Previous slide Next slide Toggle fullscreen Toggle overview view Open presenter view
UD04: Análisis de sistemas robotizados
Modelos de Inteligencia Artificial
version: 2026-08-25
Modelos de Inteligencia Artificial 26-27 (UD04_1)
¿Qué veremos?
Métodos y aplicaciones de la robótica
Qué clase de problema resuelve
Modelado y control cinemático
Problemas y soluciones
Percepción robótica
Incertidumbre y aprendizaje
Técnicas de programación
Humanos y robots
Diseño e implementación
Modelos de Inteligencia Artificial 26-27 (UD04_1)
RA4 y sus criterios de evaluación
RA4 — Analiza sistemas robotizados, evaluando opciones de diseño e implementación.
CE
Criterio
Dónde
a Recopilar los problemas del modelado y control cinemático en manipuladores
§1-3
b Buscar soluciones a los problemas de los robots
§4-6
c Valorar las técnicas de programación de robots y de sistemas robotizados
§7-8
d Evaluar opciones de diseño e implementación
§9
Cuatro contenidos oficiales para cuatro CE: en este RA encajan casi uno a uno , y es la excepción del módulo.
Modelos de Inteligencia Artificial 26-27 (UD04_1)
Al terminar la unidad serás capaz de…
Clasificar robots por tipo y describir aplicaciones reales con datos.Distinguir los sensores por lo que miden y elegir el adecuado.Resolver la cinemática directa con parámetros DH y entender por qué la inversa es más difícil.Identificar singularidades, redundancia y límites, y sus soluciones.Plantear un problema de planificación en el espacio de configuración.Explicar cómo un robot se localiza y hace un mapa con sensores ruidosos.Comparar técnicas de programación resolviendo el mismo problema de cuatro formas.Aplicar criterios de diseño: payload, alcance, sensores, seguridad.
Modelos de Inteligencia Artificial 26-27 (UD04_1)
1. Métodos y aplicaciones
de la robótica
RA4-a
Modelos de Inteligencia Artificial 26-27 (UD04_1)
Un robot es un agente encarnado
Es el único sistema de IA del curso que cambia el estado del mundo físico .
Un clasificador que falla produce una etiqueta mala.
Un robot que falla rompe una pieza . O algo peor.
Y su entorno es parcialmente observable, estocástico y con más agentes dentro : las cámaras no ven tras las esquinas, los engranajes patinan y las personas son impredecibles.
Modelos de Inteligencia Artificial 26-27 (UD04_1)
Percibir, procesar, actuar
Sensores ──► Controlador ──► Actuadores ──► Entorno
▲ │
└────────────── medición ◄─────────────────┘
Los efectores ejercen fuerza y pueden cambiar tres cosas:
el estado del robot : el coche gira las ruedas y avanza,
el del entorno : el brazo empuja una taza,
el de las personas : alguien se aparta al verlo llegar.
Modelos de Inteligencia Artificial 26-27 (UD04_1)
Tipos de robot
Tipo
Qué es
Manipulador Un brazo; no necesita cuerpo, se atornilla a una mesa o al suelo
Móvil con ruedas Aspiradora, AGV de almacén, coche autónomo, rover
Con patas Terreno accidentado donde la rueda no llega
Aéreo (UAV) y submarino (AUV) Cuadricópteros, exploración oceánica
Cobot Comparte espacio con personas: potencia y fuerza limitadas
Otros Prótesis, exoesqueletos, alas, enjambres , entornos inteligentes
El robot antropomórfico de la ficción es el menos frecuente en la realidad.
Modelos de Inteligencia Artificial 26-27 (UD04_1)
No es solo el tamaño
Un manipulador de una tonelada y un brazo montado en una silla de ruedas se diferencian en más que la escala:
el primero mueve mucha carga ,
el segundo mueve poca pero es seguro entre personas .
Payload y seguridad son criterios distintos , y a menudo opuestos.
Modelos de Inteligencia Artificial 26-27 (UD04_1)
Sensores: dos clasificaciones a la vez
Por cómo obtienen la señal:
Pasivos — cámaras: captan lo que el entorno emite.Activos — sonar, lidar: emiten energía y miden lo que vuelve. Dan más información, pero consumen más y se interfieren entre sí .
Por lo que miden : el entorno · la ubicación del robot · su configuración interna.
Modelos de Inteligencia Artificial 26-27 (UD04_1)
Clase
Sensores
Del entorno Sonar, visión estéreo, luz estructurada (Kinect), tiempo de vuelo, lidar , radar, táctiles
De la ubicación GPS/GLONASS, balizas de interior, señal wifi, balizas de sonar
De la configuración interna Encoders, odometría de rueda, giroscopios, fuerza y par
Modelos de Inteligencia Artificial 26-27 (UD04_1)
Las cifras que deciden
Sensor
Alcance y precisión
Lidar de barrido ~1 cm a 100 m . El de referencia en coche autónomo
Cámara de tiempo de vuelo Rango a 60 fps ; peor que el lidar a plena luz
Radar Hasta kilómetros , y ve a través de la niebla
GPS Unos metros ; con GPS diferencial, milimétrico en condiciones ideales. No funciona en interiores ni bajo el agua
Fuerza y par 3 traslaciones + 3 rotaciones, cientos de medidas por segundo
Modelos de Inteligencia Artificial 26-27 (UD04_1)
Por qué la odometría no basta
Contar vueltas de rueda parece barato y exacto. Y lo es… durante unos metros .
Las ruedas derrapan y patinan .
El error se acumula sin límite : nada lo corrige.
Por eso se combina siempre con giroscopios y con una referencia externa . Es la razón de ser de la localización probabilística del bloque 5.
Modelos de Inteligencia Artificial 26-27 (UD04_1)
El caso de la bombilla
Un manipulador de una tonelada tiene que enroscar una bombilla. Es facilísimo romperla.
Los sensores de fuerza dicen con qué fuerza agarra.
Los de par , con qué fuerza gira.
Midiendo cientos de veces por segundo , corrige antes de romper el cristal.
Manipular con cuidado no viene de tener un brazo más suave: viene de medir rápido .
Modelos de Inteligencia Artificial 26-27 (UD04_1)
Actuadores
Tipo
Dónde se usa
Eléctrico El más común: articulaciones de brazos
Hidráulico Mucha fuerza: maquinaria pesada
Neumático Movimientos rápidos y simples, pinzas
Mueven articulaciones de revolución (giran, ángulo θ) o prismáticas (deslizan, distancia d). Las dos, de un eje.
Modelos de Inteligencia Artificial 26-27 (UD04_1)
Pinzas: el compromiso
Mordaza paralela — dos dedos, un actuador. «Amada y odiada por su simplicidad».Tres dedos — algo más de flexibilidad sin complicarse.Mano antropomórfica — la Shadow Hand tiene 20 actuadores : puede girar el móvil en la mano, y es mucho más difícil de controlar .
Modelos de Inteligencia Artificial 26-27 (UD04_1)
Más grados de libertad no es mejor
Cada actuador multiplica lo que el robot puede hacer y lo que hay que decidir en cada instante.
Veinte actuadores es un espacio de acción enorme.
Casi toda la robótica industrial funciona con dos dedos y un actuador , porque la tarea no necesita más.
Modelos de Inteligencia Artificial 26-27 (UD04_1)
La robótica, con datos (IFR 2025)
Dato
Valor (2024)
Robots industriales instalados
542.000 (4.º año sobre 500.000)
Stock operativo mundial
4,66 millones (+9 %)
Líder en densidad
Corea del Sur (1.012-1.220 por 10.000 empleados)
Líder de mercado
China (295.000, el 54 %)
España , 3.er mercado europeo5.100 unidades , por la automoción
Robótica médica
+91 % , con da Vinci como referencia
Modelos de Inteligencia Artificial 26-27 (UD04_1)
Cuatro casos reales
Robot
Características
Uso
KUKA KR AGILUS 6-11 kg, 726-1.101 mm
60 sándwiches/min; 3.000 muestras de sangre/día
FANUC Hasta 2,3 t , alcance 4,7 m
Paletizado (M-410, 700 kg), soldadura
UR e-Series 3-16 kg; repetibilidad ±0,03-0,05 mm
Montaje asistido, inspección
Amazon Robotics Más de 1 millón de robots
Logística de almacén
Modelos de Inteligencia Artificial 26-27 (UD04_1)
Pensar en «robot + tarea»
No se elige el robot más caro. Se define primero la tarea :
qué pieza, qué peso,
qué ritmo, qué precisión,
qué entorno.
Y después se busca el modelo que cumple payload, alcance, repetibilidad y seguridad.
Es el criterio del bloque 9 y del Taller 2.
Modelos de Inteligencia Artificial 26-27 (UD04_1)
2. Qué clase de problema
resuelve la robótica
Modelos de Inteligencia Artificial 26-27 (UD04_1)
Todas las dificultades a la vez
La robótica es no determinista , parcialmente observable y multiagente .
Y lo multiagente no es competir o cooperar: es las dos cosas . En un pasillo donde solo cabe uno, el robot y la persona colaboran —ninguno quiere chocar— y compiten por pasar primero.
Un robot demasiado educado se queda atascado para siempre .
Modelos de Inteligencia Artificial 26-27 (UD04_1)
¿De quién es la recompensa?
Si el robot lleva la comida a un paciente, la recompensa es del paciente , no suya.
Y ahí está el problema: la recompensa verdadera está en la cabeza del usuario . El robot tiene que deducirla, o conformarse con la aproximación que le programó un ingeniero.
Es el problema de alineación de la UD06, con un brazo de una tonelada.
Modelos de Inteligencia Artificial 26-27 (UD04_1)
La jerarquía de tres niveles
En crudo, un robot ve píxeles y envía corrientes a motores. Entre eso y «lleva la comida a la 12» hay un abismo. Se salva partiendo el problema :
Planificación de tareas → submetas discretas: ir a la puerta, abrirla
↓
Planificación de movimiento → un camino sin colisiones
↓
Control → que los actuadores sigan ese camino
Modelos de Inteligencia Artificial 26-27 (UD04_1)
Lo que se pierde al partirlo
Dividir reduce la complejidad, pero renuncia a que las partes se ayuden :
La acción puede mejorar la percepción: moverse para ver mejor.
El movimiento óptimo sobre el papel puede ser el peor de seguir.
Un plan de tareas puede ser imposible de instanciar en movimiento.
Por eso hoy se avanza en cada nivel y en volver a integrarlos .
Modelos de Inteligencia Artificial 26-27 (UD04_1)
3. Modelado y control
cinemático
RA4-a
Modelos de Inteligencia Artificial 26-27 (UD04_1)
La cadena cinemática
Concepto
Definición
Grado de libertad (DoF) Movimiento independiente. Hacen falta ≥ 6 para pose libre en 3D
Revolución (R) Gira: su variable es un ángulo θ
Prismática (P) Desliza: su variable es una distancia d
Espacio articular El vector q con la posición de cada articulación
Espacio cartesiano La pose : posición más orientación del efector
Modelos de Inteligencia Artificial 26-27 (UD04_1)
Cuatro configuraciones
Configuración
Articulaciones
Uso típico
Articulado ≥ 3R
El más común en industria (6 ejes)
Cartesiano / pórtico 3P
Manipulación simple, gran alcance
SCARA RRP
Montaje: rígido en Z, flexible en XY
Delta / paralelo Paralelas
Empaquetado de alta velocidad
Modelos de Inteligencia Artificial 26-27 (UD04_1)
Cinemática directa
De los ángulos a la pose: pose = f(q). Se multiplican matrices homogéneas 4×4 .
Cada transformación se describe con los parámetros de Denavit-Hartenberg : cuatro valores por articulación —
Se escribe la tabla DH del robot y la pose sale de encadenar las matrices.
Modelos de Inteligencia Artificial 26-27 (UD04_1)
Tabla DH del Puma 560 (fragmento)
Articulación
θ
d
a
α
1
q₁
0,6718
0
−90°
2
q₂
0
0,4318
0°
3
q₃
0,1500
0,0203
90°
4
q₄
0,4318
0
−90°
fkine([0, 0.2, 0.3, 0.4, 0.5, 0.6]) devuelve una matriz 4×4 con la pose: del orden de [0,25; −0,13; 1,15].
Modelos de Inteligencia Artificial 26-27 (UD04_1)
Un brazo plano 3R, a mano
Con l₁ = l₂ = l₃ = 1 y los tres ángulos a 0 → el efector está en (3, 0) .
Poniendo θ₁ = 90° → pasa a (0, 3) .
La cinemática directa siempre tiene una única solución .
Modelos de Inteligencia Artificial 26-27 (UD04_1)
La inversa es otra historia
q = f⁻¹(pose). Aquí están casi todos los problemas que pide recopilar el CE a:
Problema
En qué consiste
Múltiples soluciones Un 6R general: hasta 16 . Con muñeca esférica, 8
Redundancia Más DoF de los necesarios → infinitas soluciones
Sin solución El objetivo está fuera del alcance
Singularidad El jacobiano pierde rango → velocidad articular a infinito
Métodos analíticos (Pieper, desacoplamiento) o numéricos (Newton-Raphson, pseudoinversa, CCD, FABRIK).
Modelos de Inteligencia Artificial 26-27 (UD04_1)
Controlar el movimiento
Estrategia
Cómo
Posición PID por eje: medida del encoder, consigna el ángulo objetivo
Velocidad (resolved-rate )
Fuerza / impedancia El robot se comporta como masa-muelle-amortiguador
Servomotores con encoder , en lazo cerrado: sin realimentación no hay forma de saber si el eje llegó.
Modelos de Inteligencia Artificial 26-27 (UD04_1)
De P a par calculado
P — acción proporcional al error. Simple, pero oscila .PD — añade la derivada del error: amortigua la oscilación.PID — añade la integral: corrige el error sistemático persistente .Par calculado — usa la dinámica inversa para calcular el par necesario y deja al PID solo lo que el modelo no acierta.
Lo último es lo que usan los robots industriales de verdad.
Modelos de Inteligencia Artificial 26-27 (UD04_1)
De dónde salen las trayectorias
No se salta de un punto a otro: se interpola .
jtrajjerk continuos, movimiento suave.ctrajlínea recta cartesiana , que es lo que hace falta cuando el efector lleva una herramienta de corte.
El controlador va siguiendo esa trayectoria punto a punto.
Modelos de Inteligencia Artificial 26-27 (UD04_1)
4. Problemas y soluciones
RA4-b
Modelos de Inteligencia Artificial 26-27 (UD04_1)
Las cuatro singularidades
Singularidad
Cuándo ocurre
De muñeca Los ejes 4 y 6 se alinean (θ₅ = 0)
De hombro El centro de la muñeca corta el eje de la base
De codo El brazo, del todo estirado o plegado
De límite El efector llega al borde del volumen de trabajo
Modelos de Inteligencia Artificial 26-27 (UD04_1)
Qué se ve de verdad en la célula
No es un problema abstracto de álgebra. Las velocidades articulares tienden a infinito , así que el servo pide una corriente que no puede dar:
sobrecorriente ,vibraciones ,o una parada de seguridad a mitad del ciclo.
Se evitan al planificar, o se cruzan bajando la velocidad.
Modelos de Inteligencia Artificial 26-27 (UD04_1)
Las soluciones
Problema
Solución
Singularidades
Planificar evitándolas; medir la manipulabilidad (Yoshikawa)
IK compleja
Desacoplamiento : la muñeca esférica separa posición de orientación
Múltiples soluciones
Criterios: evitar obstáculos, minimizar recorrido
Límites articulares
Modelarlos y restringir el solver
Precisión deficiente
Calibrar (hasta ×10 de mejora) y medir con la ISO 9283
Modelos de Inteligencia Artificial 26-27 (UD04_1)
Precisión no es repetibilidad
Un robot puede ser repetible y a la vez impreciso : vuelve siempre al mismo punto, pero ese punto no es el que se programó .
Con teach pendant basta la repetibilidad: el punto se enseñó ahí.
Con programación offline , las coordenadas vienen de un CAD y la precisión es crítica → hay que calibrar .
Repetibilidad de los cobots UR e-Series: ±0,03-0,05 mm .
Modelos de Inteligencia Artificial 26-27 (UD04_1)
El espacio de configuración
Cambio de punto de vista: en vez del robot moviéndose por una habitación, un punto moviéndose por el espacio de todas sus configuraciones posibles .
Brazo de 6 ejes → 6 dimensiones .
Robot móvil en un plano → 3 (x, y, orientación).
Los obstáculos se vuelven regiones prohibidas ; lo que queda es el espacio libre . El problema deja de ser geométrico: es buscar un camino .
Modelos de Inteligencia Artificial 26-27 (UD04_1)
El problema de la mudanza del piano
Se llama así por el esfuerzo de una empresa de mudanzas para llevar un piano grande e irregular de una habitación a otra sin golpear nada .
Formalmente: un espacio W, obstáculos O ⊂ W, un robot con configuración C, una configuración inicial q_s y una objetivo q_g. Se busca un camino continuo por el espacio libre.
Se complica de tres formas: objetivo como conjunto , coste a minimizar, o restricciones — si lleva una taza de café, mantenerla vertical todo el trayecto.
Modelos de Inteligencia Artificial 26-27 (UD04_1)
Método
Idea
Fuerte
Flojo
Grafo de visibilidad Vértices de obstáculos + líneas de visión; después A*
El camino más corto en 2D
Escala mal; roza las esquinas
Voronoi Circular por los bordes entre regiones
Maximiza la distancia: seguro
Caminos más largos
Descomposición celular Trocear el espacio libre y buscar en el grafo
Simple y completo
Las celdas explotan al subir de dimensión
Muestreo (RRT, PRM) Lanzar configuraciones al azar y conectar
Lo único práctico con muchas dimensiones
No es óptimo; hay que suavizar
Modelos de Inteligencia Artificial 26-27 (UD04_1)
Corto o seguro
El grafo de visibilidad busca el camino más corto: pasa pegado a las esquinas .
Voronoi busca el más seguro: se aleja de todo , y por eso es más largo.
Cuál conviene depende de si el riesgo es chocar o es tardar .
Modelos de Inteligencia Artificial 26-27 (UD04_1)
Plan y política no son lo mismo
Un plan dice qué camino recorrer.
Una política dice qué acción tomar desde cualquier estado al que llegues.
Las leyes de control del bloque 3 son políticas , no planes.
Y la robótica real hace una componenda en dos pasos .
Modelos de Inteligencia Artificial 26-27 (UD04_1)
La componenda, y su precio
Planificar en un espacio simplificado — solo cinemática, sin dinámica. Sale la trayectoria de referencia.Convertirla en política : un controlador que la sigue y vuelve a ella al desviarse.
Dos suboptimalidades:
planificar sin la dinámica : el camino más corto en el papel puede ser el peor de seguir;
suponer que si te desvías lo mejor es volver al plan , cuando a veces conviene replanificar.
El control óptimo (LQR, iLQR) ataca las dos a la vez.
Modelos de Inteligencia Artificial 26-27 (UD04_1)
5. Percepción robótica
RA4-b
Modelos de Inteligencia Artificial 26-27 (UD04_1)
Tres problemas, de menos a más
Problema
Se sabe
Se busca
Localización El mapa
Dónde está el robot
Mapeo Dónde está el robot
El mapa
SLAM Nada de las dos
Las dos a la vez
SLAM es el caso realista, y parece imposible: para saber dónde estás necesitas el mapa, y para el mapa necesitas saber dónde estás.
Modelos de Inteligencia Artificial 26-27 (UD04_1)
Se rompe con probabilidad
En vez de una respuesta , el robot mantiene una distribución de probabilidad sobre dónde puede estar —su estado de creencia — y la afina con cada medida.
Las herramientas son las de toda la IA con incertidumbre:
filtros de Kalman ,modelos ocultos de Markov ,redes bayesianas .
Modelos de Inteligencia Artificial 26-27 (UD04_1)
Monte Carlo, en tres fotos
Una nube de «partículas», cada una una hipótesis:
Al arrancar, repartidas por todo el plano .
Llegan medidas y se agrupan : quedan varios grupos , porque los pasillos se parecen.
Con suficientes medidas, colapsan en un solo sitio .
Modelos de Inteligencia Artificial 26-27 (UD04_1)
Lo interesante es el paso 2
El robot representa explícitamente que hay varias respuestas posibles , en vez de escoger una y equivocarse.
Y solo necesita dos modelos: el del movimiento y el del sensor .
Modelos de Inteligencia Artificial 26-27 (UD04_1)
Pero no siempre hace falta la artillería
La tendencia va hacia representaciones con semántica —no «aquí hay algo», sino «esto es una puerta»— y las técnicas probabilísticas ganan en los problemas difíciles.
Aun así, a veces son demasiado engorrosas y una solución simple es igual de efectiva.
EX2 y EX3 navegan sobre los píxeles de una cámara sin ningún filtro probabilístico , y funcionan.
Modelos de Inteligencia Artificial 26-27 (UD04_1)
Percepción que se readapta
Entras de la calle soleada a una habitación con fluorescentes.
No solo hay menos luz: el fluorescente tiene más componente verde , así que todos los colores cambian .
Y no nos parece que a la gente se le haya puesto la cara verde: nuestra percepción se readapta en segundos .
Un robot que no haga eso creerá que ha cambiado de mundo .
Modelos de Inteligencia Artificial 26-27 (UD04_1)
6. Incertidumbre y aprendizaje
RA4-b
Modelos de Inteligencia Artificial 26-27 (UD04_1)
El atajo que usan los robots reales
La mayoría usa algoritmos deterministas , con dos atajos:
Discretizar el espacio continuo (visibilidad, celdas).Ante la duda, quedarse con el estado más probable .
Es más rápido y escala mejor. El precio: el robot actúa como si estuviera seguro cuando no lo está .
Modelos de Inteligencia Artificial 26-27 (UD04_1)
Cuándo se rompe el atajo
Funciona mientras la distribución tenga un solo pico claro .
Falla justo en el paso 2 de Monte Carlo: cuando hay varias hipótesis igual de buenas —tres pasillos que se parecen—, quedarse con la más probable es tirar una moneda …
…y el robot actúa con plena confianza sobre una respuesta que tiene un 33 % de ser cierta.
Modelos de Inteligencia Artificial 26-27 (UD04_1)
Por qué el refuerzo falla en un robot real
En simulación
En el robot real
Velocidad
Millones de pruebas en horas
Las mismas tardarían años
Riesgo
Ninguno
No puede arriesgarse a la prueba que lo dañaría — y por tanto no puede aprender de ella
El mundo real se niega a ir más rápido que el tiempo real.
Modelos de Inteligencia Artificial 26-27 (UD04_1)
De ahí el problema sim-to-real
Transferir a un robot real lo aprendido en simulación es un área de investigación activa .
Y por eso los sistemas prácticos incorporan conocimiento previo del robot, del entorno y de la tarea: es la única forma de aprender rápido y comportarse con seguridad mientras aprende.
EX4, EX5 y EX6 hacen este recorrido en pequeño y en simulación , que es donde se puede.
Modelos de Inteligencia Artificial 26-27 (UD04_1)
7. Técnicas de programación
de robots
RA4-c
Modelos de Inteligencia Artificial 26-27 (UD04_1)
Técnica
Ventaja
Desventaja
Cuándo
Teach pendant Curva mínima, puesta a punto rápida
Para la producción mientras programasPaletizado, soldadura por puntos
Guiado manual Intuitivo, sin código
Solo en cobots seguros
Montaje asistido
Textual (RAPID, KRL, URScript)Determinista, integra con PLC
Propietario, no portable
Células estables de alta cadencia
Offline (OLP) Cero impacto en producción Licencias; exige modelos precisos y robot calibrado
Geometrías complejas
ROS 2 Abierto, acceso a algoritmos de IA
Curva alta
Investigación, multi-robot
Modelos de Inteligencia Artificial 26-27 (UD04_1)
URScript se parece a Python
Los robots de Universal Robots se programan en URScript , un lenguaje muy parecido a Python.
Y se puede enviar al robot desde un cliente Python por FTP, SSH o RTDE .
Es la puerta de entrada natural a la programación de cobots desde este módulo.
Modelos de Inteligencia Artificial 26-27 (UD04_1)
«Colaborativo» no es del hardware
La ISO 10218:2025 prohíbe llamar «robot colaborativo» a un brazo aislado.
Lo que puede ser colaborativa es la aplicación completa : robot + herramienta + entorno + tarea.
Un cobot con un cuchillo en la pinza no es una aplicación colaborativa.
Es un matiz legal, y es el que decide si hace falta vallado.
Modelos de Inteligencia Artificial 26-27 (UD04_1)
Comparar de verdad: el mismo problema, cuatro veces
Un robot con cámara tiene que seguir una línea en el suelo. Y el problema se resuelve cuatro veces.
EX2 reglas → EX3 difusa → EX4 datos → EX5 red neuronal → EX6 NEAT
Eso es lo que pide el CE c: valorar características diferenciadoras .
Modelos de Inteligencia Artificial 26-27 (UD04_1)
Qué cambia en cada salto
Entregable
Técnica
Qué escribes tú
Qué sale del programa
EX2Reglas Todas las condiciones, a mano
Nada: el comportamiento es el que programaste
EX3Lógica difusa Variables lingüísticas y reglas
La transición suave entre ellas
EX5Red neuronal Arquitectura y entrenamiento
El comportamiento, aprendido de tus ejemplos
EX6NEAT Solo la función de aptitud
La red y su topología , sin ejemplos
Modelos de Inteligencia Artificial 26-27 (UD04_1)
Lo que hay que observar
No es cuál «funciona mejor». Es qué se gana y qué se pierde :
cuánto código escribes,
cuánto tienes que entender del problema,
cuántos datos necesitas,
y, lo más importante, si puedes explicar por qué el robot hizo lo que hizo .
Las reglas de EX2 se leen . Los pesos de la red de EX5, no .
Es la tensión entre interpretabilidad y potencia de la UD05 — y en la UD06 se vuelve un problema legal.
Modelos de Inteligencia Artificial 26-27 (UD04_1)
8. Humanos y robots
RA4-c · RA4-d
Modelos de Inteligencia Artificial 26-27 (UD04_1)
Una persona no es un obstáculo móvil
Cuando el robot comparte espacio con personas aparece un problema que no es de mecánica ni de control.
La forma habitual de plantearlo es como un juego : eso supone explícitamente que las personas son agentes con objetivos .
Pero suponerlo no significa que sean perfectamente racionales .
Modelos de Inteligencia Artificial 26-27 (UD04_1)
El «¿qué crees que creo que crees?»
El juego es difícil para el robot… y para nosotros .
Obliga a pensar en lo que hará el robot en respuesta a lo que hace la persona, que depende de lo que el robot cree que hará la persona, que depende de…
Las personas no gestionamos eso , así que nos comportamos de forma subóptima de maneras bastante predecibles.
Un robot que asuma racionalidad perfecta predecirá mal.
Modelos de Inteligencia Artificial 26-27 (UD04_1)
La solución práctica
Se descompone en dos:
Predicción — usar lo que la persona está haciendo ahora para estimar qué hará después.Acción — usar esa predicción para calcular el movimiento del robot.
Modelos de Inteligencia Artificial 26-27 (UD04_1)
Aprender lo que la persona quiere
El usuario no sabría escribir la función objetivo perfecta. El robot tiene que inferirla observando : qué corrige, qué acepta, qué repite.
Y esto no es un detalle técnico: un robot que optimiza una aproximación mala del objetivo hace exactamente lo que se le pidió y no lo que se quería.
Con un brazo de una tonelada, especificar mal el objetivo es un modo de fallo , igual que una singularidad.
Modelos de Inteligencia Artificial 26-27 (UD04_1)
9. Diseño e implementación
RA4-d
Modelos de Inteligencia Artificial 26-27 (UD04_1)
Los cinco criterios de selección
Criterio
Pregunta guía
Dato típico
Payload ¿Qué masa mueve, contando la herramienta?
UR3e 3 kg … FANUC 2,3 t
Alcance ¿Qué distancia máxima?
KUKA 726-1.101 mm; FANUC 4,7 m
Repetibilidad ¿Cuánta dispersión al volver?
UR e-Series ±0,03-0,05 mm
Precisión ¿Coincide con lo programado?
Mejora al calibrar
Entorno ¿Polvo, humedad, atmósfera explosiva?
Versiones IP / ATEX
Modelos de Inteligencia Artificial 26-27 (UD04_1)
El payload no es el peso de la pieza
Es la pieza más la herramienta, la brida, los cables y los sensores acoplados.
Y además hay que comprobar los momentos de inercia de la herramienta contra los límites de las reductoras de la muñeca.
Un robot puede aguantar 10 kg pegados a la brida y no aguantar 6 kg en el extremo de una herramienta larga.
Modelos de Inteligencia Artificial 26-27 (UD04_1)
Ejemplo guiado: pieza de 1,5 kg a 700 mm
Payload — pieza 1,5 + pinza 0,5 + cables ≈ 2,2 kg . Hace falta ≥ 2,5 kg y ≥ 700 mm: un UR5e (5 kg / 850 mm) cumple.Repetibilidad — la tarea tolera ±0,1 mm; el UR5e da ±0,05. Y no hace falta calibrar , porque los puntos se enseñan.Singularidades — se simula y se comprueba que la trayectoria no pasa por codo estirado ni muñeca alineada.Seguridad — ¿comparte espacio? → aplicación colaborativa. ¿No? → vallado con enclavamientos.
Modelos de Inteligencia Artificial 26-27 (UD04_1)
Si hay que cruzar una singularidad…
…se cambia el layout, no el controlador .
Es más barato mover el transportador que pelearse con el robot.
Y el orden importa: primero la tarea, después el robot . Nunca al revés.
Modelos de Inteligencia Artificial 26-27 (UD04_1)
La célula y la Industria 4.0
PLC de seguridad ◄──PROFINET/EtherCAT──► Robot ──► Sensores + herramienta
│
OPC UA / MQTT
▼
Plataforma IIoT / MES
▼
Gemelo digital
El bus del PLC es determinista ; la telemetría va por OPC UA o MQTT. Con esos datos, el gemelo digital anticipa fallos —fatiga de reductoras— antes de que paren la línea.
Modelos de Inteligencia Artificial 26-27 (UD04_1)
Seguridad y normativa
Norma
Qué regula
ISO 12100 Evaluación de riesgos de máquinas: la base
ISO 10218-1/-2 Robots industriales: requisitos de seguridad
ISO/TS 15066 Cobots: límites biomecánicos
ISO 10218:2025 Vigente : absorbe la 15066 y obliga a evaluar la aplicación completa
ISO 9283 Cómo se mide repetibilidad y precisión
Modelos de Inteligencia Artificial 26-27 (UD04_1)
Lo que cambió en 2025
La ISO 10218:2025 hace dos cosas:
Absorbe los límites biomecánicos de la ISO/TS 15066 y los vuelve obligatorios .
Añade auditorías de ciberseguridad industrial de la célula.
Un robot conectado a la red de planta es una superficie de ataque : es el security by design de la UD06, aplicado a una máquina que se mueve.
Modelos de Inteligencia Artificial 26-27 (UD04_1)
Dos simuladores, dos trabajos
roboticstoolbox-python
robot = rtb.models.Panda()
pose = robot.fkine([0 , -0.8 , 0.8 , 0 , 0.8 , 0 , 0 ])
q = robot.ikine_LM(pose)
aitk.robots
world = bots.World(220 , 180 , ground_image_filename="pista.png" )
robot = bots.Scribbler(x=100 , y=90 , a=90 )
robot.add_device(bots.Camera(64 , 32 ))
Modelos de Inteligencia Artificial 26-27 (UD04_1)
Cierre
Modelos de Inteligencia Artificial 26-27 (UD04_1)
Puntos clave (I)
Un robot es un agente encarnado , en un entorno parcialmente observable, estocástico y multiagente.
Los sensores se clasifican por cómo miden y por qué miden. La odometría se degrada sin límite : hay que corregirla.
Más grados de libertad no es mejor : 20 actuadores pueden más y son mucho más difíciles de controlar.La robótica parte el problema en tarea → movimiento → control , y con ello renuncia a que los niveles se ayuden.
La cinemática directa tiene solución única; la inversa , hasta 16 , más redundancia y singularidades.
Precisión no es repetibilidad : se puede volver siempre al mismo punto equivocado.
Modelos de Inteligencia Artificial 26-27 (UD04_1)
Puntos clave (II)
Planificar es buscar camino en el espacio de configuración : visibilidad da el más corto , Voronoi el más seguro , el muestreo es el único viable en muchas dimensiones.
Un plan dice qué camino; una política , qué hacer desde cualquier estado. La robótica real planifica y luego convierte el plan en política, pagando dos suboptimalidades.
SLAM mantiene una distribución de probabilidad , no una respuesta.El refuerzo falla en el robot real: el mundo no va más rápido que el tiempo real y no puede arriesgar la prueba que lo dañaría.
«Colaborativo» es de la aplicación , no del hardware (ISO 10218:2025).Diseñar es emparejar la tarea con el modelo y verificarlo en simulación antes de comprar.
Modelos de Inteligencia Artificial 26-27 (UD04_1)
Las cuatro sesiones
Semana
Contenido
CE
15
Métodos y aplicaciones; hardware; qué problema resuelve la robótica
a
16
Cinemática directa e inversa, singularidades; Taller 1
a, b
17
Espacio de configuración y planificación; percepción y SLAM; OpenCV, EX1-EX3
b, c
18
Técnicas comparadas (EX4-EX6); célula, seguridad y normativa; Taller 2
c, d
Modelos de Inteligencia Artificial 26-27 (UD04_1)
Cómo se evalúa
Peso
Instrumento
40 % Media de los seis entregables (EX1-EX6), cada uno con su rúbrica sobre 10
60 % Prueba del RA4: test y desarrollo sobre el contenido de la unidad
Los entregables son una secuencia : EX4 genera los datos de EX5. No conviene dejarlos para el final ni saltarse el orden.
La normativa exige alcanzar todos los RA ; el centro lo concreta en ≥ 5 en cada uno .
Modelos de Inteligencia Artificial 26-27 (UD04_1)
¿Y ahora?
Un robot percibe, razona y actúa sobre el mundo físico . Es donde la IA deja de equivocarse en una etiqueta y empieza a equivocarse en una pieza.
A seguir una línea con una cámara.
El bloque de contenidos del RD 279/2021 (anexo I) se llama textualmente «Análisis de sistemas robotizados»; agrupa métodos y aplicaciones, modelado y control, programación y diseño e implementación. Es la excepción del módulo: en el resto de RA los contenidos oficiales no casan uno a uno con los CE.
El bloque de percepción, planificación de movimiento, aprendizaje por refuerzo e interacción humano-robot se basa en el capítulo 26 (Robotics) de Artificial Intelligence: A Modern Approach, 4.ª edición, de Stuart Russell y Peter Norvig. Las prácticas con el simulador AITK proceden del curso Models d'IA de Carles Gonzalez.
El nombre completo del robot citado es Shadow Dexterous Hand.
IFR son las siglas de International Federation of Robotics, que publica cada año el informe World Robotics con las estadísticas oficiales del sector; es la fuente de estas cifras.
El Puma 560 es un brazo industrial clásico, uno de los modelos de referencia junto al Panda de Franka que trae ya resueltos roboticstoolbox-python.
PID son las siglas de proporcional-integral-derivativo, el controlador clásico de posición en robots industriales.
Un ejemplo real de calibración con programación offline es un ABB IRB 1600 corregido con un láser tracker.
El control óptimo usa técnicas de optimización de trayectoria como multiple shooting y colocación directa; LQR resuelve el caso ideal de coste cuadrático y dinámica lineal, e iLQR es la variante que se usa cuando esas condiciones no se cumplen, que es casi siempre.
SLAM son las siglas de Simultaneous Localization And Mapping: localización y mapeo simultáneos.
Esta técnica se llama formalmente localización de Monte Carlo o MCL (Monte Carlo Localization), y se implementa con un filtro de partículas.
Es el mismo criterio que se aplica en la UD05 con el PID: empezar simple y añadir complejidad solo cuando se justifica.
En ese recorrido, EX4 genera los datos conduciendo el robot, EX5 entrena la red con esos datos y EX6 evoluciona la solución con NEAT sin ejemplos etiquetados.
Es el mismo problema que la UD06 llama specification gaming o problema del rey Midas, y también aplica a un vehículo de dos toneladas, no solo a un brazo fijo.
La herramienta del extremo del brazo se llama EOAT: end of arm tooling.
Además de PROFINET y EtherCAT, el bus determinista del PLC también puede ser EtherNet/IP, otro protocolo industrial habitual en la célula.
roboticstoolbox-python está desarrollado por Peter Corke.
La exigencia de superar todos los RA viene del art. 5.1 de la Orden 8/2025 y de las Instrucciones 26-27, que impiden calificar positivamente un módulo con algún RA no superado.