Smart iot monitoring and real-time control based on autonomous robots, visual recognition and cloud/edge computing services

Resumen

Resumen de la tesis: En la cuarta revolución industrial en la que estamos inmersos, se están introduciendo nuevas tecnologías en los procesos productivos, como el uso de vehículos autónomos (UVs) para recogida de datos en grandes superficies y el uso del Internet Industrial de las Cosas (IIoT). Las principales claves para integrar esta nueva tecnología en la industria es afrontar el reto de compatibilizar la red informática con sus máquinas, incluyendo la interoperabilidad, computación en la niebla/nube/borde (fog/cloud/edge computing), la seguridad, la disminución de la latencia y la mejora de la precisión de los datos y la calidad del servicio. Las plataformas industriales inteligentes requieren múltiples procesos sincronizados que exigen una baja latencia y una mayor fiabilidad para lograr el rendimiento necesario. Además, los métodos de Inteligencia Artificial (IA) aplicados a la IIoT deben ser capaces de abordar estas cuestiones, así como otros parámetros como el despliegue de la red y la gestión de recursos. Los problemas de alta latencia y enlaces poco fiables entre la nube y los puntos finales del IoT industrial son retos importantes. Cada aplicación de niebla y borde puede tener diferentes requisitos de latencia y puede generar diferentes tipos de datos y tráfico de red. Estos datos generados pueden ser imágenes recibidas de un sistema UV, por ejemplo. Este sistema puede a su vez conectarse a otro sistema de control, utilizándose tanto para realizar mejoras en el proceso como para tomar decisiones basadas en las imágenes capturadas. Este tipo de conexión es sensible en términos de precisión y latencia, ya que toda la plataforma debe decidir con rapidez y seguridad. Una de las soluciones para superar el reto de la latencia es la arquitectura basada en la niebla/borde (fog/edge). Esta arquitectura también puede ser una solución viable en cuanto a la barrera de interoperabilidad entre los sistemas interconectados. La computación en la niebla extiende la computación y el almacenamiento al borde de la red y presenta una herramienta eficaz para integrar nuevos sistemas complejos de procesamiento interconectados. La limitación de la interoperabilidad puede superarse adoptando un software avanzado desplegado en el borde y la niebla instalado en una pasarela de IoT. Este software interactúa simultáneamente con los distintos sistemas implicados a través de diferentes protocolos. Sin embargo, la elección de una pasarela IoT es crucial en términos de latencia y precisión, ya que está en el centro del procesamiento y la transmisión de datos a los diferentes sistemas y plataformas y se considera la interfaz de unión entre el nivel físico y la nube. Esta última también afecta al rendimiento, ya que debe garantizar que los datos se transfieran, procesen y devuelvan a velocidades que satisfagan las necesidades de la aplicación. Abordamos todos estos retos teniendo en cuenta los protocolos y el software apropiados para la interoperabilidad y las restricciones de conectividad, y analizamos el rendimiento de algunos dispositivos IoT apropiados capaces de proporcionar un tiempo de respuesta mínimo. Los servicios de Deep Learning (DL) pueden desplegarse cerca de los usuarios que los solicitan y la nube solo interviene cuando se requiere un procesamiento adicional, reduciendo significativamente la latencia y el coste de enviar los datos a la nube para su procesamiento. En esta tesis, proponemos enfoques novedosos para resolver el problema de la latencia mediante el despliegue de inteligencia en el borde que empuja los cálculos de DL desde la nube hasta el borde permitiendo varios servicios inteligentes distribuidos, de baja latencia y fiables. La principal ventaja de los enfoques propuestos es la integración de los servicios en la nube en un lazo de control para mejorar la toma de decisiones de una plataforma y el rendimiento de un sistema de control industrial. Los servicios de IA en la nube también se integran en un lazo de control donde interviene un dron como una entrada que ayuda a mejorar la capacidad de monitorización para encontrar y rastrear objetos estacionarios y móviles. En este trabajo, evaluamos la latencia y la precisión de los diferentes sistemas implicados y proponemos un algoritmo inteligente para seleccionar la tecnología de IA adecuada para el escenario a vigilar. Esto resulta crucial para decidir cuál es la mejor fuente de inteligencia artificial que debe utilizarse para alcanzar los objetivos especificados en cada escenario en tiempo real. Los algoritmos inteligentes propuestos ofrecen un compromiso entre latencia y precisión.