Los agentes autónomos aéreos, terrestres y acuáticos realizan tareas que requieren una cantidad significativa de recopilación de información, procesamiento de datos y toma de decisiones, sin control humano explícito. Estos sistemas han encontrado su mayor uso en entornos inaccesibles o peligrosos para los humanos, como el espacio exterior, el agua y los campos de batalla. Los agentes autónomos se encuentran en una constante revolución tecnológica, logrando diferentes niveles de autonomía dictados principalmente por su capacidad de sentir e interactuar con el entorno que los rodea. En aplicaciones prácticas, se puede utilizar una combinación de técnicas de control y estimación de estado clásicas y bioinspiradas para diseñar sistemas de control robustos y adaptativos. Los métodos clásicos proporcionan una base de estabilidad y confiabilidad, mientras que los enfoques bioinspirados como las redes neuronales artificiales (RNA) ofrecen adaptabilidad y eficiencia en diversas condiciones operativas. Entre los agentes autónomos, los sistemas de aeronaves no tripuladas (UAS) son particularmente desafiantes porque dependen de datos eficientes y abundantes en tiempo real, pero comúnmente están equipados con pequeñas computadoras integradas. Debido a esto, el cuello de botella de von Neumann limita el rendimiento de las RNA sobre los UAS. Este problema ha motivado la exploración de soluciones alternativas como enfoques basados en la Computación Neuromórfica y las Redes Neuronales Spiking (SNN). A diferencia de las RNA, las SNN son biológicamente plausibles porque su modelo matemático está inspirado en la función del cerebro de los mamíferos. Además, los SNN no procesan datos constantemente, sino que "aumentan" sólo cuando el procesamiento de la señal es necesario. Además, la información en los SNN fluye de forma asincrónica, lo que resulta en un menor consumo de energía y recursos computacionales. Estas características representan una solución al problema del cuello de botella de von Neumann y responden a los requisitos energéticos en aplicaciones UAS donde la disponibilidad de energía es limitada. En este trabajo, exploramos la adopción de SNN y el Marco de Ingeniería Neural (NEF) en metodologías de ingeniería de sistemas de control para abordar el desafío de estabilizar y rastrear la trayectoria de un UAS y permitir que grupos de robots realicen tareas complejas de manera cooperativa.
Luis Rodolfo García Carrillo nació en Gómez Palacio, Durango, México en 1980. Recibió su B.S. en Ingeniería Electrónica en 2003, y su M.S. en Ingeniería Eléctrica en 2007,
ambos del Instituto Tecnológico de La Laguna, Coahuila, México. Recibió su doctorado. en Sistemas de Control de la Universidad Tecnológica de Compiegne, (Sorbonne Universités) Francia, en 2011,
donde fue asesorado por el Profesor Rogelio Lozano.
De 2012 a 2013, fue investigador postdoctoral en el Centro de Control, Sistemas Dinámicos y Computacionales de la Universidad de California, Santa Bárbara, donde trabajó con el profesor Joao Hespanha.
Durante este tiempo también fue investigador en el Instituto de Biotecnologías Colaborativas. Desde julio de 2013 a julio de 2020 fue profesor asistente de Ingeniería en la Universidad Texas A&M - Corpus Christi. Se mudó a la Universidad Estatal de Nuevo México en agosto de 2020, donde actualmente ocupa el puesto de profesor asistente en la Escuela Klipsch de Ingeniería Eléctrica e Informática.
Más información sobre el Dr. García Carrillo y su investigación disponible en su sitio web, www.luisrodolfogarciacarrillo.com