Envio 1

Resumen

En el contexto de la creciente adopción de vehículos autónomos (VA) en entornos urbanos, la detección temprana de anomalías representa un desafío crítico para garantizar la seguridad y la eficiencia operativa. Este artículo propone un marco innovador basado en redes neuronales convolucionales (CNN) y algoritmos de aprendizaje no supervisado para identificar fallos en tiempo real en sistemas de VA. Utilizando un conjunto de datos sintéticos y reales recopilados de sensores LiDAR, cámaras y GPS, se entrena un modelo híbrido que combina autoencoders variacionales con técnicas de clustering para clasificar anomalías como fallos mecánicos, interferencias cibernéticas o errores de percepción ambiental.

El enfoque metodológico se divide en tres fases: preprocesamiento de datos multisensoriales, entrenamiento del modelo en un entorno simulado con Unity Engine, y validación en escenarios reales mediante pruebas en un prototipo de VA equipado con hardware NVIDIA Jetson. Los resultados demuestran una precisión del 92% en la detección de anomalías, superando enfoques tradicionales como los basados en reglas heurísticas por un margen del 15%. Además, el modelo reduce el tiempo de respuesta a menos de 50 milisegundos, lo que lo hace viable para aplicaciones en tiempo real.

Se discuten implicaciones éticas, como la privacidad de datos y la robustez ante ataques adversarios, proponiendo integraciones con blockchain para mayor seguridad. Este trabajo contribuye al avance de sistemas autónomos en Iberoamérica, fomentando colaboraciones interdisciplinarias entre ingeniería, IA y políticas públicas. Futuras investigaciones podrían extender el modelo a flotas de drones o robots industriales.