Abstract:
This Project focuses on the design of a dynamic drone deployment model based on Machine Learning (ML), utilizing algorithms for training a neural network. The work focuses on designing a Long-Short Term Memory (LSTM) neural network model, which optimizes the real-time positioning of drones to ensure effective coverage of critical areas. Through heat maps and test simulations powered by a database containing variables such as latitude, altitude, and longitude coordinates, the drones can identify zones and/or areas with high population density and priority levels. This allows them not only to be strategically positioned but also to reduce energy consumption by using optimized routes. This ensures that each of the 50 drones will be in the right place at the right time.
Finally, the implementation of the LSTM-type neural network with the emergency network composed of drones proved to be a viable alternative to overcome the operational limitations of traditional communications systems during and after a critical situation. This is due to the establishment of autonomous and temporary nodes, facilitating communication between rescue teams and affected individuals in a specific location while optimizing search time.
Keywords: Machine Learning, LSTM, population density
Description:
Este proyecto aborda el diseño de un modelo de despliegue dinámico de drones basado en Machine Learning, utilizando algoritmos para el entrenamiento de una red neuronal. El trabajo se centra en el diseño de una red neuronal de tipo LSTM, la cual optimiza la ubicación de drones en tiempo real, garantizando una cobertura efectiva de zonas críticas. Mediante mapas de calor y simulaciones de pruebas alimentado por una base de datos, con variables como coordenadas de latitud, altitud y longitud, los drones son capaces de identificar zonas y/o áreas con alta densidad poblacional y nivel de prioridad con el fin de no solo posicionarse estratégicamente, sino reducir el consumo de energía debido el uso de rutas optimizadas. Esto asegura que cada uno de los 50 drones logren estar en el lugar adecuado, en el momento exacto.
Finalmente, la implementación de la red neuronal de tipo LSTM con la red de emergencia conformada por drones demostró ser una alternativa viable para solventar las limitaciones de funcionamiento de los sistemas de comunicaciones tradicionales durante y después de una situación crítica, debido al establecimiento de nodos autónomos y temporales, facilitando la comunicación entre los grupos de rescatistas y las personas afectadas de una localidad en específico y optimizando los tiempos de búsqueda.
