{"id":{"repo_id":"upc-spain","oai_identifier":"oai:repositorio.upct.es:10317/10416"},"canonical_url":"https://search.dev.ndltd.org/etd/upc-spain/oai:repositorio.upct.es:10317/10416","repository":{"repo_id":"upc-spain","name":"Universidad Politécnica de Cartagena","base_url":"http://repositorio.upct.es/oai/request"},"display":{"title":"Smart IoT monitoring and real-time control based on autonomous robots, visual recognition and cloud/edge computing services","abstract":"[SPA] En la cuarta revolución industrial en la que estamos inmersos, se están introduciendo nuevas tecnologías en los procesos productivos, como el uso de vehículos autónomos (UVs) para recogida de datos en grandes superficies y el uso del Internet Industrial de las Cosas (IIoT). Las principales claves para integrar esta nueva tecnología en la industria es afrontar el reto de compatibilizar la red informática con sus máquinas, incluyendo la interoperabilidad, computación en la niebla/nube/borde (fog/cloud/edge computing), la seguridad, la disminución de la latencia y la mejora de la precisión de los datos y la calidad del servicio. Las plataformas industriales inteligentes requieren múltiples procesos sincronizados que exigen una baja latencia y una mayor fiabilidad para lograr el rendimiento necesario. Además, los métodos de Inteligencia Artificial (IA) aplicados a la IIoT deben ser capaces de abordar estas cuestiones, así como otros parámetros como el despliegue de la red y la gestión de recursos. Los problemas de alta latencia y enlaces poco fiables entre la nube y los puntos finales del IoT industrial son retos importantes. Cada aplicación de niebla y borde puede tener diferentes requisitos de latencia y puede generar diferentes tipos de datos y tráfico de red. Estos datos generados pueden ser imágenes recibidas de un sistema UV, por ejemplo. Este sistema puede a su vez conectarse a otro sistema de control, utilizándose tanto para realizar mejoras en el proceso como para tomar decisiones basadas en las imágenes capturadas. Este tipo de conexión es sensible en términos de precisión y latencia, ya que toda la plataforma debe decidir con rapidez y seguridad. Una de las soluciones para superar el reto de la latencia es la arquitectura basada en la niebla/borde (fog/edge). Esta arquitectura también puede ser una solución viable en cuanto a la barrera de interoperabilidad entre los sistemas interconectados. La computación en la niebla extiende la computación y el almacenamiento al borde de la red y presenta una herramienta eficaz para integrar nuevos sistemas complejos de procesamiento interconectados. La limitación de la interoperabilidad puede superarse adoptando un software avanzado desplegado en el borde y la niebla instalado en una pasarela de IoT. Este software interactúa simultáneamente con los distintos sistemas implicados a través de diferentes protocolos. Sin embargo, la elección de una pasarela IoT es crucial en términos de latencia y precisión, ya que está en el centro del procesamiento y la transmisión de datos a los diferentes sistemas y plataformas y se considera la interfaz de unión entre el nivel físico y la nube. Esta última también afecta al rendimiento, ya que debe garantizar que los datos se transfieran, procesen y devuelvan a velocidades que satisfagan las necesidades de la aplicación Abordamos todos estos retos teniendo en cuenta los protocolos y el software apropiados para la interoperabilidad y las restricciones de conectividad, y analizamos el rendimiento de algunos dispositivos IoT apropiados capaces de proporcionar un tiempo de respuesta mínimo. Los servicios de Deep Learning (DL) pueden desplegarse cerca de los usuarios que los solicitan y la nube solo interviene cuando se requiere un procesamiento adicional, reduciendo significativamente la latencia y el coste de enviar los datos a la nube para su procesamiento. En esta tesis, proponemos enfoques novedosos para resolver el problema de la latencia mediante el despliegue de inteligencia en el borde que empuja los cálculos de DL desde la nube hasta el borde permitiendo varios servicios inteligentes distribuidos, de baja latencia y fiables. La principal ventaja de los enfoques propuestos es la integración de los servicios en la nube en un lazo de control para mejorar la toma de decisiones de una plataforma y el rendimiento de un sistema de control industrial. Los servicios de IA en la nube también se integran en un lazo de control donde interviene un dron como una entrada que ayuda a mejorar la capacidad de monitorización para encontrar y rastrear objetos estacionarios y móviles. En este trabajo, evaluamos la latencia y la precisión de los diferentes sistemas implicados y proponemos un algoritmo inteligente para seleccionar la tecnología de IA adecuada para el escenario a vigilar. Esto resulta crucial para decidir cuál es la mejor fuente de inteligencia artificial que debe utilizarse para alcanzar los objetivos especificados en cada escenario en tiempo real. Los algoritmos inteligentes propuestos ofrecen un compromiso entre latencia y precisión.","abstract_html":"[SPA] En la cuarta revolución industrial en la que estamos inmersos, se están introduciendo nuevas tecnologías en los procesos productivos, como el uso de vehículos autónomos (UVs) para recogida de datos en grandes superficies y el uso del Internet Industrial de las Cosas (IIoT). Las principales claves para integrar esta nueva tecnología en la industria es afrontar el reto de compatibilizar la red informática con sus máquinas, incluyendo la interoperabilidad, computación en la niebla/nube/borde (fog/cloud/edge computing), la seguridad, la disminución de la latencia y la mejora de la precisión de los datos y la calidad del servicio. Las plataformas industriales inteligentes requieren múltiples procesos sincronizados que exigen una baja latencia y una mayor fiabilidad para lograr el rendimiento necesario. Además, los métodos de Inteligencia Artificial (IA) aplicados a la IIoT deben ser capaces de abordar estas cuestiones, así como otros parámetros como el despliegue de la red y la gestión de recursos. Los problemas de alta latencia y enlaces poco fiables entre la nube y los puntos finales del IoT industrial son retos importantes. Cada aplicación de niebla y borde puede tener diferentes requisitos de latencia y puede generar diferentes tipos de datos y tráfico de red. Estos datos generados pueden ser imágenes recibidas de un sistema UV, por ejemplo. Este sistema puede a su vez conectarse a otro sistema de control, utilizándose tanto para realizar mejoras en el proceso como para tomar decisiones basadas en las imágenes capturadas. Este tipo de conexión es sensible en términos de precisión y latencia, ya que toda la plataforma debe decidir con rapidez y seguridad. Una de las soluciones para superar el reto de la latencia es la arquitectura basada en la niebla/borde (fog/edge). Esta arquitectura también puede ser una solución viable en cuanto a la barrera de interoperabilidad entre los sistemas interconectados. La computación en la niebla extiende la computación y el almacenamiento al borde de la red y presenta una herramienta eficaz para integrar nuevos sistemas complejos de procesamiento interconectados. La limitación de la interoperabilidad puede superarse adoptando un software avanzado desplegado en el borde y la niebla instalado en una pasarela de IoT. Este software interactúa simultáneamente con los distintos sistemas implicados a través de diferentes protocolos. Sin embargo, la elección de una pasarela IoT es crucial en términos de latencia y precisión, ya que está en el centro del procesamiento y la transmisión de datos a los diferentes sistemas y plataformas y se considera la interfaz de unión entre el nivel físico y la nube. Esta última también afecta al rendimiento, ya que debe garantizar que los datos se transfieran, procesen y devuelvan a velocidades que satisfagan las necesidades de la aplicación Abordamos todos estos retos teniendo en cuenta los protocolos y el software apropiados para la interoperabilidad y las restricciones de conectividad, y analizamos el rendimiento de algunos dispositivos IoT apropiados capaces de proporcionar un tiempo de respuesta mínimo. Los servicios de Deep Learning (DL) pueden desplegarse cerca de los usuarios que los solicitan y la nube solo interviene cuando se requiere un procesamiento adicional, reduciendo significativamente la latencia y el coste de enviar los datos a la nube para su procesamiento. En esta tesis, proponemos enfoques novedosos para resolver el problema de la latencia mediante el despliegue de inteligencia en el borde que empuja los cálculos de DL desde la nube hasta el borde permitiendo varios servicios inteligentes distribuidos, de baja latencia y fiables. La principal ventaja de los enfoques propuestos es la integración de los servicios en la nube en un lazo de control para mejorar la toma de decisiones de una plataforma y el rendimiento de un sistema de control industrial. Los servicios de IA en la nube también se integran en un lazo de control donde interviene un dron como una entrada que ayuda a mejorar la capacidad de monitorización para encontrar y rastrear objetos estacionarios y móviles. En este trabajo, evaluamos la latencia y la precisión de los diferentes sistemas implicados y proponemos un algoritmo inteligente para seleccionar la tecnología de IA adecuada para el escenario a vigilar. Esto resulta crucial para decidir cuál es la mejor fuente de inteligencia artificial que debe utilizarse para alcanzar los objetivos especificados en cada escenario en tiempo real. Los algoritmos inteligentes propuestos ofrecen un compromiso entre latencia y precisión.","abstract_has_math":false,"creators":["Salhaoui, Marouane"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2021,"date_issued":"2021","date_published":"2021","updated_at":"2026-07-24T05:39:34Z","subjects":["Tecnología de la automatización","Ingeniería de control","Inteligencia artificial","Informática","IoT gateway","IoT protocols","Cloud computing","Industry 4.0"],"languages":[],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["hdl:10317/10416"],"render_values":[{"text":"hdl:10317/10416","href":null,"code":true}]}]},"links":{"outbound_url":"https://doi.org/10.31428/10317/10416","outbound_label":"DOI","outbound_source":"dc:identifier.doi"},"metadata_groups":[{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.issued","label":"Date","values":["2021"]},{"key":"dc:type","label":"Dc Type","values":["info:eu-repo/semantics/doctoralThesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Tecnología de la automatización","Ingeniería de control","Inteligencia artificial","Informática","IoT gateway","IoT protocols","Cloud computing","Industry 4.0"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["hdl:10317/10416"]},{"key":"dc:identifier.doi","label":"DOI","values":["10.31428/10317/10416"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.other","label":"Dc Description Other","values":["[SPA] En la cuarta revolución industrial en la que estamos inmersos, se están introduciendo nuevas tecnologías en los procesos productivos, como el uso de vehículos autónomos (UVs) para recogida de datos en grandes superficies y el uso del Internet Industrial de las Cosas (IIoT). Las principales claves para integrar esta nueva tecnología en la industria es afrontar el reto de compatibilizar la red informática con sus máquinas, incluyendo la interoperabilidad, computación en la niebla/nube/borde (fog/cloud/edge computing), la seguridad, la disminución de la latencia y la mejora de la precisión de los datos y la calidad del servicio. Las plataformas industriales inteligentes requieren múltiples procesos sincronizados que exigen una baja latencia y una mayor fiabilidad para lograr el rendimiento necesario. Además, los métodos de Inteligencia Artificial (IA) aplicados a la IIoT deben ser capaces de abordar estas cuestiones, así como otros parámetros como el despliegue de la red y la gestión de recursos. Los problemas de alta latencia y enlaces poco fiables entre la nube y los puntos finales del IoT industrial son retos importantes. Cada aplicación de niebla y borde puede tener diferentes requisitos de latencia y puede generar diferentes tipos de datos y tráfico de red. Estos datos generados pueden ser imágenes recibidas de un sistema UV, por ejemplo. Este sistema puede a su vez conectarse a otro sistema de control, utilizándose tanto para realizar mejoras en el proceso como para tomar decisiones basadas en las imágenes capturadas. Este tipo de conexión es sensible en términos de precisión y latencia, ya que toda la plataforma debe decidir con rapidez y seguridad. Una de las soluciones para superar el reto de la latencia es la arquitectura basada en la niebla/borde (fog/edge). Esta arquitectura también puede ser una solución viable en cuanto a la barrera de interoperabilidad entre los sistemas interconectados. La computación en la niebla extiende la computación y el almacenamiento al borde de la red y presenta una herramienta eficaz para integrar nuevos sistemas complejos de procesamiento interconectados. La limitación de la interoperabilidad puede superarse adoptando un software avanzado desplegado en el borde y la niebla instalado en una pasarela de IoT. Este software interactúa simultáneamente con los distintos sistemas implicados a través de diferentes protocolos. Sin embargo, la elección de una pasarela IoT es crucial en términos de latencia y precisión, ya que está en el centro del procesamiento y la transmisión de datos a los diferentes sistemas y plataformas y se considera la interfaz de unión entre el nivel físico y la nube. Esta última también afecta al rendimiento, ya que debe garantizar que los datos se transfieran, procesen y devuelvan a velocidades que satisfagan las necesidades de la aplicación Abordamos todos estos retos teniendo en cuenta los protocolos y el software apropiados para la interoperabilidad y las restricciones de conectividad, y analizamos el rendimiento de algunos dispositivos IoT apropiados capaces de proporcionar un tiempo de respuesta mínimo. Los servicios de Deep Learning (DL) pueden desplegarse cerca de los usuarios que los solicitan y la nube solo interviene cuando se requiere un procesamiento adicional, reduciendo significativamente la latencia y el coste de enviar los datos a la nube para su procesamiento. En esta tesis, proponemos enfoques novedosos para resolver el problema de la latencia mediante el despliegue de inteligencia en el borde que empuja los cálculos de DL desde la nube hasta el borde permitiendo varios servicios inteligentes distribuidos, de baja latencia y fiables. La principal ventaja de los enfoques propuestos es la integración de los servicios en la nube en un lazo de control para mejorar la toma de decisiones de una plataforma y el rendimiento de un sistema de control industrial. Los servicios de IA en la nube también se integran en un lazo de control donde interviene un dron como una entrada que ayuda a mejorar la capacidad de monitorización para encontrar y rastrear objetos estacionarios y móviles. En este trabajo, evaluamos la latencia y la precisión de los diferentes sistemas implicados y proponemos un algoritmo inteligente para seleccionar la tecnología de IA adecuada para el escenario a vigilar. Esto resulta crucial para decidir cuál es la mejor fuente de inteligencia artificial que debe utilizarse para alcanzar los objetivos especificados en cada escenario en tiempo real. Los algoritmos inteligentes propuestos ofrecen un compromiso entre latencia y precisión.","[ENG] In the fourth industrial revolution in which we are immersed, new technologies are being introduced in production processes, such as the use of Unmanned Vehicles (UVs) data collection in large surfaces, and the use of the Industrial Internet of Things (IIoT). The main keys to integrate this new technology in the industry is to face the challenge of making the IT network compatible with its machines, including interoperability, fog and cloud computing, security, decreasing latency and improving data accuracy and quality of service. Smart industrial platforms require multiple synchronized processes that require low latency and higher reliability to achieve the necessary performance. In addition, Artificial Intelligence (AI) methods applied to IIoT must be able to address these issues as well as other parameters such as network deployment and resource management. The issues of high-latency and unreliable links between the cloud and Industrial IoT endpoints are significant challenges. Each fog and edge application may have different latency requirements and may generate different types of data and network traffic. Such generated data can be photos received from an UV system. The latter can be connected to other control system, being used both to perform enhancements and to make decisions based on the captured photos. This type of connection is sensitive in terms of accuracy and latency, as the whole platform must decide quickly and with certainty. One of the solutions to overcome the latency challenge is the fog/edge architecture. This architecture can also be a viable solution regarding the interoperability barrier between interconnected systems. Fog computing extends computation and storage to the edge of the network and presents an effective tool for integrating new complex interconnected processing systems. The constraint of interoperability can be overcome by adopting advanced software deployed in the edge and fog installed in an IoT gateway. This software interacts simultaneously with the different systems involved through different protocols. However, the choice of an IoT gateway is crucial in terms of latency and accuracy, as it is at the heart of processing and transmitting data to the different systems and platforms and considered the interface of junction between the physical level and cloud. The latter also affects performance as it must ensure that data is transferred, processed and returned at speeds that meet the needs of the application. We address all these challenges by considering appropriate protocols and software for interoperability and connectivity constraints and we discuss the performance some appropriate IoT devices capable of providing minimal response time. Deep Learning (DL) services can be deployed near requesting users and the cloud only intervenes when additional processing is required, significantly reducing the latency and cost of sending data to the cloud for processing. In this thesis, we propose novel approaches to solve the latency issue by deploying intelligence at the edge that pushes DL computations from the cloud to the edge enabling various distributed, low-latency and reliable intelligent services. The main benefit of the proposed approaches is the integration of cloud services into a control loop to improve a platform’s decision making and the performance of an industrial control system. Cloud AI services are also integrated into a drone control loop as an input that helps improve the monitoring capability to find and track stationary and mobile objects. In this work, we evaluate the latency and accuracy of different systems involved and we propose an intelligent algorithm to select the appropriate AI technology for the scenario to be monitored. This proved to be crucial in deciding the best source of artificial intelligence to be used to achieve the specified goals at each stage in real time. The proposed intelligent algorithms offer a compromise between latency and accuracy.","[ARA] في الثورة الصناعية الرابعة التي نشارك فيها ، يتم إدخال تقنيات جديدة في عمليات الإنتاج ، مثل استخدام جمع بيانات المركبات غير المأهولة في مناطق واسعة ، واستخدام الإنترنت الصناعي للأشياء. تتمثل المفاتيح الرئيسية لدمج هذه التكنولوجيا الجديدة في الصناعة في مواجهة التحدي المتمثل في جعل شبكة تكنولوجيا المعلومات متوافقة مع أجهزتها ، بما في ذلك إمكانية التوافق التشغيلي والحوسبة الضبابية والسحابية والأمن وتقليل التأخير الزمني )الكمون( وتحسين دقة البيانات وجودة الخدمة تتطلب المنصات الصناعية الذكية عمليات متزامنة متعددة، والتي تستوجب تأخيرزمني منخفض وموثوقية أعلى لتحقيق الأداء اللازم. بالإضافة إلى ذلك ، يجب أن تكون أساليب الذكاء الاصطناعي المطبقة على إنترنت الأشياء قادرة على معالجة هذه المشكلات بالإضافة إلى معلمات أخرى مثل تثبيت الشبكة وإدارة الموارد تعد مشكلات الروابط غيرالموثوق بها و ذات تأخيرزمني عالي بين نقاط النهاية السحابية وإنترنت الأشياء الصناعية تحدي كبير. قد يكون لكل تطبيق من تطبيقات الضباب والحافة متطلبات كمون مختلفة وقد ينتج عنه أنواع مختلفة من البيانات المتداولة عبر الشبكات. يمكن أن تكون هذه البيانات التي تم إنشاؤها من الصور المستلمة من نظام المركبات غير المأهولة. يمكن توصيل هذا الأخير بنظام تحكم آخر ، حيث يتم استخدامه لإجراء تحسينات ولاتخاذ القرارات بناءً على الصور الملتقطة. هذا النوع من الاتصال حساس من حيث الدقة والكمون ، حيث يجب على النظام الأساسي المنفذ بأكمله أن يقرر بسرعة وبشكل مؤكد يمكن التغلب على قيود التوافق التشغيلي من خلال اعتماد برامج متقدمة منتشرة في الحافة والضباب ، مثبتة في بوابة إنترنت الأشياء. يتفاعل هذا البرنامج بشكل متزامن مع الأنظمة المختلفة المشاركة من خلال بروتوكولات مختلفة. ومع ذلك ، فإن اختيار بوابة إنترنت الأشياء أمر بالغ الأهمية فيما يتعلق بالتأخيرالزمني والدقة ، حيث إنها قلب معالجة البيانات ونقلها إلى الأنظمة والبنى المختلفة ، والتي تعتبر واجهة التقاطع بين الطبقة المادية )الطبقة الأولى،أدنى طبقة في نموذج الاتصال المعياري( والسحابة. تأثر هذه الأخيرة أيضًا على الأداء لأنه يجب أن تضمن نقل البيانات ومعالجتها وإعادتها بسرعات تلبي احتياجات التطبي ق نتعامل مع كل هذه التحديات من خلال النظر في البروتوكولات والبرامج المناسبة للتوافق التشغيلي وقيود الاتصال ونناقش أداء بعض أجهزة إنترنت الأشياء المناسبة القادرة على توفير الحد الأدنى من التأخير الزمني يمكن نشر خدمات التعلم العميق بالقرب من أنظمة المستخدمين المطلوبة ، ولا تتدخل السحابة إلا عند الحاجة إلى معالجة إضافية ، مما يقلل بشكل كبير من التأخير الزمني وتكلفة إرسال البيانات إلى السحابة للمعالجة. في هذه الأطروحة ، نقترح أساليب جديدة لحل مشكلة التأخير الزمني من خلال نشر الذكاء على الحافة التي تدفع حسابات التعلم العميق من السحابة إلى الحافة مما يتيح خدمات ذكية متنوعة وموثوقة وموزعة وذات تأخير زمني منخفض تتمثل الفائدة الرئيسية للطرق المقترحة في دمج الخدمات السحابية في حلقة التحكم لتحسين عملية صنع القرار في النظام الأساسي وأداء نظام التحكم الصناعي. يتم أيضًا دمج خدمات الذكاء الاصطناعي السحابية في حلقة التحكم في المركبات غير المأهولة كمدخل يساعد على تحسين قدرة المراقبة للعثور على الأشياء الثابتة والمتحركة وتتبعها في هذا العمل ، نقوم بتقييم التأخير الزمني ودقة الأنظمة المختلفة المعنية ونقترح خوارزمية ذكية لتحديد تقنية الذكاء الاصطناعي المناسبة للسيناريو المراد مراقبته. ثبت أن هذا أمر حاسم في تحديد أفضل مصدر للذكاء الاصطناعي لاستخدامه لتحقيق الأهداف المطلوبة في كل مرحلة في الوقت الفعلي. تقدم الخوارزميات الذكية المقترحة حلا وسطا بين الكمون والدقة__"]},{"key":"dc:title","label":"Title","values":["Smart IoT monitoring and real-time control based on autonomous robots, visual recognition and cloud/edge computing services"]}]}],"canonical_facts":{"dc:date.issued":["2021"],"dc:description.other":["[SPA] En la cuarta revolución industrial en la que estamos inmersos, se están introduciendo nuevas tecnologías en los procesos productivos, como el uso de vehículos autónomos (UVs) para recogida de datos en grandes superficies y el uso del Internet Industrial de las Cosas (IIoT). Las principales claves para integrar esta nueva tecnología en la industria es afrontar el reto de compatibilizar la red informática con sus máquinas, incluyendo la interoperabilidad, computación en la niebla/nube/borde (fog/cloud/edge computing), la seguridad, la disminución de la latencia y la mejora de la precisión de los datos y la calidad del servicio. Las plataformas industriales inteligentes requieren múltiples procesos sincronizados que exigen una baja latencia y una mayor fiabilidad para lograr el rendimiento necesario. Además, los métodos de Inteligencia Artificial (IA) aplicados a la IIoT deben ser capaces de abordar estas cuestiones, así como otros parámetros como el despliegue de la red y la gestión de recursos. Los problemas de alta latencia y enlaces poco fiables entre la nube y los puntos finales del IoT industrial son retos importantes. Cada aplicación de niebla y borde puede tener diferentes requisitos de latencia y puede generar diferentes tipos de datos y tráfico de red. Estos datos generados pueden ser imágenes recibidas de un sistema UV, por ejemplo. Este sistema puede a su vez conectarse a otro sistema de control, utilizándose tanto para realizar mejoras en el proceso como para tomar decisiones basadas en las imágenes capturadas. Este tipo de conexión es sensible en términos de precisión y latencia, ya que toda la plataforma debe decidir con rapidez y seguridad. Una de las soluciones para superar el reto de la latencia es la arquitectura basada en la niebla/borde (fog/edge). Esta arquitectura también puede ser una solución viable en cuanto a la barrera de interoperabilidad entre los sistemas interconectados. La computación en la niebla extiende la computación y el almacenamiento al borde de la red y presenta una herramienta eficaz para integrar nuevos sistemas complejos de procesamiento interconectados. La limitación de la interoperabilidad puede superarse adoptando un software avanzado desplegado en el borde y la niebla instalado en una pasarela de IoT. Este software interactúa simultáneamente con los distintos sistemas implicados a través de diferentes protocolos. Sin embargo, la elección de una pasarela IoT es crucial en términos de latencia y precisión, ya que está en el centro del procesamiento y la transmisión de datos a los diferentes sistemas y plataformas y se considera la interfaz de unión entre el nivel físico y la nube. Esta última también afecta al rendimiento, ya que debe garantizar que los datos se transfieran, procesen y devuelvan a velocidades que satisfagan las necesidades de la aplicación Abordamos todos estos retos teniendo en cuenta los protocolos y el software apropiados para la interoperabilidad y las restricciones de conectividad, y analizamos el rendimiento de algunos dispositivos IoT apropiados capaces de proporcionar un tiempo de respuesta mínimo. Los servicios de Deep Learning (DL) pueden desplegarse cerca de los usuarios que los solicitan y la nube solo interviene cuando se requiere un procesamiento adicional, reduciendo significativamente la latencia y el coste de enviar los datos a la nube para su procesamiento. En esta tesis, proponemos enfoques novedosos para resolver el problema de la latencia mediante el despliegue de inteligencia en el borde que empuja los cálculos de DL desde la nube hasta el borde permitiendo varios servicios inteligentes distribuidos, de baja latencia y fiables. La principal ventaja de los enfoques propuestos es la integración de los servicios en la nube en un lazo de control para mejorar la toma de decisiones de una plataforma y el rendimiento de un sistema de control industrial. Los servicios de IA en la nube también se integran en un lazo de control donde interviene un dron como una entrada que ayuda a mejorar la capacidad de monitorización para encontrar y rastrear objetos estacionarios y móviles. En este trabajo, evaluamos la latencia y la precisión de los diferentes sistemas implicados y proponemos un algoritmo inteligente para seleccionar la tecnología de IA adecuada para el escenario a vigilar. Esto resulta crucial para decidir cuál es la mejor fuente de inteligencia artificial que debe utilizarse para alcanzar los objetivos especificados en cada escenario en tiempo real. Los algoritmos inteligentes propuestos ofrecen un compromiso entre latencia y precisión.","[ENG] In the fourth industrial revolution in which we are immersed, new technologies are being introduced in production processes, such as the use of Unmanned Vehicles (UVs) data collection in large surfaces, and the use of the Industrial Internet of Things (IIoT). The main keys to integrate this new technology in the industry is to face the challenge of making the IT network compatible with its machines, including interoperability, fog and cloud computing, security, decreasing latency and improving data accuracy and quality of service. Smart industrial platforms require multiple synchronized processes that require low latency and higher reliability to achieve the necessary performance. In addition, Artificial Intelligence (AI) methods applied to IIoT must be able to address these issues as well as other parameters such as network deployment and resource management. The issues of high-latency and unreliable links between the cloud and Industrial IoT endpoints are significant challenges. Each fog and edge application may have different latency requirements and may generate different types of data and network traffic. Such generated data can be photos received from an UV system. The latter can be connected to other control system, being used both to perform enhancements and to make decisions based on the captured photos. This type of connection is sensitive in terms of accuracy and latency, as the whole platform must decide quickly and with certainty. One of the solutions to overcome the latency challenge is the fog/edge architecture. This architecture can also be a viable solution regarding the interoperability barrier between interconnected systems. Fog computing extends computation and storage to the edge of the network and presents an effective tool for integrating new complex interconnected processing systems. The constraint of interoperability can be overcome by adopting advanced software deployed in the edge and fog installed in an IoT gateway. This software interacts simultaneously with the different systems involved through different protocols. However, the choice of an IoT gateway is crucial in terms of latency and accuracy, as it is at the heart of processing and transmitting data to the different systems and platforms and considered the interface of junction between the physical level and cloud. The latter also affects performance as it must ensure that data is transferred, processed and returned at speeds that meet the needs of the application. We address all these challenges by considering appropriate protocols and software for interoperability and connectivity constraints and we discuss the performance some appropriate IoT devices capable of providing minimal response time. Deep Learning (DL) services can be deployed near requesting users and the cloud only intervenes when additional processing is required, significantly reducing the latency and cost of sending data to the cloud for processing. In this thesis, we propose novel approaches to solve the latency issue by deploying intelligence at the edge that pushes DL computations from the cloud to the edge enabling various distributed, low-latency and reliable intelligent services. The main benefit of the proposed approaches is the integration of cloud services into a control loop to improve a platform’s decision making and the performance of an industrial control system. Cloud AI services are also integrated into a drone control loop as an input that helps improve the monitoring capability to find and track stationary and mobile objects. In this work, we evaluate the latency and accuracy of different systems involved and we propose an intelligent algorithm to select the appropriate AI technology for the scenario to be monitored. This proved to be crucial in deciding the best source of artificial intelligence to be used to achieve the specified goals at each stage in real time. The proposed intelligent algorithms offer a compromise between latency and accuracy.","[ARA] في الثورة الصناعية الرابعة التي نشارك فيها ، يتم إدخال تقنيات جديدة في عمليات الإنتاج ، مثل استخدام جمع بيانات المركبات غير المأهولة في مناطق واسعة ، واستخدام الإنترنت الصناعي للأشياء. تتمثل المفاتيح الرئيسية لدمج هذه التكنولوجيا الجديدة في الصناعة في مواجهة التحدي المتمثل في جعل شبكة تكنولوجيا المعلومات متوافقة مع أجهزتها ، بما في ذلك إمكانية التوافق التشغيلي والحوسبة الضبابية والسحابية والأمن وتقليل التأخير الزمني )الكمون( وتحسين دقة البيانات وجودة الخدمة تتطلب المنصات الصناعية الذكية عمليات متزامنة متعددة، والتي تستوجب تأخيرزمني منخفض وموثوقية أعلى لتحقيق الأداء اللازم. بالإضافة إلى ذلك ، يجب أن تكون أساليب الذكاء الاصطناعي المطبقة على إنترنت الأشياء قادرة على معالجة هذه المشكلات بالإضافة إلى معلمات أخرى مثل تثبيت الشبكة وإدارة الموارد تعد مشكلات الروابط غيرالموثوق بها و ذات تأخيرزمني عالي بين نقاط النهاية السحابية وإنترنت الأشياء الصناعية تحدي كبير. قد يكون لكل تطبيق من تطبيقات الضباب والحافة متطلبات كمون مختلفة وقد ينتج عنه أنواع مختلفة من البيانات المتداولة عبر الشبكات. يمكن أن تكون هذه البيانات التي تم إنشاؤها من الصور المستلمة من نظام المركبات غير المأهولة. يمكن توصيل هذا الأخير بنظام تحكم آخر ، حيث يتم استخدامه لإجراء تحسينات ولاتخاذ القرارات بناءً على الصور الملتقطة. هذا النوع من الاتصال حساس من حيث الدقة والكمون ، حيث يجب على النظام الأساسي المنفذ بأكمله أن يقرر بسرعة وبشكل مؤكد يمكن التغلب على قيود التوافق التشغيلي من خلال اعتماد برامج متقدمة منتشرة في الحافة والضباب ، مثبتة في بوابة إنترنت الأشياء. يتفاعل هذا البرنامج بشكل متزامن مع الأنظمة المختلفة المشاركة من خلال بروتوكولات مختلفة. ومع ذلك ، فإن اختيار بوابة إنترنت الأشياء أمر بالغ الأهمية فيما يتعلق بالتأخيرالزمني والدقة ، حيث إنها قلب معالجة البيانات ونقلها إلى الأنظمة والبنى المختلفة ، والتي تعتبر واجهة التقاطع بين الطبقة المادية )الطبقة الأولى،أدنى طبقة في نموذج الاتصال المعياري( والسحابة. تأثر هذه الأخيرة أيضًا على الأداء لأنه يجب أن تضمن نقل البيانات ومعالجتها وإعادتها بسرعات تلبي احتياجات التطبي ق نتعامل مع كل هذه التحديات من خلال النظر في البروتوكولات والبرامج المناسبة للتوافق التشغيلي وقيود الاتصال ونناقش أداء بعض أجهزة إنترنت الأشياء المناسبة القادرة على توفير الحد الأدنى من التأخير الزمني يمكن نشر خدمات التعلم العميق بالقرب من أنظمة المستخدمين المطلوبة ، ولا تتدخل السحابة إلا عند الحاجة إلى معالجة إضافية ، مما يقلل بشكل كبير من التأخير الزمني وتكلفة إرسال البيانات إلى السحابة للمعالجة. في هذه الأطروحة ، نقترح أساليب جديدة لحل مشكلة التأخير الزمني من خلال نشر الذكاء على الحافة التي تدفع حسابات التعلم العميق من السحابة إلى الحافة مما يتيح خدمات ذكية متنوعة وموثوقة وموزعة وذات تأخير زمني منخفض تتمثل الفائدة الرئيسية للطرق المقترحة في دمج الخدمات السحابية في حلقة التحكم لتحسين عملية صنع القرار في النظام الأساسي وأداء نظام التحكم الصناعي. يتم أيضًا دمج خدمات الذكاء الاصطناعي السحابية في حلقة التحكم في المركبات غير المأهولة كمدخل يساعد على تحسين قدرة المراقبة للعثور على الأشياء الثابتة والمتحركة وتتبعها في هذا العمل ، نقوم بتقييم التأخير الزمني ودقة الأنظمة المختلفة المعنية ونقترح خوارزمية ذكية لتحديد تقنية الذكاء الاصطناعي المناسبة للسيناريو المراد مراقبته. ثبت أن هذا أمر حاسم في تحديد أفضل مصدر للذكاء الاصطناعي لاستخدامه لتحقيق الأهداف المطلوبة في كل مرحلة في الوقت الفعلي. تقدم الخوارزميات الذكية المقترحة حلا وسطا بين الكمون والدقة__"],"dc:identifier":["hdl:10317/10416"],"dc:identifier.doi":["10.31428/10317/10416"],"dc:subject":["Tecnología de la automatización","Ingeniería de control","Inteligencia artificial","Informática","IoT gateway","IoT protocols","Cloud computing","Industry 4.0"],"dc:title":["Smart IoT monitoring and real-time control based on autonomous robots, visual recognition and cloud/edge computing services"],"dc:type":["info:eu-repo/semantics/doctoralThesis"]},"updated_at":"2026-07-24T05:39:34Z"}