DESARROLLO DE UN SISTEMA DE TELEMETRÍA
EN TIEMPO REAL CON RT-LINUX PARA EL
MONITOREO DE DESCARGA DE BATERÍAS LIPO
EN UN VEHÍCULO ELÉCTRICO A ESCALA
DEVELOPMENT OF A REAL-TIME TELEMETRY SYSTEM
USING RT-LINUX FOR MONITORING THE DISCHARGE OF
LIPO BATTERIES IN A FULL-SCALE ELECTRIC VEHICLE
Josue Jimenez Ramirez
Instituto Politécnico Nacional ESIME, México
Pedro Guevara López
Instituto Politécnico Nacional ESIME, México
Rubén Vázquez Medina
Instituto Politécnico Nacional CICATA, México
Leobardo Hernández González
Instituto Politécnico Nacional, México
Omar Jiménez Ramírez
Instituto Politécnico Nacional, México

pág. 6170
DOI: https://doi.org/10.37811/cl_rcm.v10i3.24666
Desarrollo de un Sistema de Telemetría en Tiempo Real con RT-Linux
para el Monitoreo de Descarga de Baterías LiPo en un Vehículo Eléctrico a
Escala
Josue Jimenez Ramirez1
jjimenezr1402@alumno.ipn.mx
https://orcid.org/0000-0002-3847-0554
Instituto Politécnico Nacional
ESIME- Culhuacan
México
Pedro Guevara López
pguevara@ipn.mx
https://orcid.org/0000-0001-5373-1403
Instituto Politécnico Nacional
ESIME- Culhuacan
México
Rubén Vázquez Medina
ruvazquez@ipn.mx
https://orcid.org/0000-0002-6210-4097
Instituto Politécnico Nacional
CICATA, Querétaro
México
Leobardo Hernández González
lhernandezg@ipn.mx
https://orcid.org/0000-0002-4555-8695
Instituto Politécnico Nacional
México
Omar Jiménez Ramírez
ojimenezr@ipn.mx
https://orcid.org/0000-0003-1566-8604
Instituto Politécnico Nacional
México
RESUMEN
En la actualidad la gestión eficiente de energía aplicada a la electromovilidad requiere el uso de métodos
precisos de monitoreo con el objetivo de garantizar la seguridad y gestionar la vida útil de los sistemas
de almacenamiento (baterías). Debido a los costos elevados y el riesgo que implica la realización de
pruebas experimentales de vehículos eléctricos de tamaño real, el uso de vehículos eléctricos a escala
se posiciona como una herramienta experimental para la validación de sistemas de telemetría en un
entorno seguro. En este sentido, en este trabajo se presenta el desarrollo de un sistema de telemetría en
tiempo real (RT) orientado al monitoreo de baterías de LiPo, utilizando una plataforma y un auto
eléctrico a escala como sistema de pruebas controladas. El sistema se basa en una arquitectura que usa
Python y un protocolo de comunicación MAVLink ejecutados en un sistema operativo Linux con kernel
de tiempo real (PREEMPT_RT). Se implementó un método de conteo de Coulomb para la estimación
del Estado de Carga (SoC) y un controlador de tipo PID (Proporcional Integral Derivativo), para la
ejecución de perfiles controlados de carga en un motor de tipo brushless. Los resultados validan la
medición de métricas críticas en la batería, proporcionando una base experimental escalable para futuros
trabajos de optimización en los sistemas energéticos de vehículos eléctricos a gran escala.
Palabras clave: LiPo, estado de carga, MAVLink, sistemas embebidos, telemetría en tiempo real
1 Autor principal.
Correspondencia: pguevara@ipn.mx

pág. 6171
Development of a Real-Time Telemetry System Using RT-Linux for
Monitoring the Discharge of LiPo Batteries in a Full-Scale Electric Vehicle
ABSTRACT
Currently, efficient energy management in electromobility requires the use of precise monitoring
methods to ensure safety and manage the service life of storage systems (batteries). Due to the high
costs and risks involved in conducting experimental tests on full-scale electric vehicles, the use of
scaled-down electric vehicles serves as an experimental tool for validating telemetry systems in a safe
environment. In this regard, this paper presents the development of a Real-time (RT) telemetry system
designed for monitoring LiPo batteries, using a platform and a scaled-down electric car as a controlled
testing system. The system is based on an architecture that uses Python and the MAVLink
communication protocol running on a Linux operating system with a real-time kernel (PREEMPT_RT).
A Coulomb counting method was implemented to estimate the State of Charge (SoC), and a PID
controller was used to execute controlled charging profiles on a brushless motor. The results validate
the measurement of critical battery metrics, providing a scalable experimental basis for future
optimization work on large-scale electric vehicle power systems.
Keywords: embedded systems, lipo batteries, mavlink, real-time telemetry, state of charge
Artículo recibido 25 abril 2026
Aceptado para publicación: 25 mayo 2026

pág. 6172
INTRODUCCIÓN
La gestión de energía en la electromovilidad depende de la caracterización dinámica de las baterías,
posicionandola como el componente crítico para la autonomía de vehículos eléctricos (Mundige et al.,
2023; Pérez, 2024). La problemática de la investigación radica en que la telemetría de descarga de
baterías en condiciones de operación dinámica o reales suele verse afectada por diferentes situaciones,
tales como la adquisición de datos causado por las latencias lo que genera una falla o inconsistencia en
el diagnóstico del estado de carga de las baterías. La importancia de este estudio busca encontrar una
estabilidad de telecontrol para prevenir degradaciones o daños prematuros de las celdas de la batería.
(Pérez, 2024). La presente investigación sustenta la teoría sobre sistemas en tiempo real, ya que la
reconstrucción de los tiempos de respuesta y transporte, cálculos matemáticos y el filtrado digital es
vital para compensar los retardos en las plataformas RT-Linux, haciendo que los datos de voltaje y
corriente que sean capturados puedan demostrar la dinámica del sistema (Martínez et al., 2019; Martínez
& López, 2019). En este contexto, el presente trabajo se utiliza un vehículo eléctrico a escala (Tamiya
F104 Pro II) como banco de pruebas experimentales, aplicando una arquitectura basada en el protocolo
de comunicación MAVLink, el cual sirve como puente entre la controladora encargada del telecontrol
(Pixhawk), un sistema operativo basado en Linux instalado en una Raspberry Pi 5 optimizado con un
parche PREEMPT_RT para logar el determinismo necesario (Guamushig & Manobanda, 2023) con el
propósito de monitorear el proceso de descarga (SoC) de una batería LiPo de 3 celdas. El objetivo
principal es la capacidad de obtención de datos críticos en la descarga de una batería, la corriente
consumida, el voltaje, el cálculo de SoC, y así asentar bases para futuros trabajos que sean de utilidad
para encontrar nuevas técnicas de optimización de energía en este tipo de baterías y se pueda aplicar en
vehículos eléctricos a gran escala.
En este contexto, la principal contribución de este trabajo consiste en el desarrollo e integración de una
arquitectura de telemetría en tiempo real orientada al monitoreo dinámico de baterías LiPo en un
vehículo eléctrico a escala, utilizando una plataforma basada en Raspberry Pi 5 y una controladora
Pixhawk bajo el protocolo MAVLink. La propuesta incluye la implementación Rt-Linux mediante el
parche PREEMPT_RT, permitiendo la evaluación experimental del comportamiento del sistema a
través del análisis de tiempos de ejecución, cumplimiento de plazos máximos de respuesta y variaciones

pág. 6173
no determinísticas (jitter). También se valida experimentalmente la capacidad del sistema para ejecutar
tareas concurrentes de adquisición, procesamiento, control y visualización de datos en tiempo real
enfocadas a sistemas de electromovilidad.
METODOLOGÍA
El desarrollo del presente proyecto se orienta al diseño, integración y validación experimental en
laboratorio de una plataforma de telemetría en tiempo real (RT), orientada al análisis y monitoreo de la
descarga dinámica en baterías LiPo. La arquitectura del sistema se muestra en la Figura 1, la cual
muestra las fronteras operativas entre el hardware de descarga (Tamiya F104 II Pro), los nodos de
adquisiciones de datos de los sensores (temperatura, corriente, voltaje y velocidad angular), la capa de
procesamiento determinista en la Estación de Tierra (Raspberry Pi 5) y la interfaz de usuario remota.
Figura 1. Diagrama de metodología de proyecto de telemetría
Configuración de Kernel PREEMPT_RT en la estación de tierra
Como estación de tierra (Raspberry Pi 5), se implementó un entorno de operación determinista para
disminuir la variación no determinística del tiempo de respuesta y latencias que se generan en los
sistemas operativos de propósito general. Se optó por la instalación de Ubuntu Server como sistema
operativo, ya que cuenta con integración nativa con Raspberry Pi 5. Posteriormente, se instaló el parche
PREEMPT_RT través del metapaquete de compilación nativa que ofrece Ubuntu, la cual se ejecuta
con el comando en terminal: pro enable realtime-kernel --variant=raspi.

pág. 6174
La validación de la correcta instalación del parche PREEMPT_RT se realizó de manera formal mediante
la instrucción uname –r, comprobando la correcta inicialización del planificador de hilos críticos en
tiempo real. La captura de terminal que demuestra el éxito de instalación se muestra en la Figura 2.
Figura 2. Instalación correcta del kernel PREEMPT_RT.
Ya en nivel de software de alto nivel (script de Python), se programó los privilegios a través de la
biblioteca os. Al iniciar el script captura su identificador único pid = os.getpid() y se configura
la política de planificación bajo el algoritmo de prioridad Primero en Entrar, Primero en Salir (FIFO),
dando el nivel máximo del planificador del kernel (RT_PRIORITY = 99), quitando prioridad al resto
de servicios en segundo plano del sistema operativo.
Integración de chasis, competentes electrónicos y sensores
La siguiente fase metodológica indica la instrumentación e integración de la plataforma de telemetría,
usando un chasis de un vehículo eléctrico a escala (Tamiya F104 Pro II) el cual cuenta con un motor
brushless hobbywing ezrun 3652 y una ESC (Electronic Speed Crontroller) hobbywing ezrun max10
g2. Todos esto está montado en una estructura fabricada con paredes de acrílico y soportes estructurales
impresos en 3D, usando como material el ABS por su dureza. La batería es de LiPo de 3 celdas en serie
(3S1P) con un voltaje nominal de 11.1 V (12.6 V en carga máxima) y una capacidad total nominal de
1300 mAh.
Para la captura de las variables de interés (corriente, voltaje y velocidad angular) se utilizó y configuró
la controladora de vuelo Pixhawk (Meier et al., 2011) basada en Ardupilot, conectada a un módulo de
poder para la medición de tensión y corriente en el bus principal de corriente continua. Ademas, se
incluye un sensor de velocidad de efecto Hall para medir las RPM del motor y obtener su velocidad.
Para la medición de variables térmicas y ambientales que puedan influir en la tasa de descarga de la
batería, se integró un sensor de temperatura DS18B20 a la carcasa metálica del motor brushless usando
el protocolo 1-Wire, y un sensor de temperatura y humedad ambiente AH10, conectado por el bus I2C
de la estación de tierra, la cual registra temperatura y humedad del laboratorio en el cual están haciendo
pruebas. El esquema físico de las conexiones del hardware se muestra en la Figura 3.
josue@Josue:~/Telemetria$ uname -r
6.8.0-2038-raspi-realtime
josue@Josue:~/Telemetria$

pág. 6175
Figura 3. Conexiones electrónicas físicas del chasis Tamiya F104 Pro II
Hilos y decodificación de mensajes MAVLink
Para evitar el bloqueo de procesos en el sistema de telemetría, se implementó una arquitectura multihilo
aplicando la biblioteca threading en python. La comunicación física se realizó mediante comunicación
serial USB a través del puerto de dispositivo /dev/ttyACM0 a una velocidad fija de 115,200 bps. Sobre
este canal de comunicación se usa el protocolo MAVLink. El flujo del sistema comienza con un
subproceso independiente el cual se denomina “Hilo oyente / escritor “. Este opera en un modo de no
bloqueo el cual llama asíncronamente a una función que se encarga de extraer del búfer de entrada de
datos con nombre especifico (SYS_STATUS), valores de voltaje de batería, corriente y RPM. A su vez
se implementó un objeto de exclusión mutua, el cual permite un acceso seguro y concurrente a los hilos
encargados del control del auto y servidor web.
Evaluación de rendimiento computacional en tiempo real
Una parte fundamental de la metodología es la gestión determinista del bucle principal, el cual está
programado para una ejecución de un periodo de muestreo objetivo fijo de 𝑇𝑠 = 50.0 𝑚𝑠(20 𝐻𝑧). Al
comenzar de cada ciclo, el hilo con alta prioridad captura una marca de tiempo en la SBC Raspberry Pi
5, invocando una función para este fin. Después de esto, el hilo toma el control exclusivo de la CPU
para que este procese de forma secuencial la decodificación de las variables físicas, estimación de estado
de carga y la llamada a un lazo cerrado de control de velocidad basado en un control tipo Proporcional

pág. 6176
Integral Derivativo (PID) que envía las señales PWM hacia el ESC (Electronic Speed Crontroller). Al
finalizar las tareas correspondientes, el algoritmo registra una segunda marca de tiempo para deducir el
tiempo de ejecución (C), el cual es el coste real computacional consumido por el procesador antes del
plazo máximo de respuesta (50 ms). En base a la literatura enfocada en sistemas de gestión de baterías
o BMS (Plett, 2015) indica que para mantener un error de integración bajo para el método de estimación
SoC por conteo de Coulomb durante caídas fuertes de tensión, es necesario operar en una frecuencia
entre 10 Hz y 50 Hz, por lo tanto, se justifica el uso de 20 Hz se puede dar seguimiento a la dinámica
de descarga de la batería sin pérdida de información o errores de integración altos. Si el coste
computacional supera ese plazo 𝐶 > 50.0𝑚𝑠, el sistema registra un sobrepaso temporal e incumpliendo
restricciones de tiempo real (Buttazzo, 2024). Se calcula la variación no determinista del tiempo de
respuesta real frente al plazo máximo de respuesta, almacenando la magnitud de esta fluctuación.
Algoritmo para estimación de SoC
La estimación del estado de carga (SoC) se ejecuta concurrentemente, el cual aplica el método de
integración por conteo de Coulomb. Tomando en cuenta el intervalo de tiempo ∆𝑡 = 0.05𝑠 , la
capacidad acumulada de consumo se calcula a partir de la ecuación 1:
𝛥𝑚𝐴ℎ = 𝐼(𝐴)∗∆𝑡(𝑠)
3.6 (1)
La capacidad de energía remanente se va descontando respecto a la capacidad nominal previamente
calibrada (1,300 mAh), lo cual permite analizar la descarga de la batería LiPo bajo diferentes perfiles
de conducción experimentales y controlados. Para proteger la batería y evitar posibles daños, el sistema
integra un protocolo de seguridad (failsafe) (Lu. et al., 2013). El failsafe evalúa continuamente tres
criterios de fallas:
Corte por voltaje crítico
Si el voltaje en la batería cae por debajo de 9.6 V (umbral mínimo máximo para evitar daño en batería
de 3 celdas), se ejecuta un contador el cual, si persiste el voltaje por debajo del umbral crítico por más
de 3 segundos, ejecuta un paro de emergencia de todo el hardware.

pág. 6177
Límite inferior de SoC
Si la capacidad que se calculó llega a disminuir por debajo de un 15% de carga en la batería, cualquier
prueba que se encuentre en ejecución se detendrá por completo.
Falla en sensores: Si existen incongruencias en las RPM (RPM altas) y un valor bajo de consumo de
corriente y esto continua por más de 5 segundos consecutivos, se ejecuta un paro de emergencia en el
motor burshless para evitar daños al sensor de efecto Hall.
Interfaz gráfica y servidor WEB
El diseño implementado en la interfaz gráfica utiliza hilos independientes, esto es para evitar que el
renderizado de las gráficas no perjudique el determinismo computacional del lazo cerrado. Ante esto el
backend del sistema de telemetría está ejecutando asíncronamente un hilo secundario, utilizado para el
servidor Flask, el cual se encarga de exponer los estados internos de la memoria, usando un formato
JSON.
El servicio frontend programado en HTML, establece un canal asíncrono el cual esta periódicamente
consultando al backend con una tasa de actualización síncrona de 50 ms. Los datos se mapean en
indicadores visuales y gráficas. La distribución y diseño del frontend se puede observar en la Figura 4.
la cual muestra los indicadores visuales de los datos mapeados y las gráficas de interés.
El diseño de la interfaz web se basó en los Principios Heurísticos de Usabilidad de Jakob Nielsen
(Nielsen, 1994), los cuales son considerados el estándar global. Los principios utilizados son los
siguientes:
▪ Visibilidad del estado del sistema.
▪ Diseño estético y minimalista.
▪ Control y libertad de usuarios.
▪ Consistencia y estándares.
▪ Coincidencia entre el sistema y el mundo real.

pág. 6178
Figura 4. Interfaz gráfica de usuario.
Finalmente, los datos obtenidos son guardados en un archivo plano CSV local con un bufer de memoria
directo, guardando la marca de tiempo, valores eléctricos y las métricas computacionales de tiempo
real para posteriormente el análisis de descarga y tiempos de ejecución del sistema y así ver el
comportamiento dinámico de la plataforma de telemetría y validar si se considera un sistema en tiempo
real.
RESULTADOS Y DISCUSIÓN
La validación del sistema de telemetría se llevó a cabo mediante una prueba de laboratorio. Se puso en
accionamiento un ciclo completo de descarga bajo un perfil de conducción económico. Se pudieron
registrar un total de 40,579 ciclos de procesamiento determinista, con una duración de operación total
de 2,033.36 segundos (33.89 minutos de adquisición de datos sin interrupción), dando una base de datos
sólida para analizar el comportamiento dinámico de la descarga y consumo computacional del prototipo.

pág. 6179
Dinámica del perfil de descarga de batería LiPo
El análisis del comportamiento de descarga de la batería de LiPo de 3 celdas inicio con un estado de
carga (SoC) de 99.27% y un valor de voltaje en circuito abierto de 12.40 V. Durante la prueba controlada
de laboratorio, la demanda de corriente impuesta por el motor brushless registro un flujo de corriente
continuo promedio de 1.95 A, registrando picos máximos de corriente de hasta 4.19 A con rampas de
aceleración cíclicas máximas de 3,000 RPM.
Como resultado a esta demanda de trabajo, la curva de voltaje tuvo una caída progresiva de voltaje,
combinada con caídas de tensión causadas por la resistencia interna (sag), alcanzando un mínimo de
11.09 V bajo carga. Los resultados afirman el éxito del algoritmo de paro de emergencia (Failsafe), ya
que la lógica del algoritmo detuvo la misión de manera controlada y con éxito al detectar un SoC del
14.93%, exactamente a los 2,033.36 segundos, cumpliendo con la restricción programada de no pasar
por debajo del 15% de carga, esto para prevenir una sobre-descarga que pueda dañar físicamente la
batería LiPo. La Figura 5. Muestra el comportamiento dinámico del voltaje ante la carga de trabajo
generada por el motor, aplicando como post procesado de los datos un ajuste polinomial.
Figura 5. Curva de voltaje con ajuste polinomial.
Así mismo, la Figura 6, muestra el comportamiento dinámico de la carga de corriente demandada por
el motor aplicando el ajuste polinomial.

pág. 6180
Figura 6. Curva de corriente con ajuste polinomial.
Resultados térmicos del sistema motriz
La monitorización de las lecturas térmicas se valida gracias a los resultados obtenidos por el sensor
DS18B20, el cual registró una temperatura inicial en el motor de 31.94 °C. debido al calentamiento
generado por la conducción de corriente en el motor y la carga de trabajo demandada, la prueba
experimento un crecimiento a lo largo de los 33 minutos de duración de la prueba, la cual se estabilizó
en un valor final de 55.00 °C y registro un pico máximo de temperatura de 55.19 °C. Con esto se valida
la necesidad de nodos sensoriales de temperatura para la evaluación de la eficiencia térmica del motor.
Esto se puede confirmar en la Figura 7.
Figura 7. Gráfica temporal de Temperatura (°C) a lo largo del tiempo.

pág. 6181
Evaluación computacional de sistema en tiempo real
Una parte fundamental es la validación de la capacidad del software para cumplir de manera
determinista con las restricciones temporales bajo el parche del kernel PREEMPT_RT. El tiempo de
muestreo objetivo o plazo máximo de respuesta se estableció en 50.0 ms. Durante esta prueba los datos
obtenidos demostraron un rendimiento estable y bueno, el tiempo que le tomo a todo el sistema de
decodificar los mensajes MAVLink, calcular variables, despliegue de interfaz web y escritura en el
disco, promedio apenas 1.49 ms.
Añadiendo, bajo condicione de estrés o picos de escritura en el bufer de almacenamiento, el tiempo de
ejecución máximo que se registro fue de 5.11 ms, ante estos resultados se puede decir que el sistema
logro un 100% de cumplimiento del plazo máximo de respuesta a lo largo de los 40,579 ciclos,
demostrando que en el peor de los casos el procesador utilizo únicamente el 10.22% del tiempo
disponible antes de llegar al plazo máximo de respuesta de 50 ms. La Figura 8 muestra como la curva
de tiempo de ejecución se mantiene en promedio alejada del plazo máximo, por lo cual genera una
bandera de validación exitosa de un 100&.
Figura 8. Tiempo de ejecución total del sistema.
Sin embargo, el análisis del periodo transcurrido entre cada actividad de cada ciclo revela el impacto
de la arquitectura del software sobre el determinismo global. Se demostró que hay una variación no
determinística del tiempo de respuesta, con picos de hasta 98.67 ms. Estas latencias se pueden observar
en la Figura 9 y no se atribuyen a la planificación de tareas del núcleo PREEMPT_RT.

pág. 6182
Como primer posible razón a estos picos de latencia, se les atribuye a las operaciones bloqueantes que
se generan por persistencia síncrona de datos de la memoria MicroSD, lo cual provoca en el hilo
principal, estados de espera y pausas temporales. Otra de las posibles razones se debe al lenguaje de
programación Python, el cual no está diseñado para la implementación de sistemas en tiempo real, como
lo podría ser C o C++. Ante esto el prototipo de telemetría desarrollado se puede catalogar como Tiempo
Real Suave (Soft Real -Time).
Figura 9. Tiempos de ejecución.
DISCUSIÓN
El desarrollo del sistema de telemetría demostró ser efectivo para el análisis de la descarga de baterías
de LiPo en una plataforma vehicular a escala. El análisis entre la demanda de corriente (picos de 4.19
A) y la evaluación térmica del motor (55 °C) valida a este entorno como un banco de pruebas seguro y
escalable para una futura implementación. A su vez el método de integración numérica por conteo de
Coulomb demostró un buen comportamiento para gestionar el Estado de Carga (SoC) de forma
concurrente. Se pudo garantizar que el sistema de seguridad programado (Failsafe), pudo detener la
descarga de forma autónoma en el umbral crítico del 14.93% demostrando que las arquitecturas
embebidas de bajo costo pueden ser de utilidad para el desarrollo de sistemas de telemetría en baterías
a escala o en un tamaño real.

pág. 6183
En cuanto al desempeño computacional, se identificaron las limitaciones de la arquitectura de software;
Aunque la configuración del kernel PREEMPT_RT mantuvo el tiempo de ejecución en promedio por
debajo de los 5.11 ms, el periodo de muestreo presentó latencias provocadas por operaciones
bloqueantes en la memoria MicroSD y el uso de un lenguaje de programación no diseñado para sistemas
en tiempo real Hard. Ante todo, esto el sistema opera bienbajo un régimen de Tiempo Real no Crítico.
CONCLUSIONES
El desarrollo del sistema de telemetría en tiempo real permitió validar experimentalmente una
arquitectura embebida orientada al monitoreo dinámico de baterías LiPo en un vehículo eléctrico a
escala, integrando una Raspberry Pi 5 con kernel PREEMPT_RT, comunicación MAVLink y una
plataforma de adquisición basada en Pixhawk. Los resultados obtenidos demostraron que el sistema fue
capaz de mantener una operación estable y continua durante más de 40 mil ciclos de ejecución,
garantizando la captura y procesamiento de variables críticas como voltaje, corriente, temperatura,
velocidad del motor y estado de carga (SoC). Por otra parte, la implementación del método de conteo
de Coulomb permitió estimar de manera adecuada el comportamiento de descarga de la batería bajo
perfiles controlados de conducción, mientras que la integración del sistema de seguridad (Failsafe)
protegió la integridad de la batería al detener automáticamente las pruebas cuando el nivel de carga
alcanzó el umbral crítico establecido. Esto demuestra que las plataformas embebidas de bajo costo
pueden utilizarse como herramientas confiables para el análisis energético y la validación experimental
en aplicaciones relacionadas con electromovilidad.
Desde el punto de vista computacional, la integración del kernel PREEMPT_RT permitió reducir los
tiempos de ejecución y mantener el cumplimiento de las restricciones temporales establecidas para la
adquisición y procesamiento de datos. Aunque se identificaron variaciones temporales ocasionadas
principalmente por operaciones de entrada/salida y limitaciones propias del lenguaje Python, el sistema
mantuvo un comportamiento estable dentro de un esquema de Tiempo Real Suave (Soft Real-Time), lo
cual resulta suficiente para aplicaciones de monitoreo, telemetría y supervisión energética.
Uno de los principales aportes del proyecto consiste en la integración completa de hardware, software
y análisis temporal en una plataforma experimental funcional y escalable, capaz de servir como banco

pág. 6184
de pruebas para futuras investigaciones relacionadas con sistemas de gestión de baterías, vehículos
eléctricos y arquitecturas embebidas en tiempo real. Asimismo, el trabajo proporciona una base
tecnológica accesible para el desarrollo de sistemas de supervisión energética en aplicaciones
académicas, industriales y de investigación.
REFERENCIAS BIBLIOGRAFICAS
Adam, G. K., Petrellis, N., & Doulos, L. T. (2021). Performance assessment of Linux kernels with
PREEMPT_RT on ARM-based embedded devices. *Electronics, 10*(11), 1331.
https://doi.org/10.3390/electronics10111331
Bermúdez Pérez, M. A. (2024). *Sistema de telemetría para optimización de rendimiento de vehículo
eléctrico* [Informe de pasantía de investigación, Universidad Autónoma de Occidente].
Repositorio Institucional UAO. https://hdl.handle.net/10614/15952
Buttazzo, G. C. (2024). *Hard real-time computing systems: Predictable scheduling algorithms and
applications* (4th ed.). Springer. https://doi.org/10.1007/978-3-031-45410-3
Canchignia Guamushig, G. A., & Manobanda Manobanda, D. A. (2023). *Implementación de un
sistema de telemetría para el monitoreo y gestión de consumo de energía eléctrica para el
prototipo Shell Eco-Marathon de la UPS sede Quito, Campus Sur* [Tesis de licenciatura,
Universidad Politécnica Salesiana].
González-Baldovinos, D. L., Guevara-López, P., Cano-Rosas, J. L., Valdez-Martínez, J. S., & López-
Chau, A. (2022). Response times reconstructor based on mathematical expectation quotient
for a high priority task over RT-Linux. *Mathematics, 10*(1), 134.
https://doi.org/10.3390/math10010134
Lu, L., Han, X., Li, J., Hua, J., & Ouyang, M. (2013). A review on the key issues for lithium-ion battery
management in electric vehicles. *Journal of Power Sources, 226*, 272–288.
https://doi.org/10.1016/j.jpowsour.2012.10.060
Meier, L., Tanskanen, P., Fraundorfer, F., & Pollefeys, M. (2011). PIXHAWK: A system for
autonomous flight using onboard computer vision. En *Proceedings of the IEEE International
Conference on Robotics and Automation (ICRA 2011)* (pp. 2992–2997). IEEE.

pág. 6185
https://doi.org/10.1109/ICRA.2011.5980229
Mundige, R. M., Joseph, S. A., Badachi, C., Sharma, A., & Jha, A. (2023). Development of telemetry
system for electric vehicle. En *2023 7th International Conference on Computer Applications
in Electrical Engineering – Recent Advances (CERA)* (pp. 1–6). IEEE.
https://doi.org/10.1109/CERA59325.2023.10455470
Nielsen, J. (1994). Enhancing the explanatory power of usability heuristics. En *Proceedings of the
SIGCHI Conference on Human Factors in Computing Systems* (pp. 152–158). Association
for Computing Machinery. https://doi.org/10.1145/191666.191729
Plett, G. L. (2015). *Battery management systems, Volume I: Battery modeling*. Artech House.
Reghenzani, F., Massari, G., & Fornaciari, W. (2020). The real-time Linux kernel: A survey on
PREEMPT_RT. *ACM Computing Surveys, 52*(1), Article 18, 1–36.
https://doi.org/10.1145/3297714
Valdez, J., Delgado, G., Guevara, P., & Cano, J. (2019). Transmission times reconstruction in a
telecontrolled real-time system. *IEEE Latin America Transactions, 17*(3), 349–357.
https://doi.org/10.1109/TLA.2019.8863304