite. The purpose of this paper is to present relevant research on artificial intelligence and its controversial impact on employment and unemployment in industries, as the central theme of this document. The historical beginnings of AI, the analysis of different perspectives and their application are also reviewed. This investigation addresses the explanation of intelligent systems, the main reasons for use in various economic sectors, the risks and advantages of their application in organizations, the most developed economic sectors in the application of technology in recent decades, as well as its evolution in recent years in Peru and the world. The relevance of the topic to be presented is AI and its acceptance in industries, generating positive results in profits, cost reduction, process efficiencies and profitability. Also the use of the various tools that it provides, such as the use of Chatbots; However, there are also unfavorable consequences of its implementation in companies, such as dispensing with labor or jobs, thus generating controversy. A correlational, descriptive and conceptual methodology was used for the development of the research. It will be concluded that the social impact of AI is going to be enormous. But there are still key questions without a clear answer, where we wonder if societies are prepared for what is coming and what measures companies should take to make artificial intelligence improve the way of life of the human being of the 21st century. / Trabajo de Suficiencia Profesional

No description available.

La gestión del tráfico es una tarea muy compleja. La información generada por los sistemas tradicionales de monitorización (por ejemplo espirales) es muy limitada e insuficiente para realizar estudios más ambiciosos y complejos sobre el tráfico. Hoy en día esto es un problema en un mundo donde técnicas como el Big Data se han metido en todos los ámbitos. Esta tesis se enfoca en abordar el problema de monitorización automática de vehículos empleando sensores más modernos como las cámaras. Estos sensores llevan ya varias décadas instalados en las carreteras pero con una misión limitada a la monitorización pasiva de las mismas. El objetivo de la tesis es aprovechar estos sensores con algoritmos capaces de extraer información útil de forma automática de las imágenes. Para ello, vamos a abordar dos problemas clásicos en este campo como son el seguimiento y la clasificación automática de vehículos en varias categorías. Dentro del marco de los sistemas inteligentes de transporte (ITS, por sus siglas en inglés), el trabajo presentado en esta tesis aborda los problemas típicos relacionados con el seguimiento de vehículos como la eliminación de sombras y el manejo de oclusiones. Para ello se ha desarrollado un algoritmo que combina criterios de proximidad espacial y temporal con un algoritmo basado en KLT para el seguimiento tratando de aprovechar las ventajas de cada uno de ellos. En el contexto de la clasificación se ha desarrollado un algoritmo híbrido que combina plantillas 3D que representan las distintas categorías de vehículos junto con un clasificador SVM entrenado con características visuales de camiones y autobuses para afinar la clasificación. Todos los algoritmos utilizan una sola cámara como sensor principal. Los sistemas desarrollados han sido probados y validados experimentalmente sobre una amplia base de vídeos tanto propios como otros independientes. Hemos recopilado y etiquetado una amplia colección de vídeos de tráfico representativos de un variado abanico de situaciones que ponemos a disposición de la comunidad científica como banco de pruebas.

Every day robots are becoming more common in the society. Consequently, they must have certain basic skills in order to interact with humans and the environment. One of these skills is the capacity to understand the places where they are able to move. Computer vision is one of the ways commonly used for achieving this purpose. Current technologies in this field offer outstanding solutions applied to improve data quality every day, therefore producing more accurate results in the analysis of an environment. With this in mind, the main goal of this research is to develop and validate an efficient object-based scene understanding method that will be able to help solve problems related to scene identification for mobile robotics. We seek to analyze state-of-the-art methods for finding the most suitable one for our goals, as well as to select the kind of data most convenient for dealing with this issue. Another primary goal of the research is to determine the most suitable data input for analyzing scenes in order to find an accurate representation for the scenes by meaning of semantic labels or point cloud features descriptors. As a secondary goal we will show the benefits of using semantic descriptors generated with pre-trained models for mapping and scene classification problems, as well as the use of deep learning models in conjunction with 3D features description procedures to build a 3D object classification model that is directly related with the representation goal of this work. The research described in this thesis was motivated by the need for a robust system capable of understanding the locations where a robot usually interacts. In the same way, the advent of better computational resources has allowed to implement some already defined techniques that demand high computational capacity and that offer a possible solution for dealing with scene understanding issues. One of these techniques are Convolutional Neural Networks (CNNs). These networks have the capacity of classifying an image based on their visual appearance. Then, they generate a list of lexical labels and the probability for each label, representing the likelihood of the present of an object in the scene. Labels are derived from the training sets that the networks learned to recognize. Therefore, we could use this list of labels and probabilities as an efficient representation of the environment and then assign a semantic category to the regions where a mobile robot is able to navigate, and at the same time construct a semantic or topological map based on this semantic representation of the place. After analyzing the state-of-the-art in Scene Understanding, we identified a set of approaches in order to develop a robust scene understanding procedure. Among these approaches we identified an almost unexplored gap in the topic of understanding scenes based on objects present in them. Consequently, we propose to perform an experimental study in this approach aimed at finding a way of fully describing a scene considering the objects lying in place. As the Scene Understanding task involves object detection and annotation, one of the first steps is to determine the kind of data to use as input data in our proposal. With this in mind, our proposal considers to evaluate the use of 3D data. This kind of data suffers from the presence of noise, therefore, we propose to use the Growing Neural Gas (GNG) algorithm to reduce noise effect in the object recognition procedure. GNGs have the capacity to grow and adapt their topology to represent 2D information, producing a smaller representation with a slight noise influence from the input data. Applied to 3D data, the GNG presents a good approach able to tackle with noise. However, using 3D data poses a set of problems such as the lack of a 3D object dataset with enough models to generalize methods and adapt them to real situations, as well as the fact that processing three-dimensional data is computationally expensive and requires a huge storage space. These problems led us to explore new approaches for developing object recognition tasks. Therefore, considering the outstanding results obtained by the CNNs in the latest ImageNet challenge, we propose to carry out an evaluation of the former as an object detection system. These networks were initially proposed in the 90s and are nowadays easily implementable due to hardware improvements in the recent years. CNNs have shown satisfying results when they tested in problems such as: detection of objects, pedestrians, traffic signals, sound waves classification, and for medical image processing, among others. Moreover, an aggregate value of CNNs is the semantic description capabilities produced by the categories/labels that the network is able to identify and that could be translated as a semantic explanation of the input image. Consequently, we propose using the evaluation of these semantic labels as a scene descriptor for building a supervised scene classification model. Having said that, we also propose using semantic descriptors to generate topological maps and test the description capabilities of lexical labels. In addition, semantic descriptors could be suitable for unsupervised places or environment labeling, so we propose using them to deal with this kind of problem in order to achieve a robust scene labeling method. Finally, for tackling the object recognition problem we propose to develop an experimental study for unsupervised object labeling. This will be applied to the objects present in a point cloud and labeled using a lexical labeling tool. Then, objects will be used as the training instances of a classifier mixing their 3D features with label assigned by the external tool.

Traffic is one of the key elements nowadays that affect our lives more or less in a every day basis. Traffic is present when we go to work, is on week ends, on holidays, even if we go shopping in our neighborhood, traffic is present. Every year, we can see on TV how after a bank holiday (United Kingdom public holiday), the traffic incidents are a figure that all TV news are obliged to report. If we see the accident causes, the ones caused by mechanical failures are always a minimal part, being human causes the majority of times. In our society, the tasks where technology help us to complete those with 100% success are very frequent. We tune our TVs for digital broadcasting, robots complete thousands of mechanical tasks, we work with computers that do not crash for months or years, even weather forecasting is more accurate than ever. All those aspects in our lives are successfully carried out on a daily basis. Nowadays, in traffic and road transport, we are starting a new era where driving a vehicle can be assisted partially or totally, parking our car can be done automatically, or even detecting a child in the middle of the road can be automatically done instead of leaving those tasks to the prone-to-fail human. The same features that today amaze us (as in the past did the TV broadcast in colour), in the future, those safety features will be a common thing in our cars. With more and more vehicles in the roads, cars, motorbikes, bicycles, more people in our cities and the necessity to be in a constant move, our society needs a zero-car-accidents conception, as we have now the technology to achieve it. Computer Vision is the computer science field that since the 80s has been obsessed with emulating the way human see and perceive their environment and react to it in an intelligent way. One decade ago, detecting complex objects in a scene as a human was impossible. All we could do was to detect the edges of an object, to threshold pixel values, detect motion, but nothing as the human capability to detect objects and identify their location. The advance in GPUs technology and the development of neural networks in the computer vision community has made those impossible tasks possible. GPUs now being a commodity item in our lives, the increase of amount and speed of RAM and the new and open models developed by experts in neural networks, make the task of detecting a child in the middle of a road a reality. In particular, detections with 99.79% probability are now possible, and the 100% probability goal is becoming a closer reality. In this thesis we have approached one of the key safety features in systems for traffic analysis, that is monitoring pedestrian crossing. After researching the state-of-the-art in pedestrian movement detection, we have presented a novel strategy for such detection. By locating a fixed camera in a place where pedestrians move, we are able to detect the movement of those and their direction. We have achieved that task by using a mix of old and new methodologies. Having a fixed camera, allow us to remove the background of the scene, only leaving the moving pedestrians. Once we have this information, we have created a dataset of moving people and trained a CNN able to detect in which direction the pedestrian is moving. Another work that we present in this thesis is a traffic dataset and the research with state-of.the-art CNN models to detect objects in traffic environments. Crucial objects like cars, people, bikes, motorbikes, traffic signals, etc. have been grouped in a novel dataset to feed state-of-the-art CNNs and we carried out an analysis about their ability to detect and to locate those objects from the car point of view. Moreover, with the help of tracking techniques, we improved efficiency and robustness of the proposed method, creating a system capable of performing real-time object detection (urban objects). In this thesis, we also present a traffic sign dataset, which comprises 45 different traffic signs. This dataset has been used for training a traffic sign classifier that is used a second step of our urban object detector. Moreover, a very basic but important aspect in safety driving is to keep the vehicle within the allowed space in the road (within the limits of the road). SLAM techniques have been used in the past for such tasks, but we present an end-to-end approach, where a CNN model learns to keep the vehicle within the limits of the road, correcting the angle of the vehicle steering wheel. Finally, we show an implementation of the presented systems running on a custom-built electric car. A series of experiments were carried out on a real-life traffic environment for evaluating the steering angle prediction system and the urban object detector. A mechanical system was implemented on the car to enable automatic steering wheel control.

Con la idea de guiar a personas que están a cargo de diferentes tipos de organizaciones para tomar mejores decisiones, hemos analizado y considerado que uno de los retrasos en los proyectos de Inteligencia de Negocios (IN) ocurre en los procesos de Extracción, Transformación y Carga de Datos (ETL), se propone un algoritmo basado en ID3, pero que incluye mejoras en la investigación de sus nodos mediante atributos ubicados en diferentes fuentes de datos estructurados o no, los mismos que pasan por procesos especiales de limpieza y en este estudio se les da una denominación de "pureza". Una vez obtenidos, los nodos se clasifican según los cálculos recursivos de entropía y ganancia de información para lograr una estructura sólida que tome decisiones para cualquier objetivo que se presente en un caso de estudio.

Actualmente, la criptografía resulta de vital importancia en la protección de la información, garantizando la confidencialidad, autenticidad, integridad y disponibilidad. Dentro de esta área, las funciones resumen o hash criptográficas tienen mucha aplicabilidad en sistemas y protocolos seguros. Su función principal consiste en pasar de una cadena de longitud arbitraria (mensaje) a una de longitud fija (resumen) de forma que sea muy improbable obtener el mensaje a partir del resumen o encontrar dos mensajes que generen el mismo resumen. Las funciones de derivación de claves basadas en contraseña (PBKDF), son funciones hash especializadas que se usan, comúnmente, para transformar las contraseñas de los usuarios en claves para el cifrado simétrico, así como para la autenticación de usuarios. Se propone un PBKDF con tres niveles de optimización cuyo diseño se basa en emplear el estándar de cifrado avanzado (AES), como un generador pseudoaleatorio y aprovechar el soporte para la aceleración de hardware para AES para mitigar los ataques comunes a los sistemas de autenticación de usuarios basados en contraseña. Se analizan, también, sus características de seguridad, estableciendo que resulta equivalente a la seguridad de AES, y se compara su rendimiento con algoritmos PBKDF de prestigio, como Scrypt y Argon2, con resultados favorables.

Las universidades hacen grandes esfuerzos económicos y organizativos para adaptarse a la sociedad actual. El proceso de enseñanza-aprendizaje ha evolucionado desde la tradicional lección magistral hasta las últimas tendencias: e-learning, b-learning, flipped learning, aprendizaje basado en proyectos, aprendizaje cooperativo, etc. En definitiva, el proceso de aprendizaje se encuentra inmerso en lo que se denomina un ecosistema tecnológico en el cual coexisten métodos, políticas y equipos de personas, todo ello relacionado mediante herramientas tecnológicas. Estimar el impacto de un ecosistema de e-learning permite saber qué elementos de este entorno le dan mayor valor a la organización y verificar si los objetivos son pertinentes y si se han cumplido o no. No es suficiente saber si una estrategia aporta valor real a una organización. Con la información que se obtenga de la estimación del impacto de los ecosistemas, es posible identificar brechas en el contenido o la metodología de un programa e implementar acciones que permitan cubrir las necesidades de la sociedad frente a la oferta académica de las universidades. Estas acciones posibilitarán la introducción de mejoras en el entorno en lo referente a logro de objetivos de empleo y mejoras en las condiciones sociales y económicas de las personas, las empresas y la sociedad. Es importante medir el impacto de los procesos de e-learning para determinar los resultados de esta aplicación en la sociedad. Al evaluar las acciones del proceso de enseñanza-aprendizaje, se puede saber en qué y cuánto se debe cambiar, en qué y cuánto se debe mejorar. Por lo tanto, el control de estos factores es fundamental en cualquier organización para impulsar avances y mejora continua. Para responder a las cuestiones de investigación planteadas hay que tener en cuenta que la medición del impacto del uso de ecosistemas de aprendizaje es un área que se encuentra en desarrollo. Inicialmente el estudio se ha basado en determinar criterios, variables e indicadores relevantes y comunes, este es el punto de partida para la evaluación. Además, se ha procurado estudiar a cada elemento de manera sistemática para determinar si es o no relevante y si formará o no parte del modelo propuesto. Para el desarrollo de la investigación se ha realizado un estudio del tema analizando trabajos en este ámbito desarrollados por otros autores para obtener información del estado actual del tema de investigación. Esto habilita definir la línea base que permita estructurar el estudio de forma que se tenga una visión global del contexto y finalmente sea posible diseñar un modelo que incorpore características relevantes y comunes. A continuación, con los datos recabados de encuestas aplicadas a estudiantes, egresados y empleadores, se ha realizado el análisis de los datos con la finalidad de hacer un ajuste del modelo, de acuerdo, a condiciones reales. Se ha aplicado análisis factorial y análisis de componentes principales para determinar cuáles son los factores influyentes en el proceso de estimación del impacto de los ecosistemas e-learning y cuál es su nivel de importancia dentro del entorno estudiado mediante la obtención de sus pesos y calculando su matriz de puntuaciones factoriales. Con estos valores se han establecido las funciones que determinan cada aspecto dentro de cada una de las dimensiones del modelo. Una vez diseñado el modelo para valorar el impacto de los ecosistemas de aprendizaje y habiendo obtenido las ecuaciones que miden cada aspecto de cada dimensión del modelo, se calculan los valores máximos y mínimos de las ecuaciones con el fin de generar un rango referencial común para todas las dimensiones. Finalmente, y a modo de ejemplo, se aplica el modelo utilizando los datos de la Universidad Central del Ecuador con el objetivo de mostrar cómo el modelo puede reflejar de forma sencilla el impacto social de los ecosistemas de aprendizaje. Los resultados obtenidos se presentan también de forma gráfica, lo que permite valorar a simple vista los aspectos mejor y peor valorados dentro del modelo por todos los agentes implicados: estudiantes, egresados y empleadores. Ello permite focalizar las propuestas de mejora en los aspectos peor valorados o en aquellos que requieren un trabajo coordinado entre las partes implicadas. En definitiva, se ha generado un instrumento base que podría ser utilizado por cualquier universidad pública para determinar el impacto social de aplicar ecosistemas de aprendizaje dentro de los procesos de enseñanza-aprendizaje.