Autor:
Vílchez, Enrique

Foto de perfil

E-mails conocidos

enriquev@uma.es

Fecha de nacimiento

Proyectos de investigación

Unidades organizativas

Puesto de trabajo

Apellidos

Vílchez

Nombre de pila

Enrique

Nombre

Nombres alternativos

Afiliaciones conocidas

Universidad de Malaga, Spain

Páginas web conocidas

Página completa del ítem
Notificar un error en este autor

Filtros

2023 - 20242
Restablecer filtros

Ajustes

Autor: Vílchez, Enrique ×

Resultados de la búsqueda

Mostrando 1 - 2 de 2
  • Miniatura
    Artículo
    Towards Self-Adaptive Software for Wildfire Monitoring with Unmanned Air Vehicles
    Vílchez, Enrique; Troya, Javier; Cámara, Javier. Actas de las XXVII Jornadas de Ingeniería del Software y Bases de Datos (JISBD 2023), 2023-09-12.
    Wildfires have evolved significantly over the last decades, burning increasingly large forest areas every year. Smart cyber-physical systems like small Unmanned Air Vehicles (UAVs) can help to monitor, predict, and mitigate wildfires. In this paper, we present an approach to build control software for UAVs that allows autonomous monitoring of wildfires. Our proposal is underpinned by an ensemble of artificial intelligence techniques that include: (i) Recurrent Neural Networks (RNNs) to make local UAV predictions about how the fire will spread over its surrounding area; and (ii) Deep Reinforcement Learning (DRL) to learn policies that will optimize the operation of the UAV team.
  • Miniatura
    Artículo
    Adaptación proactiva en la monitorización de incendios con UAV: resultados preliminares
    Vílchez, Enrique; Troya, Javier; Cámara, Javier. Actas de las XXVIII Jornadas de Ingeniería del Software y Bases de Datos (JISBD 2024), 2024-06-17.
    Los Sistemas Ciber-Físicos Inteligentes (sCPS) operan en entornos dinámicos con incertidumbre, donde es crucial la anticipación a situaciones adversas y la descentralización en la toma de decisiones debido a razones de escalabilidad, resiliencia, y eficiencia. En este artículo, describimos cómo se puede emplear Predictive Coordinate Descent (PCD) para dotar a estos sistemas de una capacidad auto-adaptativa, proactiva, y descentralizada. En concreto, en este artículo comparamos la efectividad de PCD con la de un controlador sin anticipación basado en una Deep-Q-Network (DQN), en escenarios relacionados con la monitorización de incendios forestales con vehículos aéreos no tripulados.