La Inteligencia Artificial de las Cosas (AIoT) es la evolución natural tanto de la inteligencia artificial como del IoT, porque son mutuamente beneficiosas. La inteligencia artificial (IA) aumenta el valor del IoT a través del aprendizaje automático al transformar los datos en información útil, mientras que el IoT aumenta el valor de la IA mediante la conectividad y el intercambio de datos. En base a esto, el proyecto europeo Intelligent Secure Trustable Things (InSecTT) ha trabajado para unificar el IoT y la inteligencia artificial, con el objetivo de crear soluciones inteligentes con conectividad, interoperabilidad, seguras y confiables de extremo a extremo.
Como resultado, el proyecto ha proporcionado un procesamiento inteligente de aplicaciones de datos y características de comunicación localmente en el borde, permitiendo aplicaciones industriales críticas para la seguridad y en tiempo real.
Asimismo, ha presentado soluciones seguras y confiables de grado industrial que puedan hacer frente a los ciberataques y las difíciles condiciones de la red; y soluciones para el IoT como dispositivos inalámbricos con restricciones de energía y procesamiento, en entornos heterogéneos y también hostiles/duros.
El proyecto presenta una gran variedad de casos de uso impulsados por la industria integrados en varios dominios de aplicación, como construcción, infraestructura inteligente, fabricación, automoción, aeronáutica, ferrocarril, transporte público urbano, marítimo y sanitario.
Detección de anomalías en la red IoT
Entre los muchos casos de éxito realizados en este proyecto, destaca el llevado a cabo en la Universidad de Mármara, en Turquía, donde se utilizó la inteligencia artificial para la detección de anomalías y monitorización de desempeño de la red dentro de la red IoT. Para ello, InSecTT desarrolló una aplicación capaz de recopilar los parámetros críticos de calidad de servicio (QoS) de los dispositivos IoT.
Esta aplicación sirve como herramienta de recopilación de datos, obteniendo información relacionada con la calidad del enlace, el rendimiento de la red, mediciones de retardo y detalles específicos del dispositivo. Los parámetros obtenidos se monitorizan y analizan continuamente en el centro de control central para identificar anomalías, problemas de conectividad y problemas de disponibilidad del servicio.
Al utilizar IA para analizar y rastrear cambios en las mediciones, el sistema puede detectar problemas de conectividad y variaciones de rendimiento entre dispositivos, actuando como indicadores para la detección de anomalías y garantizando la disponibilidad del servicio.
Los algoritmos desarrollados para este fin se centran en analizar los datos recopilados para evaluar la confiabilidad y disponibilidad de enlaces y servicios inalámbricos. Los datos se almacenan en la caché de los dispositivos IoT, para su posterior transmisión a la plataforma de monitorización. Por su parte, el centro de control opera con una plataforma de monitorización con interfaces RESTful y un corredor MQTT que proporciona una API para la aplicación.
Seguridad en espacios concurridos
El proyecto InSecTT también ha desarrollado diferentes tecnologías enfocadas a la seguridad para aeropuertos o terminales de trenes y autobuses, como la multibiometría, la gestión de multitudes, la detección térmica y el seguimiento de anomalías. En el caso de la multibiometría, esta tecnología consiste en un sistema de identificación basado en la fusión de datos biométricos, como patrones de venas de manos, y descriptores profundos del rostro, capturados mediante técnicas de aprendizaje profundo con la ayuda de cámaras infrarrojas (patrones de venas de manos) y cámaras de vídeo (descriptores de rostro).
El sistema está compuesto por un quiosco de inscripción y un quiosco de verificación que se comunican con una computadora portátil, ubicado en el quiosco de inscripción, donde la GUI permite al usuario insertar sus datos y realizar la inscripción para ambos tipos de datos. El quiosco de verificación es responsable de la verificación de identidad y está dotado de señal STOP/GO para impedir el acceso a la zona a personas no inscritas.
Respecto a la gestión de multitudes, se utiliza una plataforma para el control de seguridad mejorada gracias al uso de algoritmos de aprendizaje profundo. En concreto, el sistema cuenta con la funcionalidad de tres algoritmos: conteo de personas, distanciamiento social y hombre caído. Todas las aplicaciones están basadas en el mismo detector, pero respondiendo a una lógica diferente.
En particular, el sistema de recuento de personas ofrece la posibilidad de contar personas en una escena determinada, lo que también permite al usuario establecer vallas virtuales en la escena, para contar el número de personas que los cruzan, o circunscribir un área poligonal específica para contar el número de personas en su interior.
Por otro lado, el algoritmo de distanciamiento social, que utiliza un sistema de seguimiento y un procedimiento de calibración, permite al operador de seguridad comprobar el respeto de las normas sociales, como la medida de distanciamiento, y/o tener una idea cualitativa del riesgo debido a la ausencia del distanciamiento. Finalmente, el detector de hombre caído es un clasificador binario para identificar automáticamente una situación en la que una persona se ha caído.
La plataforma es capaz de funcionar tanto con transmisiones en vivo desde cámaras IP o con transmisiones de archivos almacenados en la arquitectura en el lado del cliente, al tiempo que permite al usuario elegir el tipo de procesamiento que se realizará en la fuente de vídeo.
Detección térmica y seguimiento de anomalías
Otra de las funciones de la tecnología de InSecTT es la detección térmica. Mediante un algoritmo, se realiza un cribado térmico que se basa en rutinas que aproximan la correcta ubicación del canto ocular de las personas en la escena. El algoritmo de detección térmica interactúa con la API de la cámara térmica y funciona exclusivamente en el dominio térmico, protegiendo así la privacidad de sujetos involucrados.
El algoritmo primero estima la ubicación de los puntos clave de la cara (ojos, punta de la nariz y orejas), que se utilizan para la estimación de la postura de la cabeza en 3D y la conversión de 3D a 2D. Posteriormente, se obtiene una primera aproximación para la región del canto del ojo y se realiza un análisis iterativo para buscar el píxel más cálido en la región del canto ocular estimada actual y vuelve a calcular la región actual estimada del canto ocular hasta la convergencia.
Por último, el seguimiento de anomalías utiliza un módulo que aprovecha el conocimiento gráfico para correlacionar alertas provenientes de dos subsistemas diferentes. Por un lado, un módulo de reidentificación facial basado en aprendizaje profundo para la extracción y comparación de características, y, por otro lado, un sistema de monitorización ambiental integrado gracias al framework IoT de Eclipse Kura y Kapua.
El sistema cuenta el número de apariciones casi simultáneas de coincidencias en la galería de caras y las alertas que llegan del subsistema de monitorización ambiental identifican a la persona que se supone porta la sustancia peligrosa (como alcohol, en la manifestación).
Liderado por el Virtual Vehicle Research (Austria), el proyecto ha contado con un consorcio compuesto por 57 entidades procedentes de Suecia, España, Italia, Francia, Portugal, Turquía, Austria, Irlanda, Finlandia, Eslovenia, Polonia, Países Bajos y Francia. La presencia española está representada por la Universidad Politécnica de Madrid, la Escuela Politécnica Superior de Mondragón, y por las empresas JIG Internet Consulting, Indra Sistemas y Acciona Construcción.
Además, el proyecto InSecTT ha contado con un presupuesto de 44.131.847 euros, de los cuales 11.292.392 euros han sido financiados por el programa de investigación Horizonte 2020 de la Comisión Europea.