UD04 — Análisis de sistemas robotizados¶

1. Introducción¶

Los robots ya no son una promesa de futuro: en 2024 se instalaron más de 540.000 robots industriales en el mundo y España fue el tercer mercado europeo, impulsado por la automoción. Entender cómo funciona un robot, cómo se modela su movimiento y cómo se diseña un sistema robotizado es competencia directa de un especialista en IA, porque un robot es un agente encarnado: el único sistema de IA de este curso que puede cambiar el estado del mundo físico.

Eso lo hace distinto de todo lo anterior. Un clasificador que se equivoca produce una etiqueta errónea; un robot que se equivoca 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 que comparten el espacio son impredecibles.

El recorrido de la unidad:

1. Métodos y aplicaciones de la robótica: qué es un robot, su hardware (sensores, actuadores, pinzas) y dónde se usa, con datos del sector.
2. Qué clase de problema resuelve la robótica y la jerarquía tarea → movimiento → control.
3. Modelado y control cinemático de manipuladores: grados de libertad, parámetros DH, cinemática directa e inversa.
4. Los problemas típicos (singularidades, redundancia) y sus soluciones: espacio de configuración, planificación de movimiento y seguimiento de trayectoria.
5. Percepción robótica: localización, mapeo y SLAM.
6. Planificación con incertidumbre y aprendizaje en robótica.
7. Las técnicas de programación de robots, del teach pendant al ROS 2 — y comparadas en la práctica sobre un mismo problema.
8. Humanos y robots: coordinación y aprender lo que la persona quiere.
9. El diseño e implementación de un sistema robotizado: selección, célula, seguridad y normativa.

2. Resultado de aprendizaje y criterios de evaluación¶

RA4 — Analiza sistemas robotizados, evaluando opciones de diseño e implementación.

3. Objetivos de la unidad¶

4. Métodos y aplicaciones de la robótica (RA4-a)¶

4.1 ¿Qué es un robot?¶

Un robot es una máquina programable que percibe su entorno, procesa información y actúa físicamente sobre él. Tiene tres partes que se realimentan:

flowchart LR
    S[Sensores<br/>visión, alcance, fuerza, posición] --> C[Controlador<br/>percibe, planifica, decide]
    C --> A[Actuadores<br/>motores, cilindros, pinzas]
    A --> E[Entorno físico]
    E -. medición .-> S

Los efectores son las piezas que ejercen fuerza sobre el entorno: ruedas, patas, articulaciones, pinzas. Cuando actúan, pueden cambiar tres cosas: el estado del robot (un coche gira las ruedas y avanza), el estado del entorno (un brazo empuja una taza) e incluso el estado de las personas alrededor (un exoesqueleto mueve una pierna; un robot se acerca al ascensor y alguien se aparta).

4.2 Tipos de robot, desde el hardware¶

La imagen popular del robot con cabeza y dos brazos —el antropomórfico de la ficción— es la menos frecuente en la realidad:

La diferencia entre un manipulador de una tonelada que ensambla coches y un brazo de asistencia no es solo el tamaño: el primero mueve mucha carga, el segundo mueve poca pero es seguro entre personas. Payload y seguridad son criterios distintos, y a menudo opuestos.

4.3 Sensores: qué se mide y con qué¶

Los sensores son la interfaz perceptiva del robot. Se clasifican de dos formas a la vez.

Por cómo obtienen la señal: los pasivos (cámaras) captan lo que el entorno emite; los activos (sonar, lidar) emiten energía y miden lo que vuelve. Los activos dan más información, pero consumen más y se interfieren entre sí cuando hay varios trabajando a la vez.

Por lo que miden:

Las cifras ayudan a elegir:

4.4 Actuadores y pinzas¶

El mecanismo que produce el movimiento es el actuador:

Los actuadores mueven articulaciones entre eslabones rígidos: de revolución (un eslabón gira respecto al otro) o prismáticas (uno se desliza sobre el otro). Las dos son de un solo eje; las esféricas, cilíndricas y planas son multieje.

Para agarrar, el robot usa pinzas, y aquí hay un compromiso claro:

• La pinza de mordaza paralela —dos dedos, un actuador— es «amada y odiada por su simplicidad»: hace poco, pero nunca falla y se programa en un minuto.
• Las de tres dedos ganan algo de flexibilidad sin complicarse.
• En el otro extremo, una mano antropomórfica como la Shadow Dexterous Hand tiene 20 actuadores. Permite manipulación en la mano (coger el móvil y girarlo para orientarlo), pero aprender a controlarla es mucho más difícil.

4.5 Aplicaciones, con datos (IFR World Robotics 2025)¶

4.6 Cuatro casos reales¶

5. Qué clase de problema resuelve la robótica¶

Antes de elegir algoritmos conviene ver qué tipo de problema es. La robótica reúne casi todas las dificultades del curso a la vez: es no determinista, parcialmente observable y multiagente.

Y lo multiagente no es solo competitivo o solo cooperativo, sino los dos: en un pasillo estrecho por el que solo cabe uno, el robot y la persona colaboran —ninguno quiere chocar— y a la vez compiten un poco por pasar primero. Un robot demasiado educado, que siempre cede, se queda atascado para siempre en un sitio concurrido y nunca llega.

5.1 La jerarquía de tres niveles¶

En crudo, las observaciones de un robot son señales de sensores (píxeles, impactos de láser) y sus acciones son corrientes eléctricas enviadas a los motores. Entre eso y un plan como «lleva la comida a la habitación 12» hay un abismo. La robótica lo salva partiendo el problema:

flowchart TD
    T["Planificación de tareas<br/>acciones de alto nivel, discretas"] --> M["Planificación de movimiento<br/>un camino sin colisiones"]
    M --> C["Control<br/>que los actuadores sigan ese camino"]
    C --> P[Planta física]
    P -. sensores .-> T

• Planificación de tareas: decide las submetas —ir a la puerta, abrirla, ir al ascensor, pulsar el botón—. Trabaja con estados y acciones discretos.
• Planificación de movimiento: encuentra un camino que lleva al robot de un punto a otro cumpliendo cada submeta (§7).
• Control: consigue que los actuadores ejecuten ese movimiento (§6.4).

6. Modelado y control cinemático (RA4-a)¶

6.1 Conceptos básicos¶

Un manipulador se modela como una cadena cinemática: eslabones rígidos unidos por articulaciones.

6.2 Cinemática directa (FK)¶

La cinemática directa calcula la pose del efector a partir de los valores articulares: pose = f(q). Se resuelve multiplicando matrices de transformación homogénea de 4×4, que combinan rotación y traslación:

Cada transformación se describe con los parámetros de Denavit-Hartenberg (DH): cuatro valores por articulación (\(\theta\), \(d\), \(a\), \(\alpha\)). Se escribe la tabla DH del robot y la pose sale de encadenar las matrices.

flowchart LR
    A["q₁, q₂, ..., qₙ<br/>ángulos articulares"] --> B["Tabla DH<br/>θ, d, a, α"]
    B --> C["Matrices homogéneas<br/>⁰T₁ · ¹T₂ · ..."]
    C --> D["Pose del efector<br/>x, y, z + orientación"]

6.3 Cinemática inversa (IK)¶

La cinemática inversa va al revés: dada una pose deseada, calcula los ángulos articulares que la consiguen, q = f⁻¹(pose). Es mucho más difícil, y ahí están casi todos los problemas que pide recopilar el criterio RA4-a:

Los métodos se dividen en analíticos —desacoplamiento cinemático en muñecas esféricas, teorema de Pieper— y numéricos —Newton-Raphson, pseudoinversa del jacobiano, CCD, FABRIK—.

6.4 Control¶

Los controladores de seguimiento van de menos a más:

• P — aplica una acción proporcional al error de posición. Simple, pero oscila.
• PD — añade un término proporcional a la derivada del error, que amortigua la oscilación.
• PID — añade la integral del error, que corrige los errores sistemáticos persistentes.
• Par calculado — usa la dinámica inversa del robot para calcular el par que hace falta, y deja al PID solo la corrección de lo que el modelo no acierta. Es lo que usan los robots industriales de verdad.

Los robots industriales trabajan con servomotores con encoder en lazo cerrado, no con motores paso a paso en lazo abierto: sin realimentación no hay forma de saber si el eje llegó.

7. Los problemas y sus soluciones (RA4-b)¶

7.1 Singularidades cinemáticas¶

Una singularidad es una configuración en la que el jacobiano pierde rango: el robot pierde capacidad de movimiento en alguna dirección y los cálculos de velocidad se van a infinito.

7.2 Soluciones¶

7.3 El espacio de configuración¶

Para planificar el movimiento hay que cambiar de punto de vista. En vez de pensar en el robot moviéndose por una habitación, se piensa en un punto moviéndose por el espacio de configuración: el espacio abstracto de todas las configuraciones posibles del robot.

Para un brazo de 6 ejes, ese espacio tiene 6 dimensiones —una por articulación—; para un robot móvil en un plano, 3 (x, y, orientación). Los obstáculos del mundo real se convierten en regiones prohibidas de ese espacio, y lo que queda es el espacio libre. El problema deja de ser geométrico y se vuelve una búsqueda de camino.

7.4 Cómo se planifica el movimiento¶

Los dos primeros ilustran bien un compromiso que reaparece siempre: el grafo de visibilidad busca el camino más corto, que pasa pegado a las esquinas; el diagrama de Voronoi busca el más seguro, que se aleja de todo y por eso es más largo. Cuál conviene depende de si el riesgo es chocar o es tardar.

Cualquiera de los cuatro devuelve un camino que suele necesitar un último paso de suavizado o de replanificación cuando el entorno cambia.

7.5 Seguimiento de trayectoria: del plan a la política¶

Aquí hay una distinción que conviene tener clara, porque explica cómo está montada la robótica de verdad.

Un plan dice qué camino recorrer. Una política dice qué acción tomar desde cualquier estado en el que el robot se encuentre. Las leyes de control del §6.4 son políticas, no planes.

Lo que se hace en la práctica es una componenda en dos pasos:

1. Se planifica en un espacio simplificado — solo el estado cinemático, suponiendo que se puede pasar de una configuración a la vecina sin preocuparse de la dinámica. Sale la trayectoria de referencia.
2. Se convierte en política: un controlador que intenta seguir ese plan y vuelve a él cuando se desvía.

8. Percepción robótica (RA4-b)¶

Percepción es convertir medidas de sensores en una representación interna del entorno. Y el problema de fondo es el del §4.3: todos los sensores tienen ruido y ninguno lo ve todo.

8.1 Localización y mapeo¶

Hay tres problemas, de menos a más difícil:

SLAM (Simultaneous Localization And Mapping) es el caso realista y parece un imposible —para saber dónde estás necesitas el mapa, y para hacer el mapa necesitas saber dónde estás—, pero se resuelve probabilísticamente: en vez de una respuesta, el robot mantiene una distribución de probabilidad sobre dónde puede estar (su estado de creencia) y la va afinando con cada medida.

Las herramientas son las mismas que aparecen en toda la IA con incertidumbre: filtros de Kalman, modelos ocultos de Markov y redes bayesianas, que modelan la transición de estado y el sensor.

8.2 Qué representación conviene¶

La tendencia en robótica es hacia representaciones con semántica bien definida — no solo «aquí hay algo», sino «esto es una puerta». Y las técnicas probabilísticas ganan a las alternativas en los problemas difíciles de percepción, como el propio SLAM.

8.3 Percepción que se adapta¶

Hay un tipo de aprendizaje que resuelve un problema muy concreto: que las medidas de los sensores cambian de golpe cuando cambia el entorno.

Piensa en entrar desde un exterior soleado a una habitación con fluorescentes. No solo hay menos luz: el fluorescente tiene más componente verde que el sol, así que todos los colores cambian. Y sin embargo no nos parece que a la gente se le haya puesto la cara verde. Nuestra percepción se readapta en segundos y el cerebro ignora la diferencia. Un robot que no haga eso creerá que ha cambiado de mundo.

9. Incertidumbre y aprendizaje (RA4-b)¶

9.1 Planificar cuando no se sabe el estado exacto¶

La incertidumbre viene de tres sitios: el entorno es parcialmente observable, los efectos de las acciones son estocásticos (o simplemente no están modelados) y los propios algoritmos de estimación son aproximados — un filtro de partículas no da el estado de creencia exacto ni con un modelo perfecto.

La mayoría de los robots en producción usan, aun así, algoritmos deterministas, y se apañan con dos atajos:

1. Discretizar el espacio de estados continuo (grafo de visibilidad, descomposición celular).
2. Ante la duda sobre el estado actual, quedarse con el más probable de la distribución.

Es más rápido y escala mejor. El precio es que el robot actúa como si estuviera seguro cuando no lo está.

9.2 Aprendizaje por refuerzo en robótica¶

El aprendizaje por refuerzo funciona muy bien en simulación y muy mal en un robot real, y la razón es sencilla: el mundo real se niega a ir más rápido que el tiempo real.

De ahí que el problema central sea la transferencia de la simulación a la realidad (sim-to-real), que es un área de investigación activa. Y de ahí también que los sistemas robóticos prácticos incorporen conocimiento previo sobre el robot, el entorno y la tarea: es la única forma de aprender rápido y de comportarse con seguridad mientras aprende.

10. Técnicas de programación de robots (RA4-c)¶

10.1 Las cinco formas de programar un robot industrial¶

10.2 Robots colaborativos¶

Los cobots comparten espacio con las personas sin vallado gracias a la limitación de potencia y fuerza. Ejemplos: Universal Robots (UR3e a UR16e, de 3 a 16 kg), Franka Emika (orientada a la academia) y KUKA LBR.

10.3 Comparar técnicas de verdad: el mismo problema, cuatro veces¶

La tabla del §10.1 compara técnicas industriales. Pero el criterio RA4-c pide valorar características diferenciadoras, y eso se aprende mejor resolviendo un mismo problema de varias maneras y viendo qué cambia.

Los entregables de esta unidad hacen precisamente eso: un robot con una cámara tiene que seguir una línea en el suelo, y el problema se resuelve cuatro veces.

flowchart LR
    A["EX2 · reglas<br/>tú decides todo"] --> B["EX3 · lógica difusa<br/>reglas + grados"]
    B --> C["EX4 · generar datos<br/>conduces y se graba"]
    C --> D["EX5 · red neuronal<br/>aprende de tus datos"]
    D --> E["EX6 · NEAT<br/>evoluciona sin datos"]

11. Humanos y robots (RA4-c, RA4-d)¶

Cuando el robot comparte espacio con personas aparece un problema que no es de mecánica ni de control: hay que coordinarse con un agente que tiene sus propios objetivos y no se deja modelar como un obstáculo móvil.

11.1 Coordinación¶

La forma habitual de plantearlo es como un juego entre el robot y la persona. Eso supone explícitamente que las personas son agentes con objetivos, no obstáculos que se mueven.

Y ahí está la trampa: suponerlo no significa que la persona sea perfectamente racional. El juego es difícil de resolver para el robot, pero también 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… y se entra en un «¿qué crees que creo que crees?» sin fondo. Las personas no gestionamos eso, así que nos comportamos de forma subóptima de maneras bastante predecibles. Un robot que asuma racionalidad perfecta predecirá mal.

La solución práctica se descompone en dos:

1. Predicción: usar lo que la persona está haciendo ahora para estimar qué hará después.
2. Acción: usar esa predicción para calcular el movimiento del robot.

11.2 Aprender lo que la persona quiere¶

Vuelve el problema del §5: la recompensa verdadera está en el usuario. Un robot que ayuda no puede esperar a que alguien le escriba la función objetivo perfecta, porque el propio usuario no sabría escribirla. Tiene que inferirla observando: qué corrige la persona, qué acepta, qué repite.

12. Diseño e implementación de sistemas robotizados (RA4-d)¶

12.1 Criterios de selección¶

flowchart TD
    A[Definir la tarea] --> B{¿Qué carga y alcance?}
    B -->|payload + herramienta| C[Filtrar por carga útil]
    B -->|distancia y volumen de trabajo| D[Filtrar por alcance]
    C --> E{¿Qué precisión?}
    D --> E
    E -->|±0,1 mm| F[Robot industrial estándar]
    E -->|menos de 0,05 mm| G[Robot de alta rigidez, calibrado]
    F --> H[Entorno: IP / ATEX]
    G --> H
    H --> I[Verificar singularidades<br/>y volumen útil real]
    I --> J{¿Comparte espacio<br/>con personas?}
    J -->|sí| K[Aplicación colaborativa<br/>ISO 10218:2025]
    J -->|no| L[Vallado y enclavamientos]

12.2 Sensores de la célula¶

• Propioceptivos: encoders, corriente, temperatura de articulación.
• Exteroceptivos: visión 2D/3D, fuerza/par, proximidad, láser.

Los de fuerza/par son imprescindibles en tareas de contacto con control de impedancia. La visión es lo que permite el pick and place sin posiciones fijas —piezas en cualquier orientación— y es la puerta de entrada de la IA a la célula: es justo lo que se practica en el notebook de OpenCV y en EX1.

12.3 Ejemplo guiado: elegir el robot y evitar la singularidad¶

Recorremos el razonamiento que repetirás en el Taller 2.

Problema: una línea de ensamblaje tiene que coger una pieza de 1,5 kg de un transportador y colocarla en una estación a 700 mm, con repetibilidad de ±0,1 mm.

Paso 1 · Payload. Pieza (1,5 kg) + pinza (0,5 kg) + cables ≈ 2,2 kg. Hace falta payload ≥ 2,5 kg y alcance ≥ 700 mm. Un UR5e (5 kg, 850 mm) o un KUKA KR AGILUS de 6 kg cumplen.

Paso 2 · Repetibilidad. La tarea tolera ±0,1 mm y los dos modelos van sobrados (UR e-Series ±0,05 mm). No hace falta calibración de precisión porque los puntos se enseñarán, no vendrán de un CAD.

Paso 3 · Volumen de trabajo y singularidades. Se simula la célula y se comprueba que la trayectoria no pasa por codo estirado ni muñeca alineada. Si el layout obligara a cruzar una singularidad, se cambia el layout, no el controlador: es más barato mover el transportador que pelearse con el robot.

Paso 4 · Seguridad. Si el brazo comparte espacio con personas → aplicación colaborativa (ISO 10218:2025), con limitación de fuerza y evaluación biomecánica de la tarea completa. Si es una célula aislada de alta cadencia → vallado con puertas enclavadas.

12.4 El ciclo de vida¶

1. Requisitos: qué tarea, qué cadencia, qué entorno.
2. Selección del robot y las herramientas.
3. Simulación y diseño de la célula: layout, obstáculos, trayectorias.
4. Integración: robot + PLC + sensores + comunicaciones.
5. Puesta en marcha: programación, pruebas de ciclo, validación de seguridad.
6. Mantenimiento: predictivo, con gemelos digitales y telemetría.

12.5 La célula y la Industria 4.0¶

flowchart LR
    PLC[PLC de seguridad] <-->|PROFINET / EtherCAT| R[Robot]
    R --> S[Sensores<br/>visión, fuerza]
    R --> H[Herramienta EOAT]
    R -->|OPC UA / MQTT| IIOT[Plataforma IIoT / MES]
    IIOT --> DT[Gemelo digital<br/>mantenimiento predictivo]

• El PLC coordina la célula con buses deterministas (PROFINET, EtherCAT, EtherNet/IP).
• La telemetría se publica con OPC UA o MQTT para supervisión remota.
• Con esos datos, el gemelo digital y el mantenimiento predictivo anticipan fallos —fatiga de reductoras, por ejemplo— antes de que paren la línea.

12.6 Seguridad y normativa¶

13. Practicar sin robot: los dos simuladores de la unidad¶

13.1 roboticstoolbox-python, para la cinemática¶

Para el modelado de manipuladores (§6) usamos roboticstoolbox-python, de Peter Corke, que trae más de 50 modelos de robots reales (Panda, UR, Puma 560) con su cinemática resuelta.

1

pip install roboticstoolbox-python spatialmath-python

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12

import roboticstoolbox as rtb

robot = rtb.models.Panda()
print(robot)

# Cinematica directa: de los angulos a la pose
pose = robot.fkine([0, -0.8, 0.8, 0, 0.8, 0, 0])
print(pose)

# Cinematica inversa por Levenberg-Marquardt
q = robot.ikine_LM(pose)
print(q)

13.2 AITK, para el robot móvil¶

Las prácticas de navegación (§10.3) usan AITK (aitk.robots), un simulador ligero de robots móviles con cámara que funciona dentro del propio notebook: se define un mundo con una imagen de fondo, se coloca un robot con sus sensores y se le pasa una función de control.

1

pip install aitk aitk.robots

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

import aitk.robots as bots

world = bots.World(220, 180, boundary_wall_color="yellow",
                   ground_image_filename="EX2_pista_6.png")
robot = bots.Scribbler(x=100, y=90, a=90)
robot.add_device(bots.Camera(64, 32))
world.add_robot(robot)

world.reset()
world.seconds(30, [mi_controlador], real_time=True)

14. Puntos clave de la unidad¶

• Un robot es un agente encarnado: el único sistema de IA del curso que cambia el estado del mundo físico, en un entorno parcialmente observable, estocástico y multiagente.
• En 2024 se instalaron 542.000 robots industriales y España fue el 3.er mercado europeo (IFR World Robotics 2025).
• Los sensores se clasifican por cómo miden (pasivos frente a activos) y por qué miden (entorno, ubicación, configuración interna). La odometría se degrada sin límite porque las ruedas patinan: hay que corregirla con referencias externas.
• Más grados de libertad no es mejor: una mano de 20 actuadores puede más, pero es mucho más difícil de controlar que una pinza de dos dedos.
• La robótica parte el problema en tarea → movimiento → control. Reduce la complejidad, pero renuncia a que los niveles se ayuden entre sí.
• El movimiento de un manipulador se modela como cadena cinemática: articulaciones R o P, eslabones y grados de libertad (≥ 6 para pose libre en 3D).
• La cinemática directa (parámetros DH) tiene solución única; la inversa tiene hasta 16 soluciones, redundancia y singularidades en las que la velocidad articular tiende a infinito.
• Precisión no es repetibilidad: un robot puede volver siempre al mismo punto equivocado. Con teach pendant basta la repetibilidad; con programación offline, hay que calibrar.
• Planificar el movimiento es buscar un camino en el espacio de configuración. El grafo de visibilidad da el camino más corto; Voronoi, el más seguro; el muestreo (RRT, PRM) es lo único viable con muchas dimensiones.
• Un plan dice qué camino seguir; una política dice qué hacer desde cualquier estado. La robótica real planifica en cinemática y luego convierte el plan en política, aceptando dos suboptimalidades; el control óptimo (LQR, iLQR) ataca las dos a la vez.
• SLAM resuelve localización y mapeo simultáneos manteniendo una distribución de probabilidad sobre dónde está el robot, no una respuesta única.
• El aprendizaje por refuerzo funciona en simulación y falla en el robot real: el mundo no va más rápido que el tiempo real y el robot no puede arriesgarse a la prueba que lo dañaría. De ahí el problema sim-to-real.
• Hay cinco formas de programar un robot industrial (teach pendant, guiado manual, textual, offline y ROS 2), y la unidad las compara en la práctica resolviendo un mismo problema con reglas, lógica difusa, red neuronal y neuroevolución.
• «Colaborativo» no es una propiedad del hardware: lo es de la aplicación completa (ISO 10218:2025).
• Diseñar un sistema robotizado es emparejar la tarea con el modelo —payload con herramienta, alcance, repetibilidad, entorno, seguridad— y verificarlo en simulación antes de comprar.

15. Glosario¶

16. FAQ¶

17. Sesiones¶

18. Recursos¶

• Diapositivas
• Ejercicios de la unidad
• Talleres: T01 · cinemática de un manipulador · T02 · diseño de un sistema robotizado
• Actividades guiadas — 3 notebooks de introducción
• Actividades entregables — 6 notebooks evaluables (EX1-EX6), con sus rúbricas
• Notebooks — todos los de la unidad, con descarga y apertura en Colab, en el menú «Notebooks»

19. Evaluación¶

• La normativa exige alcanzar todos los RA del módulo para superarlo (art. 5.1 de la Orden 8/2025: la calificación del módulo está «en función de la consecución de los RA»; y las Instrucciones 26-27, que impiden calificar positivamente un módulo con RA no superados). El centro concreta ese mandato exigiendo ≥ 5 en cada RA.
• Los entregables forman una secuencia: EX4 genera los datos que necesita EX5. Conviene no dejarlos para el final ni saltarse el orden.

20. Recuperación¶

Actividades del programa de recuperación individual por RA (art. 14.4 de la Orden 8/2025): repetir el análisis de un sistema robotizado con un caso distinto —otra tarea, otro payload, otro entorno— y las pruebas de autoevaluación de la unidad.