Investigación sobre la viabilidad de aprendizaje automático como método para la mitigación de la deriva de entrada en mandos para PC | Investigation on the viability of machine learning as a form of mitigation towards input drift for PC controllers

El problema de la investigación realizada se basa en las derivas de entrada de las palancas de control en mandos particularmente, y sí el aprendizaje automático puede o no ser una solución viable. A pesar de que esto sería un problema más inclinado al lado de la electrónica, debido a que la deriva de entrada es un error del hardware y no del software; se consideró posible enfrentarse a este desde una perspectiva completamente digital, no física; ya que esto viene con sus propias ventajas. Para ello se creó un aplicativo intermediario que usando el aprendizaje automático determinaba si un mando sufría de alguna deriva de entrada y la corregirla, con ayuda de los datos de entrenamiento ingresados al aplicativo. Se escogió usar aprendizaje automático para la solución a la problemática ya que es algo que no representa muchos gastos para poder usarse e implementarse. Bajo la metodología ágil de SCRUM, se logró obtener mejoras continuas y periódicas sobre el aplicativo que se quiso desarrollar, además de poder realizar pruebas sobre los diferentes algoritmos de aprendizaje automático que mejor detectaban y corregían las derivas de entrada. Con dicho aplicativo se logró identificar y corregir derivas de entrada en algunos mandos. Además de aclarar cuál es el mejor algoritmo de clasificación para la identificación de la deriva. Principalmente las aplicaciones para la investigación realizada se basan en poder probar que el uso de aprendizaje automático es una posible la solución de derivas de entrada en mandos, lo cual puede implicar la posibilidad de aplicar esta solución en otros periféricos de computador que sean propensos a sufrir de deriva de entrada, haciendo que la vida útil del dispositivo pueda ser más larga.

Ingeniero de sistemas

Pregrado

The problem that the investigation revolves around is the input drift of gamepad’s joystick, and whether or not machine learning is capable of being a viable solution to this problem. Despite the fact that this problem is more inclined towards the field of electronics, due to hardware components being the cause behind input drift instead of software ones; it was considered possible to tackle the issue from a digital perspective rather than a physical one; since this comes with its own set of advantages. For that, an app was developed that used machine learning to determine if a gamepad was suffering from input drift and subsequently corrected said drift; this was all done based on previously supplied train data that powered the app. Machine learning was considered as the possible solution to this problem due to its low cost of use and implementation in this specific case. Using the SCRUM methodology, it was possible to make periodic and constant improvements to the app that was being developed, on top of the opportunity to do tests to compare which algorithms were better at detecting and correcting the input drift. Said app was fully capable of detecting and correcting the problem in some tested gamepad, not to mention, the process of developing it made it clear which classification algorithm was the best for the job. The main point of the app developed was to prove whether or not machine learning was a viable solution for the problem in question, which if true, could imply the possibility to apply this same kind of solution in other computer peripherals, which would further extend any devices lifespan.