decentralised cities

Llevar el alumbrado inteligente a las ciudades y zonas rurales descentralizadas

En 2020, más del 56% de la población mundial era urbana, y Las Naciones Unidas estiman que la urbanización podría alcanzar el 68% en 2050. Sin embargo, la pandemia de Covid-19 puede frenar esta tendenciaEl aumento del trabajo a distancia puede animar a más personas a abandonar las ciudades en busca de un modo de vida diferente.

El futuro puede ser el de las ciudades descentralizadashaciendo que el modelo tradicional de metrópolis evolucione hacia conglomerados policéntricos y multinodales. Esto crearía una "nueva normalidad" para la densidad urbana, y empujaría a las infraestructuras urbanas de IoT a cambiar en consecuencia.

¿Qué significa esto para Smart Lighting? El caso estándar del alumbrado público es de aproximadamente centros urbanos o zonas densamente agrupadasdonde, por lo general, resulta sencillo y rentable actualizar las lámparas existentes a LED y diseñar una red IoT en malla. Una vez conectadas, las luminarias inteligentes pueden supervisarse y gestionarse desde un sistema de software centralizado, mientras que algunas pasarelas actúan como routers de frontera, coordinadores de red y concentradores de datos. En condiciones normales de funcionamiento, una sola pasarela puede gestionar hasta 400 farolas conectadas.

Si se consideran las ciudades descentralizadas o las zonas rurales, el escenario puede ser completamente diferente. Pensemos en los suburbios y pueblos rurales de Europa o Estados Unidos, por ejemplo. Debido a la baja densidad de población, podemos tener grupos dispersos de algunas farolas, o incluso lámparas individuales aisladas. Esto dificulta y encarece su acceso, ya que se necesitarían más pasarelas para conectarlos de forma fiable a la red de malla.

La instalación de más pasarelas para conectar las farolas de difícil acceso aumenta la complejidad y genera costes adicionales, ya que los costes medios por punto de luz se disparan. ¿Y si tuviéramos un dispositivo de iluminación diferente que sirviera tanto de nodo como de pasarela? ¿Puede conectar una sola lámpara o un grupo aislado de lámparas a la infraestructura del IoT existente?

Paradox Engineering's nuevo nodo híbrido inteligente se espera que llegue al mercado durante 2022. Leer más en Ciudades hoy!


cybersecurity

¿Qué pasa con la ciberseguridad en las Ciudades Inteligentes IoT?

Tu ciudad ha sido hackeada" - esta es la noticia que todo el mundo teme...

Si se mide como un país, La ciberdelincuencia sería la tercera economía del mundo, después de Estados Unidos y China. Según un informe de la empresa estadounidense Cybersecurity Ventures, se prevé que la ciberdelincuencia inflija daños por 6 billones de dólares a nivel mundial en 2021. Con un crecimiento de 15% al año, los daños previstos alcanzarán los 10,5 billones de dólares estadounidenses en 2025, incluyendo el dinero robado, el robo de datos personales y financieros, el robo de propiedad intelectual, la pérdida de productividad, la investigación forense, la restauración y eliminación de los datos y sistemas comprometidos, y el daño a la reputación de la organización pirateada.

Un ciberataque podría interrumpir potencialmente los servicios públicos esenciales, exponer los datos personales y financieros, e inutilizar la economía de una ciudad. No es una perspectiva tranquilizadora para las ciudades que dependen cada vez más de las redes interconectadas y de las infraestructuras basadas en sensores para operar y ofrecer cualquier aplicación que necesiten las personas y las empresas, desde la distribución de energía hasta los sistemas de movilidad, desde alumbrado público para recogida de residuos municipalesy mucho más.

¿Están las ciudades preparadas para hacer frente a una amenaza de este tipo? Una encuesta en línea que realizamos en octubre de 2021, dirigida a funcionarios municipales, gestores de servicios públicos y profesionales de las TIC, reveló que dos tercios (67%) consideran que su ciudad es "algo vulnerable" a los ciberataques y sólo el cuatro por ciento afirmó ser "100% ciberseguro". La principal preocupación de la mayoría (42%) en caso de ataque era la violación de los datos financieros., seguido de la continuidad del negocio (40%) y la privacidad de los datos personales (18%).

¿Cómo pueden las ciudades mitigar los riesgos de ciberseguridad y construir una base segura para su infraestructura de IoT? ¿Cómo podemos gestionar la ciberseguridad como un viaje de por vida? No te pierdas nuestro evento digital '¿Qué pasa con la ciberseguridad en las ciudades inteligentes de IoT?' el jueves 18 de noviembre de 2021: en el Smart City Expo World Congress, nuestro Director de Innovación Nicola Crespi y nuestro Arquitecto de Ciberseguridad Dario Campovecchi hablará del enfoque de seguridad por diseño de Paradox Engineering y presentará algunos servicios innovadores que lanzaremos en 2022.

Inscripción gratuita es necesario, contactarnos ¡para enviar preguntas por adelantado!


estimate daytime

El autor: Paolo Veronesi, software engineer en Paradox Engineering

 

En un mundo cada vez más complejo e interconectado, El aprendizaje automático está demostrando ser muy beneficioso para las ciudades inteligentes y cualquier aplicación del IoT donde es necesario procesar, correlacionar y actuar sobre grandes volúmenes de datos de gran dimensión.

En Paradox Engineering estamos pilotando redes neuronales en casos de uso específicos como recogida de residuos sólidos urbanos o seguimiento de pacientes en hospitales y clínicas, ambas requieren potencias computacionales de medias a altas. Las redes neuronales se aplican generalmente cuando es posible explotar grandes recursos informáticos (como estaciones de trabajo o servidores), pero ahora estamos explorando cómo utilizar estas tecnologías en un caso diametralmente opuesto, es decir, con recursos extremadamente limitados (como unos pocos cientos de KB de ram y procesadores estándar de 32 bits con menos de cien MHz).

El aprovechamiento de las redes neuronales en los dispositivos IoT integrados es una aplicación nueva y emergente. Nuestro objetivo es procesar los datos localmente, en el dispositivo integrado, sin enviar la información por la red: esto permite que los dispositivos funcionen correctamente incluso en caso de fallos de la red, mejora la escalabilidad del sistema y su seguridad general, ya que los datos sensibles se procesan a nivel local.

El caso de uso en el que nos centramos es Smart Lighting. En una instalación urbana exterior típica, las farolas están conectadas a una red de malla y gestionadas por pasarelas, que funcionan como routers de frontera, coordinadores de red y concentradores de datos. A software de gestión centralizada permite la gestión y el control remotos de la red, así como de dispositivos individuales o agrupados.

Se espera que el alumbrado público funcione sin problemas incluso cuando la conectividad con la pasarela más cercana o el CMS no esté disponible. Para permitirlo, los dispositivos están configurados para ejecutar sus rutinas en función de la fecha y la hora actuales, suponiendo que la pasarela proporcione esta información. Esto es vital para que las farolas obtengan las efemérides y calculen la salida y la puesta del sol diarias, según estos datos, Las lámparas pueden encenderse/apagarse y atenuarse según los horarios programados.

¿Qué ocurre si un nodo está aislado? y no puede conectarse a una pasarela, por ejemplo, debido a condiciones ambientales adversas o a la topología de la red? ¿O si la pasarela no está instalada? En estos casos, el dispositivo debe encontrar una nueva forma de calcular la hora actual. Decidimos aprovechar el análisis de datos y las capacidades de aprendizaje automático para que las farolas puedan obtener la hora exacta del día a partir de los datos recogidos por los sensores ambientales integrados.

Estimar el tiempo a partir de parámetros como la luminosidad, la temperatura o la presión no es una tarea sencilla. Las condiciones ambientales varían mucho de un día a otro, de una estación a otra, con un nivel de complejidad que no sería posible resolver con un enfoque de programación tradicional.

Las redes neuronales pueden gestionar eficazmente las series temporales y, si se entrenan con una cantidad y variedad de datos adecuada, pueden dar una respuesta precisa a nuestra pregunta. En nuestro experimento, entrenamos el sistema utilizando datos generados por un conjunto de sensores ambientales a lo largo de un año.

Los resultados fueron realmente prometedores: farolas aisladas fueron capaces de procesar los datos localmente y estimar el día adecuado con una precisión media de unos 16 minutos - y ejecutar perfectamente sus horarios. Sin el aprendizaje automático, esta continuidad operativa no habría sido posible.

 

Más información sobre nuestro Smart Lighting aplicación: descargar nuestro último libro blanco (es necesario registrarse gratuitamente), y contacte con nuestros expertos en aprendizaje automático!

smart lighting

8 cosas que querías saber sobre la iluminación inteligente

Smart Lighting es una de las aplicaciones urbanas inteligentes más maduras - y sus beneficios han sido ampliamente discutidos. Todos sabemos que las farolas basadas en LED y gestionadas a distancia consumen menos energía, contribuyen a mitigar el cambio climático y, en general, hacen de las ciudades lugares más seguros, habitables y atractivos.

Sin embargo, a veces resulta difícil para los gestores de las ciudades y de los servicios públicos separar el bombo de la realidad y hacer un caso comercial significativo. En una informe recién publicado - Iluminación inteligente: ¿cuál es su nivel de encendido? (descarga gratuita previo registro) - respondimos 8 preguntas clave que pueden plantearse los dirigentes urbanos para que puedan embarcarse en su viaje inteligente desde una posición más informada.

Permítanos ofrecerle un vistazo...

¿Cuánto dinero pueden ahorrar realmente las ciudades con la iluminación inteligente?

El alumbrado público representa, por término medio, el 40% de la factura eléctrica de una ciudad. Ahorro gracias a las tecnologías inteligentes dependen de una serie de variables, pero normalmente valen el caso.

El municipio de Gijón en España desplegó una infraestructura de IoT pública e interoperable en 2016. El alumbrado público fue la primera aplicación urbana que se ejecutó en ella, con una instalación inicial de 1.150 luminarias LED que fueron supervisadas y gestionadas por nuestra plataforma de gestión de software. El ahorro económico para las arcas municipales se evaluó en unos 100.000 euros al año.

Otro ejemplo interesante es el Carril bici Tesserete-Canobbio en Ticino, SuizaEn el caso de la empresa local AEM, se actualizaron las luminarias existentes a tecnologías LED, se conectaron a una red inalámbrica y se interconectaron todas las lámparas con un sensor de movimiento, de modo que las luces se encienden automáticamente y se atenúan al 100% sólo cuando pasan ciclistas o peatones. Como resultado, las horas de funcionamiento anuales a lo largo del sendero se redujeron de 4.300 a 600, y Los costes medios disminuyeron de 11,19 a 1,56 francos suizos por punto de luz.

 

¿La iluminación inteligente hace más compleja y costosa la gestión, el mantenimiento y la reparación de las luminarias?

No, ¡es exactamente lo contrario! Al tener todos los puntos de luz conectados a la misma red, las ciudades pueden controlar y manejar totalmente las luminarias a distanciaAprovechando una única plataforma de software. Detección proactiva y en tiempo real de fallos en las luminarias o comportamientos fuera de lo común, y los técnicos pueden ser enviados sólo cuando y donde sea necesario, llegando al lugar ya informados y equipados para abordar el problema específico. Además, se reducen los costes y se agilizan las operaciones, esto también mejora la calidad del servicio y la satisfacción de los ciudadanos.

 

¿Puede la iluminación inteligente generar ingresos?

Las inversiones en iluminación inteligente pueden ser rentables e incluso convertir en una oportunidad de generación de ingresos. En 2016, el ayuntamiento de San Leandro en California, EE.UU.comenzó su andadura inteligente con la sustitución de unas 5.000 farolas por lámparas LED y la implantación de una red inalámbrica de IoT con un sistema de gestión y control centralizado. Con el tiempo, se añadieron a la red otras aplicaciones y servicios, como el aparcamiento integrado, el internet público inalámbrico y la videovigilancia del tráfico. Tras el gasto inicial de $5,2 millones en equipos de ahorro de energía y agua, se calculó que la inversión generaría un ahorro de $8 millones a lo largo de 15 años mediante la reducción del uso de energía y agua, y $1,5 millones de flujo de caja positivo durante ese tiempo.

Esto ocurre cuando las redes urbanas se diseñan como infraestructuras interoperablesde la UE, capaces de albergar múltiples aplicaciones y de poner en marcha colaboraciones público-privadas, entre otras cosas, pueden crear oportunidades viables para monetizar los datos que generan.

 

¿Ansioso por leer más? Descargue nuestro documento y no te pierdas nuestro seminario web gratuito el jueves 1 de julio de 2021 a las 9 de la mañana (EST), 2 de la tarde (BST), 3 de la tarde (CET), 5 de la tarde (GST): hablaremos de las ventajas y los factores de éxito de la mejor iluminación inteligente, ofreciendo una visión general de algunas experiencias urbanas reales. Regístrese hoy mismo!


smart cameras

Vigilancia inteligente para mejorar la atención a los mayores y a los pacientes

El autor: Riccardo Biella, software engineer en Paradox Engineering

 

Los sistemas sanitarios se enfrentan a grandes retos en muchos países del mundo. Muchos se enfrentan al envejecimiento de la población y a la necesidad de controlar el gasto público en servicios sanitarios, pero en muchos casos los pacientes superan los recursos disponibles incluyendo elementos básicos como camas de hospital, médicos y enfermeras. Esta escasez se hizo mucho más relevante durante Covid-19 emergenciaLa mayoría de los países se esfuerzan por ofrecer una respuesta adecuada a la pandemia y una atención de calidad.

Las tecnologías inteligentes permiten una nueva clase de servicios mejorar la asistencia a los pacientes, en concreto el tratamiento de los pacientes de edad avanzada y de larga duración, ya sea en el hospital, en centros de asistencia o en casa. Sistemas sanitarios conectados y tecnologías de monitorización remota de pacientes (RPM) están siendo cada vez más utilizados para garantizar una vigilancia constante, apoyar a los cuidadores profesionales en sus tareas cotidianas, y los miembros de la familia de socorro.

Junto con Minebea Intec y MinebeaMitsumi Sensing Division, En Paradox Engineering estamos trabajando en una solución innovadora para el sector de la atención sanitaria gestionadaNuestro objetivo es crear una plataforma tecnológica segura y abierta para monitorización no invasiva del paciente en hospitales, clínicas, enfermerías, residencias de ancianos y entornos domésticos.

Se entiende como una solución adaptativa y de creación de conocimientoLa tecnología de la información es capaz de generar inteligencia específica para el paciente mediante la recopilación de datos de múltiples sensores, la correlación de múltiples parámetros, y integrando un motor único de Inteligencia Artificial (IA) para el reconocimiento de situaciones, el análisis del comportamiento, el seguimiento de la evolución de la salud a largo plazo y las relaciones personales.

La solución ofrece IA local para evitar posibles fugas de datos del entorno hospitalario y proteger mejor la privacidad del paciente. Actualmente estamos pilotando Machine Learning para mejorar algunas características específicascomo la detección de eventos adversos: mediante el procesamiento de datos procedentes de cámaras y sensores inteligentes conectados, el sistema puede reconocer cuando algo va mal y alertar inmediatamente a los cuidadores en caso de caídas, falta de movimientos u otro tipo de anomalías, asegurando un seguimiento constante de los pacientes las 24 horas del día.

Otra función que estamos probando está relacionada con el control de acceso a las habitaciones. Estamos utilizando Machine Learning para elaborar imágenes de cámaras inteligentes conectadas con el fin de reconocer el número de personas en una habitación y distinguir a los pacientes del personal del hospital. Esta es una característica muy valiosa para aumentar la seguridad de los huéspedes detectando el acceso no autorizado.

Partimos de un conjunto de datos inicial formado por cientos de imágenes de pacientes y médicos para entrenar el sistema. Las Cámaras Inteligentes PE son ahora capaces de realizar tareas de detección de objetos en tiempo real, distinguiendo a las personas dentro de la habitación y clasificándolas como pacientes o personal del hospital, gracias al uso de una Red Neuronal Profunda que también puede reconocer cosas como batas, uniformes, camisones, instrumentos médicos y posturas.

Vea este breve vídeo para echa un vistazo:

 

 

¿Quieres saber más? Contacte con nuestros expertos en aprendizaje automático!


filling

Smart Waste, el aprendizaje automático permite predecir el nivel de llenado de los contenedores

El autor: Riccardo Biella, software engineer en Paradox Engineering

 

La producción anual de residuos aumentará en 70% hasta los 3.400 millones de toneladas en 2050, según el Banco Mundial. A este ritmo de crecimiento, necesitaremos unos 3 mundos para absorber y eliminar nuestra basura sin comprometer nuestra salud y el medio ambiente.

Las ciudades son cada vez más buscando soluciones innovadoras para mejorar la recogida de residuos sólidos urbanos y tratamiento para preservar tanto la salud pública como la habitabilidad urbana. En Paradox Engineering, hemos ampliado nuestra plataforma insignia PE Smart Urban Network para incluir un Smart Waste ; para los gestores de la ciudad y de los servicios públicos.

La noticia es, estamos integrando la Inteligencia Artificial y Machine Learning algoritmos para mejorar esta solución y hacer que tenga un mayor rendimiento. Mientras que los algoritmos tradicionales convierten la entrada en la salida utilizando algunas reglas dadas, elegimos el aprendizaje automático para construir un modelo predictivo preciso basado en datos de muestra.

El primer paso es equipar las papeleras con sensores Paradox Engineering-MinebeaMitsumi 6LoWPAN y permiten a los operadores municipales de residuos recoger y controlar los datos sobre el nivel de llenado, la fecha y la hora de la última recogida de residuos y la información sobre la ubicación de los contenedores.

Gracias a Machine LearningEstamos hacer evolucionar el sistema de una plataforma de recogida de datos brutos a una solución de predicción procesableEl sistema de predicción de nivel de contenedores puede recibir datos de los sensores de llenado de los contenedores inteligentes y procesarlos, proporcionando una estimación de la fecha en que el contenedor alcanzará su límite de capacidad.

¿Sabía que las papeleras suelen vaciarse cuando sólo están llenas 40%? Con nuestro sistema de predicción del nivel de llenado de los contenedores, los operadores pueden enviar camiones sólo cuando y donde los contenedores están cerca de estar llenosDe este modo, se optimiza la recogida de residuos sólidos, reduciendo el número de camiones y el kilometraje asociado a ellos, lo que a su vez disminuye la contaminación y la congestión.

El sistema de predicción del nivel de llenado de los contenedores aprovecha una red neuronal profunda que se entrena con un conjunto de datos que contiene datos históricos de bines inteligentes. Las características consideradas durante el entrenamiento del software se basan en el nivel de llenado actual correlacionado con los datos de tiempo, así como los datos de localización geográfica.

Pronto se integrará una lógica más compleja para enseñar a la papelera a identificar los puntos de interés cercanoscomo supermercados, estadios, estaciones u hospitales - y predecir la entrada de residuos en función de variables como la densidad de población, el calendario, las festividades, las épocas de vacaciones, etc.

Las técnicas de aprendizaje continuo permiten que el modelo evolucione continuamente combinando los nuevos datos y el conocimiento acumulado. Esto significa que, analizando los patrones de llenado, Los operadores también pueden tomar decisiones basadas en datos sobre la cantidad, la capacidad y la ubicación de los contenedores. Las papeleras pueden colocarse para adaptarse a diferentes escenarios urbanos y adaptarse en pocos días a las condiciones cambiantesde los residentes, es decir, diferentes hábitos o comportamientos, como el aumento de la basura relacionada con los envases debido al auge del comercio electrónico y la entrega a domicilio en tiempo de pandemia.

Gracias a la red urbana inteligente PE y a los algoritmos de aprendizaje automático, las ciudades pueden mejorar realmente la recogida y gestión de residuosLa mejora de la habitabilidad, protegiendo al mismo tiempo la salud pública y el medio ambiente.

 

Más información sobre nuestra aplicación Smart Waste: descargue nuestro white paper (es necesario registrarse gratuitamente), y contacta con nuestro Expertos en aprendizaje automático


machine learning

Aprendizaje automático: una gran oportunidad para las plataformas de IoT

Autores: Riccardo Biella y Paolo Veronesi, ingenieros de software en Paradox Engineering

 

El mundo es cada vez más complejo e interconectadogenerando más tráfico de datos que nunca. A reciente informe de IDC predice que los dispositivos IoT conectados podrían alcanzar casi 75.000 millones en todo el mundo en 2025 y generará unos 79,4 zettabytes de datos.

Esta enorme cantidad de información contiene un valor increíble, pero hay que almacenarla, procesarla, analizarla y correlacionarla para liberar todo su potencial. ¿Es suficiente el esfuerzo humano para esta increíble tarea? Probablemente no. Por eso Inteligencia Artificial (IA) se aprovecha cada vez más para elaborar una cantidad de datos tan grande y crecientecon resultados más precisos y rápidos que la programación informática tradicional.

Hace algunos años, Andrew Moore, antiguo decano de la Escuela de Informática de la Universidad Carnegie Mellon, definió La IA como "la ciencia y la ingeniería de hacer que los ordenadores se comporten de maneras que, hasta hace poco, pensábamos que requerían inteligencia humana". La tecnología de la IA se inspira en los comportamientos y procesos cognitivos humanos, pero también aprovecha los conocimientos de otros procesos bióticos como las mutaciones del ADN o la descomposición química de las sustancias.

Aunque a menudo se menciona como sinónimo, El aprendizaje automático es algo diferente: es una rama de la IA centrada en desarrollar algoritmos informáticos y crear aplicaciones que aprendan de los datos y mejorar automáticamente su precisión con el tiempo gracias a la experiencia.

Los ejemplos de aplicaciones de aprendizaje automático están a nuestro alrededor. Cada tarde, mientras conducimos a casa después del trabajo, los asistentes digitales buscan en la web y reproducen música en respuesta a nuestras órdenes de voz, nuestros relojes controlan nuestro ritmo cardíaco, nuestros coches nos mantienen en el camino y nos sugieren parar a tomar un café si estamos demasiado cansados.

Los cerebros humanos tienen la extraordinaria habilidad de aprender de la experiencia y, gracias al Machine Learning, los algoritmos agudizarán cada vez más esta capacidad y proporcionarán mejores resultados a través de la información. ¿Hasta dónde puede llegar el Machine Learning? Es una pregunta difícil, pero una cosa es segura: Los datos desempeñan un papel fundamental, ya que su calidad y cantidad influyen en la precisión de los resultadospor lo que son un elemento realmente crítico en cualquier progreso del Aprendizaje Automático.

Los algoritmos tradicionales convierten la entrada en la salida utilizando algunas reglas dadas, mientras que Los algoritmos de aprendizaje automático construyen un modelo basado en datos de muestra para hacer predicciones sin estar explícitamente programado para ello.

El aprendizaje automático ofrece el mejor rendimiento a la hora de procesar y analizar grandes volúmenes de datos de alta dimensión, lo que lo convierte en particularmente útil e interesante en la Internet de las cosas (IoT) debido al gran número de dispositivos que recogen y comparten datos no homogéneos. Tras pasar por un proceso de análisis estadístico, esos datos son un tesoro para el desarrollo de nuevas aplicaciones inteligentes.

En una red IoT podemos reconocer tres capas diferentes. Cada uno de ellos se caracteriza por la disponibilidad de diferentes recursos y datos donde el aprendizaje automático es aplicable: Dispositivos IoT, dispositivos de borde y la nube..

Con la llegada de las nuevas tecnologías, es posible integrar el uso de redes neuronales y técnicas de aprendizaje automático en todos los niveles del IoT para realizar análisis de datos complejos a nivel local. Los dispositivos IoT, como los sensores típicamente limitados, pueden procesar localmente los datos sin enviarlos por la red, reduciendo la latencia y evitando problemas de seguridad. Al trasladarse a la nube, es posible realizar análisis más complejos gracias a la mayor potencia de cálculo y al aprovechamiento de los datos procedentes de distintas fuentes, lo que abre el mundo de la IO a casos de uso nuevos y muy innovadores.

En Paradox Engineering, hemos integrado las técnicas más recientes de Machine Learning en los componentes de nuestra plataforma IoT, lo que permite un valioso uso del Machine Learning a diferentes niveles, desde la nube hasta los dispositivos de borde e IoT, aprovechando al máximo sus peculiaridades y funcionalidades.

Nuestras soluciones de IoT se han ampliado con un marco de desarrollo de Machine Learning para permitir que estas tecnologías se utilicen en múltiples casos de aplicación de forma sencilla y transparente. Los desarrolladores pueden integrar fácilmente el aprendizaje automático para crear nuevas funcionalidades basadas en la información o para mejorar las existentes.

 

¿Quieres saber más? Contacte con nuestros expertos en aprendizaje automático.


open source mesh network

Modelos de datos abiertos y redes de malla de código abierto para ciudades más inteligentes

Autor: Nicola Crespi, Chief Innovation Officer, Paradox Engineering

 

La interoperabilidad es primordial para las ciudades verdaderamente inteligentes. Hemos debatido ampliamente sobre la importancia de que una ciudad apueste por la apertura y se deshaga de las tecnologías y formatos de datos propietarios [lea nuestro white paper para saber más].

Cuando las ciudades y las empresas de servicios públicos diseñan una infraestructura urbana interoperable, suelen fijarse en las normas internacionales de conectividad del IoT existentes, como LoRaWan, NB-IoT o WI-SUN: buen punto de partida, pero deben ser conscientes estas normas sólo se refieren a la capa de red y al protocolo de mensajería de la solución IoTPor lo tanto, no proporcionarán ningún modelo de datos o carga útil de aplicación específicos para los casos de uso urbano.

El resultado es que, en la mayoría de los casos, el proveedor de la solución vuelve a un modelo de datos propietario o a capas de aplicación, y el cliente se ve encerrado en su tecnología y tiene que perseguir costosas integraciones de API.

Esa es la razón clave para Paradox Engineering y MinebeaMitsumi se unen a la uCIFI Alliance. Siempre hemos sido abogar por las normas abiertas y son comprometida con la creación de un multiproveedor, soluciones abiertas para las ciudades y otros ambientes inteligentes.

Hoy dirigimos el Grupo de Trabajo Técnico de la UCIFI y hemos contribuido a la publicación de el primer modelo de datos unificado para ciudades y servicios públicos - un importante paso adelante para garantizar la plena interoperabilidad entre los dispositivos IoT conectados a la misma red. Un modelo de datos común permite sustituir los dispositivos conectados de un proveedor por equipos equivalentes de un tercero sin solicitar ninguna integración de software.

El modelo de datos uCIFI aprovecha el registro Light Weight M2M (LwM2M) de la Open Mobile Alliance para describir dispositivos inteligentes (objetos de referencia) y sus atributos (recursos) para Desbloquear el verdadero potencial de las Ciudades Abiertas con reducción de costes y una mayor garantía de sostenibilidad de las inversiones. Nuestra solución ha superado con éxito las pruebas de interoperabilidad para la implementación de LWM2M durante el OMW Virtual TestFest 2021.

Además, el modelo de datos uCIFI facilita a los proveedores que adoptan uCIFI en sus productos y dispositivos cumplir con la normativa TALQ y obtener certificaciones relacionadas.

¿Qué es lo siguiente? Estamos trabajando con uCIFI en la red de malla de código abierto. La misión aquí es definir y proporcionar una implementación de referencia de malla de código abierto que estandariza las capas de aplicación de la ciudad inteligente sobre cualquier red de malla certificada 6LoWPAN/Wi-SUN.

Las aplicaciones para ciudades inteligentes pueden tener casos de uso y requisitos específicos en términos de ancho de banda de datos, accesibilidad y puesta en marcha de dispositivos, comunicación de dispositivo a dispositivo en espacios exteriores (por ejemplo, un sensor de detección de presencia que aumente el nivel de luz en una luminaria remota), pero estos servicios de aplicación son implementados actualmente sólo por soluciones propietarias en el mercado.

El objetivo de uCIFI es estandarizar esta capa de aplicación de ciudad inteligente sobre las redes 6LoWPAN/Wi-SUN, definiendo el protocolo y el proceso que se utilizará para la puesta en marcha de dispositivos y redes, seguridad integral y comunicación de dispositivo a dispositivogarantizando así una interoperabilidad total de extremo a extremo.

 

¿Quiere saber más? Póngase en contacto con nuestros expertos Nicola Crespi!


unified data model

La Alianza uCIFI publica un modelo de datos unificado para las ciudades inteligentes y los servicios públicos

Los miembros activos de la uCIFI Alliance junto con nuestra empresa matriz MinebeaMitsumi, estamos orgullosos de compartir la lanzamiento público del primer modelo de datos unificado para proporcionar interoperabilidad e intercambiabilidad entre dispositivos conectados para desbloquear las ciudades inteligentes, reducir los costes y garantizar la sostenibilidad de las inversiones.

El modelo de código abierto de la Alianza uCIFI se dirige a los principales Smart City aplicaciones innovadoras como alumbrado públicomedición del agua y control de la distribución, gestión de residuos, aparcamientoEl sistema de control de la red de sensores de la IoT es un sistema de control de tráfico, de la calidad del aire y de los edificios inteligentes, así como de la seguridad. También admite servicios comunes y más complejos, como la agrupación de multidifusión, el control dinámico de sensor a actuador y un programa de control basado en el calendario para estandarizar la computación de borde para los sensores del IoT.

Con este modelo de datos unificado, una serie de 30 sensores y dispositivos conectados utilizados para proyectos de ciudades inteligentes se describen en el registro Light Weight M2M (LwM2M) de la Open Mobile Alliance. Estos objetos de referencia y atributos asociados se modelan utilizando el formato LwM2M y pueden utilizarse en cualquier red IoT restringida. También pueden ser implementado libremente por cualquier proveedor en cualquier producto para cumplir los requisitos de apertura e interoperabilidad de las ciudades. Los proveedores pueden unirse a la alianza para beneficiarse del programa de certificación, acceder a las herramientas de prueba y otros recursos de software y contribuir a que los modelos de objetos sean más interoperables.

El modelo de datos unificado es una gran noticia para las ciudades y los servicios públicosPueden evitar el bloqueo de los proveedores y tener un abastecimiento más flexible, más amplio y a prueba de futuro, aprovechando las ventajas inmediatas herramienta de código abierto, multitransporte, multiproveedor y rentable para romper los silos a la hora de diseñar e implementar sus proyectos de IoT.

Defendemos los estándares abiertos y nos comprometemos continuamente a crear soluciones de IoT interoperables con múltiples proveedores, damos la bienvenida al modelo de datos unificado de la Alianza uCIFI y esperamos apoyar Ciudades y servicios públicos en sus viajes inteligentes. 


streetlights

Un cuarto de las luces de la calle para volverse inteligente para el 2030

No es probable que se detengan las inversiones en LED y en alumbrado público inteligenteincluso en tiempo de pandemia. De acuerdo con Las previsiones del Grupo Noreste, se espera que el mercado mundial alcance un valor de 28.100 millones de dólares en la próxima décadaincluyendo el gasto en LED e infraestructura de iluminación inteligente, sensores relacionados y software de gestión. El software por sí solo representará más de $200 millones de ingresos recurrentes anuales para 2029.

Hoy en día hay alrededor de 326 millones de farolas en todo el mundo, y esto debería crecer a más de 361 millones para el 2030. Sabemos que una cuarta parte de todas las farolas del mundo ya han sido convertidas a LEDs y más de 10 millones han sido conectadas a redes inteligentes. Si los pronósticos son correctos y las tendencias de inversión se confirman, tendremos alrededor de 73% de lámparas basadas en LED y hasta 25% de farolas inteligentes en el mundo para el 2030.

Ventajas de la iluminación inteligente son muy conocidos. Instalar lámparas LED de bajo consumo hace que las ciudades... ahorrar hasta 70% en el consumo de energía y los costos relacionados. Hasta 25% se puede ahorrar más energía si permite gestión y control remotos completos de luminarias individuales o agrupadas conectándolas a una red de IO sensibleintroduciendo características clave como la programación de encendido/apagado, y regulación adaptativa.

Hay más. Hoy en día las farolas son un lienzo para la innovación urbanamejorando no sólo la sostenibilidad y la eficiencia, sino también creando oportunidades para la movilidad, la seguridad pública, el turismo y la calidad de vida en general.

Siendo una especie de sistema nervioso para cualquier ciudad, Las redes de alumbrado público conectan casi cualquier distrito y calle con acceso a la energía. Por eso pueden se convierten fácilmente en una rica plataforma de sensores...recolectando datos vitales para un sinnúmero de aplicaciones urbanas. Ejemplo de servicios que pueden ser desplegados junto con la iluminación inteligente incluyen controles de los semáforos, vigilancia por vídeo del tráfico y de los distritos, vigilancia de la calidad del aire y del medio ambiente, WiFi omnipresente y conectividad de banda ancha.

Mirar las luces de la calle como la columna vertebral de comunidades más inteligentes insta a los administradores de la ciudad a tener una estrategia amplia y con visión de futuro, y posiblemente hacer uso de los nuevos modelos de financiación. Según lo informado por Ciudades hoy, Los fondos de inversión en infraestructura, las empresas de servicios energéticos (ESCO) y los consultores de gestión urbana están desempeñando un papel cada vez más importante en la financiación y la realización de proyectos de iluminación inteligente en la calle. Esto podría convertirse en una opción interesante para los municipios que se enfrentan a la escasez de presupuesto debido a cuestiones económicas relacionadas con Covid.

Como las ciudades buscan opciones de financiación flexibles y nuevos modelos de asociación público-privadaCada vez más necesitan demostrar que la iluminación inteligente y otras aplicaciones urbanas generarán un rendimiento mensurable y se convertirán en una oportunidad para el beneficio de todos, incluidos los inversores.

¿Cómo asegurarse de que las inversiones inteligentes creen tanto eficiencia como nuevas fuentes de ingresos? ¿Cómo asegurarse de que apoyarán y estimularán el crecimiento futuro? Según nuestra experiencia, la interoperabilidad y la apertura son las mejores respuestas.

Cuando una ciudad se construye sobre un infraestructura basada en normas como PE Smart Urban Networkaprovecha una única red inalámbrica y un único conjunto de gestión central para controlar remotamente cualquier aplicación de IO Inalámbrica y de IO de alta velocidad....con... interoperabilidad total en la gestión de dispositivos, datos y aplicaciones. Hay no hay restricciones para la futura expansión y la integración de servicios adicionales y sistemas de terceros, y muchas oportunidades para innovar y permitir modelos de monetización de datos con visión de futuro.

¿Ansioso por leer más? Descargue nuestra papel "Una ciudad inteligente es una ciudad interoperable y revisar nuestra webinar a petición.