TFG_JUAN_SANTOS_GONZALEZ-LLANOS

Vista previa del material en texto

ESTADO DEL ARTE DE LA 
INTELIGENCIA ARTIFICIAL EN EL 
SECTOR FERROVIARIO PONIENDO 
EN COMÚN FABRICANTE, 
OPERADORA E INFRAESTRUCTURA 
JUNIO 2023 
Juan Santos González-Llanos 
DIRECTOR DEL TRABAJO FIN DE GRADO: 
Pablo Garrido Martínez - Llop 
 
TRABAJO FIN DE GRADO PARA 
LA OBTENCIÓN DEL TÍTULO DE 
GRADUADO EN INGENIERÍA DE 
ORGANIZACIÓN 
 
i 
 
CITA 
 
“Los hombres geniales empiezan grandes obras, 
los hombres trabajadores las terminan.” 
-Leonardo Da Vinci 
ii 
 
AGRADECIMIENTOS 
Quisiera agradecer a todas las personas que han tenido un impacto, no sólo en la 
realización de este Trabajo de Fin de Grado, pero también en mi tiempo durante el 
grado, y por los que he podido desarrollarme como persona. 
En primer lugar, agradecer a Pablo Garrido por todo su tiempo, sus buenas ideas, y 
nuestros buenos tiempos juntos a lo largo del tiempo de universidad, y que lo convierten 
en el mejor tutor posible de TFG que podría haber tenido. Tanto sus conocimientos 
como su experiencia han sido fundamentales en el desarrollo de este trabajo, donde me 
ha guiado con la misma pasión que siente a la hora de enseñar a quienes se convertirán 
en futuros ingenieros en la Escuela. 
También quiero agradecer a todos los profesores que han aportado su granito de arena 
en mi desarrollo como estudiante y como persona a lo largo de estos años. 
No puedo dejar fuera de los agradecimientos a todos los amigos que he podido conocer 
y formar parte de sus vidas, al menos, durante estos cuatro años de carrera. Habéis 
hecho la experiencia en la universidad algo más amena. 
Para terminar, dar las gracias a mi familia. A mi padre, que ha sido mi ejemplo a seguir, 
y que por él hoy soy ingeniero. A mi madre, que ha sufrido la carrera conmigo y que me 
ha guiado siempre. A mi abuela, que ha sido siempre mi animadora número uno. Y a mi 
abuelo, que es una grandísima persona. 
Por último, quiero agradecer a Javi, porque siempre te tengo presente en todo lo que 
hago. 
iii 
 
RESUMEN EJECUTIVO 
La inteligencia artificial ha ganado un interés creciente en los últimos años, en los 
cuales se ha visto un cambio exponencial en las investigación y aplicación de estas 
tecnologías. La inteligencia artificial es aplicada en cada vez más sectores como el 
comercio, la banca y finanzas, el sector de la salud o el sector transporte. En este último, 
esta tecnología es aplicada a aviones, coches y motos, barcos, autobuses, y, por último, 
el tren. 
El ferrocarril es uno de los medios de transporte principales, tanto para personas como 
para mercancías. En España, alrededor de 525 millones de usuarios anuales hacen uso 
de este medio de transporte, y se transporta una media de 21 millones de toneladas al 
año. Además, el tren es el medio de transporte más sostenible, por lo que invertir 
esfuerzos y recursos en el desarrollo de este supone una mejora en la vida de personas y 
del planeta. La diferencia frente a otros medios se debe a varios factores principales: el 
menor consumo energético, emisiones de CO2 y la capacidad de transportar más 
personas en un solo viaje de manera eficiente. A todo ello se ha debido la elección del 
estudio de este tipo de transporte. 
La implementación de inteligencia artificial en este sector supone una mejora en las 
cuatro categorías principales que se estudian: seguridad, experiencia de usuario, 
sostenibilidad energética, fiabilidad y mantenimiento. La mejora en estas categoría 
supone un futuro más tecnológico, sostenible y competitivo en el sector ferroviario. 
En este trabajo, se realiza un estudio en profundidad de las investigaciones y 
experimentos reflejados en artículos científicos y papers de los últimos años, con 
singular atención en los artículos publicados desde 2020. Se analizan artículos de 
mantenimiento predictivo, artículos de mejora en las comunicaciones y conexiones, de 
planificación de personal y rutas, de logística de transporte de mercancías y pasajeros, 
de la distribución eléctrica, de mejoras en motores o artículos de seguridad entre otros. 
El objetivo de este Trabajo de Fin de Grado es una evaluación del estado del arte de la 
inteligencia artificial en el sector ferroviario, para poder centrar esfuerzos en las áreas 
que requieran una mayor investigación o desarrollo de cara a su aplicación eficiente en 
los problemas ingenieriles relacionados con el sector del transporte ferroviario, y tratar 
de solucionar problemas desde un punto de vista común. En concreto, se quiere analizar 
el uso de inteligencia artificial entre los tres actores principales del sector, que son 
operadora, infraestructura y fabricante, y poder determinar si los problemas que se 
investigan son resueltos individualmente por cada agente, o se busca un enfoque global 
que involucre a dos o tres entidades en la solución. 
También existen otros objetivos, como la creación de una base de datos para líneas de 
investigación futuras, un análisis de las tendencias de los algoritmos y modelos 
matemáticos más usados para resolver cada tipo de problema, un estudio de cuáles son 
las categorías de problemas más investigadas y demandadas, el fomento de una 
resolución de problemas desde un punto de vista común, la optimización de procesos y 
costes en el sector ferroviario y la reducción del impacto medioambiental debido a la 
posibilidad de ahorrar recursos. 
iv 
 
Para llevarlo a cabo, la metodología que se ha seguido durante el trabajo consta de 
varias etapas. La primera es la búsqueda de artículos a través de Web of Science y 
Google Scholar, donde se aplican varios filtros de búsqueda para que los artículos 
puedan entrar a estudiarse, que son: la fecha de publicación, puesto que los artículos 
deben ser relativamente recientes, que el contenido sea referido al sector ferroviario, que 
tenga una aplicación directa sobre alguna de las tres entidades principales, ya que, por 
ejemplo, un artículo sobre el modelo de negocio sobre el sector ferroviario no es de 
carácter técnico, y, por último, que el artículo sea clasificable en una de las cuatro 
categorías de problema mencionadas. También se realiza un estudio del número total de 
artículos escritos sobre el tema en cuestión, siendo este de 452 artículos, de los cuales 
114 son escritos en el último año, para poder extraer conclusiones fiables y robustas 
sobre el estudio realizado. 
Tras ello, se procede al estudio de 52 artículos en profundidad, sintetizando el contenido 
en su totalidad, y tras estos, se estudian 20 artículos analizados desde el “abstract” del 
artículo. Esto es debido al tiempo acotado contemplado en un TFG, puesto que el 
estudio, síntesis y categorización de cada artículo lleva una cantidad de tiempo 
considerable, por lo que aumentar la muestra es importante para tener una muestra más 
representativa y que pueda dar una solución más fiable. Se obtiene una fuente de 
resúmenes de cada artículo para interés del lector y una tabla con la categorización de 
cada artículo en cada uno de los siguientes apartados: nombre del artículo, problema que 
soluciona, resolución que da el autor a dicho problema, tecnologías de inteligencia 
artificial que aplica, a qué entidades enfoca el autor este problema o a quiénes lo aplica, 
la categoría del problema y una posible propuesta para englobar a una entidad más en 
caso de afectar a dos entidades, y una o dos entidades más en caso de enfocar el 
problema a una. 
Por último, se obtienen las tablas de datos y gráficos de cada una de las conclusiones 
que se desea obtener, y se realiza un análisis de estas. Se proponen líneas futuras de 
investigación en base a estas conclusiones a investigadores que quieran contribuir en el 
desarrollo del futuro del sector ferroviario. 
En relación con la inteligencia artificial, se realiza una descripción de los algoritmos que 
se han encontrado en los distintos artículos y una explicación sobre el efecto de la 
inteligencia artificialen el sector ferroviario y en que ámbitos se beneficia. 
La inteligencia artificial es la habilidad de una máquina de presentar las mismas 
capacidades que los seres humanos, como el razonamiento, el aprendizaje, la creatividad 
y la capacidad de planear. Es importante distinguirla de la inteligencia aumentada, la 
cual tiene como objetivo apoyar al ser humano en sus tareas, mientras que la 
inteligencia artificial es capaz de sustituir a las personas. En cuanto a las categorías de 
inteligencia artificial, éstas pueden variar según el autor, por lo que se definen dos 
posibilidades de categorización. En la primera se divide la inteligencia artificial en 
máquinas reactivas, máquinas de memoria limitada, máquinas de teoría de la mente y 
máquinas con autoconciencia. En la segunda, la inteligencia artificial se puede dividir 
en estrecha (que recoge todas las inteligencias artificiales existentes), inteligencia 
artificial general, cuyas funciones tienen el nivel humano en función cognitiva, y la 
v 
 
super inteligencia artificial, la cual supera todas las capacidades humanas. Estas dos 
últimas siguen siendo un concepto teórico. 
Dentro de la inteligencia artificial, existen numerosos algoritmos y modelos 
matemáticos diferentes. Por ello, se divide en cinco categorías principales todos los 
modelos que se han estudiado. Estas categorías principales son el aprendizaje 
automático o Machine Learning, las redes neuronales o Neura Networks, el aprendizaje 
profundo o Deep Learning, la visión por computadora y el procesamiento de lenguaje 
natural. Hay que mencionar que la inteligencia artificial muchas veces se utiliza de 
manera conjunta con otras tecnologías, como el “Internet de las cosas” (IoT), Big Data, 
robótica y más. 
Una vez se ha realizado la separación de las categorías principales, se procede a la 
explicación de cada uno de los 37 algoritmos estudiados. Tras esto, se ofrece una base 
teórica sobre el sector ferroviario y sus principales campos afectados por la 
implementación de inteligencia artificial. Dos de las áreas en las que más se da la 
implementación de inteligencia artificial son el mantenimiento y el consumo energético. 
Los tipos de mantenimiento existentes son correctivo, preventivo y predictivo. El 
mantenimiento correctivo consiste en el mantenimiento realizado tras la aparición de 
una avería, y su objetivo es restaurar el activo que ha recibido daño por medio de una 
reparación o una sustitución. Este suele aplicarse a activos de menor valor para las 
empresas, y puede suponer una detención de ciertos procesos. Ofrece ciertas ventajas 
frente a los otros mantenimientos, como una menor planificación y ser más rentable a 
corto plazo. Sin embargo, también ofrece ciertas desventajas frente a los otros tipos de 
mantenimiento, como costes más elevados a largo plazo, pérdida de fiabilidad y 
disponibilidad, la generación de problemas de seguridad o el hecho de ser impredecible. 
El mantenimiento preventivo es el mantenimiento opuesto al correctivo, consistiendo en 
el mantenimiento trata de prevenir que ocurra la avería. Este se realiza de manera 
planificada, cada cierto tiempo, independientemente de las condiciones de los activos y 
así evitar posibles fallos. Se suele utilizar en los activos de mayor valor para la empresa 
y que su fallo supondría un impacto en el desarrollo de las tareas. Este tipo de 
mantenimiento presenta ciertas ventajas frente a otros, como aumentar la vida útil de los 
activos y reduce el tiempo de inactividad no planificado. Pero también presenta ciertas 
desventajas frente a otros mantenimientos, como unos costes elevados por las revisiones 
e inspecciones y la realización de mantenimiento innecesario. 
El mantenimiento predictivo es el mantenimiento implementado con la inteligencia 
artificial y el análisis de datos. El objetivo de este mantenimiento es poder predecir 
cuándo va a fallar un activo. Se basa en la condición física y operativa del activo, 
haciendo que el mantenimiento sea más informado, necesario y oportuno. Para ello, es 
importante la implementación de sensores para obtener información relevante. El uso 
de este mantenimiento es posible gracias a la incorporación del “Internet de las cosas” 
(IoT), el cual permite transmitir los datos en tiempo real. 
Los beneficios de este mantenimiento son una mejor visibilidad de toda la operación, 
tanto con factores internos y externos. También se incurre en menores gastos de 
vi 
 
mantenimiento frente al preventivo, y se aumenta la vida útil de los activos. Además, 
permite ser capaz de planificar en tiempo real. 
En cuanto al consumo energético, la implementación de inteligencia artificial en el 
sector ferroviario aporta unos beneficios significativos, como una eficiencia energética 
mejorada, una gestión y planificación de la energía inteligente, una optimización de la 
programación y operación de los trenes y una posible integración de fuentes de energía 
renovable. 
Tras la base teórica, se entra en el análisis de cada artículos, con su respectivo resumen 
y categorización. Se expone el siguiente ejemplo de la categorización, y así se observa 
el método seguido para categorizar cada uno de los artículos: 
Artículo Problema Resolución Tecnología Entidades Categoría 
Condition-Based 
Maintenance for 
Normal Behaviour 
Characterisation of 
Railway Car-Body 
Acceleration 
Applying Neural 
Networks 
Presencia de aceleraciones 
laterales en el coche que 
impactan negativamente en 
la comodidad de los 
usuarios 
Uso de inteligencia 
artificial para 
reconocer fallos en las 
aceleraciones laterales 
del tren 
Artificial Neural 
Network (ANN) 
OPERADORA 
+ 
FABRICANTE 
Fiabilidad y 
Mantenimiento 
 Las últimas dos categorías con las propuestas se muestran cuando se refiere el trabajo a 
las líneas futuras. Estas categorías mostradas son las categorías útiles para la obtención 
de conclusiones. 
Gracias a todo este trabajo se han podido obtener las conclusiones de los objetivos 
buscados. En cuanto a las entidades, se obtiene la confirmación de la hipótesis inicial 
que motiva la realización de este trabajo: no se está trabajando desde una postura 
transversal y global. Un 53% de los artículos estudiados únicamente afectan a una 
entidad, y un 38% a dos entidades, muchas veces siendo el segundo actor un 
beneficiario secundario ya que no se buscaba su beneficio en el planteamiento de la 
solución. También se obtiene una visión de que entidad es la que más se está 
investigando, liderando los esfuerzos la infraestructura, que muchas veces aparece de 
manera conjunta con la operadora, y dejando al fabricante como una entidad aislada que 
resuelve de forma independiente sus problemas. Tiene sentido puesto que la 
infraestructura es la entidad más costosa, y de menor retorno. Suelen ser empresas 
públicas. Las operadoras están tendiendo a privatizarse, pero sigue habiendo muchas 
empresas públicas. Los fabricantes son en su mayoría empresas privadas. 
En los problemas se ve una clara tendencia en problemas de fiabilidad y mantenimiento, 
teniendo cerca de un 60% de la cuota de problemas estudiados. Sorprende lo poco que 
se ha investigado sobre experiencia de usuario y sostenibilidad energética, ya que son 
las dos líneas de futuro a las que se dirigen las empresas. La seguridad aparece como 
segunda categoría más estudiada con un 19%. Tiene cierta lógica que no se centren 
tantos esfuerzos en esta ya que es un tema muy avanzado y asegurado, y el margen de 
mejora respecto a la situación actual es más estrecho que las otras categorías. En cuanto 
a los problemas más estudiados predominan la detección de obstáculos, el 
vii 
 
mantenimiento predictivo de infraestructura y el mantenimiento predictivo de trenes. Se 
encuentran problemas poco estudiados que necesitan ser potenciados. 
La tecnología más utilizada es el Deep Learning, apareciendo en cerca del 80% de los 
artículos.Las otras dos categorías principales que aparecen son Machine Learning y 
visión por computadora, con una aparición cercana al 30% en ambas. En concreto, los 
algoritmos más usados con redes neuronales convolucionales y redes neuronales 
artificiales, las cuales pertenecen a la primera categoría de inteligencia artificial 
mencionada. La siguiente es la inteligencia artificial basada en heurísticos, que no se 
ajusta a ninguna de las tres categorías principales que se han podido extraer. También se 
encuentran muchas tecnologías con un gran potencial que deberían potenciarse. 
Por último, se obtienen dos conclusiones secundarias que aportan valor al estudio 
realizado. La primera es el tamaño de la muestra, que supone un 16% del total de 
artículos escritos históricos, y supone un 63% cuando se compara con los artículos 
escritos desde 2022. La otra conclusión muestra la distribución de los artículos 
estudiados, concentrando el 80% en los últimos cuatro años respecto al año de 
realización de este trabajo. 
Tras estas conclusiones, se proponen líneas futuras de investigación para cualquier 
investigador interesado en contribuir al desarrollo del sector ferroviario. Destacan el 
enfoque global para solucionar problemas y soluciones, potenciar las categorías de 
problemas menos estudiadas y seguir en la línea de estudio de fiabilidad y 
mantenimiento, la mejora en la selección de tecnologías utilizadas para resolver cada 
problema, y la propuesta de potenciar dos en específico: las redes neuronales 
convolucionales, muy efectivas para problemas de visión por computadora y el 
procesamiento de imágenes, y los algoritmos Long-Short Term Memory, para tratar 
problemas en los cuáles hay que tomar en cuenta el tiempo como variable , como 
secuencias de longitud variable o dependencias a largo plazo. 
Por último, se quiere hacer énfasis en una idea, que es compartir la información. 
sensores, los cuales recogen y mandan información en tiempo real. Gracias al “Internet de 
las cosas” (IoT), esta información puede ser compartida y puesta en común entre las tres 
entidades. Esto beneficia en disminución de costes a cada entidad, y una mejora de cada 
entidad individualmente, y del sector ferroviario en su conjunto. Se muestran también 
algunos ejemplos de cómo mejorar algunos artículos para que incorpore a más entidades. Se 
muestra el siguiente ejemplo, dónde se muestra a que entidades afectaba antes de la 
propuesta, y a cuáles afecta después: 
Condition-Based Maintenance for 
Normal Behaviour 
Characterisation of Railway Car-
Body Acceleration Applying 
Neural Networks 
OPERADORA 
+ 
FABRICANTE 
Añadir una variable de localización con un 
sensor GPS, con el que poder estudiar la 
posición del tren cuando ocurren los 
avisos, y, si resulta que es reincidente el 
lugar, poner en aviso a infraestructura 
también 
OPERADORA + 
FABRICANTE + 
INFRAESTRUCTURA 
En los últimos capítulos se tratan la planificación temporal y presupuesto del Trabajo de Fin 
de Grado, los impactos sociales y económicos que puede tener este trabajo y la contribución 
a los Objetivos de Desarrollo Sostenible propuestos por la Organización de las Naciones 
Unidas (ONU). 
viii 
 
ÍNDICE 
 
CITA ............................................................................................................................. i 
AGRADECIMIENTOS .............................................................................................. ii 
RESUMEN EJECUTIVO .......................................................................................... iii 
ÍNDICE .................................................................................................................... viii 
1. INTRODUCCIÓN ............................................................................................... 1 
2. OBJETIVOS ........................................................................................................ 4 
3. METODOLOGÍA ................................................................................................ 5 
3.1. BÚSQUEDA DE ARTÍCULOS................................................................................. 5 
3.2. RESUMEN Y CATEGORIZACIÓN ......................................................................... 7 
3.3. OBTENCIÓN DE CONCLUSIONES ........................................................................ 7 
3.4. ESTRUCTURA DEL TRABAJO .............................................................................. 8 
4. BASE TEÓRICA ................................................................................................. 9 
4.1. INTELIGENCIA ARTIFICIAL ESTUDIADA .......................................................... 9 
4.1.1. Redes neuronales convolucionales (Convolutional Neural Network) ................. 12 
4.1.2. Redes neuronales recurrentes (Recurrent Neural Networks) .............................. 12 
4.1.3. Aprendizaje por refuerzo (Reinforcement Learning) ......................................... 13 
4.1.4. Inteligencia artificial basada en regresión ......................................................... 13 
4.1.5. Redes neuronales convolucionales profundas (Deep Convolutional Neural 
Networks) ........................................................................................................................ 13 
4.1.6. Intercambio de redes neuronales abiertas (Open Neural Network Exchange) .... 14 
4.1.7. You Only Look Once (YOLO) ......................................................................... 14 
4.1.8. You Only Look Once v2 (YOLOv2) ................................................................ 14 
4.1.9. You Only Look Once v3 (YOLOv3) ................................................................ 15 
4.1.10. You Only Look Once v4 (YOLOv4) ................................................................ 16 
4.1.11. You Only Look Once v5 (YOLOv5) ................................................................ 16 
4.1.12. Máquinas de vectores de soporte (Support Vector Machines)............................ 17 
4.1.13. Redes neuronales difusas (Fuzzy Neural Networks) .......................................... 17 
4.1.14. Radio cognitiva (Cognitive Radio) ................................................................... 17 
4.1.15. Sistemas basados en casos (Case-Based Reasoner) ........................................... 18 
4.1.16. Redes piramidales de características (Feature Pyramid Network) ..................... 18 
4.1.17. Red de propuestas regionales (Regional Proposal Network) ............................. 19 
4.1.18. Faster Regional-Convolutional Neural Network (Faster R-CNN) ..................... 19 
ix 
 
4.1.19. Redes de creencia profunda (Deep Belief Network)........................................... 19 
4.1.20. Máquinas de Boltzmann restringidas (Restricted Boltzmann Machines) ............ 20 
4.1.21. Algoritmo de vecinos más cercanos K (K-Nearest Neighbors Algorithm) ......... 20 
4.1.22. Unidades recurrentes cerradas (Gated Recurrent Units) .................................... 21 
4.1.23. Memoria a largo plazo recurrente (Long-Short Term Memory) ......................... 21 
4.1.24. Máquinas de codificación automática (Autoencoder) ........................................ 21 
4.1.25. Red neuronal de alimentación directa multicapa (Multilayer feed-forward 
Network) 22 
4.1.26. Árboles de decisión (Decision Tree) ................................................................. 22 
4.1.27. Optimización por enjambre de partículas (Particle Swarm Optimization).......... 23 
4.1.28. Redes neuronales totalmente conectadas (Fully-connected Neural Network) ..... 23 
4.1.29. Algoritmos genéticos (Genetic Algorithms) ...................................................... 23 
4.1.30. Algoritmo de la colonia de hormigas (Ant Colony Optimization) ..................... 24 
4.1.31. Algoritmo de optimización de enjambre de abejas (Bee Swarm Optimization) .. 244.1.32. Algoritmo de forrajeo bacteriano (Bacterial Foraging Algorithm) .................... 24 
4.1.33. Recocido simulado (Simulated annealing) ........................................................ 25 
4.1.34. Bosques aleatorios (Random Forest) ................................................................ 25 
4.1.35. Red neuronal de función de base radial (Radial Basis Function Neural Network)
 25 
4.1.36. Transformador de visión (Vision Transformer) ................................................. 26 
4.1.37. Red generativa antagónica (Generative Adversarial Networks) ......................... 27 
4.2. SECTOR FERROVIARIO....................................................................................... 27 
4.2.1. Mantenimiento ................................................................................................. 27 
4.2.2. Consumo energético ......................................................................................... 31 
5. ESTADO DEL ARTE DE LA INTELIGENCIA ARTIFICIAL EN EL 
SECTOR FERROVIARIO ....................................................................................... 32 
5.1. ARTÍCULOS .......................................................................................................... 32 
5.2. ARTÍCULOS ESTUDIADOS DESDE “ABSTRACT” ............................................ 70 
5.3. TABLA DE CLASIFICACIÓN Y CATEGORIZACIÓN ......................................... 79 
6. RESULTADOS Y CONCLUSIONES ............................................................... 92 
6.1. ENTIDADES .......................................................................................................... 92 
6.2. PROBLEMAS ......................................................................................................... 96 
6.3. TECNOLOGÍAS ................................................................................................... 100 
6.4. ANÁLISIS DE DATOS DE ARTÍCULOS ............................................................ 104 
6.4.1. TAMAÑO DE LA MUESTRA DE ARTÍCULOS .......................................... 104 
6.4.2. ANÁLISIS DE ARTÍCULOS POR AÑO ....................................................... 105 
x 
 
7. LÍNEAS FUTURAS ......................................................................................... 106 
8. PLANIFICACIÓN TEMPORAL Y PRESUPUESTO ................................... 113 
8.1. PLANIFICACIÓN TEMPORAL ........................................................................... 113 
8.2. PRESUPUESTO ................................................................................................... 114 
9. EVALUACIÓN DE IMPACTOS SOCIALES Y ECONÓMICOS ................ 115 
10. CONTRIBUCIÓN A LOS OBJETIVOS DE DESARROLLO SOSTENIBLE
 117 
REFERENCIAS BIBLIOGRÁFICAS ................................................................... 121 
REFERENCIAS BIBLIOGRÁFICAS DE ARTÍCULOS ..................................... 126 
1.1. LISTA DE ARTÍCULOS ................................................................................... 126 
1.2. ARTÍCULOS DESDE ABSTRACT .................................................................. 129 
 
 
 
 
INTRODUCCIÓN 
 
Juan Santos González-Llanos 1 
1. INTRODUCCIÓN 
La inteligencia artificial ha ganado una creciente popularidad en los últimos tiempos, ya 
sea para su aplicación en ámbitos profesionales como las finanzas, el marketing, la 
logística o el transporte, en ámbitos recreativos como programas que generan imágenes 
a través de texto, editores de vídeo automatizados o el desarrollo de guiones, o en los 
usos más cotidianos como pueden ser los asistentes personales de los dispositivos 
móviles o las recomendaciones personales que se muestran en los buscadores o 
aplicaciones con conexión a Internet. 
Según las búsquedas en Google, ha habido un fuerte crecimiento en las búsquedas 
realizadas de estas tecnologías. La gráfica ha sido sacada de Google Trends [1], y 
muestra los valores de búsqueda desde el 1 de enero de 2004 a mayo de 2023 del 
término “artificial intelligence” (en los idiomas propios de cada país) a nivel global. 
Puede observarse que en diciembre de 2021 comienza a generarse un cambio de 
pendiente en la curva, que demuestra el creciente interés en las inteligencias artificiales. 
 
Figura 1.1: Búsquedas del término “artificial intelligence” en Google Trends 
La inteligencia artificial es aplicada en cada vez más sectores [2], cada uno totalmente 
diferente de otro, pero destaca su avance en especial en los sectores del comercio, donde 
se utiliza para la creación de motores de recomendación cuando los usuarios realizan 
sus búsquedas, optimización en los anuncios ofrecidos a los usuarios y creación de 
modelos predictivos para conocer mejor a los usuarios e investigar las necesidades de 
estos. Otro sector es la banca y finanzas, donde se implementa la inteligencia artificial 
para la detección de fraudes, segmentación de clientes, análisis de tendencias del 
mercado y una mejor precisión, automatización y rapidez en las puntuaciones de 
créditos, ayudando a transformar los datos en información útil para el cliente y realizar 
una gestión personalizada. El sector de la salud también presenta grandes avances en la 
aplicación de inteligencias artificiales, teniendo como principales ventajas la 
ciberseguridad, la eficiencia operativa, el aumento de capacidades de análisis y el 
recorte de costes, además del desarrollo de nuevos medicamentos, el control a distancia 
de los pacientes, la administración de salas de emergencia y hospitales o la creación de 
asistentes médicos virtuales para primeros diagnósticos o gestión de citas. Por último, el 
sector del transporte, donde se aplica la tecnología para mejorar la eficiencia, reducir 
costes, aumentar la seguridad y mejorar el mantenimiento de los vehículos. En este 
último sector, podemos encontrar como medios de transporte más utilizados los aviones, 
los coches y motos, los barcos, autobuses, y, por último, el tren. 
INTRODUCCIÓN 
 
Juan Santos González-Llanos 2 
El ferrocarril, como bien se ha mencionado, es uno de los principales medios de 
transporte en el día a día de las personas, ya sea para ir a trabajar, o desplazarse en 
cortas, medias y largas distancias. También, el transporte de mercancías tiene como uno 
de los principales medios de transporte los trenes de carga. Un gran número de personas 
confían en este medio de transporte para poder llevar a cabo su vida normal. En España, 
encontramos un gran número de usuarios que utilizan el tren anualmente. La siguiente 
tabla muestra los pasajeros de los últimos años que han utilizado trenes según el 
Instituto Nacional de Estadística (INE), promediando alrededor de 525 millones de 
usuarios anuales [3]. 
 
Figura 1.2: Tabla de datos de viajeros transportados por destino (INE) 
En la siguiente tabla podemos ver las toneladas transportadas a nivel nacional en los 
últimos años, promediando 21 millones de toneladas anuales en el periodo mostrado [4]. 
 
Figura 1.3: Tabla de datos de mercancías transportadas por destino (INE) 
Es por ello, que el estudio realizado se enfoca en el sector ferroviario, puesto que el 
desarrollo y seguridad de las vidas de los usuarios, y la entrega y logística de 
mercancías que se necesitan, depende de la constante mejora en la fiabilidad y 
mantenimiento, seguridad y experiencia de usuario de este sector, además de la 
contribución a la sostenibilidad energética para el apoyo de los Objetivos de Desarrollo 
Sostenible (ODS). 
También la elección del ferrocarril se debe a que este el medio de transporte más 
sostenible, por lo que invertir esfuerzos y recursos en este medio de transporte supone 
una mejora en la calidad de vida de las personas y del planeta. La contaminación se ha 
convertido en un problema a nivel mundial, y la mayoría de esfuerzos a nivel de 
negocio y de gobierno está enfocado en desarrollary elegir las opciones más 
sostenibles. Por ello, el tren se cree que es el transporte del futuro, y se está 
incentivando a su uso, tratando de sustituir viajes en avión o coche. Y esto se debe 
principalmente a dos factores [5]: menor consumo energético y puede transportar a un 
mayor número de personas, por lo que el impacto por persona se reduce. 
En cuanto al consumo energético, el tren consume mucha menos energía que otros 
medios de transporte que puedan elegirse. En Europa pueden encontrarse dos tipos de 
trenes principales, locomotoras de vapor y nuevos trenes hacia una transición de trenes 
eléctricos. Según Statista [6], en 2020 el 56.6% de los trenes en Europa se movían con 
electricidad. 
En cuanto a emisiones de CO2 [7], el tren emite de un 66% a un 88% menos que otros 
medios, como aviones o coches. La emisión dependerá, evidentemente, del tipo de 
energía que utilice el tren, si bien es diésel o electricidad. Actualmente, se está 
trabajando en un tren de hidrógeno para el futuro. En España, Talgo ha comenzado a 
realizar pruebas ya con dichos trenes [8]. 
 
INTRODUCCIÓN 
 
Juan Santos González-Llanos 3 
Otro factor importante, como bien se ha mencionado, es la capacidad de transportar más 
personas en un solo viaje de manera más eficiente. También, existen las ventajas de que 
se reduce la contaminación acústica, que muchas veces es el causante de estrés y 
malestar en grandes ciudades o pueblos, para personas y animales que tienen que 
convivir con ello. Los trenes operan alrededor de los 85 decibelios, y para poner en 
situación al lector, una conversación normal se realiza alrededor de los 60 decibelios y 
un avión opera a 120 decibelios. Por todos estos motivos el tren es la opción más 
sostenible en el largo y medio plazo, mientras que se siguen desarrollando nuevas 
tecnologías en otros vehículos para reducir su impacto en el medioambiente. 
La implementación de tecnologías de inteligencia artificial puede contribuir a las 
categorías de seguridad, experiencia de usuario, sostenibilidad energética, fiabilidad y 
mantenimiento de una manera positiva, potenciando las capacidades actuales del sector 
ferroviario, y llevando este sector a un futuro más tecnológico, más sostenible y más 
competitivo. 
La inteligencia artificial puede mejorar el sector ferroviario con la digitalización, que 
puede ser de gran ayuda en la agilización de operaciones, mejorar la fiabilidad de la 
infraestructura, de componentes del tren o de las comunicaciones o mejorar la 
experiencia de usuarios reduciendo vibraciones, ruidos o aceleraciones que no sean 
normales durante el trayecto del tren, entre otras muchas cosas. Además, se suele 
combinar estas tecnologías con otras como Big Data o “Internet of Things” (IoT) para 
avanzar hacia una gestión más automatizada, segura e inteligente. 
El estudio realizado consiste en una recopilación y estudio de los artículos y 
experimentos más avanzados a día de hoy, realizando un estudio del arte de las 
tecnologías de inteligencia artificial aplicadas al ferrocarril y su entorno, estudiando 
varios parámetros y tendencias de los mismos. Entre los parámetros analizados se busca 
encontrar, principalmente, el tipo de problemas que más se estudian y las entidades que 
engloba el enfoque, incluyendo en las entidades a fabricante, operadora o 
infraestructura. Además, se busca estudiar las tecnologías más recurrentes en función 
del problema. 
La literatura existente sobre inteligencia artificial aplicada al sector ferroviario no es 
muy abundante, existiendo solamente 453 artículos escritos sobre inteligencia artificial 
que aplique a alguna de las 3 entidades directamente (no artículos que apliquen a la 
estructura y competitividad del mercado ferroviario) y 114 escritos desde el 1 de enero 
de 2022 en Web of Science, uno de los principales servicios en línea de información 
científica junto a Google Scholar, que incluso colabora con el Ministerio de Ciencia e 
Innovación en España. Entre estos, existen algunos artículos que revisen la literatura, 
pero se centran en una parte concreta o no aportan conclusiones y líneas futuras que 
puedan contribuir al desarrollo de la imagen global del sector ferroviario. 
El alcance de este estudio abarca todos los artículos escritos en los últimos años, desde 
2010 hasta mayo de 2023, con mayor énfasis en los artículos más recientes, desde el año 
2020. Se han analizado artículos de mantenimiento predictivo del tren, que afecta al 
fabricante, o de mantenimiento predictivo de la infraestructura o ambas en común, que 
puede llegar a afectar al usuario final, por tanto, a la operadora. También, artículos de 
mejora en la eficiencia de comunicaciones, planificación de personal y rutas, logística 
de mercancías y transporte de viajeros, artículos de mejoras en la entrega y distribución 
de electricidad, mejoras en motores o artículos sobre seguridad, para prever accidentes 
en estaciones, pasos a nivel, accidentes del vehículo, y más. 
OBJETIVOS 
 
Juan Santos González-Llanos 4 
2. OBJETIVOS 
El principal objetivo de este trabajo de fin de grado es la evaluación del estado del arte 
en cuanto a la aplicación de las inteligencias artificiales en el sector ferroviario, para 
poder enfocar futuros estudios en los ámbitos en los cuales falte mayor trabajo por 
realizar, y poder hacer las propuestas desde un punto de vista común. Más 
concretamente, se pretende analizar el uso de la inteligencia artificial entre los tres 
actores principales del sector (operadora, fabricante e infraestructura), para ver cuántos 
de ellos comparten problemas comunes o se analizan de forma individual o 
independiente, y poder determinar si existe un interés en realizar la proposición de la 
resolución del problema desde los tres puntos de vista. 
Otros objetivos son: 
• Análisis más detallado de la literatura de los últimos años. 
• Creación de una base para líneas de investigación futura. 
• Tendencia de las tecnologías más usadas para resolver cada tipo de problema. 
• Análisis de las categorías de problemas más estudiados. 
• Fomentar la resolución de problemas desde varios puntos de vista de los actores 
a la vez, en lugar de uno. 
• Optimización de procesos y costes por la implementación de inteligencia 
artificial, por ejemplo, en mantenimiento predictivo. 
• Impacto medioambiental al establecer la posibilidad de ahorrar recursos. 
Por último, se numeran objetivos de carácter individual del autor en la realización de 
este trabajo: 
• Aprendizaje sobre el estudio de artículos de carácter científico. 
• Desarrollo de cualidades de síntesis y de extracción de información importante 
de los artículos. 
• Mejora de las habilidades de investigación científica. 
• Iniciación en la lectura de artículos científicos. 
• Conocimiento del estado del arte de las inteligencias artificiales aplicada al 
sector del transporte, en concreto, el sector ferroviario. 
• Comprensión de posibles líneas futuras de la inteligencia artificial en el sector 
del transporte. 
METODOLOGÍA 
 
Juan Santos González-Llanos 5 
3. METODOLOGÍA 
En los capítulos anteriores se han presentado y justificado las razones por las que se ha 
llevado a cabo este estudio y que es lo que se busca con ello. En este capítulo se 
explicará cómo se ha realizado el estudio completo, especificando parámetros y cómo se 
han agrupado las conclusiones. 
3.1. BÚSQUEDA DE ARTÍCULOS 
La búsqueda exhaustiva de artículos ha sido realizada a través de dos servicios en línea 
de información científica: Web of Science y Google Scholar. Según la definición del 
Ministerio de Ciencia e Innovación (2023): 
“La Web of Science, propiedad de la empresa Clarivate Analytics, es la colección de 
bases de datos de referencias bibliográficas y citas de publicaciones periódicas que 
recogen información desde 1900 a la actualidad. La WOS está compuesta por la 
colección básica Core Collectionque abarca los índices de Ciencias, Ciencias Sociales 
y Artes y Humanidades, además de los Proceedings tanto de Ciencias como de Ciencias 
Sociales y Humanidades junto con las herramientas para análisis y evaluación, como 
son el Journal Citation Report y Essential Science Indicators. Adicionalmente, cuenta 
con las bases de datos que la complementan incluidas en la licencia para España: 
Medline, Scielo y Korean Citation Index.” 
Por otro lado, Google Scholar (o Google Académico) es un motor de búsqueda de 
Google, el cual busca contenido y bibliografía científica o académica. Google Scholar 
indexa editoriales, bibliotecas, repositorios, bases de datos bibliográficas, entre otros; y 
entre sus resultados se pueden encontrar citas, enlaces a libros, artículos de revistas 
científicas, comunicaciones y congresos, informes científico-técnicos, tesis, tesinas y 
archivos depositados en repositorios. 
Una vez definido los sitios dónde se van a buscar los artículos y verificar que el 
contenido que sube es fiable, se establece la categoría de los artículos que se va a 
buscar estableciendo unos filtros. Estos filtros se basan en: 
• Fecha de publicación: se tratará de coger los artículos más recientes posible 
entre todos los artículos existentes, salvo alguna excepción de artículos que 
muestren modelos de inteligencia artificial que puedan ser todavía aplicables. 
• Contenido referido al sector ferroviario: los artículos elegidos sobre 
inteligencia artificial deben ser estudios realizado en el sector ferroviario o con 
aplicación directa sobre este. 
• Aplicación directa a una de las tres entidades: los artículos deben tener un 
impacto directo sobre al menos una de las tres entidades, que incluyen 
operadora, fabricante o infraestructura. Cualquier artículo sobre mejora en la 
competitividad del sector a nivel de las partes interesadas del negocio tratará de 
no estudiarse. Se recogen algunos artículos para verificar que, si una solución se 
pone en común con las tres entidades, suele ser de índole de negocios, y no de 
carácter técnico. 
METODOLOGÍA 
 
Juan Santos González-Llanos 6 
• Clasificación en una de las cuatro categorías estudiadas: los artículos 
elegidos deben poder clasificarse en una de las cuatro categorías: seguridad, 
experiencia de usuario, sostenibilidad energética, fiabilidad y mantenimiento. 
Para la búsqueda se muestra a continuación una lista de los términos utilizados para la 
búsqueda de los artículos: 
Google Scholar: 
• Artificial Intelligence Railway 
• Artificial Intelligence Railway Failure 
• Artificial Intelligence Railway Fault 
• Artificial Intelligence Railway Model 
• Predictive Maintenance Railway 
• Railway Artificial Intelligence Vehicle Model 
• Deep Learning Approach railway 
• Deep Learning Approach railway vehicle failure 
• Condition Based Maintenance Railway Artificial Intelligence 
• Models for Predictive Maintenance "Railway" 
• Models for Predictive Maintenance "Railway track" 
• Models for Predictive Maintenance "Train" 
• Predictive Maintenance Neural Network 
Web of Science: 
• Railway AI Decision Tree 
• Railway Neural Network 
• Predictive Maintenance Railway Vehicle 
• Predictive Maintenance Railway Artificial Intelligence 
• Predictive Maintenance Railway 
• Artificial Intelligence Railway 
• AI Railway 
• Artificial Intelligence and train transport 
Para recoger el número de artículos totales escritos hasta hoy sobre inteligencia artificial 
aplicada al ferrocarril se ha realizado una búsqueda manual en web of Science, con los 
filtros mencionados, determinando que existen 452 artículos sobre el tema a día de hoy. 
También se ha contado los artículos escritos desde 2022, que suman un total de 114 
artículos. Se comprueban también los artículos en desde 2022 en Google Scholar, dónde 
se cuentan alrededor de 125, siendo de la magnitud de Web of Science, y comprobando 
que la mayoría de artículos de una fuente se encuentra también en la otra. 
 
METODOLOGÍA 
 
Juan Santos González-Llanos 7 
3.2. RESUMEN Y CATEGORIZACIÓN 
A continuación, los artículos son estudiados para realizar la clasificación de la manera 
más acertada posible. Para ello, se dividen los artículos estudiados en una cantidad de 
artículos estudiados a fondo y una cantidad de artículos estudiada a través de resúmenes. 
Esto se debe a varios motivos. 
El primero, el tiempo y la magnitud del trabajo, ya que estudiar en profundidad cada 
artículo requiere de una gran cantidad tiempo, y tras un gran número de artículos 
estudiados a fondo, el tiempo se va reduciendo, por lo que para tener una muestra de 
datos más significativa se incorporan artículos estudiados a través del resumen. Otro 
motivo es la accesibilidad, puesto que, aunque muchos artículos son de acceso abierto y 
pueden leerse sin mayor problema, algunos de ellos requieren de un pago o acceso a 
través de alguna institución, por lo que la única manera de conseguir estudiar el 
contenido del artículo es a través del “abstract” o las referencias a dicho artículo. Si bien 
la Universidad Politécnica de Madrid tiene acceso a varias plataformas, hay algunas que 
no funciona el acceso por medio de la plataforma, por lo que se han tenido que descartar 
algunos artículos para el estudio. 
Para estudiar cada uno de los artículos se sigue la siguiente metodología: se lee y 
subraya cada artículo con las partes más importantes para poder entender bien la idea 
del autor, puesto que muchas veces son conceptos muy técnicos y requieren de un 
tiempo de razonamiento. Seguido se redacta un resumen de máximo tres párrafos para 
facilitar la comprensión del contenido del artículo, y poder ofrecer toda la base de datos 
de los artículos estudiados al lector, y si está interesado en algún artículo en específico 
pueda comprobar el resumen. El resumen se ha intentado que incluya siempre el 
problema que se quiere resolver, la tecnología que utiliza el autor y cómo la desarrolla, 
los desarrollos llevado a cabo por el mismo o su equipo para obtener la tecnología, el 
funcionamiento a rasgos generales de esta, y los resultados numéricos y comparaciones 
con otras tecnologías. 
Tras toda la escritura de literatura, se realiza una tabla de datos en Excel, con las 
siguientes categorías a rellenar: nombre del artículo, problema que soluciona, resolución 
que da el autor a dicho problema, tecnologías de inteligencia artificial que aplica (a 
veces con combinación con otras tecnologías), a qué entidades enfoca el autor este 
problema o a quiénes lo aplica, la categoría del problema y una posible propuesta para 
englobar a una entidad más en caso de afectar a dos entidades, y una o dos entidades 
más en caso de enfocar el problema a una. 
3.3. OBTENCIÓN DE CONCLUSIONES 
Tras este trabajo de investigación y clasificación se obtienen los resultados. Se realiza 
el análisis en profundidad mencionado en los objetivos para sacar las magnitudes 
totales de artículos los cuales afectan a que entidades, con que tecnologías se resuelven 
los problemas y que tipos de problema son los que más se enfocan. 
 
METODOLOGÍA 
 
Juan Santos González-Llanos 8 
3.4. ESTRUCTURA DEL TRABAJO 
El trabajo consiste en la siguiente estructura y en el siguiente orden: 
• Base teórica de las inteligencias artificiales estudiadas en los artículos y base 
teórica del sector ferroviario. 
• Estudio del estado del arte de la inteligencia artificial en el sector ferroviario 
• Conclusiones 
• Líneas futuras 
• Planificación temporal y presupuesto 
• Evaluación de impactos 
• Contribución a los objetivos de desarrollo sostenible 
• Bibliografía 
 
BASE TEÓRICA 
 
Juan Santos González-Llanos 9 
4. BASE TEÓRICA 
4.1. INTELIGENCIA ARTIFICIAL ESTUDIADA 
La inteligencia artificial (IA o AI, por sus siglas en inglés) ha cobrado gran importancia 
en los estudios e investigaciones de los últimos años, y se está llevando a cabo una 
carrerapara la mejora tecnológica, implementando estas tecnologías en muchos ámbitos 
como puede ser la salud, la ciberseguridad, vehículos, manufactura y transporte entre 
tantos otros. Según la Unión Europea [9], “La inteligencia artificial es la habilidad de 
una máquina de presentar las mismas capacidades que los seres humanos, como el 
razonamiento, el aprendizaje, la creatividad y la capacidad de planear”. Ésta se basa en 
distintas disciplinas como la informática, la estadística, la matemática y la psicología 
cognitiva. 
Antes de avanzar en el estudio de inteligencia artificial, es importante discernir entre el 
concepto de inteligencia aumentada e inteligencia artificial. La primera inteligencia 
mencionada no reemplaza a las personas, pero crea un sistema de ayuda, aumenta la 
toma de decisiones humana y trabajan de manera colaborativa con el ser humano. La 
segunda sí sustituye al ser humano, realizando operaciones de alta precisión, tomando 
sus propias decisiones y reemplazando en la producción a las personas. En esta última 
se puede hacer una distinción de inteligencia débil o fuerte, en función de las 
capacidades y problemas que puede abordar. 
Existen cuatro categorías en las cuáles se puede clasificar la inteligencia artificial, y no 
todas presentan el mismo grado de sofisticación [10][11]: máquinas reactivas de 
inteligencia artificial, máquinas de memoria limitada, máquinas de teoría de la mente y 
máquinas de autoconciencia. 
• Máquinas reactivas: Son la categoría de inteligencia artificial más básica, 
donde se programan algoritmos para dar como resultado una respuesta 
predecible en función de los parámetros de entrada. Son capaces de tomar 
decisiones en tiempo real con la información presente. Este tipo de máquinas 
responderán siempre igual ante las situaciones planteadas, no son capaces de 
aprender acciones o concebir un pasado o un futuro. Son útiles en aplicaciones 
que requieren una respuesta rápida y precisa, como el control de robots, la toma 
de decisiones en tiempo real y los sistemas de automatización industrial. Debido 
a que estas máquinas no tienen una comprensión completa del contexto o del 
estado global del sistema, su capacidad para realizar tareas complejas es 
limitada. Un ejemplo podría ser el sistema de detección de spam usado en 
muchos correos en línea. 
• Máquinas de memoria limitada: Estas máquinas recogen información del 
pasado y construyen un conocimiento observando los datos. Este tipo de 
inteligencia artificial usa datos recogidos anteriormente con información 
preprogramada para hacer predicciones y realizar tareas de clasificación más 
complejas. No tienen la capacidad de almacenar grandes cantidades de datos y 
no son capaces de aprender de los datos históricos, limitando la realización de 
tareas complejas al límite de su capacidad. Estos sistemas son útiles en 
BASE TEÓRICA 
 
Juan Santos González-Llanos 10 
aplicaciones que requieren una comprensión más profunda del contexto y la 
capacidad de aprender y adaptarse a nuevas situaciones a lo largo del tiempo. 
Son las inteligencias artificiales más extendidas en la actualidad. Algunos 
ejemplos pueden ser los sistemas de recomendación de películas o series. 
• Máquinas de teoría de la mente: Con esta tecnología, las máquinas son 
capaces de adquirir habilidades de decisión similares a los seres humanos. 
Pueden atribuir estados mentales a otros agentes, como sentimientos, 
intenciones o creencias. Pueden predecir el comportamiento de otros agentes y 
ajustar su comportamiento, aprendiendo de emociones vividas anteriormente y 
en función de la información nueva que reciban. Las máquinas de teoría de la 
mente son útiles en aplicaciones que requieren interacciones complejas entre 
varios agentes, como la planificación en equipo, la negociación, la 
comunicación natural y el desarrollo de relaciones interpersonales. Aunque a día 
de hoy existen limitaciones y sigue en desarrollo, esta tecnología tiene el 
potencial para interactuar con el ser humano de una manera más natural. 
Algunos ejemplos pueden ser asistentes virtuales con empatía o los robots 
capaces de imitar emociones en su cara de personas a las que ven. 
• Máquinas con autoconciencia: Son el tipo de inteligencia artificial más 
avanzado. Son el futuro de la inteligencia artificial que será capaz de ser 
consciente de sus emociones, su propio estado interno y de los demás agentes. 
Este tipo de máquinas será capaz de entender las situaciones y dar una respuesta 
muy natural a la situación. Actualmente no existe ninguna máquina 
completamente autoconsciente, pero se han desarrollado teorías al respecto. 
Algunos autores categorizan las inteligencias artificiales en tres grupos: 
• Inteligencia Artificial Estrecha (ANI, por sus siglas en inglés), dónde se 
recogen todas las inteligencias artificiales existentes. Estas se especializan en un 
área y son capaces de resolver un tipo de problema. 
• Inteligencia Artificial General (AGI, por sus siglas en inglés), la cual sigue 
siendo un concepto teórico. Las funciones de esta tecnología tienen el nivel 
humano en función cognitiva en varios ámbitos como el procesamiento del 
lenguaje, de imágenes, razonamiento, etc. 
• Súper Inteligencia Artificial (ASI, por sus siglas en inglés), que será el sistema 
capaz de superar todas las capacidades humanas. Será capaz de tomar decisiones 
racionales y construir relaciones emocionales. 
 
BASE TEÓRICA 
 
Juan Santos González-Llanos 11 
La inteligencia artificial trabaja combinando cantidades enormes de datos con 
algoritmos iterativos, rápidos e inteligentes para aprender por medio de características y 
patrones. Se exponen a continuación algunas de las categorías más utilizadas y que 
tienen relación con el estudio realizado [12]: 
• Aprendizaje automático (Machine Learning): Automatiza la construcción de 
un modelo analítico. Usa métodos de redes neuronales, física y estadística para 
encontrar información en una base de datos sin estar programado 
específicamente para saber dónde buscar. Este puede ser supervisado, si se 
entrena el algoritmo con datos etiquetados con la respuesta correcta para realizar 
predicciones donde no se conoce la respuesta, o no supervisado, dónde los datos 
no están etiquetados y no se conoce la respuesta correcta, útil para encontrar 
patrones. 
• Redes neuronales (Neural Networks) [13] [14]: También conocidas como redes 
neuronales simuladas (Simulated Neural Networks) o redes neuronales 
artificiales (Artificial Neural Networks) son redes neuronales cuyo 
funcionamiento está inspirado en el funcionamiento del cerebro humano, 
imitando como son las señales de transmisión entre neuronas biológicas. Éstas 
están formadas por varias capas: una capa de entrada donde se analiza y clasifica 
la información, una o varias capas ocultas que son las que permiten aprender y 
entender características, y la capa de salida que da el resultado final, pudiendo 
ser un nodo (1 o 0) o multiclase con más nodos. Cada neurona artificial, se 
conecta con otra y tiene asociado un peso y un umbral. Si la salida de cualquier 
nodo individual está por encima del valor de umbral especificado, ese nodo se 
activa y envía datos a la siguiente capa de la red. 
Estas redes, en teoría, son capaces de asignar cualquier tipo de entrada a 
cualquier tipo de salida, pero requieren más entrenamiento en comparación con 
otros métodos de aprendizaje, necesitando más datos de entrada que otros tipos 
de algoritmos. 
• Aprendizaje profundo (Deep Learning) [15]: Esta tecnología hace uso de 
numerosas redes neuronales con muchas capas de procesamiento, aplicando 
técnicas de entrenamiento, para aprender patrones complejos en cantidades de 
datos extensas. Mientras que una red neuronal puede hacer una predicción 
medianamente acertada, capas adicionales de redes neuronales ayudan a 
optimizar y refinar la precisión de la predicción. 
• Visiónpor computadora: Basada en el reconocimiento de patrones y el 
aprendizaje profundo para reconocer lo que hay en imágenes o vídeos. Cuando 
las máquinas pueden procesar, analizar y comprender imágenes, pueden capturar 
imágenes o videos en tiempo real e interpretar su entorno. 
• Procesamiento de lenguaje natural (NLP, por sus siglas en inglés): Es la 
capacidad que tienen las máquinas de analizar, comprender y generar texto y 
habla en lenguaje humano. Utiliza técnicas como la segmentación de texto, el 
análisis morfológico y sintáctico, análisis semántico, generación de lenguaje 
natural, entre muchas otras. 
BASE TEÓRICA 
 
Juan Santos González-Llanos 12 
Cabe mencionar que la inteligencia artificial no siempre se utiliza de manera aislada, y 
suele acompañarse de otras tecnologías como unidades de procesamiento geográficas, el 
Internet de las Cosas (IoT, por sus siglas en inglés), programas de presentación de 
interfaz gráfica, otros algoritmos avanzados complementarios, Big Data, robótica y más. 
Como bien se ha mencionado con anterioridad, la inteligencia se aplica en muchos 
campos, y se ha elegido para este estudio el transporte, en concreto, el transporte 
ferroviario y el estudio del desarrollo e implementación de estas tecnologías en el 
ferrocarril y su entorno. Tras haber definido las categorías más generales y 
generalizadas en la actualidad, a continuación, se van a analizar las tecnologías más 
novedosas encontradas en la literatura existente sobre inteligencia artificial aplicada al 
sector ferroviario. Varias de las tecnologías a mencionar son variaciones de los grupos 
principales ya descritos que pueden cambiar en ciertos funcionamientos o pueden ser 
una mejora de este. 
4.1.1. Redes neuronales convolucionales (Convolutional Neural Network) 
[16] Es una variación de las redes neuronales artificiales. Es una arquitectura de red 
neuronal de Deep Learning que aprende directamente de los datos. Estas suelen 
utilizarse en el reconocimiento de imágenes, clases o categorías. También pueden ser 
muy útiles para clasificar audios, series temporales y señales de datos. 
Las redes convolucionales están formadas por decenas o cientos de capas para procesar 
datos de entrada y convertirlos en datos de salida. Para entender su funcionamiento, se 
divide el esquema de funcionamiento en tres fases: campos locales receptivos, pesos y 
sesgos compartidos, y, por último, activación y puesta en común. En una red neuronal 
común, cada neurona de entrada está conectada a las capas ocultas de la arquitectura. 
Sin embargo, en las redes convolucionales sólo una pequeña región de las neuronas de 
entrada está conectada a las capas ocultas de la red, y es a estas regiones a las que se les 
conoce como campos locales receptivos. Puedes usar convolución (operador 
matemático que transforma dos funciones f y g en una tercera función que en cierto 
sentido representa la magnitud en la que se superponen f y una versión trasladada e 
invertida de g) para crear un mapa de características de estas conexiones, de ahí su 
nombre. Como las redes neuronales este algoritmo tiene pesos y sesgos que va 
actualizando a cada iteración. Pero en las redes convolucionales todos los sesgos y 
pesos son iguales para todas las neuronas ocultas en una capa determinada. Esto es así 
para que todas las neuronas de esa capa detecten la misma característica en una región 
de la imagen, y así hacerlo tolerante a los errores que pueda presentar. Por último, se 
obtienen los resultados de las capas que activan las funciones de activación de la capa 
de salida, que suelen ser rectificadores. 
4.1.2. Redes neuronales recurrentes (Recurrent Neural Networks) 
[17] Estas redes son un tipo de redes neuronales artificiales que usan series temporales o 
datos secuenciales. Suelen ser utilizadas en problemas temporales u ordinales, como 
traducción del lenguaje, procesamiento de lenguaje natural, reconocimiento de voz y 
captación de imágenes. Como el resto de redes neuronales, utiliza bases de datos de 
entrenamiento para aprender. Se distinguen por tener “memoria”, ya que usan 
información de entradas anteriores para influir en las entrada y salida actual. En este 
BASE TEÓRICA 
 
Juan Santos González-Llanos 13 
caso la entrada y salida depende de los elementos previos, no como en otras redes 
neuronales que son independientes. 
Las redes recurrentes comparten parámetros en cada capa de la red del mismo peso. 
Estos pesos aún se ajustan a través de los procesos de retropropagación y descenso de 
gradiente para facilitar el aprendizaje por refuerzo. Las redes neuronales recurrentes 
utilizan la retropropagación en el tiempo (BPTT) para determinar los gradientes, que es 
similar a la retropropagación tradicional pero específica de los datos secuenciales. La 
BPTT suma los errores en cada paso temporal. Las redes recurrentes se enfrentan a dos 
problemas con el tamaño de los gradientes: los gradientes decrecientes, que actualizan 
los parámetros de peso hasta que se vuelven insignificantes, y los gradientes crecientes, 
que crean un modelo inestable. Reducir el número de capas ocultas de la red neuronal 
puede resolver estos problemas. 
4.1.3. Aprendizaje por refuerzo (Reinforcement Learning) 
[18] Es un área del aprendizaje automático que trata de tomar decisiones adecuadas 
maximizando la recompensa en la situación que pueda darse. La diferencia del 
aprendizaje por refuerzo con el aprendizaje supervisado son los datos etiquetados 
usados para entrenar las bases de datos. Por tanto, está obligado a aprender por la 
experiencia recogida anteriormente. Los datos son obtenidos por medio de prueba y 
error. Estos datos no son parte de la entrada que encontraríamos en el aprendizaje 
automático supervisado o no supervisado. Esta red utiliza algoritmos que aprenden de 
los resultados y deciden que acciones se van a tomar después. Tras haber realizado una 
acción, el sistema recibe retroalimentación, ayudan a verificar si la respuesta ha sido 
correcta, errónea o nula. Es una buena técnica para usar en sistemas automatizados que 
tienen que tomar muchas decisiones pequeñas sin guía humana. Son muy utilizados en 
la industria de los videojuegos, robótica, control de tráfico y más. 
4.1.4. Inteligencia artificial basada en regresión 
Rama de la inteligencia artificial que usa algoritmos de regresión para realizar 
predicciones numéricos a través de parámetros de entrada. La regresión se utiliza para 
construir modelos predictivos que puedan hacer predicciones precisas sobre un conjunto 
de datos de entrada desconocidos. También puede utilizar técnicas de preprocesamiento 
de datos, selección de características y optimización de parámetros para mejorar la 
precisión del modelo predictivo. Algunos usos pueden ser predicción de ventas de una 
empresa, pronóstico de precios y más. Algunos modelos de regresión usados son 
Poisson o gamma-log. 
4.1.5. Redes neuronales convolucionales profundas (Deep Convolutional 
Neural Networks) 
Son una variante de las redes neuronales convolucionales, y, aunque ambas están 
basadas en la convolución de las capas, presentan algunas diferencias clave. Las DCNN 
son más profundas que las CNN, tienen capas de agrupamiento adicionales de manera 
que reduce el tamaño espacial de las representaciones de características. Usan una 
arquitectura más compleja para mejorar la precisión del modelo, por lo que también 
requieren más memoria y tiempo de procesamiento. Además, las DCNN usan 
BASE TEÓRICA 
 
Juan Santos González-Llanos 14 
regularización adicional para evitar un sobreajuste por la cantidad tan grande y compleja 
de datos. Las CNN son comúnmente utilizadas en tareas de visión por computadora, 
como la clasificación de imágenes y la detección de objetos. Las DCNN son más 
adecuadas para tareas más complejas, como la segmentación de imágenes y la 
generación de imágenes. 
4.1.6. Intercambio de redesneuronales abiertas (Open Neural Network 
Exchange) 
[19] ONNX es un formato abierto para modelos de aprendizaje automático, que te 
permite intercambiar modelos entre varios marcos y herramientas. Fue desarrollado por 
Facebook y Microsoft en 2017 con el objetivo de crear un formato de modelo de 
aprendizaje automático portátil y flexible que pudiera funcionar en múltiples 
plataformas y herramientas de desarrollo. 
ONNX permite a los desarrolladores entrenar modelos en un marco de aprendizaje 
automático y luego convertir esos modelos a un formato portátil que puede ejecutarse en 
diferentes marcos y dispositivos, facilitando la implementación de los modelos en 
diferentes entornos. Es compatible con múltiples marcos de aprendizaje automático 
populares como PyTorch, TensorFlow, MXNet, Caffe2, Microsoft Cognitive Toolkit, 
CoreML y más. 
4.1.7. You Only Look Once (YOLO) 
[20] Es una técnica de visión por computadora que hace uso de redes neuronales 
convolucionales para detectar objetos en imágenes y vídeos en tiempo real, desarrollado 
por primera vez en 2016. La detección del objeto es realizada como un problema de 
regresión y proporciona las probabilidades de clase de las imágenes detectadas. El uso 
de la red convolucional implica que la predicción de la imagen se hace en una sola 
ejecución del algoritmo. La importancia de este algoritmo radica en su velocidad, alta 
precisión y capacidades de aprendizaje. El modelo YOLO funciona utilizando las 
siguientes tres técnicas: bloques residuales, regresión de cuadro delimitador e 
Intersección sobre unión (IOU). 
La imagen se divide en varias cuadrículas de un tamaño determinado. Cada celda de la 
cuadrícula detectará cualquier objeto que aparezca en ellas, con un tamaño de 
cuadrícula de 7x7. La capacidad de detección en el primer modelo de YOLO es de 20 
clases de objetos diferentes en cada celda. A continuación, un cuadro delimitador resalta 
el contorno del objeto. YOLO usa una regresión de cuadro delimitador único para 
predecir ancho, alto, centro y la clase del objeto con el desplazamiento de las celdas en 
la cuadrícula que se encuentra. Es así que as coordenadas predichas del cuadro 
delimitador son relativas a la celda de la cuadrícula en lugar de la imagen completa. Por 
último, la IOU describe como se superponen las cajas, y así dar una salida de una caja 
que rodea perfectamente el objeto. 
4.1.8. You Only Look Once v2 (YOLOv2) 
[21][22] Versión mejorada de YOLOv1, que presentaba ciertos errores en la detección 
de pequeños objetos en grupos, la localización no era exacta y las cajas de anclaje con 
tamaños determinados. El nuevo modelo fue propuesto por Joseph Redmon y Ali 
BASE TEÓRICA 
 
Juan Santos González-Llanos 15 
Farhadi, también creadores del primer modelo, un año después del lanzamiento del 
primer modelo y salieron dos variaciones: YOLOv2 y YOLO 9000. Ambos funcionan 
igual, la única diferencia era su método de entrenamiento. Los autores añadieron capas 
de normalización por lotes, desarrollaron un canal de clasificación de alta resolución, 
utilizaron cajas de anclaje para predecir las cajas delimitadoras y emplearon 
agrupaciones de dimensiones para encontrar cajas de anclaje para los conjuntos de 
datos. También eligieron un mapa de características de salida de mayor tamaño (13x13) 
y eliminaron una capa de agrupación máxima para producir un mapa de características 
de salida de mayor resolución. 
YOLOv2 utiliza una arquitectura de red neuronal convolucional (CNN) basada en 
Darknet-19, que consiste en 19 capas convolucionales y 5 capas para reducir el tamaño 
espacial de la muestra. El entrenamiento de YOLOv2 comienza con una red pre-
entrenada en ImageNet, que se ajusta para producir mapas de características de alta 
resolución y generar un conjunto de cajas de anclaje para detectar objetos de diferentes 
tamaños y formas. Durante el entrenamiento, la red aprende a predecir la probabilidad 
de que una caja de anclaje contenga un objeto y las coordenadas de la caja que rodea al 
objeto. Por otro lado, el entrenamiento de YOLO9000 utiliza YOLOv2 pre-entrenado en 
ImageNet y lo ajusta para predecir las etiquetas de clase de objetos en las imágenes. Se 
crea una jerarquía de clases de objetos que incluye las 1000 clases de ImageNet de 
YOLOv2 y clases adicionales de WordNet, ambas bases de datos de imágenes. 
4.1.9. You Only Look Once v3 (YOLOv3) 
[23][24] Como sus versiones anteriores, YOLOv3 es un modelo para la detección de 
objetos en imágenes o vídeos en tiempo real. Joseph Redmon y Ali Farhadi, creadores 
del modelo original, también fueron encargados de la mejora de este modelo en el año 
2018. Las mejoras presentadas por este algoritmo frente a los dos anteriores son su 
velocidad, su precisión para detectar pequeños objetos y la especificidad de las clases. 
A diferencia de YOLOv2, YOLOv3 utiliza la arquitectura de redes neuronales 
convolucionales Darknet-53, una estructura central más potente y eficiente con 53 capas 
convolucionales. En el artículo escrito por los autores, se demuestra que el nuevo 
algoritmo es 1,5 veces más rápido que ResNet 101, otro modelo de red neuronal 
convolucional. YOLOv3, además, muestra una gran mejora en la precisión de pequeños 
objetos en comparación con su versión anterior, alcanzando un 13,3% más de precisión. 
Aun así, siguen existiendo algoritmos con mayor precisión en el mercado para todo tipo 
de objetos como RetinaNet. 
La nueva versión YOLOv3 utiliza clasificadores logísticos independientes y pérdida de 
entropía cruzada binaria para permitir clases más específicas y múltiples para recuadros 
delimitadores individuales, lo que hace posible utilizar conjuntos de datos complejos. 
Esto difiere de YOLOv2, que utilizaba un enfoque softmax (función matemática que 
convierte un vector de números en un vector de probabilidades, donde las 
probabilidades de cada valor son proporcionales a la escala relativa de cada valor en el 
vector) que sólo permitía una clase por cuadro delimitador. 
 
BASE TEÓRICA 
 
Juan Santos González-Llanos 16 
4.1.10. You Only Look Once v4 (YOLOv4) 
[25] Este es el primer algoritmo de la familia desarrollado por nuevos agentes. Alexey 
Bochkovskiy, Chien-Yao Wang y Hong-Yuan Mark Liao fueron los encargados de sacar 
adelante esta nueva versión del modelo YOLO, ya que se especula que Joseph Redmon 
no quiso continuar debido a la posibilidad del mal uso de su tecnología, haciéndose 
énfasis en las aplicaciones militares y la protección de datos. 
La arquitectura de YOLOv4 se compone de CSPDarknet53 como estructura principal, 
un módulo adicional de agrupación de pirámides espaciales, un cuello de agregación de 
rutas PANet, que es un modelo de red neuronal profunda utilizado en la detección de 
objetos en imágenes que sustituye a las redes de pirámides características (FPN), y un 
cabezal YOLOv3. CSPDarknet-53 es una versión mejorada de Darknet-53, que utiliza 
un modelo de etapa cruzada parcial en lugar de bloques de neuronas tradicionales de 
redes convolucionales, dividiendo el flujo de características en dos rutas paralelas y 
luego las fusiona, lo que permite que el modelo tenga una mayor eficiencia 
computacional y sea más rápido que su predecesor. YOLOv4 es dos veces más rápido 
que EfficientDet (modelo de reconocimiento competitivo) con un rendimiento 
comparable. Además, la precisión media y FPS (fotogramas por segundo) aumentaron 
un 10 % y un 12 % en comparación con la versión anterior del modelo. 
4.1.11. You Only Look Once v5 (YOLOv5) 
[26] Esta versión del modelo fue desarrollada por Glenn Jocher, Yash Patel y Alexey 
Bochkovskiy del equipo de investigación de Ultralytics. Existen cinco variaciones del 
modelo: n para el modelo de tamaño extrapequeño (nano), s para el modelo de tamaño 
pequeño, m para el modelo de tamaño mediano, l para el modelo de tamaño grande, x 
para el modelo extragrande. Todos los modelosYOLOv5 están compuestos por los 
mismos 3 componentes, que son CSPDarknet-53 como columna vertebral, 
agrupamiento piramidal espacial (SPP) y PANet en el cuello del modelo y la cabeza 
utilizada en YOLOv4. La clave de la mejora en la arquitectura de YOLOv5 es añadir 
capas de enfoque a la red CSPDarknet-53, que permite mejorar la precisión en la 
detección de objetos en tamaños pequeños y medianos. YOLOv5 demuestra ser más 
rápido para entrenar que su versión anterior, su tamaño de almacenaje es menor, mejora 
el tiempo de inferencia e iguala a este en precisión media. 
La última versión sobre la que se ha escrito un artículo de implementación ha sido 
YOLOv7 en julio de 2022, pero tanto este modelo como el anterior, YOLOv6 (el cual 
salió solamente un mes antes de la última versión) quedan fuera del rango de estudio de 
esta investigación debido a que no han sido aplicados aún en ningún artículo o 
experimento realizado para la implementación de inteligencia artificial a la detección de 
objetos en el entorno del ferrocarril. 
 
BASE TEÓRICA 
 
Juan Santos González-Llanos 17 
4.1.12. Máquinas de vectores de soporte (Support Vector Machines) 
[27] Es un algoritmo de aprendizaje supervisado que se usa en problemas de 
clasificación y regresión. El objetico de las máquinas de vectores de soporte es 
encontrar un hiperplano en un espacio dimensional de rango N (N siendo igual número 
de características) que clasifica los datos en clases. El hiperplano es un espacio 
tridimensional. Los hiperplanos son límites de decisión que ayudan a clasificar los 
puntos de datos. Los puntos de datos que caen a ambos lados del hiperplano se pueden 
atribuir a diferentes clases. Los vectores de soporte son puntos de datos que maximizan 
el margen del clasificador y determinan la posición y orientación del hiperplano en una 
máquina de vectores de soporte. 
En la regresión logística, se toma la salida de la función lineal y se reduce el valor 
dentro del intervalo [0,1] utilizando la función sigmoidea. Si el valor reducido es 
superior a un valor umbral (0,5), se le asigna una etiqueta 1; de lo contrario, se asigna 
una etiqueta 0. En SVM, se toma la salida de la función lineal y si esa salida es mayor 
que 1, es identificada con una clase y si la salida es -1, es identificada con otra clase. 
4.1.13. Redes neuronales difusas (Fuzzy Neural Networks) 
[28] Las redes neuronales difusas son un ejemplo de enfoque híbrido, que combina la 
capacidad de aprendizaje de las redes neuronales con la capacidad de gestión del ruido 
de datos de la lógica difusa. Las redes neuronales difusas son sistemas de software que 
intentan aproximarse al funcionamiento del cerebro humano. Son capaces de manejar 
información compleja e incierta, lo que las hace útiles en diversas aplicaciones, como el 
reconocimiento de patrones, los sistemas de control y los procesos de toma de 
decisiones. 
Se representan como una red “feedforward”, la cual es una arquitectura de red neuronal 
en la que las señales fluyen en una sola dirección, sin retroalimentación, desde la capa 
de entrada hasta la capa de salida. Está dividida en tres capas, formada por una capa 
difusa de entrada, una capa oculta que contiene las reglas difusas y una capa difusa de 
salida final. Los pesos entre las capas representan los conjuntos difusos, que pueden 
modificarse mediante algoritmos de entrenamiento específicos y las funciones de 
transferencia pasan valores reales a través de la red a la capa de salida para ser 
interpretados como grados de pertenencia a conjuntos difusos. Los beneficios que 
presentan estas redes son la capacidad de manejar datos imprecisos, la versatilidad, la 
integración de conocimiento experto y el modelado no lineal. 
4.1.14. Radio cognitiva (Cognitive Radio) 
[29] Es una tecnología de comunicaciones inalámbricas que utiliza técnicas de 
inteligencia artificial para mejorar la eficiencia y el uso del espectro de frecuencia. El 
objetivo de esta tecnología de radio cognitiva es que el dispositivo pueda detectar y 
utilizar bandas de frecuencia que no están siendo utilizadas en ese momento por otros 
dispositivos de comunicación inalámbricos. Para ello, utiliza algoritmos de aprendizaje 
automático para analizar el entorno inalámbrico, aprender de interacciones previas y 
tomar decisiones inteligentes para adaptar su transmisión a las condiciones que están en 
constante cambio. 
BASE TEÓRICA 
 
Juan Santos González-Llanos 18 
Existen dos subsistemas principales en una radio cognitiva: una unidad cognitiva que 
toma decisiones basadas en varias entradas y una unidad flexible de radio definida por 
software (SDR) cuyo software operativo ofrece una amplia serie de posibles modos de 
funcionamiento. La unidad cognitiva se divide también dos partes: el motor cognitivo, 
que intenta encontrar una solución basada en entradas que definen el estado interno de 
la radio y su entorno operativo, y el motor de políticas, el cual garantiza que los 
resultados obtenidos por el anterior motor cumplen las normas reglamentarias y 
políticas externas. 
4.1.15. Sistemas basados en casos (Case-Based Reasoner) 
[30] Esta tecnología es un paradigma de la inteligencia artificial y la ciencia cognitiva, 
el cual hace uso de su memoria para modelar el proceso de razonamiento. Los 
razonadores basados en casos buscan en los casos anteriores almacenados que son 
similares a nuevos casos propuestos para resolver los problemas y adaptar las 
soluciones obtenidas a las necesidades del contexto. La investigación de estos sistemas 
estudia el proceso basado en casos como modelo de la cognición humana y como 
enfoque para construir sistemas inteligentes. La arquitectura puede dividirse en cuatro 
partes: las bases de casos, el recuperador de casos, el adaptador que adecúa las 
soluciones de casos previos a los similares nuevos y el evaluador, el cual evalúa la 
solución propuesta para determinar si el resultado es adecuado o no al problema 
planeado. 
4.1.16. Redes piramidales de características (Feature Pyramid Network) 
[31] Son redes que extraen características, las cuales toman como entrada una imagen a 
escala única de tamaño arbitrario y genera mapas de características de tamaño 
proporcional en varios niveles, de forma totalmente convolucional. Aunque usa 
arquitectura de redes neuronales convolucionales, este proceso es independiente de la 
estructura principal. Por consiguiente, actúa como una solución genérica para construir 
pirámides de características dentro de redes convolucionales profundas que se utilizarán 
en otros trabajos como la detección de objetos. 
La construcción de la red piramidal de características (FPN) consta de una vía 
ascendente y una vía descendente (“Bottom-up Attention” o “Top-down Attention”, que 
forman BA-FPN o TA-FPN). La vía ascendente es un cálculo de avance que genera 
mapas de características a varias escalas con un paso de escala de 2 (se reduce a la 
mitad la resolución de la imagen a cada paso). Se define un nivel de pirámide para cada 
etapa, y la salida de la última capa de cada etapa se utiliza como conjunto de referencia 
de mapas de características. La vía descendente genera alucinaciones de rasgos de 
mayor resolución mediante el muestreo ascendente de mapas de rasgos espacialmente 
más gruesos, pero semánticamente más fuertes, procedentes de los niveles superiores de 
la pirámide. A continuación, estas características se mejoran con las de la vía ascendente 
a través de conexiones laterales. Cada conexión lateral combina mapas de características 
del mismo tamaño espacial procedentes de la vía ascendente y de la vía descendente. El 
mapa de características de descendente tiene una semántica de nivel inferior, pero sus 
activaciones se localizan con mayor precisión, ya que ha sido muestreado menos veces. 
 
BASE TEÓRICA 
 
Juan Santos González-Llanos 19 
4.1.17. Red de propuestas regionales (Regional