Contribution to the enhancement of IoT-based application development and optimization of underwater communications, by artificial intelligence, edge computing, and 5G networks and beyond, in smart cities/seas

Abstract

(English) 6G networks have emerged as a revolutionary breakthrough, promising ultra-fast and reliable connectivity that redefines the way we interact with the digital world. This new generation of networks not only drives communication between devices but is also the backbone of the Internet of Things. In addition, the learning and adaptive capabilities of Artificial Intelligence systems are driving process automation and efficiency. Similarly, Edge Computing complements this landscape by decentralizing data processing, bringing computing capacity closer to the sources of information. This allows for reducing latency and improving efficiency by processing data in real-time, driving critical applications that require instantaneous responses. This thesis focuses on two important points: 1) Improving the efficiency of applications in smart cities, and 2) Enhancing the efficiency of underwater communications in smart coastal cities by applying artificial intelligence, edge computing, and 5G and beyond. To achieve these objectives, an exhaustive study of the existing literature on 5G and beyond networks, smart cities, and artificial intelligence has been carried out. In addition, technical documentation to obtain an updated view of the different technologies that enable the development of applications based on 5G and beyond has been analyzed. Aiming to generate new and innovative alternatives in the field of tourism, security, improved underwater communications, and marine discovery that drive promote development to meet the needs of citizens in smart cities and ocean/sea. As a result of this study, the first contribution has emerged. It involves the analysis, design, and implementation of a tourist attraction recommendation system employing a deep learning algorithm tailored for smart cities. The primary objective is to improve how tourist attraction recommendations are made so that they are tailored to the requirements of each visitor in a given city and thereby reduce the time it may take a visitor to search for possible places to visit. The second contribution arises in surveillance and security, which consists of a distraction detection system for the prevention of drowning in aquatic places, developed in a 5G and beyond network environment. For this goal, an approach of surveillance cameras capturing images of people in charge of minors in swimming pools or beaches was proposed; and employing an ML algorithm (convolutional neural networks) to classify the type of distraction that a person in charge of a minor may have. Finally, the third contribution is presented, called reinforcement learning and mobile edge computing for 6G-based underwater wireless networks. In this approach, a submerged edge mobile computing architecture is presented in which an AUV is used as a mobile platform (MEC), in addition, several local AUVs equipped with computational resources that collect tasks from sensor nodes and can make the decision to process them locally or partially or fully offload them to the mobile edge computing AUV device. To this end, an algorithm based on deep reinforcement learning (DDPG) is proposed for trajectory control, task offloading strategy, and computational resource allocation, combined with mobile edge computing and AUVs to improve underwater communication; aiming to minimize the sum of maximum processing delays and energy consumption during the whole process of executing a task. The contributions presented in this doctoral thesis are of singular importance, since to date they continue to be innovative. The contributions presented not only represent significant advances in their respective areas but also lay the groundwork for future research and developments in smart city construction and underwater communications optimization, thereby reinforcing the transformative potential of artificial intelligence, edge computing, and advanced wireless networks in these domains.

(Català) Las xarxes 6G han sorgit com un avanç revolucionari, prometent connectivitat ultrarràpida i fiable. Aquesta nova generació de xarxes no només impulsa la comunicació entre dispositius, sinó que també és la columna vertebral de la Internet de les coses. A més, les capacitats d'aprenentatge i adaptació dels sistemes d'Intel·ligència artificial impulsen l'automatització i l'eficiència dels processos. Edge computing complementa aquest panorama descentralitzant el processament de dades, acostant la capacitat de computació a les fonts d'informació. Permet reduir la latència, millorant l'eficiència al processar les dades en temps real, impulsant aplicacions crítiques que requereixen respostes instantànies. Aquesta tesi es centra en dos punts importants, 1) Millorar l'eficiència de les aplicacions a ciutats intel·ligents, i 2) Millorar l'eficiència de les comunicacions submarines a ciutats costaneres intel·ligents aplicant intel·ligència artificial, edge computing i 5G i més enllà. Per aconseguir aquests objectius, s'ha analitzat la documentació tècnica existent; obtenint una visió actualitzada sobre xarxes 5G i més enllà, ciutats intel·ligents i intel·ligència artificial; per al desenvolupament d'aplicacions basades en aquestes tecnologies. Tot això, per generar alternatives noves i innovadores en l'àmbit del turisme, la seguretat i la millora de les comunicacions submarines, que impulsen al desenvolupament de les ciutats i oceans/mars intel·ligents. Com a resultat d'aquest estudi, sorgeix la primera contribució. Es tracta de l'anàlisi, disseny i implementació d'un sistema de recomanació d'atraccions turístiques que empra un algoritme d'aprenentatge profund adaptat a les ciutats intel·ligents. L'objectiu principal és millorar la forma en què es realitzen les recomanacions d'atraccions turístiques, adaptant-se als requisits de cada visitant en una ciutat determinada i reduint el temps que pot trigar un turista en buscar possibles llocs que visitar. La segona contribució sorgeix en l'àmbit de la vigilància i la seguretat; consisteix en un sistema de detecció de distraccions per a la prevenció d'ofegaments en llocs aquàtics, desenvolupat en un entorn de xarxa 5G i més enllà. Es proposa un enfocament de càmeres de vigilància captant imatges de persones a càrrec de menors en piscines i emprant un algoritme basat en xarxes neuronals convolucionals per classificar el tipus de distracció que pot tenir una persona a càrrec d'un menor. Finalment, la tercera contribució, denominada aprenentatge per reforç i mobile edge computing per a xarxes sense fils submarines basades en 6G. Es presenta una arquitectura de mobile edge computing submergida en què s'utilitza un AUV com a plataforma d’edge computing mòbil (AUV-MEC), a més, diversos AUVs locals equipats amb recursos computacionals que recullen tasques dels nodes sensors i poden prendre la decisió de processar-les localment o descarregar-les parcial o totalment al dispositiu AUV-MEC. Per a això, es proposa un algoritme basat en deep reinforcement learning (DDPG) per al control de la trajectòria, l'estratègia de descàrrega de tasques i l'assignació de recursos computacionals, combinat amb mobile edge computing i AUVs per millorar la comunicació submarina; amb l'objectiu de minimitzar la suma dels retards màxims de processament i el consum d'energia durant tot el procés d'execució d'una tasca. Les contribucions presentades en aquesta tesi doctoral són de singular importància, ja que fins a l'actualitat segueixen sent innovadores. Aquestes contribucions no només representen avanços significatius en les seves respectives àrees, sinó que també assenten les bases per a futures investigacions en la construcció de ciutats intel·ligents i l'optimització de les comunicacions submarines, reforçant així el potencial transformador de la intel·ligència artificial, mobile edge computing i les xarxes sense fils avançades en aquests dominis.

(Español) Las redes 6G han surgido como un avance revolucionario, prometiendo conectividad ultrarrápida y fiable. Esta nueva generación de redes no solo impulsa la comunicación entre dispositivos, sino también es la columna vertebral de la Internet de las cosas. Además, las capacidades de aprendizaje y adaptación de los sistemas de Inteligencia Artificial impulsan la automatización y la eficiencia de los procesos. Edge Computing complementa este panorama descentralizando el procesamiento de datos, acercando la capacidad de computación a las fuentes de información. Permitiendo reducir la latencia; mejorando la eficiencia al procesar los datos en tiempo real, impulsando aplicaciones críticas que requieren respuestas instantáneas. Esta tesis se centra en dos puntos importantes, 1) Mejorar la eficiencia de las aplicaciones en ciudades inteligentes, y 2) Mejorar la eficiencia de las comunicaciones submarinas en ciudades costeras inteligentes aplicando inteligencia artificial, edge computing y 5G y más allá. Para alcanzar estos objetivos, se ha analizado la documentación técnica existente; obteniendo una visión actualizada sobre redes 5G y más allá, ciudades inteligentes e inteligencia artificial; para el desarrollo de aplicaciones basadas en estas tecnologías. Todo ello, para generar alternativas nuevas e innovadoras en el ámbito del turismo, la seguridad y la mejora de las comunicaciones submarinas, que impulsen al desarrollo de las ciudades y océanos/mares inteligentes. Como resultado de este estudio, surge la primera contribución. Se trata del análisis, diseño e implementación de un sistema de recomendación de atracciones turísticas que emplea un algoritmo de aprendizaje profundo adaptado a las ciudades inteligentes. El objetivo principal es mejorar la forma en que se realizan las recomendaciones de atracciones turísticas, adaptándose a los requisitos de cada visitante en una ciudad determinada y reduciendo el tiempo que puede tardar un turista en buscar posibles lugares que visitar. La segunda contribución surge en el ámbito de la vigilancia y la seguridad; consiste en un sistema de detección de distracciones para la prevención de ahogamientos en lugares acuáticos, desarrollado en un entorno de red 5G y más allá. Se propone un enfoque de cámaras de vigilancia captando imágenes de personas a cargo de menores en piscinas y empleando un algoritmo basado en redes neuronales convolucionales para clasificar el tipo de distracción que puede tener una persona a cargo de un menor. Finalmente, la tercera contribución, denominada aprendizaje por refuerzo y mobile edge computing para redes inalámbricas submarinas basadas en 6G. Se presenta una arquitectura de mobile edge computing sumergida en la que se utiliza un AUV como plataforma de computación de borde móvil (AUV-MEC), además, varios AUVs locales equipados con recursos computacionales que recogen tareas de los nodos sensores y pueden tomar la decisión de procesarlas localmente o descargarlas parcial o totalmente al dispositivo AUV-MEC. Para ello, se propone un algoritmo basado en deep reinforcement learning (DDPG) para el control de la trayectoria, la estrategia de descarga de tareas y la asignación de recursos computacionales, combinado con mobile edge computing y AUVs para mejorar la comunicación submarina; con el objetivo de minimizar la suma de los retardos máximos de procesamiento y el consumo de energía durante todo el proceso de ejecución de una tarea. Las contribuciones presentadas en esta tesis doctoral son de singular importancia, ya que hasta la actualidad siguen siendo innovadoras. Estas contribuciones no sólo representan avances significativos en sus respectivas áreas, sino que también sientan las bases para futuras investigaciones en la construcción de ciudades inteligentes y la optimización de las comunicaciones submarinas, reforzando así el potencial transformador de la inteligencia artificial, mobile edge computing y las redes inalámbricas avanzadas en estos dominios.