Sec. 05 · Impacto y futuro
El proyecto no termina con la defensa del TFG
Retorno social y una hoja de ruta pensada para seguir siendo útil después de la evaluación académica.
Por qué esto importa
Un TFG que no se cierra en un cajón
Buena parte del trabajo académico termina archivado tras la defensa. Guardian Eye se ha diseñado desde el principio para que eso no ocurra: la documentación abierta, el hardware físico y el propio conocimiento adquirido están pensados para tener una vida útil después de la calificación.
Retorno social
Tres formas de que el trabajo siga sirviendo
Conocimiento abierto
Publicación en GitHub de todo el código en Python, los esquemas y el manual de configuración. Ya hay tres repositorios públicos que respaldan esta sección con hechos, no solo intención: yolo-pipeline-test, drone-edge-companion y drone-cloud-server.
Uso físico
Donación del dron para docencia universitaria o entrenamiento de voluntarios locales, una vez concluida su vida útil como proyecto académico.
Guía para estudiantes
Un “blueprint” para que futuros ingenieros aprendan a construir drones conectados desde cero, sin dar por conocido el software de simulación de drones.
Objetivos de Desarrollo Sostenible
Cómo contribuye este proyecto con los Objetivos de Desarrollo Sostenible (ODS)
Los ODS son 17 metas globales fijadas por la ONU en 2015 como hoja de ruta hasta 2030 para erradicar la pobreza, proteger el planeta y garantizar que todas las personas disfruten de paz y prosperidad. Importan aquí porque obligan a pensar más allá de la nota académica: no solo si el sistema funciona, sino a quién beneficia y cómo.
Lo que sigue es una selección razonada de los ODS a los que el proyecto puede aportar, no una cifra de impacto medida.
Salud y bienestar
Tecnología aplicada a reducir el tiempo de respuesta en emergencias de búsqueda y rescate.
Ciudades y comunidades sostenibles
Herramientas de seguridad y respuesta accesibles para comunidades y grupos de emergencia locales.
Alianzas para lograr los objetivos
Colaboración con clubes, mentores y una comunidad abierta que aporta datos y apoyo material.
Trabajo decente y crecimiento económico
Publicar en abierto no solo el código, sino también los diseños y las piezas del dron, reduce la barrera de entrada para que estudiantes, makers y pequeñas empresas innoven sobre esta base en vez de partir de cero — una forma concreta de impulsar empleo cualificado en un sector tecnológico emergente.
Qué significa “futuro” en este proyecto
No hay un roadmap con fechas cerradas — sería inventar un compromiso que todavía no existe. Lo que sí hay es una dirección clara: escalar el dataset de detección de personas, cerrar las especificaciones finales de hardware y mantener los tres repositorios como base para quien quiera continuar el trabajo, dentro o fuera de la universidad.
Más allá del TFG
Líneas de investigación futura
Ideas concretas para ampliar lo que el sistema puede hacer hoy — no compromisos con fecha, sino la dirección natural en la que seguir trabajando después de la defensa.
Cámara termográfica
Línea futura, no implementada en el sistema actual (ver limitaciones en Inteligencia Artificial): una cámara termográfica facilitaría la detección de personas en condiciones de baja o nula visibilidad — de noche, entre vegetación densa o con humo — donde la detección visual con YOLO por sí sola no basta.
Altavoz y comunicación con la víctima
Un altavoz a bordo permitiría al dron interactuar con la persona localizada: avisarla de que ha sido detectada, darle indicaciones sencillas o tranquilizarla mientras el equipo de rescate llega al lugar.
Transporte de material de ayuda
Un mecanismo de liberación por servo permitiría transportar y soltar material de primera necesidad —una manta térmica, un botiquín básico— directamente sobre la ubicación de la persona, antes de que el equipo de rescate llegue físicamente.
Geolocalización precisa de la víctima
Hoy el sistema registra dónde estaba el dron en el momento de la detección, no la posición exacta de la persona (ver Inteligencia Artificial). Georreferenciar la detección dentro del fotograma reduciría el área de búsqueda del equipo real sobre el terreno.
Tracking de personas entre fotogramas
Hoy YOLO detecta persona a persona en cada fotograma por separado, sin saber si dos detecciones seguidas son la misma persona — solo hay un margen de tiempo fijo para no repetir la misma alerta (ver Inteligencia Artificial). Incorporar tracking (por ejemplo, con ByteTrack o DeepSORT) asignaría un identificador persistente a cada persona a lo largo de los fotogramas, con varias ventajas: distinguir a varias personas presentes en la misma zona en vez de tratarlas como una sola alerta genérica, seguir su trayectoria y dirección de movimiento, y confirmar cada detección con más fiabilidad — una persona que aparece de forma consistente en fotogramas sucesivos es una alerta mucho más fiable que una detección aislada de un único fotograma.
Coordinación con emergencias reales
Conectar el flujo de alertas con canales oficiales (112, Protección Civil, equipos de montaña) para que una detección real pueda derivar en una respuesta coordinada, y no se quede solo en un registro interno del sistema.
Integración con Telegram
Dar órdenes al dron por Telegram, en lenguaje coloquial, interpretadas por un modelo de lenguaje (LLM) que las traduce en las acciones concretas a ejecutar — por ejemplo, «busca en la zona de la dehesa a una persona con un jersey rojo» o «busca en la zona del incendio personas en peligro».