1

Universidad Nacional de Ingeniería

Facultad de Ingeniería mecánica
Departamento académico de Ingeniería Aplicada

“SISTEMA DE SEGURIDAD ANTIRROBO VEHICULAR APLICANDO LA IA MACHINE LEARNING”

Curso: Metodología de la investigación

Sección: “A”

Asesor: Ing. Huapaya Bautista Alejandro

Estudiante: Chávez Duran Marvin Jorge

Lima 07 de diciembre del 2018

1
 2

Índice

1. Elección del tema ...................................................................................................................... 3

2. Planteamiento del problema .................................................................................................... 4

3. Objetivos de la investigación..................................................................................................... 4

4. Marco teórico ............................................................................................................................ 5

4.1 Antecedentes de la Investigación ................................................................................ 5

4.2 Bases teóricas .............................................................................................................. 6

4.3Términos Básicos .......................................................................................................... 7

5.Hipotesis y variables . ................................................................................................................. 9

2
 3

1. Elección del tema

1.1. Introducción
Lima es una ciudad ubicada estratégicamente en un polo de desarrollo económico muy
acelerado, ante ello la constante movilización de las personas se ve envuelta en constante caos
e inseguridad. En la actualidad las personas optan por tener una movilidad personal gracias al
avance tecnológico que se ve íntimamente relacionada con el poder adquisitivo de los titulares.

Sin embargo este crecimiento acelerado en la obtención de un vehículo va ligado de muchos

riesgos para el propietario (accidentes de tránsito, robos, secuestros, extorsiones) y obviamente
para el medio ambiente (contaminación y riesgo ecológico).Sin embargo en los últimos años el
problema más frecuente se viene dando en el robo de los autos entre ellos los que más alta tasa
tuvieron fueron los Toyota, Mercedes, Primavera y Nissan en el distrito de San Isidro
principalmente.

Cuesta creer que estos vehículos cuya fabricación en gamma con los estándares tecnológicos
patentados por su propia marca en los dispositivos de seguridad en la actualidad son
bloqueados, burlados fácilmente con nueva tecnología y modus operandi de las mafias
dedicadas a esta actividad ilícita.

Posibles sugerencias surgen en la medida que pasen, los años de dispositivos de bloqueo
automático, sensores e incluso con el GPS que vienen siendo ineficientes en la actualidad; mi
propuesta es aplicar una de las ramas de la inteligencia artificial denominada “Machine
learning”en la adecuación del titular vehicular para liquidar efectivamente los robos de
automóviles.

Al aplicar este sistema de prevención al problema que aqueja a los ciudadanos de los diferentes
distritos de Lima, que es el robo de autos, se espera reducir significativamente el número de
robos, de tal manera de brindarles tranquilidad y seguridad a dicha población.

1.2 Necesidad del proyecto

Los robos de vehículos en Lima son más frecuentes de lo que se cree pues según la Dirección de
Prevención de Robos de Vehículos, se han reportado en promedio hasta 17 vehículos robados
en una sola jornada y solo en la capital. En el año 2016, la cifra llegó a 6 mil 200 vehículos
sustraídos, de los cuales el 73%, es decir, 4 mil 526 autos fueron robados mientras estaban
estacionados sin ocupantes en la calle. El 27% restante tuvo que ver con un asalto a sus
propietarios. Las estadísticas indican que los distritos más inseguros son San Martín de Porres,
en primer lugar, seguido de Los Olivos, Comas y San Juan de Lurigancho. En la zona este está Ate
Vitarte y en la zona sur, San Juan de Miraflores y Surco. La Policía Nacional del Perú también
reveló que en el mercado negro de vehículos, la marca Toyota Corolla encabeza la lista con
14%, Nissan Sentra le sigue con 9%, Nissan Station Wagon AD con 8% y finalmente Toyota
Yaris con 4%. Asimismo, el 16% de robos ocurrieron los días jueves, viernes y sábado, mientras
que el 14% se produjeron los días miércoles y los domingos, 13%. Además, la Policía señaló que
la mayor incidencia de robos ocurre entre las 8 y 10 de la noche.

Nuestra necesidad es brindarle la más alta calidad en servicios de prevención de robos, mayor
seguridad a los usuarios de automóviles con el fin de disminuir el alto índice de robos en los
principales distritos de Lima.

3
 4

1.3 Factores de cambio

Los factores que han hecho que realicemos este proyecto es la gran problemática de robos de
autos en el país, el cual nuestro objetivo es disminuir significativamente dicho problema, se
aplicará a la municipalidad de San Isidro, el cual está interesado en disminuir el robo de auto y
brindarles mayor seguridad a sus ciudadanos.

1.4 Contexto estratégico

Este proyecto lograra que nuestra empresa, logre posicionarse como líder en el mercado
nacional en tecnología sobre la reducción de robos de autos, el cual se podría más adelante
implementar a robos de casas, el cual más municipalidades de lima y todo el Perú se interese en
el proyecto realizado.
1.5 Límites

El proyecto a realizar consta de un sistema antirrobo utilizado la inteligencia artificial Machine

Learning, debido al gran alcance que va desarrollando en muchas aplicaciones tecnológicas y su
costo general será aplicado a la ciudad de Lima donde tiene las mayores incidencias en robos,
esperando que con el tiempo sea accesitario monetariamente para los demás usuarios de otra
categorización.

2. Planteamiento del problema

2.1 Enunciado del problema

Alto índice de robo vehicular en los principales distritos de Lima.

2.2 Formulación del problema

¿Cómo puede reducir efectivamente el sistema de IA “Machine Learning” en los robos de

autos en la ciudad de Lima?

3. Objetivos de la investigación
Los principales objetivos de la Aplicación de La “Machine Learning” como un nuevo sistema de
seguridad antirrobo vehicular en Lima son:

3.1 Objetivo general

Demostrar la efectividad de la IA Machine Learning en la seguridad vehicular para los

principales distritos de la ciudad de Lima.

3.2 Objetivo específico

Ejecutar el sistema antirrobo vehicular Machine Learning en los principales distritos de la

ciudad de Lima para reducir los índices de robo en un 95% en un periodo de 1 año.

4
 5

4. Marco teórico

4.1 Antecedentes de la Investigación

En Marzo del 2008 el investigador Matthe Tonkin ,Tim Grant y JohnBond pertenecientes al
Departamento de Ingeniería Forense de la Universidad de Leicester UK plantean el articulo”To
link or not Link:A test of the case Linkage Principls Using Serial Car Theft Data” .El propósito del
presente estudio es probar los principios de vinculación de casos de consistencia de
comportamiento y carácter distintivo de comportamiento utilizando datos de robo de vehículos
en serie donde plantean un método de detección antirrobo vehicular usando test de condiciones
de conciencia con los peritos de experiencia basado en el conductor, sin embargo los sesgos
potenciales en la data creaba sugestión para la interpretación de la data criminalística en
supuestos robos que la policía de investigación manejaba.

En diciembre del 2016 el Md. Marufi Rhamman en colaboración con Jannantul Moe del
Departamento de Ingeniería Electrónica y Telecomunicaciones de la Universidad de Ingeniería y
Tecnología de Rajshahi proponen en el artículo de investigación “Real Time Google Map and
Arduino Based Vehicle Tracking System” que desarrolla un sistema basado en Arduino para el
seguimiento vehicular con la tecnología GPS y GMS para rastrear la ubicación exacta de un
vehículo en movimiento o estado estacionario, este artículo especifica que el entorno de
Arduino hizo un sistema amigable del usuario el cual generaba data de las coordenadas típicas
que utilizaba el usuario en experiencia y dicha data era precisada en el mapa de Google en
tiempo real. El seguimiento vehicular era más fácil en comparación con otras placas .Una
sugerencia a futuro que desarrolla este artículo era que la protección vehicular en base Arduino
que podía mejorar aun con la instalación de la cámara para obtener la vista en tiempo real del
vehículo lo cual sería más conveniente para el usuario a hacer el seguimiento del vehículo.
También se podía añadir Buzzer también en el motor para que la distancia de desplazamiento
puede ser calculado y generar su data que próximamente podría ser ya calculada con facilidad
que sería utilizada como una adaptación del vehículo a la próxima ruta a tomar.

El antecedente a sistemas seguridad desarrollados por la inteligencia artificial aplicada al

comportamiento de las máquinas de reconocimiento presentado el Mayo del 2017 lo desarrolla
Fabio Martinelli en colaboración con Francesco Mercaldo y Victoria Nardone el cual presentado
por el Departamento de Ingeniería de la Universidad de Sannio, Benevento, Italia, cuyo artículo
de investigación “Un enfoque basado en el aprendizaje de las maquinas en identificación del
conductor” el cual plantea las vulnerabilidades del sistema operativo incorporado en los coches
actuales basados en los robos generados en el sistema operativo computarizado(Fabio
Martinelli) , por lo que en estas escenas requiere de nuevas metodologías con el fin de frenar el
fenómeno resultante de la introducción de las computadoras en los coches y el aumento ataque
de la explotación de la tecnología dispositivo-actuador en los coches de hoy; por lo que en el
artículo presentado por los investigadores ya citados explica la utilidad de la IA para discriminar
un impostor por el propietario del vehículo utilizando parámetros de comparación
heurística(Francesco et.1l 2016) o malware (Victoria Nardone et.Al.2016) donde amplían las
funciones de evaluación a motocicletas y camiones .

5
 6

4.2 Bases teóricas

Según Matte Tonkin plantea que la seguridad antirrobo vehicular en base a patrones forenses
de peritos experimentales entre los conductores y las rutas geográficas, Es así que se puede
implementar un sistema de seguridad basado en las coordenadas geográficas que el conductor
toma. En base a los caracteres del peritaje y un sistema georreferenciado se plantea reconocer
al propietario vehicular.

Posteriormente Marufi plantea que se puede integrar sistemas basados en componentes

electrónicos como Arduino para generar data con el usuario de las condiciones de ruta tomada
por el conductor y así tener la confiabilidad del titular del vehículo.

La aplicación del Machine Learning como una de las ramas de inteligencia artificial para
reconocer al conductor según el criterio de discriminación facial, se va desarrollando como una
de las alternativas entre vehículos como motocicletas y camiones.

El Machine Learning es un medio tácito para reconocer las rutas adoptadas por el titular del
vehículo, reconociendo las coordenadas geográficas habituales tomadas por el conductor y los
patrones de peritaje que realiza este durante su trayecto. Posteriormente generando una base
de datos adecuada el Machine Learning estructura los datos en un periodo de tiempo no tan
prolongado, en bases de subsistemas de Deep Learning como conjunto de algoritmos que se van
a relacionar con los peritos que proporcione el titular; los resultados estructurados se configuran
como patrones de fábrica íntimamente ligados como deseos del usuario; sin embargo estos
patrones seguirán estructuras secuenciales con datos estadísticos que se generaran durante el
día por los sensores del vehículo, en tanto el vehículo integrado con el Machine Learning
aprenderá espontáneamente las condiciones del usuario entablando así una relación estilo
conductor y máquina que participara como datos de entrada en el procesamiento profundo de
la interrelación conductor-vehículo.

El machine Learning con esta arquitectura configurada entre máquina y conductor con un medio
de inteligencia artificial probablemente garantice la seguridad vehicular con los patrones
aprendidos relacionados al estilo del conductor. Integrando al vehículo sistemas de localización
georreferenciada para su monitoreo y sincronizando con el departamento de policía de los
distritos de Lima los riesgos de un robo efectivo se reducirían incluso cuando el robo mismo se
haya efectuado con cierto tiempo de antelación.

6
 7

4.3Términos Básicos
Sistemas de antirrobo vehiculares

Son sistemas mecánicos, eléctricos y electrónicos que priorizan la seguridad del vehículo que se
va a proteger con acciones fortuitas en caso de robo hacia el titular.

Antirrobos mecánicos

Son los objetos físicos que puedes colocar en el interior o exterior del vehículo. Son
normalmente los más baratos, pero son los que crean menos problemas a los ladrones, según
asegura la Organización de Consumidores y Usuarios (OCU).

Sistemas GPS y radiofrecuencia

Sistema de rastreo Lojack: es un sistema de avisos y rastreo a través de radiofrecuencia (también

puede ser a través de GPS). Si el sistema detecta que te están robando, envía una alerta a las
autoridades pertinentes, que sabrán la localización del vehículo para comprobar su estado.
Funciona incluso en túneles o garajes subterráneos. Su precio ronda los 300 euros.
Arquitectura interna de comunicación para vehículos modernos

Los vehículos modernos se están convirtiendo en una colección de subsistemas integrados

interconectados, Sin embargo, esta tendencia solo hace que los vehículos sean propensos a
robos y ataques automatizados.
Deficiencias de los sistemas antirrobo vehicular

Los sistemas antirrobo vehicular al pasar los años demuestran un mayor crecimiento a pesar de
que los fabricantes se siguen afanando en mejorar la seguridad del sistema, la función de
antirrobo no es infalible.. En los próximos años y aunque la seguridad antirrobo total sea
prácticamente imposible de conseguir, la coordinación de nuevos sistemas pasivos, como el
reconocimiento por huella dactilar, con los sistemas activos de comunicación, como el de alarma
remota, que envía notificaciones al Smartphone en caso de movimiento injustificado, rotura de
cristal o apertura forzada, permitirá que el aviso de seguridad se produzca antes de que se
materialice el robo, lo que posibilitará anticipar la reacción para evitarlo.

Inteligencia Artificial

El término inteligencia artificial representa un conjunto de disciplinas de software, lógica,

informática y filosofía que están destinadas a hacer que los PC realicen funciones que se pensaba
que eran exclusivamente humanas, como percibir el significado en el lenguaje escrito o hablado,
aprender, reconocer expresiones faciales, etc. El campo de la inteligencia artificial tiene una
larga historia tras de sí, con muchos avances anteriores, como el reconocimiento de caracteres
ópticos, que en la actualidad se consideran como algo cotidiano.

7
 8

Machine Learning

El machine learning es un método de análisis de datos que automatiza la construcción de

modelos analíticos. Es una rama de la inteligencia artificial basada en la idea de que los sistemas
pueden aprender de datos, identificar patrones y tomar decisiones con mínima intervención
humana. Nació del reconocimiento de patrones y de la teoría que dice que las computadoras
pueden aprender sin ser programadas para realizar tareas específicas; investigadores
interesados en la inteligencia artificial deseaban saber si las computadoras podían aprender de
datos. El aspecto iterativo del machine learning es importante porque a medida que los modelos
son expuestos a nuevos datos, éstos pueden adaptarse de forma independiente.

Deep Learning

El aprendizaje profundo es parte de un conjunto más amplio de métodos de aprendizaje

automático basados en asimilar representaciones de datos. Varias arquitecturas de aprendizaje
profundo, como redes neuronales profundas, redes neuronales profundas convolucionales, y
redes de creencia profundas, han sido aplicadas a campos como visión por
computador, reconocimiento automático del habla, y reconocimiento de señales de audio y
música, y han mostrado producir resultados de vanguardia en varias tareas.

Dato estadístico

El término dato, con origen en el latín datum, refiere a la información que brinda acceso a un
conocimiento preciso y concreto. Estadístico, por su parte, es aquello vinculado a la estadística:
la especialidad de la matemática que apela a cifras para generar inferencias o para reflejar
cuantitativamente un fenómeno. Los datos estadísticos, en este marco, son los valores que se
obtienen al llevar a cabo un estudio de tipo estadístico. Se trata del producto de la observación
de aquel fenómeno que se pretende analizar.

Estructura de datos

Las estructuras de datos son un medio para manejar grandes cantidades de datos de
manera eficiente para usos tales como grandes bases de datos y servicios de indización
de Internet. Por lo general, las estructuras de datos eficientes son clave para
diseñar algoritmos eficientes. Algunos métodos formales de diseño y lenguajes de
programación destacan las estructuras de datos, en lugar de los algoritmos, como el factor
clave de organización en el diseño de software.

Sensor de automóvil

Los automóviles actuales tienen una cantidad importante de sensores (de 60 a 70 sensores en
algunos casos). Estos sensores son necesarios para la gestión electrónica del automóvil y son
utilizados por las unidades de control (centralitas) que gestionan el funcionamiento del motor,
así como la seguridad y el confort del vehículo.

8
 9

5. Formulación de la Hipótesis.

5.1 Definición de la hipótesis

El sistema de IA Machine Learning como seguridad contra robos toma los parámetros del estilo
del conductor en los primeros metros de avance, luego proporciona dato estadístico que lo
compara en un sistema estructurado por computadora, de tal manera este sistema identifica al
verdadero usuario del automóvil mediante sensores mecánicos instalados en los asientos,
volante y pedales del acelerador. En tal sentido, la seguridad del vehículo del titular contra
falsificadores que pretendan perpetrar el robo del automóvil aumentará significativamente.

5.2 Formulación de la hipótesis

El nuevo sistema antirrobo vehicular “Machine Learning” afecta significativamente en la

disminución de robo vehicular en la ciudad de Lima.

5.3 Clasificación de la hipótesis

Ho. El nuevo sistema “Machine Learning” utiliza inteligencia artificial de alto costo, por lo que
será de difícil acceso para la población de la ciudad de Lima; de tal manera que la seguridad
vehicular contra robos no se verá afectado y continuara con los sistemas convencionales que
demuestran ineficiencia ante robos.

Ha Integrar el Deep Learning apoyado con un sistema georreferenciado conectado con las
principales departamentos policiales de la ciudad de Lima garantizando una efectividad en la
ubicación en tiempo real del vehículo mediante las rutas criticas del usuario que comúnmente
utiliza.

He El nuevo sistema antirrobo vehicular “Machine Learning” disminuirá el robo vehicular en la

ciudad de Lima en un 95% durante un año.

5.4 Variables

Variable independiente: el sistema de IA Machine Learning

Variable dependiente: Robo de autos en la ciudad de Lima

5.5 Operacionalización de las variables

A mayor efectividad en la ejecución del sistema IA “Machine Learning”, el robo de los autos en
la ciudad de Lima disminuirá en 95% durante un año.