Máster en IA Aplicada a la Navegación Autónoma

Implementación y Optimización de Algoritmos de Machine Learning en Sistemas de Navegación Autónoma

• 1.1. Fundamentos matemáticos y estadísticos para Machine Learning aplicados a la navegación autónoma: álgebra lineal, cálculo diferencial, probabilidad y estadística bayesiana
• 1.2. Preprocesamiento y limpieza de datos sensoriales: filtrado de ruido, normalización, balanceo y detección de anomalías en datos de radar, LIDAR, cámaras y GNSS
• 1.3. Diseño de arquitecturas de modelos supervisados, no supervisados y reforzados adaptadas a entornos dinámicos marítimos
• 1.4. Implementación práctica de algoritmos clásicos: regresión logística, SVM, árboles de decisión y Random Forest para detección de obstáculos y clasificación de rutas
• 1.5. Redes neuronales profundas y arquitecturas convolucionales (CNN) para el reconocimiento de objetos y procesamiento de imágenes submarinas y aéreas
• 1.6. Modelos de aprendizaje por refuerzo (Reinforcement Learning) para la toma de decisiones en tiempo real en navegación autónoma, incluyendo Q-learning y métodos basados en políticas
• 1.7. Optimización de hiperparámetros mediante técnicas avanzadas: búsqueda en cuadrícula, optimización bayesiana y algoritmos evolutivos para maximizar la precisión y eficiencia del sistema
• 1.8. Integración de algoritmos de fusión de sensores para mejorar la robustez y resiliencia del sistema en ambientes adversos y con incertidumbre
• 1.9. Despliegue de modelos en hardware embarcado: consideraciones de computación en tiempo real, consumo energético y latencia en sistemas de navegación autónoma
• 1.10. Validación y prueba de rendimiento: métricas específicas para navegación autónoma, simulaciones en entornos virtuales y pruebas en campo real