TEORÍA Y APLICACIONES DE ALGORÍTMOS DE CONDUCCIÓN AUTÓNOMA ADAPTABLES

Contenido
1. Resumen.....................................................................................................................................................3
2. Antecedentes..............................................................................................................................................3
2.1 Conducción autónoma.................................................................................................................................3
2.3 Robots autónomos en la industria.............................................................................................................4
2.2 Automatización de procesos a partir de la robótica.....................................................................................5
2.4 Trabajo cooperativo entre equipos automatizados y robótica móvil........................................................6
3. Problema y preguntas.................................................................................................................................7
3.1 Desarrollo de algoritmos de conducción autónoma para robots móviles por medio de inteligencia artificial 7
3.2 Papel de los robots móviles autónomos en el trabajo colaborativo entre equipos automatizados enfocados a
operaciones logísticas de entrega y abastecimiento..........................................................................................9
4. Hipótesis de trabajo..................................................................................................................................10
5. Objetivo general y objetivos específicos...................................................................................................10
5.1 Objetivo general.........................................................................................................................................10
5.2 Objetivos Específicos..................................................................................................................................11
5. Justificación......................................................................................................................................................12
6. Marco teórico...................................................................................................................................................13
6.1 Inteligencia artificial.............................................................................................................................13
6.1.1 Aprendizaje automático (machine learning).................................................................................13
6.1.2 Red neuronal................................................................................................................................13
6.1.3 Visión artificial..............................................................................................................................14
6.1.4 Redes neuronales convolucionales...............................................................................................14
6.1.5 Aprendizaje profundo...................................................................................................................14
6.1.6 Detección de objetos....................................................................................................................15
6.1.7 Red neuronal YOLO.......................................................................................................................15
6.2 Vehículos autónomos..........................................................................................................................15
6.2.1 Niveles de autonomía en los autos...............................................................................................15
6.2.2 Funcionamiento de los autos autónomos.....................................................................................16
6.2.3 Self-driving Car de Quenser..........................................................................................................17
6.3 Key Performance Indicator (KPI)................................................................................................................18
6.4 Automated Storage and Retrieval Systems (ASRS).....................................................................................19
6.5 Redes de Petri............................................................................................................................................19
6.6 Controlador Lógico Programable................................................................................................................19
7. Metodología.....................................................................................................................................................21
10. Resultados y entregables esperados..............................................................................................................23
11. Impactos esperados a mediano o largo plazo.................................................................................................23
12. Vinculación con los posibles usuarios de los resultados (sector público, privado y social).............................24
13. Programa de actividades...............................................................................................................................25
1. Resumen
La presente propuesta busca abordar la automatización de procesos mediante la integración de las tecnologías
involucradas en la denominada industria 4.0 tales como la robótica autónoma, los sistemas integrados y el internet de
las cosas. En una primera etapa se busca desarrollar e implementar algoritmos de conducción autónoma para robots
móviles con funciones de carga y transporte mientras que, en la segunda etapa, se realizará trabajo colaborativo entre
dichos robots y un sistema de entrega y almacenamiento autónomo logrando entablar comunicación entre ambas
partes haciendo uso del protocolo MQTT para el intercambio de datos y, posteriormente, su visualización y análisis.
A la conclusión del proyecto se espera contar con un sistema robótico heterogéneo que utilice algoritmos de conducción
autónoma para realizar operaciones good-to-man, tanto entrega como manipulación, de forma automática.

Palabras Clave: Conducción autónoma, automatización industrial, robótica móvil, operaciones good-to-man

2. Antecedentes

2.1 Conducción autónoma

Hoy en día ya podemos ver vehículos que cuentan con la capacidad de conducción autónoma, y aunque aún no han sido
puestos en circulación al 100%, la realidad es que no nos encontramos muy lejos de que esto suceda. Coches como Tesla
y Mercedes ya cuentan con un nivel de conducción 2-3 [1] [2] lo cual nos indica que en unos años se podrá llegar al nivel
5 de conducción. Pero, aunque pareciera que es una tarea fácil, la verdad es que aún se requiere un esfuerzo
colaborativo para hacer esto real.

Niveles de conducción:
1. Nivel de autonomía 0 o sin asistencia: en este no hay ningún tipo de automatización. Se trata del nivel de
autonomía de los modelos de coches convencionales, en los que el humano tiene el completo control de la
conducción.
2. Nivel de autonomía 1 o de conducción asistida: es propio de aquellos modelos que cuentan con algún sistema de
asistencia al conductor, ya sea para el control del movimiento lateral o para el longitudinal.
3. Nivel de autonomía 2 o de autonomía parcial: en este nivel hay una automatización parcial de la conducción, ya
que el conductor no tiene que realizar tareas relativas al movimiento.
4. Nivel de autonomía 3 o de autonomía condicional: en este, el usuario interviene solo si el sistema del coche
autónomo lo solicita o si ocurre algún fallo, ya que el vehículo posee un sistema de control del movimiento
longitudinal y lateral, y además se encarga de la detección de obstáculos. [3]

Para lograr una conducción autónoma en vehículos, se han diseñado y desarrollado algoritmos basados en herramientas
de Inteligencia Artificial, o más en específico, en el área del Aprendizaje Máquina (Machine Learning) [4] [5]. El
desarrollo actual de vehículos autónomos ha permitido generar sistemas de software y hardware bastante complejos,
los cuales permiten resolver diferentes funciones de automatización en el vehículo.
Para lograr que un vehículo sea capaz de responder de manera autónoma se requiere que tenga la capacidad de percibir
el entorno que lo rodea en tiempo real, lo cual es logrado por medio del monitoreo a través de los múltiples sensores
como cámaras, LIDAR, sensores de proximidad y posición. Lo anterior mencionado junto a múltiples algoritmos de
conducción, control, adquisición de datos, procesamiento de imágenes, inteligencia artificial y lógica difusa, permiten
que un vehículo sea capaz de tomar decisiones a la hora de conducir [6] [7] [8]. Sin embargo, aún falta seguir realizando
pruebas, pues un vehículo 100% autónomo debe de estar listo para cualquier imprevisto que se presente en la carretera.
 2.3 Robots autónomos en la industria
La inteligencia artificial es un área de estudio de la computación que ha tenido gran importancia en el desarrollo y
aplicación de nuevas tecnologías, una de estas tecnologías es la robótica móvil, pues hoy en día podemos ver la
presencia de robots móviles con cierta autonomía a la hora de realizar tareas en diferentes entornos y/o aplicaciones [9]
[10].

Los robots móviles autónomos cada vez son más frecuentes en las distintas industrias, esto se debe a que presentan
muchas ventajas con respecto a los robots móviles que aún requieren ser manipulados por el ser humano, como los AVG
[11]. Este tipo de robots son altamente requeridos a nivel industrial gracias a su capacidad para crear entornos
colaborativos y librar al personal humano de tareas mecánicas, pesadas o peligrosas además que se logra una gran
eficiencia en las tareas realizadas [9] [12].

Gracias a Big Data podremos estructurar el flujo de información proveniente de los sensores en inmensas bases de
datos. Después, se procesa la información usando Inteligencia Artificial (Machine Learning, Deep Learning). Con ello,
podremos crear modelos que sean capaces de predecir eventos en varios niveles.

Por lo anterior mencionado, el desarrollo actual de robots autónomos ha permitido generar sistemas de software y
hardware muy complejos, muchos diseños y algoritmos se basan actualmente en herramientas de Inteligencia Artificial,
o más en específico, en el área del Aprendizaje Máquina (Machine Learning), que permiten resolver diferentes funciones
de automatización en robots autónomos para diferentes propósitos, la mayoría centrados en la conducción y en el
aprendizaje autónomo con el objetivo de que los robots móviles tengan la capacidad de realizar tareas muy complejas
de una manera eficiente, y que además sean capaces de actuar frente a situaciones imprevistas, haciendo que se
adaptan a diferentes entornos de trabajo.

Un robot móvil autónomo debe de ser capaz de tomar sus propias decisiones, para esto se requiere que posea acceso a
la información [7] la cual es obtenida por medio de varios sensores como cámaras, sensores de proximidad, sensores de
posición los cuales le permitan comprender su entorno y procesando esta información, es capaz de realizar acciones
específicas según la tarea que requiera realizar.

Todo lo anterior nos lleva al siguiente paso, el cual es, lograr un trabajo colaborativo entre robots móviles autónomos y
los distintos sistemas de automatización con lo cual se estaría entrando a la industria 4.0 [13].

2.2 Automatización de procesos a partir de la robótica.

A causa de los fenómenos ocurridos en los últimos años, los hábitos de consumo de las personas han cambiado esto,
sumado con que existe una escasez de personal en operaciones logísticas, han propiciado que la robotización y
automatización de proceso se perciba como la principal ventaja competitiva en un momento crítico en el que se está
produciendo un rediseño de las cadenas de suministros a nivel global [14] [15] [16].

Si bien la robótica y la automatización son conceptos diferentes existe una relación intrínseca entre ellos dado que
automatizar implica secuenciar y almacenar para reducir tiempos y la intervención de humana en las cadenas de
suministros lo cual se posibilita haciendo uso de los avances en robótica para automatizar procesos cada vez más
complejos. Concretamente, se puede establecer que un robot industrial es aquel sistema manipulador que está
programado en tres o más ejes multipropósito, actúa y es controlado de forma automática y es reprogramable [17]. Por
otro lado, existen 3 tipos de robótica y automatización industrial :

● Automatización fija: El robot realiza una tarea de manera consecutiva. Resulta especialmente útil para
producciones en masa.
 ● Automatización programable: El robot se programa para que pueda realizar varias tareas dentro del proceso de
producción.
● Automatización Flexible: Involucra una forma conjunta y ordenada de automatización. Según el intercambio de
información y de una analítica propia de la Industria 4.0, se programan los robots para coordinar varias tareas,
siempre en función a una serie de algoritmos.

La automatización flexible () se caracteriza por una innovación constante a partir de un uso intensivo de la tecnología,
pero no sólo está presente en el ámbito industrial, sino que también está presente en el sector de servicios, salud, etc.
Estos cambios en cómo se realizan las tareas y se obtienen los servicios ha abierto paso a lo que se denominada la
Cuarta Revolución industrial [18] [19] [20] la cual se basa en 10 pilares que deben involucrarse para crear una
organización que puedan mantenerse competitiva en el tiempo [21].

Destacando el hecho de que los robots autónomos implícitamente son el de componente de acción de la industria 4.0
ya que por cuestiones de habilidad, eficiencia y seguridad en muchas industrias se están enfocando en automatizar
procesos a partir de máquinas programadas teniendo como objetivo otorgarles más autonomía para una mayor
cooperación y flexibilidad, lo que conducirá a la interacción y el trabajo junto a los humanos y entre los mismos robots
[22].

En esta nueva etapa de industrialización que se está viviendo, son precisamente estas nuevas tecnologías las que nos
habilitan para mejorar la eficiencia de las operaciones, flexibilizar procesos y reducir los costes de producción y logísticos
y que serán fundamentales para la adaptación de las empresas nacionales a los cambios que involucran los nuevos
desafíos del mercado y competir en igualdad de condiciones con las empresas que producen en países de bajo coste
laboral [23] [24] [25].

2.4 Trabajo cooperativo entre equipos automatizados y robótica móvil.

Cada vez es más evidente la presencia de la robótica como parte de los entornos en los que se llevan a cabo los procesos
de producción, pero esta tendencia no es novedad, sino que, desde hace tiempo atrás, ha existido un estrecho vínculo
entre el progreso por parte de la industria y el avance en el desarrollo de la robótica.

Uno de los factores claves por los que los avances en robótica son tan relevantes en nuestra sociedad actual es su
potencial para reducir la mano de obra humana en aplicaciones de riesgo considerable o bien en procesos sistemáticos o
monótonos [26]. Sin embargo, los desafíos de desarrollar estas actividades, como lo puede ser la manipulación y
colocación de elementos, exigen el diseño de sistemas robóticos complejos; Si bien una perspectiva desde la cual se
puede abordar el diseño de estos sistemas automatizados es la de desarrollar un único autómata que cumpla tareas
específicas bajo condiciones específicas. Este paradigma encuentra su límite en aplicaciones complejas en las que
convergen una variedad de diferentes capacidades que sería demasiado complejo juntar en un único robot. En estos
casos, se recurre a robots heterogéneos que trabajen simultáneamente sobre distintos aspectos y niveles de la tarea con
la finalidad de lograr un objetivo en común, es decir, se diseñan equipos cooperativos de distintos robots para cumplir
un único objetivo que sería muy complicado lograr con un único autómata [27] [28] [29] [30].

Este trabajo cooperativo de robots heterogéneos se ve beneficiado y, por el desarrollo de periferias para procesar
información de forma descentralizada lo que permite un potencial notable para disponer de procesos que se realicen de
forma distribuida y así lograr operaciones de mayor complejidad [31]. Además, del procesamiento de información
descentralizado, la comunicación entre los diferentes elementos que conformen el conjunto juega un papel
fundamental debido a que posibilita la coordinación entre las diferentes etapas del proceso lo que posibilita la sinergia
entre los dispositivos automatizados involucrados, es decir, hace que el sistema no se restrinja con las limitaciones
individuales de sus elementos [32].

Por otra parte, coordinar las acciones de cada uno de los robots del sistema requiere de protocolos de comunicación
que pueden ser cableados o inalámbricos siendo que, el caso de la comunicación inalámbrica ha permitido la inserción
de la robótica móvil tomando como protagonista la tecnología IoT que promete un cambio radical en la automatización
[33] [34] [35].

El trabajo cooperativo de robots es un tema de constante desarrollo en el ámbito académico lo cual concuerda con la
demanda por parte de la industria de sistemas robóticos que automaticen tareas complejas apuntando como solución
hacia las celdas robóticas inteligentes que incorporen trabajo cooperativo, trabajo colaborativo con personal humano,
cuyos elementos se interconectan mediante una red eficiente y segura y, además, centralizan la gestión del proceso de
producción [36] [37] [38].

De tal forma que el panorama venidero de las industrias considera la presencia tanto de la robótica móvil como de
equipos automatizados para manipulación actuando parte fundamental para el desarrollo de sus procesos e
integrándose al trabajo colaborativo con operadores humanos [39] .

3. Problema y preguntas
Una vez presentado el marco teórico, este proyecto plantea la problemática de desarrollar algoritmos y estrategias de
control para el desarrollo de robots móviles autónomos desde un punto de vista teórico para, posteriormente, ser
explayado a un contexto de aplicaciones como son los siguientes problemas de automatización en la industria :

3.1 Desarrollo de algoritmos de conducción autónoma para robots móviles por medio
de inteligencia artificial
La conducción autónoma no solo se limita a los vehículos de transporte humano que se adaptan y reconocen caminos y
carreteras para transitar por ellos, sino a todos los vehículos que requieran trabajar bajo un sistema de control
completamente autónomo y bajo tareas que requieran de dicha autonomía. Es decir, la autonomía es una característica
que se le puede implementar a cualquier vehículo o robot móvil con el objetivo de que sea capaz de adaptarse a
cualquier entorno de trabajo, de tomar decisiones y realizar tareas específicas de manera eficiente.

En este trabajo se propone diseñar algoritmos de conducción y control autónomo para un robot móvil que sea capaz de
reconocer su entorno de trabajo y tomar decisiones de acción para cumplir su tarea de manera eficiente en trabajo
colaborativo con equipos automatizados. En primer lugar, se utilizarán software de simulación y de programación para el
procesamiento de imágenes por medio del entrenamiento de redes neuronales, así como el desarrollo de los sistemas
de control para el movimiento del vehículo de acuerdo la información recabada por sus sensores como cámaras,
sensores de proximidad, de posición y de mapeo. Posteriormente se implementarán los algoritmos en un robot móvil de
prueba.

I. Para un enfoque más particular sobre la aplicación de los robots móviles autónomos, se comenzará con definir
el uso del robot móvil, así como el entorno en el cual va a trabajar junto con las tareas que tiene que
realizar.

II. Una vez definidas las condiciones de trabajo para el robot autónomo, se comenzará con el desarrollo de los
algoritmos de procesamiento de imágenes (algoritmo YOLO) utilizando redes neuronales convolucionales,
enfocándose principalmente a la aplicación específica del robot móvil. [40]
 III. Para la parte de control del movimiento del robot es requerido obtener la información necesaria del entorno
que rodea al vehículo por medio de sensores de proximidad, mapeo y posición y localización, por lo cual se
recabará toda esta información para que sea procesada y el robot pueda tomar una rápida decisión.

IV. Posteriormente al procesamiento de imágenes en tiempo real y a la obtención de los datos provenientes de
los sensores, se diseñarán los sistemas de control óptimos para el movimiento y ejecución de estrategias de
conducción del robot.

V. Para la parte de control, existen técnicas de control tradicionales, como el PID, el control de
retroalimentación de estados o la lógica difusa, como los propuestos en estos estudios, los cuales se han
utilizado para la conducción autónoma, y aunque estos sistemas de control son efectivos en entornos ya
definidos y predecibles, para entornos en los cuales las condiciones cambian o varían, suelen tener
problemas. Por lo anterior mencionado, en este trabajo implementarán sistemas de control basados en
inteligencia artificial (AI), en este estudio [41]se presenta un sistema de navegación autónoma para robots
móviles que utiliza técnicas de Aprendizaje por refuerzo profundo.

VI. Todo lo planteado anteriormente se integrará para realizar las pruebas y validación de los algoritmos de
conducción, con objetivo de observar el correcto funcionamiento del robot autónomo, para esto se
pretende utilizar el Self-Driver Car de Quenser [42], el cual es apto para realizar las pruebas de conducción
autónoma ya que cuenta con el hardware necesario.

VII. Finalmente, se construirá un escenario de pruebas con el objetivo de hacer la implementación de los sistemas
de control y de conducción autónoma del robot.

3.2 Papel de los robots móviles autónomos en el trabajo colaborativo entre equipos
automatizados enfocados a operaciones logísticas de entrega y abastecimiento.

La integración de robots móviles autónomos para la automatización de procesos puede extenderse al desarrollo de
centros logísticos automatizados para realizar operaciones de kitting, una técnica se asocia a mejorar la productividad,
reducir costos y mejorar la fluencia de la cadena de suministro, así como optimizar el tiempo de trabajo y reducción de
movimientos por parte del operador.

La presente propuesta busca incorporar una solución integral para la formación de kits, cubriendo cada una de las
etapas requeridas para una operación de kitting todo dentro de un sistema unificado enfocado a ítems de 20x20x20 cm
y un peso de hasta 1.5 kg pensando en piezas relacionadas con la industria automotriz y aeroespacial. Además, el
desarrollo de la propuesta se encamina hacia la incorporación de la industria 4.0 la cual, citando a Edmund Duckwitz,
presidente de la CAMEXA1, “[…]es clave para asegurar la competitividad de un país a nivel mundial. […]” [43], al integrar
robótica industrial e IoT para aporta valor a la logística enfocada a líneas de ensamble como medida para hacer frente al
panorama planteado por Isaac Minian en su artículo “El impacto de las nuevas tecnologías en el empleo en México” [44]
donde se estima una automatización del 64.5% de los trabajos manufactureros lo que, de no nivelar los eslabones de la
cadena logística, llevaría a cuellos de botella en los procesos de las empresas.

Siendo así, este trabajo busca ser un eslabón para la optimización en los terrenos de la logística y disminuir la brecha,
tanto de investigación como de aplicación, relacionada a la automatización de los procesos logísticos.

I. Para abordar el problema desde una perspectiva completa, en primer lugar, se realizará el modelado descriptivo del
comportamiento de la celda automatizada encargada de formación de kits haciendo uso de Redes de Petri. De esta
manera, se parte de los detonantes y acciones de la operación.
II. En segundo lugar, para integrar la robótica móvil autónoma en el trabajo colaborativo con otros equipos robotizados
con el objetivo de automatizar operaciones se habrá de manufacturar e instrumentar un sistema automático de
almacenamiento y entrega (ASRS, por sus siglas en inglés) [45].

La naturaleza de este sistema involucra el control de motores, la conexión de sensores de presencia y la implementación
de un sistema de distribución de energía eléctrica de tal manera que será necesario el diseño de un tablero de control
para el sistema. Además, el ASR, por sí mismo operará en la manipulación de los ítems y llevará el registro del stock a
través de la adquisición de datos de los sensores mientras que los robots móviles estarán encargados de las etapas de
abastecimiento y entrega.

III. Por otra parte, y como consecuencia de la implicación de elementos móviles en un sistema logístico,
surge la necesidad de establecer comunicaciones e intercambios de información con el centro de control.
Una forma de entablar la comunicación para poder realizar el trabajo colaborativo entre los distintos
elementos de la celda es el Internet de las cosas (IoT, por sus siglas en inglés) el cual puede ser aplicado
por medio del protocolo de comunicación MQTT que se basa en el transporte de mensajes entre
publicador y suscriptor para conectar dispositivos remotos
[46] [47] [48] siendo que dichos mensajes sean instrucciones a los equipos que conforman la celda de tal
manera que se pueda tener una visión global del proceso y un monitoreo del estado entero de una planta
que posteriormente se pueda mostrar al operador por medio de una interfaz.

VI. Todo lo que anteriormente se planteó debe ser integrado por software para que el sistema funcione
de forma colaborativa por lo que se requiere d esarrollar un algoritmo computacional que unifique acciones de
administración y control para realizar el kitting a partir de un controlador lógico programable para realizar inventario,
almacenaje, manipulación y agrupamiento de ítems. Además, la misma CPU estará encargada del posicionamiento y
activación de los actuadores presentes en el autómata móvil encargado del abastecimiento de entrega. De tal manera
que será necesario que la CPU intervenga en el proceso como un publicador y a la vez como un subscriptor de
información por medio del MQTT. Entonces, la CPU será el encargado de controlar y monitorear la operación completa y
todos los elementos que intervengan en su desarrollo.

4. Hipótesis de trabajo
La hipótesis de la propuesta sostiene que el desarrollo de la autonomía en los robots móviles sumado a la capacidad de
realizar formaciones en función de cubrir objetivos específicos abre la posibilidad de incorporar la robótica móvil al
trabajo colaborativo con otros equipos. Estos avances encaminan la automatización de los procesos hacía una industria
4.0 en la que se integren elementos de comunicación y monitoreo de plantas completas para asegurar su correcto
funcionamiento en tareas de abastecimiento y entrega de bienes.

5. Objetivo general y objetivos específicos

5.1 Objetivo general

Desarrollar, analizar e implementar estrategias de conducción autónoma basada en algoritmos de inteligencia artificial
para integrar robots móviles en la automatización de operaciones y resolver problemas de trabajo cooperativo como lo
son: La interacción segura con un entorno cambiante por parte de los robots móviles a partir del reconocimiento del
medio y, posteriormente, la integración de la robótica móvil con otros equipos para realizar operaciones de good-to-
man propiciando la automatización de procesos y operaciones. Además, se validarán los algoritmos de conducción y las
estrategias de control sobre el self-driving car de Quenser y posteriormente se construirá un escenario de pruebas en el
que validen las leyes de conducción autónoma. Así mismo, se ha de diseñar y fabricar un sistema de entrega y
almacenamiento automático para simular condiciones de trabajo en las que los robots móviles deban comunicarse
utilizando el protocolo MQTT para intercambiar información del estado completo del proceso logrando así un trabajo en
conjunto.

5.2 Objetivos Específicos

OE1. Realizar una investigación bibliográfica sobre la inteligencia artificial y algoritmos aplicada a los robots autónomos
implicados en las operaciones de almacenamiento.
OE2. Investigar el funcionamiento de los robots móviles que se utilizan en las operaciones de almacenamiento con el
objetivo de conocer sus características y funcionalidades para el diseño de un hardware y software.
OE3. Desarrollar algoritmos para la detección, reconocimiento, clasificación y mapeo de objetos en tiempo real por
medio de visión artificial, haciendo uso de cámaras y sensores LIDAR.
OE4. Implementar un algoritmo que le permita al robot móvil tomar decisiones y crear la trayectoria e instrucciones de
movimiento, a partir de los datos obtenidos de los sensores.
OE5. Desarrollar estrategias de control para los actuadores del robot móvil que permitan efectuar movimientos
controlados a una velocidad determinada y seguir la trayectoria creada de acuerdo con los datos obtenidos por los
sensores.
OE6. Implementar las estrategias de control y los algoritmos dentro de un entorno de simulación como MATLAB-
simulink, Python, ROS etc.
OE7. Evaluar el funcionamiento de los algoritmos implementados para evitar colisiones y mantener una trayectoria de
movimiento segura sobre el hardware del Self-driving car de Quenser.
OE8. Revisión bibliográfica sobre los sistemas implicados en la automatización de operaciones de
almacenamiento y entrega para recabar información sobre sus principales características, funcionalidad,
parámetros de aplicación e implementación.
OE9. Modelar la topología fija del proceso haciendo uso de redes de Petri para establecer las relaciones
causa-efecto entre los subprocesos de cada etapa y asociarlas con los componentes automatizados del
sistema, incluyendo el papel de los robots móviles para completar la operación.
OE10. Manufacturar e instrumentar el sistema de almacenamiento y entrega automática, así como el
tablero de control del sistema, desde la cual se manipulen los ítems y se lleven a cabo operaciones
secundarias como control del stock, manipulación de ítems y …
OE11. Desarrollar un algoritmo computacional que unifique acciones de comunicación y control del
sistema a partir de un controlador lógico programable para realizar inventariado, entrega, manipulación y
agrupamiento de ítems.
OE12. Establecer comunicación entre los equipos automatizados de la celda y las estaciones de entrega y
abastecimiento mediante la tecnología IoT para un trabajo colaborativo e intercambio de información
sobre el estado del proceso.
OE13. Aplicar experimental de las leyes de conducción autónoma por parte de los robots móviles para integrarse al
trabajo colaborativo de entrega y abastecimiento automático para identificar y considerar en el algoritmo
computacional los errores de interacción resultado retardos en comunicación que puedan darse entre equipos.
5. Justificación
a) La conducción y los robots autónomos
En la actualidad, el panorama de la conducción autónoma se encuentra a un nivel muy alto de desarrollo pues ya existen
automóviles con conducción semiautónoma, por lo cual es momento de que México entre a esta rama de investigación y
desarrollo tecnológico con el objetivo de mantenerse a la vanguardia de la tecnología que se viene en un futuro no muy
lejano. La conducción autónoma no es algo que se logre en poco tiempo, este tipo de desarrollo tecnológico requiere un
vasto apoyo por parte de las diferentes áreas de desarrollo tecnológico, así como de empresas de automóviles, por lo
cual el incursionar en esta área de investigación nos permite apoyar el avance tecnológico a nivel mundial para la
conducción autónoma [49].

Es claro que México no cuenta con la infraestructura necesaria, hablando de vialidades, pues para que un coche se
conduzca de manera completamente autónoma es necesario que las carreteras cuenten con las señalizaciones
necesarias para que los sensores de un automóvil puedan reconocer completamente el camino. Tomando en cuenta lo
anterior, es necesario adaptar y crear algoritmos de conducción que sean capaces de entender y adaptarse a su entono
para tomar decisiones de manera más eficiente. Por lo tanto, se propone que el desarrollo de este proyecto sea para
estacionar un vehículo de manera autónoma dentro de un estacionamiento, pues de esta manera se permite tener un
entorno más controlado y con menos riesgo a la hora de su implementación en un mundo real. Lo importante de este
trabajo no solo radica en la conducción autónoma, también se extiende a la capacidad de adaptar los algoritmos de
conducción autónoma a cualquier robot móvil con el objetivo de que pueda ser usado en cualquier área de la industria
que requiera de robots autónomos y de esta manera se logre un trabajo colaborativo de automatización en la industria
4.0 [22].

b) Papel de los robots móviles autónomos en el trabajo colaborativo entre equipos automatizados enfocados a
operaciones logísticas de entrega y abastecimiento.
Relevancia científica: Históricamente, gran parte del desarrollo tecnológico de la humanidad ha sido resultado de la
búsqueda de la automatización de procesos con el objetivo de ahorrar tiempo, esfuerzo y recursos. La presente
propuesta pretende coordinar la robótica móvil autónoma junto con sistemas de almacenamiento y recuperación
automatizados lo que implica, en primera instancia, la determinación de un modelo para el sistema de manufactura
flexible a automatizar y, posteriormente, el desarrollo un algoritmo computacional basado en controladores lógicos
programables para realizar tareas de control y administración del proceso incurriendo así en el diseño de un sistema
inteligente e integral que busca generar nuevas aportaciones en la robotización de operaciones y aminorar la brecha del
ámbito de investigación con la industria.
Relevancia social: La importancia de automatizar la industria radica en el hecho de que esta es la clave para asegurar la
competitividad de un país a nivel mundial además de que es un indicador de su progreso tecnológico. En el caso de
México, un país manufacturero, el integrar robótica industrial y aspectos de la industria 4.0 para automatizar
operaciones aporta valor a la logística enfocada a líneas de ensamblaje siendo el diseño de sistemas de manufactura
flexible y de almacenes automatizados un área de oportunidad para la incorporación de sistemas integrales enfocados
hacia la manipulación y transporte de materiales los cuales son adecuados para una variedad de industrias. Entre los
sectores a los que estos sistemas pueden beneficiar en gran medida se encuentran la manufactura, la logística de
terceros, la industria farmacéutica, el e-commerce, retail y la industria automotriz. Por otra parte, la universidad
Iberoamericana, a través de la línea de investigación de automatización del Instituto de Investigación Aplicada y
Tecnología (InIAT), ya ha sido participe en el desarrollo de tecnologías en este campo al crear e implementar
experimentalmente plataformas robóticas para operaciones de carga en ambientes industriales y entrega de productos
con aeronaves no tripuladas.
La presente propuesta converge con los objetivos de diseño, control y supervisión de sistemas automatizados, así como
la premisa de perfeccionar sistemas que se involucren en la solución de problemas sociales que presenta la línea de
investigación antes mencionada
6. Marco teórico

6.1 Inteligencia artificial

La inteligencia artificial (IA) es el campo de la ciencia informática dedicado a la resolución de problemas cognitivos
asociados comúnmente a la inteligencia humana, como el aprendizaje, la resolución de problemas y el reconocimiento
de patrones [50]

6.1.1 Aprendizaje automático (machine learning)

El machine learning es una rama de la inteligencia artificial (IA) y la ciencia de computación que se centra en el uso de
datos y algoritmos para imitar la forma en que los seres humanos aprenden, con una mejora gradual de su precisión [51]

6.1.2 Red neuronal

Una red neuronal es un método de la inteligencia artificial que enseña a las computadoras a procesar datos de una
manera que está inspirada en la forma en que lo hace el cerebro humano en la Ilustración 1 se muestra un diagrama de
una red neuronal. Se trata de un tipo de proceso de machine learning llamado aprendizaje profundo, que utiliza los
nodos o las neuronas interconectados en una estructura de capas que se parece al cerebro humano. Crea un sistema
adaptable que las computadoras utilizan para aprender de sus errores y mejorar continuamente. De esta forma, las
redes neuronales artificiales intentan resolver problemas complicados, como la realización de resúmenes de
documentos o el reconocimiento de rostros, con mayor precisión [52].

Las redes neuronales artificiales (ANN) están compuestas por capas de nodos, que contienen una capa de entrada, una o
más capas ocultas, y una capa de salida. Cada nodo, o neurona artificial, se conecta a otro y tiene un peso y un umbral
asociados. Si la salida de cualquier nodo individual está por encima del valor de umbral especificado, dicho nodo se
activa, enviando datos a la siguiente capa de la red. De lo contrario, no se pasan datos a la siguiente capa de la red [53].

Ilustración 1. Ejemplo de red neuronal.

6.1.3 Visión artificial

La visión artificial es un campo de la IA que permite que las computadoras y los sistemas obtengan información
significativa de imágenes digitales, videos y otras entradas visuales, y tomen acciones o hagan recomendaciones basadas
en esa información. Si la IA permite que las computadoras piensen, la visión artificial les permite ver, observar y
comprender [54] [55].
 6.1.4 Redes neuronales convolucionales
Una red neuronal convolucional es un tipo de algoritmo de aprendizaje profundo que se utiliza mayormente para
analizar y aprender atributos visuales de grandes cantidades de datos. Aunque se utilizan principalmente para
aplicaciones de IA relacionadas con imágenes, las CNN pueden utilizarse para otras tareas de IA como el procesamiento
de lenguaje natural, además de en motores de recomendación [56].

6.1.5 Aprendizaje profundo

El aprendizaje profundo es un subconjunto del aprendizaje automático (que a su vez es parte de la inteligencia artificial)
donde las redes neuronales, algoritmos inspirados en cómo funciona el cerebro humano, aprenden de grandes
cantidades de datos.

Los algoritmos de aprendizaje profundo realizan una tarea repetitiva que ayuda a mejorar de manera gradual el
resultado a través de deep layers lo que permite el aprendizaje progresivo. Este proceso forma parte de una familia más
amplia de métodos de aprendizaje automático basados en redes neuronales [57] [58].

6.1.6 Detección de objetos

Para que se pueda crear un algoritmo para la conducción autónoma no solo basta que se clasifiquen las imágenes del
entorno, es necesario conocer la ubicación, posición y distancia de los objetos, para lograr esto se hace uso de algunos
sensores los cuales detectan la distancia de otros objetos, como pueden ser los sensores de proximidad o el sensor
LIDAR [40].

6.1.7 Red neuronal YOLO

La red neuronal YOLOv2 (You Only Look Once), se inspiró en la visión humana en cómo los ojos pueden detectar objetos
de un vistazo en su traducción del inglés (usted ve una sola vez), con una regresión pura capaz de predecir directamente
los cuadros delimitadores, clasificar y entregar un score o puntaje de precisión, utilizando una única CNN [59].

Esta arquitectura como se observa en la Ilustración 2, separa las imágenes por regiones, y predice en cada recuadro si se
encuentra o no algún objeto de interés basado en una probabilidad mayor al 50%.

Ilustración 2 Arquitectura YOLO.

6.2 Vehículos autónomos

Un coche autónomo es aquel que cuenta con los sistemas informáticos necesarios para imitar las capacidades humanas
en cuanto a la conducción, tanto por manejo como por control. A priori, se consideran vehículos autónomos aquellos
que no necesitan conductor; sin embargo, el concepto sigue evolucionando y hay varios niveles de conducción
autónoma [60].

Los coches autónomos son capaces de percibir el entorno que lo rodea y, en base al análisis de este, aplicar técnicas de
conducción. En esto, sus ocupantes pueden elegir el destino al que se dirija el vehículo, pero no es necesario que tomen
ningún tipo de acción sobre la conducción [61].

6.2.1 Niveles de autonomía en los autos

1. Nivel de autonomía 0 o sin asistencia: en este no hay ningún tipo de automatización. Se trata del nivel de
autonomía de los modelos de coches convencionales, en los que el humano tiene el completo control de la
conducción.
2. Nivel de autonomía 1 o de conducción asistida: es propio de aquellos modelos que cuentan con algún
sistema de asistencia al conductor, ya sea para el control del movimiento lateral o para el longitudinal.
3. Nivel de autonomía 2 o de autonomía parcial: en este nivel hay una automatización parcial de la conducción,
ya que el conductor no tiene que realizar tareas relativas al movimiento.
4. Nivel de autonomía 3 o de autonomía condicional: en este, el usuario interviene solo si el sistema del coche
autónomo lo solicita o si ocurre algún fallo, ya que el vehículo posee un sistema de control del movimiento
longitudinal y lateral, y además se encarga de la detección de obstáculos.
5. Nivel de autonomía 4 o de alta autonomía: en los vehículos con este nivel de autonomía ya no es necesaria la
presencia del conductor, ya que cuentan con un sistema de respaldo que actúa en caso de que se dé algún
fallo en el sistema principal, así como en situaciones de riesgo mínimo.
6. Nivel de autonomía 5 o de autonomía completa: este es propio de los coches que son completamente
autónomos, en los que no hay condiciones limitantes específicas para su funcionamiento. Algunos modelos de
coches autónomos de nivel 5 ni siquiera cuentan con volante o pedales, por ejemplo, los vehículos Waymo de
Google que se muestran en la Ilustración 3 [3].

Ilustración 3 Waymo de Google .

6.2.2 Funcionamiento de los autos autónomos

Los coches que se conducen solos utilizan una serie de tecnologías innovadoras de muy alta potencia que permiten al
vehículo identificar obstáculos en el camino, como se observa en la Ilustración 4, reconocer a los transeúntes y a otros
coches, procesar ciertas señales de tráfico, “comprender” el sentido de las vías de conducción, determinar las rutas más
adecuadas para ir desde un punto a otro, etc. [60]

Para controlar todo ese tipo de funcionalidades, en los vehículos autónomos intervienen sistemas avanzados de
inteligencia artificial, big data e internet de las cosas. Estas tecnologías combinan el uso tanto de software como de
hardware especiales como, por ejemplo, los sensores láser LiDAR (Light Detection and Ranging) que se muestra en la
Ilustración 5, capaces de realizar un escaneo 3D del entorno físico del vehículo mientras este se mantiene en
movimiento [62].
 Ilustración 4 Percepción del mundo de un auto autónomo.

Ilustración 5 Sensor LIDAR.

6.2.3 Self-driving Car de Quenser

Los Self-Driving Car de Quenser, que se muestran en la Ilustración 6, es un vehículo a escala de arquitectura abierta, que
se desarrolló para la investigación y aplicación de algoritmos para la conducción autónoma. Este vehículo se encuentra
equipado con una variedad de sensores como un LIDAR (ilustración --) el cual dota al vehículo de una visión de 360
grados, sensor de profundidad, IMU, codificadores, una Cámara, así como IO ampliable por el usuario. El vehículo
funciona con NVIDIA® Jetson TX2. Además, es compatible con múltiples entornos como MATLAB simulink, Tensor, Flow
TensorRT etc. y lenguajes de programación como Python compatible con OpenCV para el procesamiento de imágenes
[42].

Por lo tanto, el hardware junto con el software del self-driving car brinda las herramientas y los componentes que
necesita para probar y validar la generación de conjuntos de datos, el mapeo, la navegación, el aprendizaje automático y
otros conceptos avanzados de conducción autónoma. En la Ilustración 7 se muestra la implementación de un algoritmo
para seguir una trayectoria realizada en el Laboratorio de Análisis de Movimiento de la Universidad Iberoamericana.
 Ilustración 6 Hardware del Self-Driving Car.

Ilustración 7 Pruebas realizadas con los Self-driving car.

6.3 Key Performance Indicator (KPI)

Los Indicadores clave de rendimiento (KPI, por sus siglas en inglés. Ver figura 8) son métricas que ayudan a evaluar la
eficacia estratégica, financiera u operativa de un equipo o proyecto en comparación con metas, objetivos o puntos de
referencia del sector [63].

Ilustración 8. Significado de KPI.

6.4 Automated Storage and Retrieval Systems (ASRS)
Los Sistemas Automatizados de Almacenamiento y Recuperación, (ASRS, por sus siglas en inglés) son sistemas
encargados, principalmente en áreas de manufactura y distribución, almacenar ítems de manera eficiente, así como de
recuperarlos rápidamente cuando sea necesario. En la figura 9 se puede observar la composición genérica de estos
sistemas; Consisten en un elemento de extracción y una estructura para almacenar ítems [64].

Ilustración 9. Jerarquía de equipos automatizados.

6.5 Redes de Petri

El concepto hace referencia a una herramienta gráfica y matemática de modelación aplicable a cualquier tipo de sistema
que pueda describirse como un diagrama de flujo [65].

Podemos definir, en términos más formales, que una red de Petri está definida por la quíntupla (P, T, A, w, x) donde:

● P es un conjunto finito de lugares.

● T es un conjunto finito de transiciones.
● A es el conjunto de arcos que van de arcos a transiciones y
de transiciones a arcos.
● W es la función de peso asociada a cada eslabón.
● X es el marcador inicial de estado.

Ilustración 10. Ejemplo de una red de Petri Básica.

En la imagen 10 se muestra el ejemplo de una red de Petri formada
por los elementos antes mencionados. Aunque es común encontrar
esta herramienta en sistemas informáticos, pueden aplicarse para obtener el modelo de cualquier sistema si se conoce
su estructura causa-efecto. Siendo que hay autores que utilizan redes de Petri para análisis de celdas de manufactura.

6.6 Controlador Lógico Programable

Un PLC (por sus siglas en inglés) es un controlador basado en un microprocesador que usa una memoria
programable para almacenar instrucciones e implementar funciones como contadores, temporizadores,
secuencias y operaciones lógicas (véase la imagen 11) [66].

En esencia, un PLC se conforma de 2 secciones básicas:

● Unidad central de procesamiento (CPU): Su función principal es ejecutar el programa cargado en su

memoria de forma cíclica.
● Interfaz de entradas y salidas (I/O section): Centro de conexiones a los dispositivos de entrada y
dispositivos de salida con los que el PLC interactúa.
 Ilustración 11. Ejemplo de controlador lógico programable.

7. Metodología
Se propone la siguiente metodología en 3 etapas anuales, desglosando las actividades (A) ligadas a los objetivos
específicos (OE) antes mencionados.
ETAPA 1 Parte teórica:
2024 A1. Revisión bibliográfica relacionada con inteligencia artificial y algoritmos aplicados a la
conducción autónoma. (OE1)

A2. Revisión bibliográfica sobre las leyes en México que regulan la conducción autónoma de
vehículos. (OE1)

A3. Revisión bibliográfica de los sistemas de control inteligente y de lógica difusa aplicados a la
conducción autónoma. (OE1)

A4. Revisión de los manuales del self-driving car de Quanser, así como aprender los softwares
necesarios para su funcionamiento. (OE2)

A5. Crear un dataset de imágenes de objetos que se encuentren en el área de trabajo, como
señalamientos, vehículos, personas etc. (OE3)

A6. Revisión bibliográfica acerca de las redes neuronales convolucionales para el reconocimiento y
procesamiento de imágenes. (OE4)

A7. Elaboración de los algoritmos y el entrenamiento de las redes neuronales para el

procesamiento y clasificación de imágenes por medio de visión artificial. (OE4)

A8. Elaboración del algoritmo para el mapeo del entorno donde se ubica el self-driving car
utilizando el LIDAR incorporado. (OE4)

Parte experimental:

A9. Implementar los algoritmos de visión artificial y mapeo en el hardware del self-driving. (OE4)

A10. Realizar el análisis de los datos que se obtienen en tiempo real de los sensores y las cámaras,
para obtener la distancia, y el espacio que ocupa cada objeto, así como su clasificación. (OE5)

A11. Desarrollar un algoritmo que sea capaz de crear una trayectoria de movimiento, así como las
instrucciones de este, basándose en los datos de las cámaras y sensores del self driving car. (OE6)

A12. Implementar un algoritmo que permita tomar decisiones durante el avance del vehículo, en
 caso de algún cambio en el entorno. (OE6)

ETAPA 2 Parte teórica:

2025 A13. Revisión bibliográfica acerca de los sistemas de control para robots móviles, así como el
seguimiento de trayectoria. (OE7)

A14. Desarrollar el control óptimo para el movimiento del self-driving car, que permita la
aceleración y el frenado, así como controlar la velocidad de avance además de seguir la
trayectoria creada. (OE8)

A15. Validar los algoritmos y sistema de control dentro del entorno de simulación de simulink.
(OE9)

A16. Revisión bibliográfica sobre Automated Storage Retrieval System, así como el
funcionamiento de softwares WCS y WMS enfocados en las operaciones logísticas de entrega y
almacenamiento (OE9).

A17. Revisión bibliográfica sobre Indicadores Clave de Desempeño relacionados con los ASRS y
robótica móvil para entrega y almacenamiento de bienes en el entorno industrial (OE8).

A18. Revisión bibliográfica acerca del IoT basado en el protocolo MQTT y su implementación para
integrar robótica móvil en actividades relacionadas en procesos logísticos de entrega y recepción
(OE8).

A19. Se diseñan e implementan estrategias de control para el seguimiento de trayectorias y

posicionamiento por parte del elemento de robótica móvil (OE9).

A20. Se estudian y programan rutinas para la manipulación y movilización de elementos, así como
para la administración de stock y procesamiento de datos del proceso (OE9).

Parte experimental:

A21. Realizar pruebas de simulación en conjunto con el hardware del self-driving car para evaluar
el funcionamiento. (OE9)

A22. Implementar los algoritmos, así como el sistema de control al self-driving car para realizar las
primeras pruebas experimentales. (OE9)

A23. Construcción del escenario de pruebas a escala donde se realizarán las pruebas finales. (OE9)

A24. Realizar las pruebas de conducción autónoma del self-driving car y observar el
comportamiento del vehículo cuando se presentan distintos escenarios a la hora de conducir y de
estacionarse. (OE9)

A25. Diseño de propuesta solución y selección de materiales para la fabricación del sistema
automatizado de entrega y almacenamiento (OE10).

A26. Modelado y validación de la estructura del ASRS usando softwares CAD (OE10).

A27. Se evalúan y seleccionan los componentes de adquisición de datos y generación de

movimiento para el sistema ASRS (OE10).

A28. Se realiza la compra de componentes mecánicos y electrónicos que constituyen los

 diferentes módulos del sistema ASRS (OE10).

A29. Construcción e instrumentación del ASRS (OE10).

A30. Diseño y construcción del tablero de control que encapsule las entradas físicas de los
elementos de adquisición de datos, controlador lógico programable, actuadores y elementos de
conexión inalámbrica (OE10).

A31. Se implementan los controles de posicionamiento y seguimiento de trayectorias de forma

individual para el robot móvil contando con la validación del sistema de visión artificial VICON .
Además, se adapta su morfología a las actividades que realizará dentro del proceso (OE9).

A32. Se aplican experimentalmente las acciones almacenamiento y obtención mediante la

validación de la lógica de acción del controlador lógico programable (OE11).

ETAPA 3 Parte teórica:

2026 A33. Desarrollo del modelo de un ciclo completo de trabajo mediante redes de Petri considerando
todos los equipos involucrados. (OE9)

A34. Se estudian y diseñan estrategias de comunicación mediante el protocolo de comunicación

MQTT entre un controlador lógico programable y el controlador del robot móvil del sistema.
(OE12).

A35. Simulación del algoritmo computacional para enviar, recibir y procesar datos por parte de las
estaciones de recepción y abastecimiento (OE12).

A36.

Parte experimental:

A37. Establecer comunicación entre el controlador lógico programable, los equipos automatizados
del sistema y las estaciones (OE12).

A38. Se realiza la integración por software del sistema experimentando con el envío y recepción
de instrucciones de manera inalámbrica mediante la interfaz de comunicación del usuario con el
sistema (OE13).

A39. Se realiza la integración por hardware del sistema mediante experimentos de coordinación
de movimiento del robot móvil, el ASRS con la validación del sistema VICON y se determina el
retardo máximo que soporta el sistema (OE13).

A40. Pruebas de la celda automatizada para la evaluación y reporte de sus puntos clave de
desempeño. Además, se determina el retraso máximo con el que trabaja en sistema en cuanto a la
transmisión y ejecución de comandos (OE13).
 Ilustración 12. Flujo de trabajo esperado para el trabajo colaborativo de los robots.

10. Resultados y entregables esperados

● Algoritmos de conducción, control, adquisición de datos, procesamiento de imágenes, inteligencia
artificial y lógica difusa, que permitan que un vehículo sea capaz de tomar decisiones a la hora de
conducir y que estos algoritmos pueden ser adaptables a diferentes entornos y sea capaz de interactuar
con otros sistemas de automatización.
● Una celda robótica experimental que consta de un ASRS capaz de albergar 9 elementos de diferentes
tamaños (10, 15 y 20 cm) con un peso de hasta 2 kg el cual contará con actuadores eléctricos para
acceder a cada una de los espacios de almacenamiento, un sistema de control y administración del
sistema basado en un algoritmo computacional para controladores lógicos programables, un robot móvil
encargado de abastecer el ASRS y trasladar los pedidos y una comunicación inalámbrica usando el
protocolo MQTT para transferir información del proceso entre los diferentes elementos involucrados.

● Tres artículos en revistas indexadas en el JCR, uno por año.

● Tres artículos en extenso en congresos nacionales o internacionales, uno por año.
● Un artículo de divulgación, para el año 2026.
● Participación de un alumno de doctorado, dos alumnos de maestría y al menos un alumno de
licenciatura como becados de investigación, con tesis (posgrado) o proyectos terminales (licenciatura)
vinculadas al proyecto.

11. Impactos esperados a mediano o largo plazo

Los impactos del proyecto se verán reflejados en aspectos de vinculación interinstitucional, formación de recursos
humanos, fortalecimiento a los programas de posgrado y licenciatura, generación de productos de investigación de
calidad, etc. tal como se desglosan a continuación:
a) Se fortalecerá la vinculación internacional con el Dr. Zhiqiang Gao del Center for Advanced Control Technologies of
Cleveland State University en Ohio USA y del Dr. Rafal Madonski del Key Laboratory of Measurement and Control of
CSE, Southeast University Nanjing China, que generará varios artículos de revista y de congresos, así como acciones
de movilidad para investigadores y estudiantes entre las instituciones mencionadas. La colaboración nos permitirá
una estancia del Dr. Gao y el Dr. Madonski en la Universidad Iberoamericana, así como estancias e impartición de
cursos y conferencias del Dr. Mario Ramirez Neria en Cleveland State University (CSU) y en Southeast University
Nanjing (SUN), además de co-direcciones de tesis.
b) Se ampliarán y formalizarán las vinculaciones de la Ibero con la UPIITA-IPN a través de la participación de los Dres.
Norma Beatriz Lozada Castillo y Alberto Luviano Juarez en las áreas de electrónica y matemáticas. Este proyecto se
liga con algunos de sus intereses y proyectos comprometidos en sus respectivas universidades.
c) Se ampliará y formalizará la vinculación de la Ibero con la Universidad Politécnica del Valle de México y la
Universidad Autónoma de Hidalgo a través de los Dres. Gilberto Ochoa Ortega y Raul Villafuerte, como expertos en
el tema de sistemas con retardos, control proporcional retardado, así como esquemas de control basados en
predictores.
 d) Se ampliará y formalizará la vinculación de la Ibero con el Centro de Investigación y Estudios Avanzados del
Instituto Politécnico Nacional y a través de los Dres. Hebertt Sira Ramirez y Jesus Morales Valdez, como expertos en
el tema de rechazo activo de perturbaciones y estimación de parámetros de estructuras tipo edificio.
e) Se beneficiará el trabajo colaborativo de miembros del claustro de la línea de investigación de “Sistemas dinámicos y
control” de la maestría y doctorado en ciencias de la ingeniería de la Ibero, con la participación de los Dres. Eduardo
Gamaliel Hernandez Martinez y Guillermo Fernández Anaya. Se impulsará la generación de productos de
investigación y la graduación de alumnos en beneficio de la permanencia del Doctorado al PNPC del CONACyT.
f) Las plataformas experimentales desarrolladas formarán parte del acervo tecnológico del InIAT, con beneficio a los
programas de ingeniería, prácticas de laboratorio, promoción de la universidad y posicionamiento de la Ibero en
investigación de vanguardia.

12. Vinculación con los posibles usuarios de los resultados (sector público,
privado y social)
A través del Departamento de Vinculación, la DINVP y otras áreas de la Universidad para aplicaciones reales. Algunos de
estos posibles usuarios se enlistan:
● Empresas del giro automotriz para el desarrollo de nuevas tecnologías enfocadas a la conducción autónoma.
● Líneas de producción de la industria automotriz en las que los operarios deben desplazarse para obtener los
suministros necesarios para el ensamblaje de productos.
● Empresas privadas de logística y paquetería, así como de ordenamiento de productos y personalización de envíos.
● Condominios y unidades habitacionales, para la repartición de alimentos, medicamentos y otros productos a los
habitantes, minimizando el contacto con personas externas.
● Instituciones de seguridad públicas y privadas, para operaciones de vigilancia y monitoreo de espacios públicos.
● Universidades y centros educativos públicos y privados.
● Otras acciones resultantes durante el desarrollo del proyecto

13. Programa de actividades

ETAPA 1 AÑO 2021

ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC

A1 y A3 y A5 A6 y A7 A8 A8 A9 A10 A11 A12 A12

A2 A4 A7

ETAPA 2 AÑO 2022

ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC

A13 y A14 y A15 A16 y A18 y A20 A21 A22 A22 A23 y A25 A26 y
A14 A15 A17 A19 A24 A27

ETAPA 3 AÑO 2023

ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC

A27 A28 y A29 A29 y A30 A31 A33 y A34 A35 A37 y A39 A40
 A29 A30 A32 A38

10. Referencias bibliográficas relevantes para la propuesta

Referencias

[1] «Piloto automático y Capacidad de conducción autónoma total,» Tesla, [En línea]. Available: https://www.tesla.com/es_es/support/autopilot. [Último acceso: 03
08 2023].

[2] I. Mendoza, «MotorPasion,» 09 Junio 2023. [En línea]. Available: https://www.motorpasion.com/tecnologia/mercedes-benz-se-impone-carrera-coche-autonomo-

drive-pilot-nivel-3-se-expande-eeuu. [Último acceso: 04 08 2023].

[3] LGBARCELONA, «Lgbarcelona,» 16 Marzo 2021. [En línea]. Available: https://www.lgbarcelona.com/noticias/conduccion-autonoma-niveles/. [Último acceso:
28 Marzo 2023].

[4] IBM Cloud Education, «IBM,» 17 Agosto 2020. [En línea]. Available: https://www.ibm.com/mx-es/cloud/learn/neural-networks. [Último acceso: 23 Febrero
2023].

[5] P. Pasquel y C. Pamela, «Diseño de un sistema de reconocimiento automático de vehículos mediante el uso de redes neuronales profundas (DNN),» May 2019.

[6] F. M. Palacios, «Controlador Fuzzy de un Quadrotor,» UCM, 2009. [En línea]. Available: http://eprints.ucm.es/9915/1/Controlador_Fuzzy_de_un_Cuadrotor.pdf.

[7] «¿Qué son y cómo funcionan los Robots Autónomos?,» EDS/ROBOTICS, 9 Noviembre 2021. [En línea]. Available: https://www.edsrobotics.com/blog/robots-
autonomos-que-son/. [Último acceso: 03 Agosto 2023].

[8] F. M. Palacios, «Controlador Fuzzy de un Quadrotor,» UCM, 2009. [En línea]. Available: http://eprints.ucm.es/9915/1/Controlador_Fuzzy_de_un_Cuadrotor.pdf.
[Último acceso: 01 08 2023].

[9] C. Cornel Turcu, «On Robotic Process Automation and its Integration in,» de Teh future of Education, Romania, 2023.

[10] J. Martinez, «IArtificial.net,» 28 Mayo 2019. [En línea]. Available: https://www.iartificial.net/maquinas-de-vectores-de-soporte-svm/. [Último acceso: 24 Febrero
2023].

[11] «RIPIPSA,» TEGNOLOGIA AL SERVICIO DE LA INDUSTRIA, [En línea]. Available: https://ripipsacobots.com/robots-autonomos/. [Último acceso: 3 Agosto
2023].

[12] S. Tayal, K. Rajagopal and V. Mahajan, "Modernization with Gamification on Industry 4.0 in Supply Chain Management 4.0," 2022 6th International Conference
on Electronics, Communication and Aerospace Technology, Coimbatore, India, 2022, pp. 292-299, doi: 1.

[13] Imep, «Robots autónomos en la Industria 4.0,» [En línea]. Available: https://imepi.com.mx/industria-4-0-robots-autonomos/. [Último acceso: 02 08 2023].

[14] M. S. Zulu, M. W. Pretorius and E. van der Lingen, "Organizational Capabilities as the Critical Determinants for a Successful Adoption and Implementation of
Fourth Industrial Revolution k. Technologies in Manufacturing Industries," 2022 IEEE International.

[15] S. Ehsan Hashemi-Petroodi, Simon Thevenin, Sergey Kovalev, Alexandre Dolgui,.

[16] W. Luejai, "Automated Storage and Retrieval System using FIFO Method via PLC-integrated Human Machine Interface," 2021 18th International Conference on
Electrical Engineering/Electronics, Computer, Telecommunications and Information Technology (ECTI-CON),.

[17] Rosenstrauch, M.J. and J. Kruger. Safe human-robot-collaboration-introduction and experiment using ISO/TS 15066. in 2017 3rd International Conference on
Control, Automation and Robotics, ICCAR 2017. 2017..

[18] K. Schwab, The fourth industrial revolution, London, England, 2023.

[19] Christensen, C.M., Raynor, M. and McDonald, R. (2015) What Is Disruptive Innovation? Twenty Years after the Introduction of the Theory, We Revisit What It
Does and Doesn’t Explain. Harvard Business Review Press, Boston..

[20] R. Kumari and K. Saini, "Advanced Automobile Manufacturing: An Industry 4.0," 2021 8th International Conference on Computing for Sustainable Global
Development (INDIACom), New Delhi, India, 2021, pp. 899-904..

[21] BCG,Industry 4.0: The Future of Productivity and Growth in Manufacturing Industries, Boston Consulting Group,
https://www.bcg.com_publications/2015/engineered_products_project_business_industry_4_future_productivity_growth_manufacturing_industries,2015..

[22] European Springs, Ingeniería e Industria 4.0, European Springss & Pressings Ltd, https://www.europeansprings.ie/engineering-and-industry-4-0/.2017..
[23] A. Kattepur, A. Mukherjee and P. Balamuralidhar, "Verification and Timing Analysis of Industry 4.0 Warehouse Automation Workflows," 2018 IEEE 23rd
International Conference on Emerging Technologies and Factory Automation (ETFA), Turin, Italy, 2018, pp. 129.

[24] R. Langmann and L. F. Rojas-Peña, "A PLC as an Industry 4.0 component," 2016 13th International Conference on Remote Engineering and Virtual
Instrumentation (REV), Madrid, Spain, 2016, pp. 10-15, doi: 10.1109/REV.2016.7444433..

[25] F. Zaccaria, A. Baldassarri, G. Palli and M. Carricato, "A Mobile Robotized System for Depalletizing Applications: Design and Experimentation," in IEEE
Access, vol. 9, pp. 96682-96691, 2021, doi: 10.1109/ACCESS.2021.3092580..

[26] M. Sallinen, T. Heikkila, T. Salmi, S. Kivikunnas and T. Pulkkinen, "A concept for isles of automation: Ubiquitous robot cell for flexible manufacturing," 2008
International Conference on Control, Automation and Systems, Seoul, Korea (South), 2008, pp. 22.

[27] Y. Shi et al., "Adaptive Informative Sampling with Environment Partitioning for Heterogeneous Multi-Robot Systems," 2020 IEEE/RSJ International Conference
on Intelligent Robots and Systems (IROS), Las Vegas, NV, USA, 2020, pp. 11718-11723, doi: 10.1109/IR.

[28] Y. Han, N. Boyd, X. Ni and Y. Zhao, "Multi-Robot Collaboration with Heterogeneous Capabilities," 2022 American Control Conference (ACC), Atlanta, GA,
USA, 2022, pp. 3368-3368, doi: 10.23919/ACC53348.2022.9867606..

[29] S. Gerasimou, N. Matragkas and R. Calinescu, "Towards Systematic Engineering of Collaborative Heterogeneous Robotic Systems," 2019 IEEE/ACM 2nd
International Workshop on Robotics Software Engineering (RoSE), Montreal, QC, Canada, 2019, pp. 25-28, doi: 10..

[30] AJ, NORDMANN. "A survey on domain-specific modeling and languages in robotics." JOURNAL OF SOFTWARE ENGINEERING FOR ROBOTICS 7
(2016): 75-99..

[31] ,A. Grau, M. Indri, L. L. Bello and T. Sauter, "Industrial robotics in factory automation: From the early stage to the Internet of Things," IECON 2017 - 43rd
Annual Conference of the IEEE Industrial Electronics Society, Beijing, China, 2017, pp. 6159-6164.

[32] G. Patti, G. Muscato, N. Abbate et al. , "Towards low-datarate communications for cooperative mobile robots," 2015 IEEE World Conference on Factory
Communication Systems (WFCS), Palma de Mallorca, Spain, 2015, pp. 1-4, doi:10.1109/WFCS.2015.7160582..

[33] M. Wollschlaeger, T. Sauter and J. Jasperneite, "The Future of Industrial Communication: Automation Networks in the Era of the Internet of Things and Industry
4.0," in IEEE Industrial Electronics Magazine, vol. 11, no. 1, pp. 17-27, March 2017, doi: 10.11.

[34] H. Shi, L. Niu and J. Sun, "Construction of Industrial Internet of Things Based on MQTT and OPC UA Protocols," 2020 IEEE International Conference on
Artificial Intelligence and Computer Applications (ICAICA), Dalian, China, 2020, pp. 1263-1267, doi: 10.11.

[35] S. Novoselov and O. Sychova, "Using Wireless Technology for Managing Distributed Industrial Automation Objects within the Concept of Industry 4.0," 2019
IEEE International Scientific-Practical Conference Problems of Infocommunications, Science and Technol.

[36] S. Zheng, Z. Lin, Q. Zeng, R. Zheng, C. Liu and H. Xiong, "IAPcloud: A Cloud Control Platform for Heterogeneous Robots," in IEEE Access, vol. 6, pp. 30577-
30591, 2018, doi: 10.1109/ACCESS.2018.2837904..

[37] M. Kashyap, V. Sharma and G. Verma, "Implementation and Analysis of IoT Based Automation Using MQTT," 2021 IEEE 4th International Conference on
Computing, Power and Communication Technologies (GUCON), Kuala Lumpur, Malaysia, 2021, pp. 1-5, doi: 10.1109/GU.

[38] H. Knauer, S. Schmitz, D. Schilberg and S. Jeschke, "Conception of a heterogeneous robotic training factory," 2017 International Conference on Research and
Education in Mechatronics (REM), Wolfenbuettel, Germany, 2017, pp. 1-8, doi: 10.1109/REM.2017.80752.

[39] Yara Rizk, Mariette Awad, and Edward W. Tunstel. 2019. Cooperative Heterogeneous Multi-Robot Systems: A Survey. ACM Comput. Surv. 52, 2, Article 29
(March 2020), 31 pages. https://doi.org/10.1145/3303848.

[40] Enrique, «Medium,» 12 Mayo 2018. [En línea]. Available: https://medium.com/@enriqueav/detecci%C3%B3n-de-objetos-con-yolo-implementaciones-y-como-

usarlas-c73ca2489246. [Último acceso: 27 Febrero 2023].

[41] S. M. Ruiz, «“Diseño de Algoritmos de Control de,» Madrid, 2019.

[42] W. Derek, «Quenser,» 3 Octubre 2019. [En línea]. Available: https://www.quanser.com/blog/in-development-quansers-self-driving-car-research-studio/. [Último
acceso: 20 Febrero 2023].

[43] MEXICO INDUSTRY, «México por la vía de la automatización industrial,» mayo 2019. [En línea]. Available: https://mexicoindustry.com/noticia/mxico-por-la-
va-de-la-automatizacin-industrial. [Último acceso: 10 agosto 2023].

[44] Ángel Martínez Monroy y I. Minian, «El impacto de las nuevas tecnologías en el empleo en México», RPD, vol. 49, n.º 195, mar. 2021.

[45] Mikell P. Groover Automation, production systems and computer integrated manufacturing. Second Edition, Pearson education..

[46] Dhairya Parikh, Raspberry Pi and MQTT Essentials: A complete guide to helping you build innovative full-scale prototype projects using Raspberry Pi and
MQTT protocol , Packt Publishing, 2022..

[47] F. Hmissi and S. Ouni, "TD-MQTT: Transparent Distributed MQTT Brokers for Horizontal IoT Applications," 2022 IEEE 9th International Conference on
 Sciences of Electronics, Technologies of Information and Telecommunications (SETIT), Hammamet, Tunisia, 2022..

[48] M. B. Yassein, M. Q. Shatnawi, S. Aljwarneh and R. Al-Hatmi, "Internet of Things: Survey and open issues of MQTT protocol," 2017 International Conference
on Engineering & MIS (ICEMIS), Monastir, Tunisia, 2017, pp. 1-6, doi: 10.1109/ICEMIS.2017.8273112..

[49] Forbes Staff, «Forbes,» 28 Julio 2020. [En línea]. Available: https://www.forbes.com.mx/forbes-life/auto-lujo-vehiculos-autonomos-av-mexico/. [Último acceso:
24 Febrero 2023].

[50] IBM Cloud Education, «IBM,» 15 Julio 2020. [En línea]. Available: https://www.ibm.com/mx-es/cloud/learn/machine-learning. [Último acceso: 23 Febrero
2023].

[51] IBM, «IBM,» [En línea]. Available: https://www.ibm.com/mx-es/topics/computer-vision. [Último acceso: 21 Febrero 2023].

[52] Intel, «intel,» [En línea]. Available: https://www.intel.es/content/www/es/es/internet-of-things/computer-vision/convolutional-neural-networks.html. [Último

acceso: 23 Febrero 2023].

[53] N. Srivastava, G. Hinton, A. Krizhevsky, I. Sutskever y R. Salakhutdinov, «A simple way to prevent neural networks from overfitting,» Machine Learning
Research, vol. 1, nº 15, pp. 1929-1958, 2014.

[54] B. Jähne, «Digital Image Processing,» Heidelberg, Springer, 1997, pp. 17-25.

[55] P. Gonzalo, Vison por computadora, México: Alfaomega, 2002.

[56] Redacción KeepCoding, «Keepcoding,» 18 Febrero 2023. [En línea]. Available: https://keepcoding.io/blog/redes-neuronales-convolucionales/. [Último acceso: 26
Febrero 2023].

[57] Y. LeCun, B. Boser, J. Denker, D. Henderson, R. Howard y W. J. L. Hubbard, «Backpropagation applied to handwritten zip code recognition,» 1989, pp. 541-
551.

[58] I. Goodfellow, Y. Beingi y A. Courville, «Deep learning,» Massachusetts, The MIT Press, 2016, pp. 12-16.

[59] R. Rodríguez, «LM,» lamaquinaoraculo, [En línea]. Available: https://lamaquinaoraculo.com/computacion/deteccion-de-objetos/. [Último acceso: 26 Febrero
2023].

[60] I. Galván, «IO,» 20 Marzo 2019. [En línea]. Available: https://ignaciogavilan.com/la-percepcion-en-vehiculos-autonomos/. [Último acceso: 24 Febrero 2023].

[61] L. A. Curiel, «Coches autónomos mexicanos: ¿una realidad en el futuro cercano?,» p. 4, 2019.

[62] «YelowScan,» 7 Agosto 2018. [En línea]. Available: https://www.yellowscan-lidar.com/es/knowledge/how-lidar-works/. [Último acceso: 01 Marzo 2023].

[63] Microsoft, Essential Key Performance for Small and Mid-Size Bussiness. [En línea]. Available: https://www.dynavistics.com/hubfs/Esential%20Key
%20Performance%20Indicators%20for%20Small%20and%20Mid-Size%20Business.pdf?hsLang=en. [Último acceso: marzo 2023].

[64] PremiumTracking, «Los KPI: indicadores de gestión de un almacén.,» 10 2022. [En línea]. Available: https://www.trackingpremium.com/kpi-logistica/. [Último
acceso: 01 agosto 2023].

[65] A. Meneses, CINVESTAV, 08 noviembre 2002. [En línea]. Available: http://computacion.cs.cinvestav.mx/~ameneses/pub/tesis/mtesis/node1.html. [Último
acceso: 07 agosto 2023].

[66] W. Bolton, «1. Programmable logic controllers,» de Programmable Logic Controllers, Oxford, Elsevier Newnes, 2006, pp. 1-7..

[67] Sedra y Smith, Dispositivos Electrónicos y amplificación, Interamericana, 1992.

[68] Boylestad y L. Robert, Electrónica: teoría de circuitos y dispositivos, México: Perason Education, 2003.

[69] K. Azadeh, R. De Koster and D. Roy, "Robotized and automated warehouse systems: Review and recent developments", Transp. Sci., vol. 53, no. 4, pp. 917-945,
Jul. 2019..

[70] «LAB Midwest,» [En línea]. Available: https://labmidwest.com/coming-soon-self-driving-car-research-studio/. [Último acceso: 21 Febrero 2023].

[71] M. Farsi, "Flexible and reliable robotics cells in factory automation," Proceedings of IEEE Systems Man and Cybernetics Conference - SMC, Le Touquet, France,
1993, pp. 520-525 vol.1, doi: 10.1109/ICSMC.1993.384796..

[72] M. Logothetis et al., "Efficient Cooperation of Heterogeneous Robotic Agents: A Decentralized Framework," in IEEE Robotics & Automation Magazine, vol. 28,
no. 2, pp. 74-87, June 2021, doi: 10.1109/MRA.2021.3064761..

[73] M. Horenstein, Microelectrónica circuitos y dispositivos, Prentice Hall, 1997.

[74] K. L. G. Ling, Model Predictive Control using Neural Network, Linköping University, 2017.

[75] «Piloto automático y Capacidad de conducción autónoma total,» TESLA, [En línea]. Available: https://www.tesla.com/es_es/support/autopilot. [Último acceso: 4
Agosto 2023].
[76] «Reaffirmed Mission for Autonomous Audi TTS Pikes Peak,» 25 junio 2010. [En línea]. Available:
https://web.archive.org/web/20120710202052/http:/www.audiusa.com/us/brand/en/tools/news/pool/2010/07/new_look__reaffirmed.html. [Último acceso: 01
agosto 2023].

[77] Wikipedia, «Wikipedia la enciclopedia libre,» 10 11 2012. [En línea]. Available: https://es.wikipedia.org/wiki/Convertidor_elevador. [Último acceso: 31 05
2023].

[78] Y. Huang, Y. Zhang and H. Xiao, "Multi-robot system task allocation mechanism for smart factory," 2019 IEEE 8th Joint International Information Technology
and Artificial Intelligence Conference (ITAIC), Chongqing, China, 2019, pp. 587-591, doi: 10.1109/IT.

[79] Y. Shi et al., "Adaptive Informative Sampling with Environment Partitioning for Heterogeneous Multi-Robot Systems," 2020 IEEE/RSJ International Conference
on Intelligent Robots and Systems (IROS), Las Vegas, NV, USA, 2020, pp. 11718-11723..