EN

|

ES

Buscar

¿Está ocupado? Los sensores inteligentes usan temperatura, humedad y presión para detectar si un espacio está vacío

El Tec de Monterrey diseñó un dispositivo con sensores ambientales inteligentes que detectan ocupación sin invadir la privacidad.
Ilustración de siluetas de personas simulado la detección del calor de los cuerpos
Ante la preocupación por sensores intrusivos como cámaras y micrófonos, se desarrollan soluciones que estiman la presencia de personas en espacios cerrados mediante la medición continua de variables ambientales. Foto: Getty Images

Por Alma Rosa Mena Martínez / CIENCIA AMATEUR

Autores revisores Joanna Alvarado-Uribe y Héctor G. Ceballos

¿Recuerdas el momento en el que estabas buscando en el sistema de reservaciones una sala de reuniones disponible para tener una sesión con un potencial colaborador y todos los espacios cercanos a tu lugar de trabajo aparecían como ocupados? 

Al paso de los días te percatas que una de las salas que siempre aparece reservada realmente no se ocupa, pero no hay forma de cancelar la reservación.

Este problema se presenta en todos los lugares de trabajo que tienen un sistema de reservación en línea para sus espacios de reuniones, de colaboración o de trabajo individual, lo cual, además de afectar a los usuarios por la aparente falta de estos espacios disponibles, también impacta a la empresa. 

Una solución propuesta y probada en diferentes espacios cerrados en México y Reino Unido se basa en Inteligencia Artificial (IA) con sensores ambientales y del Internet de las Cosas para estimar niveles de ocupación en áreas cerradas. 

Sensores ambientales

En los últimos años, un grupo multidisciplinario de investigadores y estudiantes del Tecnológico de Monterrey ha explorado el uso de métodos indirectos (no intrusivos), como los sensores ambientales, para recolectar datos que permitan estimar el nivel de ocupación en espacios cerrados, cuyo uso sea abierto (bajo reserva) para cualquier estudiante, colaborador o personal en cualquier institución. 

Esta exploración se validó al aplicar algoritmos de IA para identificar presencia/ausencia de personas y determinar si la ocupación de un espacio estaba en un nivel bajo, medio o alto. 

Al usar IA junto y sensores no intrusivos se aseguró que la solución cuide la privacidad de las personas y sea fácil de instalar/transportar. A esto se suma que este modelo es de bajo costo, en comparación con otras soluciones similares en el mercado.

Consumo energético 

En México, los edificios (residenciales y no residenciales) son el mayor consumidor de energía eléctrica, excediendo el consumo de electricidad de la industria en un 11% [1]. A menudo las salas de juntas permanecen iluminadas y climatizadas incluso cuando no están en uso. 

Las soluciones actuales provocan preocupación en los usuarios, ya que hacen uso de sensores intrusivos, como cámaras de video y micrófonos, que recolectan datos que pueden usarse para vigilancia personal y digital [2-5]. 

La propuesta que se diseñó en el Tec es un dispositivo del Internet de las cosas (siglas en inglés IoT) con sensores de temperatura del aire (ºC), humedad relativa (%) y  presión barométrica (hPa) que detectan cambios en las condiciones interiores del ambiente que varían de acuerdo a la presencia de personas [8]. 

Dicho modelo se probó en la oficina “Innovar”, ubicada en el edificio de Rectoría del Tecnológico de Monterrey, Campus Monterrey, así como en aulas de la University of the West of England Bristol de Reino Unido. 

La recolección de datos se realizó de forma continua y el procesamiento de estos datos siguieron una metodología [9] probada en ambas universidades.

La estimación del nivel de ocupación (vacío, bajo, medio, alto) se estimó con algoritmos de aprendizaje automático.

Más allá de la tecnología, esta iniciativa plantea una nueva forma de relacionarnos con los espacios que compartimos: una cultura basada en el uso consciente, la responsabilidad colectiva y la toma de decisiones informada, pues gestionar mejor lo que ya tenemos no solo es más eficiente, también es más inteligente.

Nota: Los autores trabajan en el desarrollo de un tablero de visualización para el usuario final, cuyo propósito es apoyar la toma de decisiones en la gestión óptima de estos espacios de trabajo. También buscan escalar esta solución a espacios más grandes, con modelos de aprendizaje automático que no requieran datos etiquetados para su entrenamiento en conjunto con técnicas de fusión de datos. 

Actualmente, se sigue un proceso de Solicitud de Patente con No. MX/a/2022/016112 “Sistema de monitoreo no intrusivo de niveles de ocupación en espacios cerrados” para poder distribuir esta tecnología. Al momento, la solicitud de patente ha sido publicada en la Gaceta del IMPI en julio de 2024.

En este proyecto participaron los estudiantes Andree Vela, Gerardo Tadeo Pérez, Carlos David Toapanta Noroña, Angelo Ovando, Blanca Agostini, Erick Martini, Diego Barahona, Valeria Martínez, Valeria Viridiana Pineda Romero, Nina Sepúlveda, Sergio Sepúlveda, Eduardo Villalpando, Héctor Eduardo Garza Fraga. Así como los colaboradores Paola Gabriela Mejía Almada, Alejandra Quintanilla yJorge Avendaño.

Referencias
  1. Diego Chatellier Lorentzen, Michael McNeil. Consumo de electricidad de edificios no residenciales en México: la importancia del sector de servicios, 2019. Cuadernos de la CONUEE , No. 3 , p. 1-11
  2. S. Boovaraghavan et al. “Mites: Design and deployment of a general-purpose sensing infrastructure for buildings”. ACM Digital Library. Accedido el 26 de octubre de 2023.
  3. “University using ceiling scanners to count students and staff in attendance – Leiden University”. Studentenwebsite – Universiteit Leiden. Accedido el 26 de octubre de 2023.
  4.  “Space planning live density program”. UC San Diego Facility Services. Accedido el 26 de octubre de 2023.
  5. H. Parkers. “Watching me, watching you: Worker surveillance in the UK after the pandemic”. IPPR. Accedido el 26 de octubre de 2023.       
  6. Vela, A.; Alvarado-Uribe, J.; Davila, M.; Hernandez-Gress, N.; Ceballos, H.G. Estimating Occupancy Levels in Enclosed Spaces Using Environmental Variables: A Fitness Gym and Living Room as Evaluation Scenarios. Sensors 2020, 20, 6579.                                                                               
  7. Mena, A.R.; Ceballos, H.G.; Alvarado-Uribe, J. Measuring Indoor Occupancy through Environmental Sensors: A Systematic Review on Sensor Deployment. Sensors 2022, 22, 3770.
  8. Viani, «Opportunistic occupancy estimation in museums through wireless sensor networks«. Microw. Opt. Technol. Lett., vol. 57, no. 8, pp. 1975–1977, Aug. 2015.
  9. Mena-Martinez A., Alvarado-Uribe J., Davila M., Ceballos H. Methodology to Monitor and Estimate Occupancy in Enclosed Spaces Based on Indirect Methods and Artificial Intelligence: A University Classroom as a Case Study. Innovative Mobile and Internet Services in Ubiquitous Computing, (2024), 213-225.
Autora

Alma Rosa Mena Martínez. Estudiante de doctorado en Ciencias Computacionales en el Tecnológico de Monterrey. Su investigación está enfocada en estimar niveles de ocupación en lugares cerrados utilizando sensores ambientales, Aprendizaje Automático semi-supervisado, fusión de datos y dispositivos del Internet de las cosas.

Revisores

Este artículo fue supervisado por la investigadora Joanna Alvarado-Uribe y Héctor G. Ceballos, director del Living Lab & Data Hub del Institute for the Future of Education del Tecnológico de Monterrey

Joanna Alvarado-Uribe. Líder del Data Hub en el Living Lab & Data Hub del Institute for the Future of Education en el Tecnológico de Monterrey. Actualmente adscrita al Grupo de Investigación de la línea estratégica en Inteligencia Artificial, en calidad de profesor adscrito, de dicha institución. Además, es investigadora Nivel I del Sistema Nacional de Investigadoras e Investigadores, miembro adherente de la Academia Mexicana de Computación y miembro de la Red Temática en Inteligencia Computacional Aplicada en calidad de Investigador.

Héctor G. Ceballos. Miembro del grupo de investigación en Modelos de Aprendizaje Enganchantes y Motivantes del IFE y miembro del Sistema Nacional de Investigadores. Su línea de investigación es la aplicación de técnicas de Ciencia de Datos y Aprendizaje Automático aplicado a Analíticas de Aprendizaje y Cienciometría.

Notas recientes
Videos relacionados
Reproducir vídeo

¿Te gustó este contenido? ¡Compártelo!