Máster en Lógica, Computación e Inteligencia Artificial

URI permanente para esta colecciónhttps://hdl.handle.net/11441/101420

Examinar

Envíos recientes

Mostrando 1 - 4 de 4
  • Miniatura
    Acceso abiertoTrabajo Final de Máster (TFM)
    Análisis y evaluación de algoritmos para asignación de tareas multi-robot
    (2025) García Barragán, Lidia; Pérez Hurtado de Mendoza, Ignacio; Ciencias de la Computación e Inteligencia Artificial; TEP995: Multi-Robot and Control Systems
    La asignación eficiente de tareas en sistemas multi-robot representa uno de los retos fundamentales en la robótica cooperativa moderna. En contextos reales, estos sistemas deben operar en entornos dinámicos y parcialmente observables, donde la información incompleta y la incertidumbre influyen directamente en la toma de decisiones. Este tipo de escenarios da lugar al problema MRTA+U (Multi-Robot Task Allocation with Uncertainty), cuya resolución eficiente resulta esencial para optimizar el uso de los recursos, reducir costes y aumentar la autonomía y adaptabilidad de los robots en misiones distribuidas. El presente Trabajo Fin de Máster aborda este problema mediante el desarrollo de un enfoque robusto, escalable y moderno basado en el algoritmo Information Set Monte Carlo Tree Search (ISMCTS). Este método, ampliamente empleado en entornos con información incompleta, permite planificar de forma racional bajo incertidumbre, manteniendo un equilibrio entre exploración y explotación. Con el objetivo de evaluar su rendimiento frente a métodos heurísticos tradicionales, se ha diseñado e implementado una biblioteca modular en Python que permite simular distintos escenariosMRTA+U y realizar comparativas automáticas entre tres enfoques: Random, Greedy e ISMCTS. La arquitectura de la biblioteca, orientada a objetos y altamente extensible, integra un sistema de logging estructurado, generación automática de métricas y análisis reproducible de resultados, lo que facilita la experimentación sistemática y la validación de hipótesis. Los resultados experimentales muestran que ISMCTS supera a los algoritmos heurísticos en entornos con alta incertidumbre o recursos limitados, ofreciendo un equilibrio óptimo entre eficiencia computacional y calidad de la planificación. En entornos más simples, las estrategias heurísticas pueden seguir siendo adecuadas; sin embargo, en escenarios complejos, ISMCTS demuestra una capacidad superior para integrar información incompleta y generar decisiones racionales en tiempo limitado. Finalmente, este trabajo sienta las bases para futuras líneas de investigación centradas en la paralelización y descentralización del algoritmo ISMCTS, con el fin de distribuir la carga de planificación entre múltiples agentes y reducir los tiempos de decisión. Actualmente, la autora forma parte de un grupo de investigación activo dedicado al estudio y mejora de sistemas multi-robot, posicionando este trabajo como un punto de partida hacia el desarrollo de sistemas robóticos con mayor grado de autonomía, cooperación y eficiencia.
  • Miniatura
    Acceso abiertoTrabajo Final de Máster (TFM)
    Modelos predictivos para ocupación de estacionamiento
    (2024-06-07) Lorenz Vieta, Germán; Pérez Hurtado de Mendoza, Ignacio; Ciencias de la Computación e Inteligencia Artificial
    El propósito de esta investigación es desarrollar y validar un sistema inteligente para la predicción eficaz de la disponibilidad de plazas de estacionamiento en contextos urbanos, específicamente en estacionamientos, enfocándose en la integración de técnicas avanzadas de aprendizaje profundo y análisis temporal de series de datos.
  • Miniatura
    Acceso abiertoTrabajo Final de Máster (TFM)
    Clasificación de Actividades Humanas en Vídeo
    (2020-07) Tatbak, Emre; Martínez del Amor, Miguel Ángel; Ciencias de la Computación e Inteligencia Artificial
    Nowadays, self-learning models and artificial intelligence are popular. These systems can be seen in daily life almost in every field. Artificial intelligence makes our life easier than we expected before. Now we can drive safer and easier with self-driving cars, we can predict our monthly expenses, in medical usage we can predict cancer cells with machine learning and also many other applications. Neural network is an effective tool for image recognition by computer vision algorithms. They work similar to human brain neural systems to recognize objects, their locations and also they can classify within multiple objects. With this project we will see how we can detect human actions on video camera with deep learning models. Mainly our goal is train a neural network model to recognize human activities on video and live camera. Our project has two stages; firstly only human body detection in all video, then using this video clip as the input of our deep learning model. Finally we classify the actions during all video.
  • Miniatura
    Acceso abiertoTrabajo Final de Máster (TFM)
    Natural language interfaces to relational databases
    (2019) González Gutiérrez, César; Quesada Moreno, José Francisco; Ciencias de la Computación e Inteligencia Artificial