Revisar literatura recomendada
13/01/2025
Transformación tecnológica mediante UAV, IoT e IA
En un mundo cada vez más conectado, la integración de los Vehículos Aéreos No Tripulados (UAV), el Internet de las Cosas (IoT) y la Inteligencia Artificial (IA) está revolucionando sectores clave como la agricultura, la logística y la seguridad. Estas tecnologías innovadoras no solo optimizan procesos, sino que también ofrecen soluciones críticas en escenarios de alta demanda, destacándose como un eje central para el futuro de la conectividad global y la automatización.
Con el acelerado crecimiento del Internet de las Cosas (IoT), la cantidad de dispositivos conectados aumenta exponencialmente, demandando servicios de alta calidad que las infraestructuras terrestres, por sí solas, tienen dificultades para ofrecer. En este contexto, los vehículos aéreos no tripulados (UAV) han surgido como una solución innovadora y eficaz, destacándose por su flexibilidad, maniobrabilidad y economía. La integración de UAV con redes IoT promete revolucionar diversos sectores mediante aplicaciones que van desde la vigilancia y el transporte de carga hasta la fumigación de cultivos. Este artículo describe el impacto de las tecnologías de inteligencia artificial (IA) aplicadas a redes IoT asistidas por UAV, así como en los retos y oportunidades que estas tecnologías presentan para el futuro.
El rol de los UAV en las redes IoT
El rápido desarrollo del IoT ha traído consigo un aumento significativo en el número de dispositivos conectados, lo que hace que sea difícil proporcionar servicios de alta calidad exclusivamente a través de infraestructuras terrestres. Para abordar esta limitación, los vehículos aéreos no tripulados (UAV) han demostrado ser una solución eficiente debido a sus características únicas de maniobrabilidad y bajo costo operativo. Gracias a estas capacidades, los UAV no solo ofrecen acceso inalámbrico a dispositivos IoT en áreas donde las redes terrestres son insuficientes o inexistentes, sino que también desempeñan un papel esencial en la ejecución de servicios avanzados y aplicaciones específicas del IoT.
Aplicaciones prácticas de los UAV en IoT
Entre las aplicaciones más destacadas de los UAV en redes IoT se encuentran la videovigilancia, el transporte de mercancías y la fumigación de cultivos, lo que evidencia su versatilidad para abordar una amplia variedad de necesidades. Sin embargo, las redes IoT asistidas por UAV presentan una alta complejidad debido a la naturaleza dinámica, heterogénea y altamente interconectada de estos sistemas. Para enfrentar estas dificultadas técnicas, se ha incrementado el interés en la utilización de métodos basados en inteligencia artificial (IA), que son esenciales para optimizar, programar y gestionar estas redes de manera eficiente.
Optimización con IA en redes IoT asistidas por UAV
La implementación de arquitecturas y modelos avanzados de IA en redes IoT asistidas por UAV ha permitido mejoras significativas en áreas como la gestión del tráfico de datos, la eficiencia energética y la toma de decisiones en tiempo real. Por ejemplo, los algoritmos de aprendizaje automático y aprendizaje profundo son clave para resolver problemas de asignación de recursos, planificación de rutas y adaptación dinámica a entornos cambiantes. Estas tecnologías no solo mejoran el desempeño general de las redes, sino que también amplían su aplicabilidad en sectores como la agricultura inteligente, la logística y la seguridad pública.
Desafíos actuales y soluciones para UAV en IoT
A pesar de estos avances, todavía existen desafíos importantes, como la limitación de recursos computacionales en los UAV, la necesidad de una mayor seguridad en la transmisión de datos y la interoperabilidad entre diferentes dispositivos y plataformas IoT. Resolver estos problemas requerirá un enfoque multidisciplinario que combine la investigación en IA, redes de comunicación y diseño de hardware especializado.
H2, Impacto futuro de las tecnologías UAV-IoT-IA
Las tecnologías basadas en UAV y potenciadas por inteligencia artificial representan un paso esencial hacia el desarrollo de redes IoT más avanzadas, estables y adaptativas. Su implementación no solo promete revolucionar industrias clave como la agricultura, la logística y la seguridad, sino que también tiene el potencial de mejorar significativamente la calidad de vida de las personas al ofrecer servicios más eficientes y accesibles. En un futuro donde la conectividad y la automatización jugarán roles cada vez más importantes, estas innovaciones serán fundamentales para el progreso industrial y el bienestar de los usuarios de diversos servicios.
H3, IoT: Una red interconectada para un futuro sostenible
El Internet de las Cosas (IoT, Internet of Things) es una tecnología que conecta una amplia gama de sensores, dispositivos y terminales a través de Internet, lo que permite la interconexión de objetos cotidianos con un propósito común: optimizar procesos, mejorar la calidad de vida y fomentar la innovación en diversas industrias. Actualmente, el IoT se utiliza en áreas tan diversas como la vigilancia ambiental, la manufactura industrial, la telemedicina y la gestión de ciudades inteligentes. Se estima que para el año 2050 habrá más de mil millones de dispositivos IoT en todo el mundo, generando volúmenes masivos de datos que deberán ser gestionados eficientemente a través de redes inalámbricas. Sin embargo, las limitaciones en la transmisión oportuna y el procesamiento de estos datos representan un obstáculo importante para maximizar los beneficios del IoT. En este contexto, los Vehículos Aéreos No Tripulados (UAV, Unmanned Aerial Vehicles) han surgido como una solución prometedora debido a su capacidad para actuar como nodos de red, estaciones base voladoras y recolectores de datos, facilitando la conectividad y la eficiencia en escenarios de alta demanda.
Por otra parte, los UAV ofrecen una flexibilidad inigualable para apoyar la infraestructura de redes en zonas con alta congestión de comunicaciones o conectividad limitada. Equipados con diversos sensores, estos vehículos pueden realizar tareas como vigilancia por video, recolección de datos y transporte de carga, además de proporcionar servicios de red autoorganizados. Su capacidad para operar en el aire los hace inmunes a desastres que podrían afectar a infraestructuras terrestres, permitiéndoles adaptarse a escenarios como la agricultura inteligente, la gestión de desastres naturales y el desarrollo de ciudades inteligentes (Cao et al., 2018; Zeng et al., 2019). En situaciones de emergencia, los UAV pueden reemplazar a los trabajadores en tareas peligrosas y garantizar el soporte de comunicación e información de manera oportuna.
Innovaciones sostenibles con UAV e IoT
Además, los UAV pueden extender la vida útil de los dispositivos IoT alimentados por baterías limitadas mediante tecnologías de transmisión de energía inalámbrica (Li et al., 2021; Yuan et al., 2021). Esto no solo reduce los costos asociados al reemplazo de dispositivos, sino que también mejora la sostenibilidad del sistema IoT. Sin embargo, a pesar de sus múltiples ventajas, el uso de UAV en aplicaciones IoT enfrenta limitaciones técnicas importantes, como la gestión ineficiente de recursos de comunicación, la administración de energía y el control de vuelo, lo que puede limitar la duración operativa y el rendimiento de sus misiones. Por otro lado, la Inteligencia Artificial ha demostrado ser una herramienta poderosa para abordar estas dificultades. La IA permite optimizar sistemas complejos y dinámicos, superando a los métodos convencionales de optimización en diferentes áreas. Al integrar IA en los UAV, se mejora su capacidad de comunicación, su eficiencia en la gestión de redes y su seguridad en vuelo, lo que resulta en un servicio más robusto y confiable en aplicaciones IoT (Lahmeri et al., 2021). Por ejemplo, los algoritmos de aprendizaje automático pueden prever problemas de red y redistribuir recursos de manera eficiente, mientras que las técnicas de visión artificial ayudan a los UAV a operar con mayor precisión en tareas de reconocimiento y monitoreo.
Nuevas aplicaciones innovadoras de UAV e IA en IoT
El uso combinado de UAV e IA no solo mejora la conectividad en entornos IoT, sino que también posibilita nuevas aplicaciones innovadoras, como el monitoreo remoto en zonas de difícil acceso y el soporte a infraestructuras críticas durante desastres naturales. Estas capacidades subrayan el papel clave de los UAV en la evolución del IoT y en la transformación digital de industrias clave.
Beneficios de la sinergia entre UAV, IoT e IA
Las tecnologías que combinan IoT, UAV e IA representan una oportunidad única para avanzar en la conectividad, la automatización y la sostenibilidad de las industrias. Su implementación promueve no solo una mayor eficiencia operativa, sino también una mejora tangible en la calidad de vida de las personas al facilitar el acceso a servicios críticos, aumentar la estabilidad y su potencial ante emergencias y fomentar el desarrollo de soluciones más inteligentes. A medida que estas tecnologías sigan evolucionando, se espera que su impacto beneficie tanto a los sectores industriales como a los usuarios finales, garantizando un futuro más conectado, seguro y sostenible.
Vamos a referirnos a la Figura 1, donde se muestra las principales categorías de algoritmos de Inteligencia Artificial (IA) y sus clasificaciones. La IA se divide en dos categorías principales: 1) Aprendizaje Automático (ML, Machine Learning) y 2) Aprendizaje No Automático (non-ML). El Aprendizaje Automático implica el entrenamiento de modelos a través del análisis de datos para realizar predicciones sobre datos desconocidos. Esta categoría incluye algoritmos de Aprendizaje Profundo (DL, Deep Learning) basados en redes neuronales (NN, Neural Networks), así como técnicas de agrupamiento, como K-means, y algoritmos clásicos como árboles de decisión, máquinas de vectores de soporte (SVM, Support Vector Machines) y algoritmos de regresión lineal y logística.
Tecnologías incluidas en la Figura 1: Red Neuronal Gráfica (GNN, Graph Neural Network). Inteligencia Artificial Basada en Enjambres (Swarm AI). Optimización por Enjambre de Partículas (PSO, Particle Swarm Optimization). Aprendizaje Automático (ML, Machine Learning). Clasificador Naïve Bayes (Naïve Bayes). Máquina de Vectores de Soporte (SVM, Support Vector Machine). Algoritmo K-medias (K-means). Aprendizaje Profundo (DL, Deep Learning). Red Generativa Antagónica (GAN, Generative Adversarial Network). Red Neuronal Recurrente (RNN, Recurrent Neural Network). Red Neuronal Convolucional (CNN, Convolutional Neural Network). Memoria a Largo Corto Plazo (LSTM, Long Short-Term Memory). Transformador Bidireccional para Representaciones de Codificadores (BERT, Bidirectional Encoder Representations from Transformers). Modelos Generativos Pre-entrenados 3 (GPT-3, Generative Pre-trained Transformers 3). Aprendizaje por Refuerzo Profundo (DRL, Deep Reinforcement Learning). Actor-Crítico Asíncrono Avanzado (A3C, Asynchronous Advantage Actor-Critic).Aprendizaje de Diferencia Temporal Profunda (TD3, Twin Delayed Deep Deterministic Policy Gradient). Red Neuronal Q Profunda (DQN, Deep Q-Network). Red Q Profunda Doble (Double DQN, Double Deep Q-Network). Red Q Profunda Dual (Dueling DQN, Dueling Deep Q-Network). Aprendizaje por Refuerzo (RL, Reinforcement Learning). SARSA (State-Action-Reward-State-Action). Optimización Proximal de Políticas (PPO, Proximal Policy Optimization). Optimización de Políticas con Restricciones (TRPO, Trust Region Policy Optimization). Gradiente de Política Determinista Profunda (DDPG, Deep Deterministic Policy Gradient)
Adviértase, que, dentro del Aprendizaje Profundo, los algoritmos incorporan modelos avanzados de Redes Neuronales Profundas (DNN, Deep Neural Networks), como las Redes Neuronales Convolucionales (CNN, Convolutional Neural Networks), Redes Neuronales Recurrentes (RNN, Recurrent Neural Networks) y Redes Generativas Antagónicas (GAN, Generative Adversarial Networks). Asimismo, los algoritmos de Aprendizaje por Refuerzo (RL, Reinforcement Learning) y Aprendizaje por Refuerzo Profundo (DRL, Deep Reinforcement Learning) han demostrado ser eficaces para permitir la adaptación a entornos dinámicos y la toma de decisiones en tiempo real, mediante técnicas como Q-learning, Q-learning Profundo (DQN, Deep Q-learning) y Gradiente de Política Determinista Profundo (DDPG, Deep Deterministic Policy Gradient).
Por otro lado, los algoritmos no basados en ML incluyen métodos convencionales como sistemas expertos basados en semiótica y sistemas de inferencia, además de algoritmos heurísticos, como Algoritmos Genéticos (GA, Genetic Algorithms), Algoritmos Voraces y Algoritmos de Optimización de Colonias de Hormigas (ACO, Ant Colony Optimization). Sin embargo, la aplicación de IA a UAV enfrenta limitaciones significativas debido a la falta de recursos computacionales adecuados.
Hay que resaltar, que la Computación de Borde Móvil (MEC), desarrollada como una extensión de la computación en la nube, acerca los recursos de procesamiento y almacenamiento al borde de la red. Esto permite procesar datos de Internet de las Cosas (IoT, Internet of Things) localmente, reduciendo la carga sobre la red central y satisfaciendo las necesidades de dispositivos IoT que requieren baja latencia y altos niveles de procesamiento. MEC, lo que resulta especialmente relevante para respaldar el desarrollo de IoT, aunque enfrenta limitaciones en áreas con infraestructura de red incompleta, como zonas remotas o regiones afectadas por desastres.
En este contexto, surge la integración de UAV y MEC como una solución prometedora. Combinando los recursos de procesamiento proporcionados por los servidores MEC con la flexibilidad de los UAV, se ha demostrado que estos pueden ejecutar algoritmos de IA para mejorar su rendimiento y su capacidad de proporcionar servicios en áreas con conectividad terrestre limitada. Investigaciones recientes han explorado el potencial de estas tecnologías mediante dos enfoques arquitectónicos: MEC asistido por UAV y MEC habilitado por UAV.
De este modo, las arquitecturas MEC asistidas y habilitadas por UAV representan una solución eficaz para abordar tanto el estancamiento en el servicio de IoT en áreas sin redes terrestres como la congestión de las redes. La ejecución de algoritmos de IA en estas arquitecturas permite que los UAV sean más inteligentes y mejoren la calidad y eficiencia de los servicios proporcionados.
Sinergia tecnológica para superar limitaciones actuales
Considerando todos estos avances tecnológicos, la integración de UAV, IA y MEC representa un paso fundamental hacia la evolución de los servicios tecnológicos en IoT, especialmente en escenarios donde las redes terrestres no están disponibles o son insuficientes. Estas tecnologías, al trabajar en sinergia, no solo ofrecen soluciones innovadoras para superar desafíos de conectividad y procesamiento, sino que también abren nuevas oportunidades para aplicaciones críticas como el monitoreo en tiempo real, la asistencia en emergencias y la optimización de recursos industriales. El avance continuo en esta área tiene el potencial de transformar múltiples sectores, mejorando tanto el bienestar de los usuarios como la eficiencia de las operaciones industriales en el futuro.
Es un hecho, que el desarrollo y aplicación de tecnologías avanzadas como los vehículos aéreos no tripulados (UAV, Unmanned Aerial Vehicles), el Internet de las Cosas (IoT, Internet of Things) y la Inteligencia Artificial (IA, Artificial Intelligence) están transformando múltiples sectores industriales y sociales. Estas tecnologías tienen el potencial de revolucionar la forma en que se recopila, procesa y utiliza la información, permitiendo soluciones innovadoras para la comunicación, la gestión de recursos y la toma de decisiones en tiempo real. Sin embargo, integrar estas tecnologías en sistemas funcionales plantea numerosos desafíos técnicos y operativos que requieren un análisis exhaustivo para garantizar su efectividad y sostenibilidad. En este contexto, resulta esencial describir las características del estado actual de la investigación en este campo, identificando tanto los avances logrados como las limitaciones técnicas pendientes en la aplicación conjunta de UAV, IoT e IA.
En la Tabla I, se presenta un resumen de algunos estudios realizados sobre UAV, IoT e IA. Por ejemplo, Nguyen et al. (2016) proporcionaron un análisis detallado de la comunicación entre UAV y los retos asociados, explorando su potencial para ofrecer servicios basados en IoT. Adicionalmente, Lagkas et al. (2018) examinaron las cuestiones de seguridad y las soluciones viables relacionadas con la integración de UAV en el ecosistema IoT, con especial atención a los dominios 5G. Sin embargo, estas investigaciones se centraron únicamente en los escenarios de aplicación de los UAV en el IoT, omitiendo el análisis del uso de la IA en este contexto. De manera similar, Liu et al. (2020) abordaron las principales tecnologías relacionadas con los UAV y los retos específicos del IoT asistido por UAV, aunque tampoco exploraron en profundidad el papel de la IA en estos sistemas.
Por otro lado, Michailidis et al. (2020) investigaron los desafíos de utilizar redes no terrestres para habilitar servicios IoT, destacando los beneficios del uso de técnicas de IA. No obstante, carecieron de una visión integral sobre los escenarios de aplicación de IoT asistido por UAV. Asimismo, Bithas et al. (2019) detallaron el empleo de técnicas de aprendizaje automático en la gestión de redes y recursos, así como en el diseño de trayectorias dinámicas y la localización en redes de UAV. Lahmeri et al. (2021) exploraron de manera exhaustiva el aprendizaje por refuerzo y el aprendizaje federado para optimizar las redes de UAV y establecieron direcciones futuras de investigación, aunque dejaron de lado las aplicaciones conjuntas de UAV, IoT e IA.
La publicación de Al-Turjman y Zahmatkesh (2020), por su parte, analizó de manera detallada las tecnologías de IA aplicadas a la comunicación entre UAV, enfocándose en protocolos, arquitecturas y escenarios de IoT asistido por UAV. Sin embargo, no abordó las tareas específicas asociadas con este entorno, ni las soluciones de IA necesarias para optimizar su desempeño. De manera complementaria, Yazid et al. (2021) evaluaron el uso de Computación en el Borde Móvil habilitada por UAV en IoT, destacando el papel del aprendizaje automático para superar restricciones como la latencia, la descarga de tareas, el consumo energético y los requisitos de seguridad. Sin embargo, este estudio omitió el análisis del impacto de la IA en los UAV. Con lo anterior, hay que aclarar la importancia que tiene, ofrecer un análisis exhaustivo sobre la aplicación de IA en escenarios que involucren tanto UAV como IoT asistido por UAV, incluyendo los problemas existentes y las soluciones basadas en IA.
En la Figura 2 se presentan diversos estudios que abordan líneas de investigación relacionadas con el IoT asistido por UAV, destacándose los principales desafíos que enfrentan estas investigaciones y las tecnologías clave de inteligencia artificial (IA) involucradas. En primer lugar, se analizan los problemas asociados a las redes de comunicación de los UAV, poniendo de relieve el papel fundamental de la IA en la optimización y mejora de estos sistemas. De igual manera, se examina la aplicación de la IA en múltiples áreas del IoT, identificando tanto sus ventajas como sus limitaciones. Por otro lado, se exploran en profundidad los retos más relevantes vinculados al IoT asistido por UAV, mientras que se proponen soluciones basadas en IA diseñadas específicamente para superarlos. Finalmente, se abordan los desafíos particulares y las posibles estrategias para implementar la IA en los UAV y en el IoT asistido por UAV, enfatizando su importancia fundamental para el desarrollo y la evolución de estos sistemas tecnológicos innovadores.
En consecuencia, la integración de UAV, IoT e IA representa una de las áreas más prometedoras de investigación tecnológica, con implicaciones profundas en diversos sectores, como la agricultura, la logística, las telecomunicaciones y la seguridad. Estas tecnologías, al combinarse, permiten el desarrollo de sistemas autónomos y eficientes que mejoran la conectividad, optimizan el uso de recursos y ofrecen soluciones personalizadas a problemas complejos. La continua evolución en este campo es necesario no solo para el avance tecnológico, sino también para el bienestar de la industria y los usuarios, quienes se benefician de servicios más inteligentes, seguros y accesibles. De manera que, la convergencia de UAV, IoT e IA representa un hito en la evolución tecnológica, transformando industrias y mejorando la calidad de vida a nivel global. Invitamos a los lectores a explorar más sobre estas tecnologías, cuyo impacto será determinante en el desarrollo de un futuro más conectado, sostenible y eficiente.
Basado en el prestigioso estudio: «AI for UAV-Assisted IoT Applications
En conclusión, el presente artículo ha sido enriquecido gracias al análisis y las ideas provenientes del estudio académico titulado «AI for UAV-Assisted IoT Applications: A Comprehensive Review», publicado en el prestigioso IEEE Internet of Things Journal. Este trabajo, elaborado por un grupo de destacados investigadores: Nan Cheng, Shen Wu, Xiucheng Wang, Zhisheng Yin, Changle Li, Wen Chen y Fangjiong Chen, presenta un enfoque integral sobre el uso de la inteligencia artificial en aplicaciones de IoT asistidas por vehículos aéreos no tripulados (UAV). Es importante destacar que este paper está disponible bajo una licencia Creative Commons Attribution 4.0, lo que permite su uso y distribución siempre que se reconozca la autoría original. Para más detalles sobre esta licencia, puede consultar el siguiente enlace: https://creativecommons.org/licenses/by/4.0/. El nivel académico y la profundidad del análisis de los autores subrayan el rigor y la relevancia de esta contribución científica.
Referencias Bibliográficas Recomendadas
Al-Turjman, F., & Zahmatkesh, H. (2020). A comprehensive review on the use of AI in UAV communications: Enabling technologies, applications, and challenges. En Unmanned Aerial Vehicles in Smart Cities: Unmanned System Technologies (pp. 1–26). Springer. https://doi.org/10.1007/978-3-030-38712-1
Bithas, P. S., Michailidis, E. T., Nomikos, N., Vouyioukas, D., & Kanatas, A. G. (2019). A survey on machine-learning techniques for UAV-based communications. Sensors, 19(23), 5170. https://doi.org/10.3390/s19235170
Cao, X., Yang, P., Alzenad, M., Xi, X., Wu, D., & Yanikomeroglu, H. (2018). Airborne communication networks: A survey. IEEE Journal on Selected Areas in Communications, 36(9), 1907–1926. https://doi.org/10.1109/JSAC.2018.2864420
Lagkas, T., Argyriou, V., Bibi, S., & Sarigiannidis, P. (2018). UAV IoT framework views and challenges: Towards protecting drones as Things. Sensors, 18(11), 4015. https://doi.org/10.3390/s18114015
Lahmeri, M.-A., Kishk, M. A., & Alouini, M.-S. (2021). Artificial intelligence for UAV-enabled wireless networks: A survey. IEEE Open Journal of the Communications Society, 2, 1015–1040. https://doi.org/10.1109/OJCOMS.2021.3050324
Li, S., He, S., Hu, K., Fu, L., Chen, S., & Chen, J. (2021). Operation state scheduling towards optimal network utility in RF-powered Internet of Things. IEEE Transactions on Mobile Computing, 20(11), 3117–3130. https://doi.org/10.1109/TMC.2020.3008711
Liu, Y., Dai, H.-N., Wang, Q., Shukla, M. K., & Imran, M. (2020). Unmanned aerial vehicle for Internet of Everything: Opportunities and challenges. Computer Communications, 155, 66–83. https://doi.org/10.1016/j.comcom.2020.02.019
Michailidis, E. T., Potirakis, S. M., & Kanatas, A. G. (2020). AI-inspired non-terrestrial networks for IIoT: Review on enabling technologies and applications. IoT, 1(1), 3. https://doi.org/10.1016/j.iot.2020.02.001
Nguyen, N. H., Taleb, T., & Arouk, O. (2016). Low-altitude unmanned aerial vehicles-based Internet of Things services: Comprehensive survey and future perspectives. IEEE Internet of Things Journal, 3(6), 899–922. https://doi.org/10.1109/JIOT.2016.2582846
Yazid, Y., Ez-Zazi, I., Guerrero-González, A., El Oualkadi, A., & Arioua, M. (2021). UAV-enabled mobile edge-computing for IoT based on AI: A comprehensive review. Drones, 5(4), 148. https://doi.org/10.3390/drones5040148
Yuan, X., Yang, T., Hu, Y., Xu, J., & Schmeink, A. (2021). Trajectory design for UAV-enabled multiuser wireless power transfer with nonlinear energy harvesting. IEEE Transactions on Wireless Communications, 20(2), 1105–1121. https://doi.org/10.1109/TWC.2020.3027514
Zeng, Y., Wu, Q., & Zhang, R. (2019). Accessing from the sky: A tutorial on UAV communications for 5G and beyond. Proceedings of the IEEE, 107(12), 2327–2375. https://doi.org/10.1109/JPROC.2019.2952892