Investigación sobre la viabilidad de aprendizaje automático como método para la mitigación de la deriva de entrada en mandos para PC

El problema de la investigación realizada se basa en las derivas de entrada de las palancas de control en mandos particularmente, y sí el aprendizaje automático puede o no ser una solución viable. A pesar de que esto sería un problema más inclinado al lado de la electrónica, debido a que la deriva de entrada es un error del hardware y no del software; se consideró posible enfrentarse a este desde una perspectiva completamente digital, no física; ya que esto viene con sus propias ventajas. Para ello se creó un aplicativo intermediario que usando el aprendizaje automático determinaba si un mando sufría de alguna deriva de entrada y la corregirla, con ayuda de los datos de entrenamiento ingresados al aplicativo. Se escogió usar aprendizaje automático para la solución a la problemática ya que es algo que no representa muchos gastos para poder usarse e implementarse. Bajo la metodología ágil de SCRUM, se logró obtener mejoras continuas y periódicas sobre el aplicativo que se quiso desarrollar, además de poder realizar pruebas sobre los diferentes algoritmos de aprendizaje automático que mejor detectaban y corregían las derivas de entrada. Con dicho aplicativo se logró identificar y corregir derivas de entrada en algunos mandos. Además de aclarar cuál es el mejor algoritmo de clasificación para la identificación de la deriva. Principalmente las aplicaciones para la investigación realizada se basan en poder probar que el uso de aprendizaje automático es una posible la solución de derivas de entrada en mandos, lo cual puede implicar la posibilidad de aplicar esta solución en otros periféricos de computador que sean propensos a sufrir de deriva de entrada, haciendo que la vida útil del dispositivo pueda ser más larga.

• Autores: Ojeda Bernal, José Julián; Barbosa Salamanca, Andrés Felipe; Chiquillo Aldana, José Luis
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2022
• Institución: Universidad El Bosque
• Repositorio: Repositorio U. El Bosque
• Idioma: spa
• OAI Identifier: oai:repositorio.unbosque.edu.co:20.500.12495/9500
• Acceso en línea: http://hdl.handle.net/20.500.12495/9500
• Palabra clave: Aprendizaje automático; Deriva; Clasificación; Corrección; Identificación; 621.3; Machine Learning; identification; Drift; Classification; Correction; Identification
• Rights: openAccess
• License: Atribución-NoComercial-CompartirIgual 4.0 Internacional