Plataforma digital integral para el monoplaza eléctrico de ISC Racing Team: arquitectura web de datos e inteligencia de telemetría embarcada con Edge Computing

Abstract

Este Trabajo Fin de Grado desarrolla una plataforma de datos de extremo a extremo para ISC Racing Team, equipo de Formula Student y MotoStudent con un monoplaza eléctrico, mediante dos subsistemas complementarios. El primero es una plataforma web profesional, orientada a la captación de talento y de patrocinio, que erradica la duplicación de código heredada de mantener por separado las divisiones de Coche y Moto. La solución se apoya en un patrón de componente compartido alimentado por wrappers finos y en una capa de datos editable que actúa como gestor de contenidos estático, de modo que un perfil no técnico pueda mantener la web sin programar. Se construye con React 19, Vite y SCSS, con un sistema de tokens de marca, y reúne veinticuatro rutas para ambas disciplinas. El segundo subsistema es un motor de inteligencia de telemetría basado en aprendizaje automático y Edge Computing que predice la marcha engranada a partir de la telemetría instantánea. Emplea una arquitectura dual: un perceptrón multicapa de alta capacidad para el análisis en el garaje y un árbol de decisión ligero para la inferencia embarcada en tiempo real sobre una Raspberry Pi. La validación, cruzada por circuitos y con un test aislado en Mónaco, previene la fuga de información y garantiza la causalidad de las características. El árbol alcanza un 86,2 % de exactitud en validación cruzada y un 75,1 % en Mónaco, con una huella de 31,7 kB y una latencia inferior a 2 ms, lo que demuestra su viabilidad. Ambos subsistemas comparten una misma estrategia de dominio del dato a un coste prácticamente nulo.

This Bachelor's Thesis develops an end-to-end data platform for ISC Racing Team, a Formula Student and MotoStudent team with an electric race car, through two complementary subsystems. The first is a professional web platform, aimed at recruiting talent and attracting sponsors, which eradicates the code duplication inherited from maintaining the Car and Motorcycle divisions separately. The solution relies on a shared-component pattern fed by thin wrappers and on an editable data layer that acts as a static content management system, so that a non-technical user can maintain the site without coding. It is built with React 19, Vite and SCSS, with a brand-token system, and brings together twenty-four routes for both disciplines. The second subsystem is a telemetry intelligence engine based on machine learning and Edge Computing that predicts the engaged gear from instantaneous telemetry. It uses a dual architecture: a high-capacity multilayer perceptron for garage analysis and a lightweight decision tree for real-time embedded inference on a Raspberry Pi. Validation, performed with leave-one-circuit-out cross-validation and an isolated Monaco test, prevents information leakage and guarantees feature causality. The tree reaches 86.2 percent cross-validation accuracy and 75.1 percent on the unseen Monaco circuit, with a 31.7 kB footprint and a latency below 2 ms, proving its feasibility. Both subsystems share a single data-mastery strategy at a near-zero material cost.