Resumen: Este artículo propone un enfoque novedoso basado en enjambres que aprovecha el aprendizaje por refuerzo descentralizado y visión por computadora para la eliminación autónoma de graffiti en entornos urbanos. Un enjambre de robots móviles pequeños, equipados con mecanismos integrados de limpieza, optimiza su estrategia operativa mediante interacciones localizadas y intercambio de datos, consiguiendo mayor eficiencia y menores costes operativos frente a métodos tradicionales. El sistema se adapta dinámicamente a distintos tipos de graffiti, materiales de superficie y condiciones ambientales, minimizando daños colaterales y maximizando la efectividad de la limpieza.

Palabras clave: Swarm Robotics, Eliminación de graffiti, Aprendizaje por refuerzo, Navegación autónoma, Visión por computadora, Control descentralizado, Mantenimiento urbano, aplicaciones a medida, software a medida, inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio, ia para empresas, agentes IA, power bi

Introducción: El graffiti urbano representa un problema económico y estético para municipios de todo el mundo. Los procesos de eliminación actuales son intensivos en mano de obra, costosos y muchas veces perjudiciales para el medio ambiente. Proponemos una solución de enjambre robótico que reduce la intervención humana, optimiza la eficiencia de limpieza y se adapta a paisajes urbanos complejos. En lugar de un único robot de gran tamaño, la propuesta se basa en un sistema descentralizado compuesto por una flota de robots pequeños y especializados que colaboran para identificar y eliminar graffiti.

Estado del arte: La investigación existente sobre robots de limpieza suele centrarse en plataformas individuales y tareas preprogramadas. La literatura sobre enjambres aborda comportamiento colectivo, pero su aplicación a eliminación de graffiti es limitada. Avances recientes en visión por computadora y aprendizaje por refuerzo ofrecen herramientas para detección, clasificación y planificación de tareas. Este trabajo se distingue por su enfoque descentralizado y adaptativo, evitando las limitaciones de control centralizado y programación rígida.

Arquitectura del sistema y diseño de componentes: Componentes principales: Agente robótico: robot pequeño sobre ruedas con camara de alta resolución, GPU embebida para procesamiento de imagen onboard, sistema de limpieza por pulverización con control de presión y angulo de boquilla, sensores ultrasónicos para navegación y evitación de obstaculos, y modulo de comunicación wireless para intercambio de datos con vecinos. Algoritmo de enjambre: variante distribuida de Proximal Policy Optimization adaptada a un entorno descentralizado. Estación de monitoreo central: asignación inicial de tareas, supervisión general y capacidad de intervención de emergencia.

Metodología: aprendizaje por refuerzo descentralizado para eliminación de graffiti. Espacio de estados: cada robot incluye datos de imagen local (segmentación de graffiti), distancia a vecinos más cercanos, fluido de limpieza restante y una puntuación local de severidad del graffiti calculada por visión por computadora. Espacio de acciones: desplazamiento adelante/atrás, rotación izquierda/derecha, activación de spray con presiones variables y comunicación de ubicación y estado del graffiti a vecinos.

Función de recompensa: diseñada para incentivar la eliminación eficiente y efectiva, minimizando daños. Elementos: recompensa positiva en base a la reducción de severidad detectada por visión por computadora; penalizaciones por colisiones, uso excesivo de fluido y daño a la superficie detectado mediante sensores de presión y estimación de textura. Formalmente: R = a * DeltaGraffitiSeverity - b * CollisionPenalty - c * FluidUsagePenalty - d * DamagePenalty donde a, b, c y d son factores de ponderación ajustables.

Algoritmo de aprendizaje: PPO distribuido permite que cada robot aprenda una política local a partir de su experiencia y las interacciones con vecinos, manteniendo estabilidad en el aprendizaje en el entorno descentralizado. Criterio de convergencia: entrenamiento detenido cuando el incremento medio en el éxito de eliminación por agente supera un umbral definido durante 10 episodios consecutivos.

Visión por computadora para detección y clasificación: Adquisición de datos mediante las cámaras de cada robot con preprocesado que incluye reducción de ruido y mejora de contraste. Segmentación de graffiti usando un modelo Mask R-CNN preentrenado adaptado a condiciones de luz variables. Cálculo de una puntuación de severidad: Severidad = k * Area + l * Intensidad + m * ComplejidadTextural donde k, l y m son pesos derivados de datos históricos de evaluación de superficies. La complejidad textural se estima con un clasificador SVM. Clasificación del tipo de graffiti (spray, marcador, pegatina) mediante una CNN para ajustar la estrategia de limpieza y los parámetros de los actuadores.

Diseño experimental y resultados esperados: Entorno de simulación de alta fidelidad construido en Unity con un motor físico personalizado que modela fricción, inercia y colisiones. Tamaño del enjambre en simulaciones iniciales: 30 robots. Comparativa con una plataforma individual hipotética. Métricas: tiempo medio de eliminación, consumo medio de fluido, tasa de colisiones y coste operativo global. Resultados previstos: reducción del tiempo de eliminación en torno al 40% y ahorro de fluido del 25% frente a la plataforma individual; tasa de colisiones estimada por debajo del 1%.

Escalabilidad y direcciones futuras: Corto plazo 1 2 anos: pruebas de campo con un enjambre piloto de 5 a 10 robots en entorno controlado e integración con sistemas de gestión municipal. Medio plazo 3 5 anos: despliegue ampliado con enjambres de 20+ robots e incorporación de sensores avanzados como LIDAR para mapado 3D. Largo plazo 5+ anos: enjambres autoorganizados y plenamente auténomos capaces de adaptarse dinámicamente a entornos urbanos cambiantes y de integrar avances en ciencia de materiales para optimizar procesos de restauración.

Verificación y fiabilidad: el algoritmo PPO proporciona estabilidad y el cruce de datos entre agentes permite verificaciones cruzadas de detección y actuación. Análisis estadı́stico mediante regresión y pruebas de hipotésis evaluarán la significancia de las mejoras observadas en simulación y en campo.

Contribuciones tecno lógicas: la principal innovación es la combinación de aprendizaje por refuerzo descentralizado con un sistema de visión distribuido. Cada robot procesa imágenes y toma decisiones localmente, reduciendo latencias y puntos únicos de fallo. El diseño modular facilita la integración de servicios y mejoras tecnológicas.

Aplicación comercial y presencia de Q2BSTUDIO: Q2BSTUDIO es una empresa especializada en desarrollo de software y aplicaciones a medida, inteligencia artificial, ciberseguridad y servicios cloud. A partir de este proyecto conceptual, Q2BSTUDIO puede ofrecer soluciones llave en mano que incluyen el desarrollo de software a medida para la gestión del enjambre, integración de modelos de IA y despliegue en la nube. Para proyectos de inteligencia artificial y adopción de agentes IA las empresas pueden consultar nuestra oferta en servicios de inteligencia artificial. Para el desarrollo de plataformas y aplicaciones a medida adaptadas al control de robotica y monitorización urbana visite nuestra página de desarrollo de aplicaciones y software multiplataforma. Q2BSTUDIO también proporciona servicios de ciberseguridad para proteger la red de comunicación del enjambre, servicios cloud aws y azure para escalado y almacenamiento, y soluciones de inteligencia de negocio y power bi para analı́tica de operaciones.

Impacto económico y operativa: una implementación urbana de este tipo puede reducir costes operativos y tiempos de respuesta, permitiendo a administraciones reasignar recursos. La integración con sistemas de inteligencia de negocio facilita la visualización de hotspots de vandalismo y la planificación preventiva con dashboards en power bi.

Conclusión: la optimización de enjambres auténomos para eliminación de graffiti ofrece una alternativa escalable, resiliente y comercialmente viable frente a métodos tradicionales. La convergencia de swarm robotics, aprendizaje por refuerzo descentralizado, visión por computadora y plataformas cloud permite soluciones de alto impacto para el mantenimiento urbano. Q2BSTUDIO está preparada para transformar este tipo de investigación en proyectos reales, combinando software a medida, ia para empresas, ciberseguridad y servicios cloud para ofrecer soluciones completas y seguras.