NICS Lab recibe el Premio de la Cátedra de Comercio y Transformación Digital al mejor TFM de la ETSI de Informática
La Cátedra de Comercio y Transformación Digital de la Universidad de Málaga ha entregado los premios a los mejores Trabajos Fin de Estudios realizados por estudiantes de la UMA, centrados en la integración de tecnologías y soluciones digitales dirigida a la actividad comercial, y entre ellos el TFM de Jesús Cumplido, dirigido por Cristina Alcaraz y Javier López.
Este TFM, de título ‘Optimización de sistemas de detección de anomalías basados en Machine Learning usando técnicas federadas y colaborativas’ y realizado en el Master Universitario de Ingeniería Informática, aborda la problemática de seguridad en los sistemas autónomos con objeto de garantizar una adecuada protección de los pasajeros y peatones. Para ello, se desarrolla un sistema de optimización que permite la gestión y monitorización segura del sistema de detección de anomalías en vehículos autónomos.
La solución propuesta, denominada OADS-AV (del inglés “Optimization of Anomaly Detection Systems on Autonomous Vehicles”), se basa principalmente en el uso de modelos digitales. Estos modelos digitales se encargan de abstraer y representar el comportamiento de los vehículos autónomos en un entorno controlado y seguro. Además, permiten generar escenarios adversos de manera aleatoria y reentrenar continuamente el sistema de detección de anomalías local para adaptarse a situaciones anómalas.
El sistema propuesto cuenta con un sistema de control central que actúa como coordinador de los modelos digitales. Este coordinador emplea técnicas federadas y colaborativas para intercambiar parámetros y conocimiento entre los modelos, con el objetivo de mejorar la precisión y confiabilidad del sistema de detección de anomalías en el vehículo autónomo real. Esta colaboración en tiempo real permite una mayor adaptación y perfeccionamiento del sistema, lo que proporciona una mayor confianza en la detección y prevención de situaciones anómalas.
En conclusión, el proyecto OADS-AV propone un sistema de optimización basado en modelos digitales y técnicas federadas y colaborativas para la detección de anomalías en vehículos autónomos. Esta combinación de técnicas contribuye a obtener un sistema más preciso y confiable, mejorando así la seguridad en la conducción autónoma. El trabajo realizado en este TFM aporta avances significativos en la investigación de sistemas de detección de anomalías en sistemas autónomos y abre nuevas posibilidades para el desarrollo de sistemas más seguros y eficientes.
