Desarrollo de Modelo de Deep Learning para Predicción 5d de Nubes de Polvo

Buscamos un Ingeniero/a de Deep Learning (DL) con experiencia en Visión por Computadora y Modelado Espacio-Temporal para asesorar y desarrollar el prototipo de un sistema predictivo de alta complejidad. El objetivo es crear un modelo capaz de predecir el movimiento, la dispersión, la concentración (5D: $X, Y, Z, C$) y la deposición del polvo ambiental en función de datos de cámaras estéreo y sensores ambientales.Detalles del Proyecto y Alcance del TrabajoEl proyecto consiste en tomar datos de un entorno de prueba controlado (15x15m) para entrenar un modelo de DL que simule la dinámica atmosférica de una nube de polvo.A. Entorno de Adquisición de Datos (Hardware Existente)El freelancer deberá trabajar con un conjunto de datos generados a partir del siguiente setup de hardware:Visión 3D: Datos de video de tres cámaras ópticas (smartphones) que, mediante algoritmos de Visión Estéreo y Triangulación, generan una Nube de Puntos 3D por cada frame (coordenadas $X, Y, Z$ de la nube de polvo).Sensores Contextuales: Datos sincronizados de velocidad y dirección del viento, así como las variables de la operación que genera el polvo (cantidad y fuerza de disparo de la fuente de polvo).Volumen de Datos: Se espera la generación de un dataset de entrenamiento con múltiples secuencias temporales (series de tiempo).B. Objetivos del Modelo de Deep Learning (DL)El modelo de DL debe ser diseñado, implementado y optimizado para realizar una predicción proactiva y secuencial.Modelado Secuencial 4D: Predecir el movimiento tridimensional ($X, Y, Z$) y la evolución de la concentración ($C$) de la nube en los siguientes $N$ segundos (predicción de series de tiempo de una matriz 3D).Modelado de Dispersión: Correlacionar las variables ambientales (viento) y operacionales (disparo de polvo) con la tasa de dilución/dispersión de la nube.Predicción de Impacto en Superficie: Predecir el mapa de deposición (flujo de precipitación parcial) del polvo sobre el suelo.Integración de Módulos: Diseñar una arquitectura que fusione de manera efectiva las entradas de Nubes de Puntos 3D (visión espacial) con los Datos Escalares Contextuales (sensores de viento/operación).Perfil y Habilidades RequeridasBuscamos a un profesional con una sólida base académica y experiencia práctica.Especialidad Central: Deep Learning y Visión por Computadora (Computer Vision).Experiencia Relevante:Arquitecturas Secuenciales: Dominio en el uso de modelos como LSTMs, GRUs, y/o Redes Convolucionales 3D (3D CNNs) para modelado de series de tiempo y video.Procesamiento 3D: Experiencia con la manipulación y procesamiento de Nubes de Puntos (ej. Librerías PointNet, Open3D o voxelización).Frameworks: Dominio de Python y frameworks de DL como TensorFlow o PyTorch.Habilidades Deseables:Conocimiento de OpenCV para Calibración Estéreo y Triangulación.Experiencia en modelado de fenómenos físicos o ambientales (fluidodinámica, dispersión de contaminantes).Entregables EsperadosArquitectura del Modelo DL: Diseño detallado de la arquitectura de DL propuesta (Módulos de Codificación 3D, Fusión y Predicción Secuencial).Código Fuente: Implementación completa y documentada del modelo en Python (TensorFlow/PyTorch).Modelo Entrenado: Archivo del modelo entrenado y optimizado (para ser probado en un entorno de inferencia).Informe de Rendimiento: Análisis de las métricas de error y precisión del modelo, con especial énfasis en la predicción de la coordenada $Z$ y la concentración.Propuesta y ModalidadModalidad: Freelance / Asesoría remota.Duración: (Indicar un rango, e.g., 4-8 semanas para el prototipo inicial).Qué Incluir en la Propuesta: Por favor, detalle su experiencia previa en proyectos de visión 3D o secuenciales, y proponga una posible arquitectura de DL inicial para abordar el problema.