¿Tienes un proyecto en mente y te falta especialización? En este programa un equipo docente experto en Robótica te da las herramientas para que avances en la industria 4.0”

La Robótica forma parte de nuestras vidas diarias. Las máquinas no sólo se encuentran presentes en el sector industrial, que ha crecido enormemente gracias a los avances técnicos y científicos, sino que también la Robótica se ha aproximado a la ciudadanía. Ya no es raro ver cómo cualquier persona con cierta educación maneja un dron, posee unas gafas virtuales con las que poder sumergirse en el último videojuego o las casas que cuentan con esta tecnología que soluciona problemas de toda índole.

La Robótica es un término común, presente y con un amplio futuro para los profesionales informáticos que deseen una especialización en un área con grandes posibilidades de crecimiento. Este Máster de Formación Permanente proporciona un extenso conocimiento que le permitirá al alumnado adquirir un aprendizaje en los campos de Realidad Aumentada, la Inteligencia Artificial, las tecnologías aeroespaciales o industriales. Todo ello le permitirá acceder a empresas de diferentes sectores o crear sus propios proyectos de Robótica.

Con el fin de que el alumnado alcance su meta, TECH ha reunido en este programa 100% online a un equipo de profesionales especializados y con amplia experiencia en proyectos internacionales de prestigio en el área de la Robótica. Este perfil docente proporciona al profesional de la informática un contenido con un enfoque teórico-práctico, donde no sólo conocerá las últimas novedades sobre la Robótica, sino que también podrá conocer su aplicación en entornos reales.

Una excelente oportunidad para progresar con una titulación que aporta desde el primer momento todo un temario compuesto por video resúmenes, lecturas esenciales, vídeos en detalle y ejercicios de autoconocimiento. De esta forma, el alumnado adquirirá una visión global sobre la Robótica de una forma cómoda al poder acceder cuándo lo desee a todo el contenido y distribuir la carga lectiva acorde a sus necesidades. Así podrá compatibilizar un aprendizaje a la vanguardia académica con sus responsabilidades personales.

Conéctate cuándo desees y en cualquier momento a todo el contenido de esta titulación universitaria. TECH se adapta a ti”

 

Este Máster de Formación Permanente en Robótica contiene el programa educativo más completo y actualizado del mercado. Sus características más destacadas son:

• El desarrollo de casos prácticos presentados por expertos en Ingeniería Robótica
• Los contenidos gráficos, esquemáticos y eminentemente prácticos con los que está concebido recogen una información científica y práctica sobre aquellas disciplinas indispensables para el ejercicio profesional
• Los ejercicios prácticos donde realizar el proceso de autoevaluación para mejorar el aprendizaje
• Su especial hincapié en metodologías innovadoras
• Las lecciones teóricas, preguntas al experto, foros de discusión de temas controvertidos y trabajos de reflexión individual
• La disponibilidad de acceso a los contenidos desde cualquier dispositivo fijo o portátil con conexión a internet

Inscríbete ahora y no pierdas la oportunidad de avanzar en las principales tecnologías del SLAM visual”

El programa incluye, en su cuadro docente, a profesionales del sector que vierten en esta capacitación la experiencia de su trabajo, además de reconocidos especialistas de sociedades de referencia y universidades de prestigio.

Su contenido multimedia, elaborado con la última tecnología educativa, permitirá al profesional un aprendizaje situado y contextual, es decir, un entorno simulado que proporcionará una capacitación inmersiva programada para entrenarse ante situaciones reales.

El diseño de este programa se centra en el Aprendizaje Basado en Problemas, mediante el cual el profesional deberá tratar de resolver las distintas situaciones de práctica profesional que se le planteen a lo largo del curso académico. Para ello, contará con la ayuda de un novedoso sistema de vídeos interactivos realizados por reconocidos expertos.

Consigue desarrollar técnicas de programación limpia y eficiente en PLCs con este título universitario"

Domina la Robótica más avanzada gracias al aporte de esta titulación sobre los agentes hardware y software"

El alumnado cuenta en este programa, impartido en modalidad online, con un contenido extenso en el campo de la Robótica estructurado en 10 módulos al que podrá acceder en cualquier momento. La visión teórico-práctico del temario se podrá adquirir de forma más ágil gracias a los recursos multimedia y al sistema Relearning, basado en la reiteración de contenido. De esta forma, el profesional de la informática tendrá todo el conocimiento necesario a su alcance para avanzar en esta área. 

Matricúlate ya en una titulación que te aporta las últimas novedades en la Robótica y la industria 4.0” 

Módulo 1. Robótica. Diseño y modelado de robots

1.1. Robótica e Industria 4.0

1.1.1. Robótica e Industria 4.0
1.1.2. Campos de aplicación y casos de uso
1.1.3. Subáreas de especialización en Robótica

1.2. Arquitecturas hardware y software de robots

1.2.1. Arquitecturas hardware y tiempo real
1.2.2. Arquitecturas software de robots
1.2.3. Modelos de comunicación y tecnologías Middleware
1.2.4. Integración de Software con Robot Operating System (ROS)

1.3. Modelado matemático de robots

1.3.1. Representación matemática de sólidos rígidos
1.3.2. Rotaciones y traslaciones
1.3.3. Representación jerárquica del estado
1.3.4. Representación distribuida del estado en ROS (Librería TF)

1.4. Cinemática y dinámica de robots

1.4.1. Cinemática
1.4.2. Dinámica
1.4.3. Robots subactuados
1.4.4. Robots redundantes

1.5. Modelado de robots y simulación

1.5.1. Tecnologías de modelado de robots
1.5.2. Modelado de robots con URDF
1.5.3. Simulación de robots
1.5.4. Modelado con simulador Gazebo

1.6. Robots manipuladores

1.6.1. Tipos de robots manipuladores
1.6.2. Cinemática
1.6.3. Dinámica
1.6.4. Simulación

1.7. Robots móviles terrestres

1.7.1. Tipos de robots móviles terrestres
1.7.2. Cinemática
1.7.3. Dinámica
1.7.4. Simulación

1.8. Robots móviles aéreos

1.8.1. Tipos de robots móviles aéreos
1.8.2. Cinemática
1.8.3. Dinámica
1.8.4. Simulación

1.9. Robots móviles acuáticos

1.9.1. Tipos de robots móviles acuáticos
1.9.2. Cinemática
1.9.3. Dinámica
1.9.4. Simulación

1.10. Robots bioinspirados

1.10.1. Humanoides
1.10.2. Robots con cuatro o más piernas
1.10.3. Robots modulares
1.10.4. Robots con partes flexibles (Soft-Robotics)

Módulo 2. Agentes inteligentes. Aplicación de la Inteligencia Artificial a robots y Softbots

2.1. Agentes Inteligentes e Inteligencia Artificial

2.1.1. Robots Inteligentes. Inteligencia Artificial
2.1.2. Agentes Inteligentes

2.1.2.1. Agentes hardware. Robots
2.1.2.2. Agentes software. Softbots

2.1.3. Aplicaciones a la Robótica

2.2. Conexión Cerebro-Algoritmo

2.2.1. Inspiración biológica de la Inteligencia Artificial
2.2.2. Razonamiento implementado en algoritmos. Tipología
2.2.3. Explicabilidad de los resultados en los algoritmos de Inteligencia Artificial
2.2.4. Evolución de los algoritmos hasta Deep Learning

2.3. Algoritmos de búsqueda en el espacio de soluciones

2.3.1. Elementos en la búsqueda en el espacio de soluciones
2.3.2. Algoritmos de búsqueda de soluciones en problemas de Inteligencia Artificial
2.3.3. Aplicaciones de algoritmos de búsqueda y optimización
2.3.4. Algoritmos de búsqueda aplicados a Aprendizaje Automático

2.4. Aprendizaje Automático

2.4.1. Aprendizaje automático
2.4.2. Algoritmos de Aprendizaje Supervisado
2.4.3. Algoritmos de Aprendizaje No Supervisado
2.4.4. Algoritmos de Aprendizaje por Refuerzo

2.5. Aprendizaje Supervisado

2.5.1. Métodos de Aprendizaje Supervisado
2.5.2. Árboles de decisión para clasificación
2.5.3. Máquinas de soporte de vectores
2.5.4. Redes neuronales artificiales
2.5.5. Aplicaciones del Aprendizaje Supervisado

2.6. Aprendizaje No supervisado

2.6.1. Aprendizaje No Supervisado
2.6.2. Redes de Kohonen
2.6.3. Mapas autoorganizativos
2.6.4. Algoritmo K-medias

2.7. Aprendizaje por Refuerzo

2.7.1. Aprendizaje por Refuerzo
2.7.2. Agentes basados en procesos de Markov
2.7.3. Algoritmos de Aprendizaje por Refuerzo
2.6.4. Aprendizaje por Refuerzo aplicado a Robótica

2.8. Redes neuronales artificiales y Deep Learning

2.8.1. Redes neuronales artificiales. Tipología
2.8.2. Aplicaciones de redes neuronales
2.8.3. Transformación del Machine Learning al Deep Learning
2.8.4. Aplicaciones de Deep Learning

2.9. Inferencia probabilística

2.9.1. Inferencia probabilística
2.9.2. Tipos de inferencia y definición del método
2.9.3. Inferencia bayesiana como caso de estudio
2.9.4. Técnicas de inferencia no paramétricas
2.9.5. Filtros Gaussianos

2.10. De la teoría a la práctica: desarrollando un agente inteligente robótico

2.10.1. Inclusión de módulos de Aprendizaje Supervisado en un agente robótico
2.10.2. Inclusión de módulos de Aprendizaje por Refuerzo en un agente robótico
2.10.3. Arquitectura de un agente robótico controlado por Inteligencia Artificial
2.10.4. Herramientas profesionales para la implementación del agente inteligente
2.10.5. Fases de la implementación de algoritmos de IA en agentes robóticos

Módulo 3. La Robótica en la automatización de procesos industriales

3.1. Diseño de sistemas automatizados

3.1.1. Arquitecturas hardware
3.1.2. Controladores lógicos programables
3.1.3. Redes de comunicación industriales

3.2. Diseño eléctrico avanzado I: automatización

3.2.1. Diseño de cuadros eléctricos y simbología
3.2.2. Circuitos de potencia y de control. Armónicos
3.2.3. Elementos de protección y puesta a tierra

3.3. Diseño eléctrico avanzado II: determinismo y seguridad

3.3.1. Seguridad de máquina y redundancia
3.3.2. Relés de seguridad y disparadores
3.3.3. PLCs de seguridad
3.3.4. Redes seguras

3.4. Actuación eléctrica

3.4.1. Motores y servomotores
3.4.2. Variadores de frecuencia y controladores
3.4.3. Robótica industrial de actuación eléctrica

3.5. Actuación hidráulica y neumática

3.5.1. Diseño hidráulico y simbología
3.5.2. Diseño neumático y simbología
3.5.3. Entornos ATEX en la automatización

3.6. Transductores en la Robótica y automatización

3.6.1. Medida de la posición y velocidad
3.6.2. Medida de la fuerza y temperatura
3.6.3. Medida de la presencia
3.6.4. Sensores para visión

3.7. Programación y configuración de controladores programables lógicos PLCs

3.7.1. Programación PLC: LD
3.7.2. Programación PLC: ST
3.7.3. Programación PLC: FBD y CFC
3.7.4. Programación PLC: SFC

3.8. Programación y configuración de equipos en plantas industriales

3.8.1. Programación de variadores y controladores
3.8.2. Programación de HMI
3.8.3. Programación de robots manipuladores

3.9. Programación y configuración de equipos informáticos industriales

3.9.1. Programación de sistemas de visión
3.9.2. Programación de SCADA/software
3.9.3. Configuración de redes

3.10. Implementación de automatismos

3.10.1. Diseño de máquinas de estado
3.10.2. Implementación de máquinas de estado en PLCs
3.10.3. Implementación de sistemas de control analógico PID en PLCs
3.10.4. Mantenimiento de automatismos e higiene de código
3.10.5. Simulación de automatismos y plantas

Módulo 4. Sistemas de control automático en Robótica

4.1. Análisis y diseño de sistemas no lineales

4.1.1. Análisis y modelado de sistemas no lineales
4.1.2. Control con realimentación
4.1.3. Linealización por realimentación

4.2. Diseño de técnicas de control para sistemas no lineales avanzados

4.2.1. Control en modo deslizante (Sliding Mode control)
4.2.2. Control basado en Lyapunov y Backstepping
4.2.3. Control basado en pasividad

4.3. Arquitecturas de control

4.3.1. El paradigma de la Robótica
4.3.2. Arquitecturas de control
4.3.3. Aplicaciones y ejemplos de arquitecturas de control

4.4. Control de movimiento para brazos robóticos

4.4.1. Modelado cinemático y dinámico
4.4.2. Control en el espacio de las articulaciones
4.4.3. Control en el espacio operacional

4.5. Control de fuerza en los actuadores

4.5.1. Control de fuerza
4.5.2. Control de impedancia
4.5.3. Control híbrido

4.6. Robots móviles terrestres

4.6.1. Ecuaciones de movimiento
4.6.2. Técnicas de control en robots terrestres
4.6.3. Manipuladores móviles

4.7. Robots móviles aéreos

4.7.1. Ecuaciones de movimiento
4.7.2. Técnicas de control en robots aéreos
4.7.3. Manipulación aérea

4.8. Control basado en técnicas de Aprendizaje Automático

4.8.1. Control mediante Aprendizaje Supervisado
4.8.2. Control mediante aprendizaje reforzado
4.8.3. Control mediante Aprendizaje No Supervisado

4.9. Control basado en visión

4.9.1. Visual Servoing basado en posición
4.9.2. Visual Servoing basado en imagen
4.9.3. Visual Servoing híbrido

4.10. Control predictivo

4.10.1. Modelos y estimación de estado
4.10.2. MPC aplicado a Robots Móviles
4.10.3. MPC aplicado a UAVs

Módulo 5. Algoritmos de planificación en robots

5.1. Algoritmos de planificación clásicos

5.1.1. Planificación discreta: espacio de estados
5.1.2. Problemas de planificación en Robótica. Modelos de sistemas robóticos
5.1.3. Clasificación de planificadores

5.2. El problema de planificación de trayectorias en robots móviles

5.2.1. Formas de representación del entorno: grafos
5.2.2. Algoritmos de búsqueda en grafos
5.2.3. Introducción de costes en los grafos
5.2.4. Algoritmos de búsqueda en grafos pesados
5.2.5. Algoritmos con enfoque de cualquier ángulo

5.3. Planificación en sistemas robóticos de alta dimensionalidad

5.3.1. Problemas de Robótica de alta dimensionalidad: manipuladores
5.3.2. Modelo cinemático directo/inverso
5.3.3. Algoritmos de planificación por muestreo PRM y RRT
5.3.4. Planificando ante restricciones dinámicas

5.4. Planificación por muestreo óptimo

5.4.1. Problemática de los planificadores basados en muestreo
5.4.2. RRT* concepto de optimalidad probabilística
5.4.3. Paso de reconectado: restricciones dinámicas
5.4.4. CForest. Paralelizando la planificación

5.5. Implementación real de un sistema de planificación de movimientos

5.5.1. Problema de planificación global. Entornos dinámicos
5.5.2. Ciclo de acción, sensorización. Adquisición de información del entorno
5.5.3. Planificación local y global

5.6. Coordinación en sistemas multirobot I: sistema centralizado

5.6.1. Problema de coordinación multirobot
5.6.2. Detección y resolución de colisiones: modificación de trayectorias con Algoritmos Genéticos
5.6.3. Otros algoritmos bio-inspirados: enjambre de partículas y fuegos de artificio
5.6.4. Algoritmo de evitación de colisiones por elección de maniobra

5.7. Coordinación en sistemas multirobot II: enfoques distribuidos I

5.7.1. Uso de funciones de objetivo complejas
5.7.2. Frente de Pareto
5.7.3. Algoritmos evolutivos multiobjetivo

5.8. Coordinación en sistemas multirobot III: enfoques distribuidos II

5.8.1. Sistemas de planificación de orden 1
5.8.2. Algoritmo ORCA
5.8.3. Añadido de restricciones cinemáticas y dinámicas en ORCA

5.9. Teoría de planificación por Decisión

5.9.1. Teoría de decisión
5.9.2. Sistemas de decisión secuencial
5.9.3. Sensores y espacios de información
5.9.4. Planificación ante incertidumbre en sensorización y en actuación

5.10. Sistemas de planificación de aprendizaje por refuerzo

5.10.1. Obtención de la recompensa esperada de un sistema
5.10.2. Técnicas de aprendizaje por recompensa media
5.10.3. Aprendizaje por refuerzo inverso

Módulo 6. Técnicas de Visión Artificial en Robótica: procesamiento y análisis de imágenes

6.1. La Visión por Computador

6.1.1. La Visión por Computador
6.1.2. Elementos de un sistema de Visión por Computador
6.1.3. Herramientas matemáticas

6.2. Sensores ópticos para la Robótica

6.2.1. Sensores ópticos pasivos
6.2.2. Sensores ópticos activos
6.2.3. Sensores no ópticos

6.3. Adquisición de imágenes

6.3.1. Representación de imágenes
6.3.2. Espacio de colores
6.3.3. Proceso de digitalización

6.4. Geometría de las imágenes

6.4.1. Modelos de lentes
6.4.2. Modelos de cámaras
6.4.3. Calibración de cámaras

6.5. Herramientas matemáticas

6.5.1. Histograma de una imagen
6.5.2. Convolución
6.5.3. Transformada de Fourier

6.6. Preprocesamiento de imágenes

6.6.1. Análisis de ruido
6.6.2. Suavizado de imágenes
6.6.3. Realce de imágenes

6.7. Segmentación de imágenes

6.7.1. Técnicas basadas en contornos
6.7.3. Técnicas basadas en histograma
6.7.4. Operaciones morfológicas

6.8. Detección de características en la imagen

6.8.1. Detección de puntos de interés
6.8.2. Descriptores de características
6.8.3. Correspondencias entre características

6.9. Sistemas de visión 3D

6.9.1. Percepción 3D
6.9.2. Correspondencia de características entre imágenes
6.9.3. Geometría de múltiples vistas

6.10. Localización basada en Visión Artificial

6.10.1. El problema de la localización de robots
6.10.2. Odometría visual
6.10.3. Fusión sensorial

Módulo 7. Sistemas de percepción visual de robots con aprendizaje automático

7.1. Métodos de Aprendizaje No Supervisados aplicados a la Visión Artificial

7.1.1. Clustering
7.1.2. PCA
7.1.3. Nearest Neighbors
7.1.4. Similarity and matrix decomposition

7.2. Métodos de Aprendizaje Supervisados aplicados a la Visión Artificial

7.2.1. Concepto “Bag of words”
7.2.2. Máquina de soporte de vectores
7.2.3. Latent Dirichlet Allocation
7.2.4. Redes neuronales

7.3. Redes Neuronales Profundas: estructuras, Backbones y Transfer Learning

7.3.1. Capas generadoras de Features

7.3.3.1. VGG
7.3.3.2. Densenet
7.3.3.3. ResNet
7.3.3.4. Inception
7.3.3.5. GoogLeNet

7.3.2. Transfer Learning
7.3.3. Los datos. Preparación para el entrenamiento

7.4. Visión Artificial con Aprendizaje Profundo I: detección y segmentación

7.4.1. YOLO y SSD diferencias y similitudes
7.4.2. Unet
7.4.3. Otras estructuras

7.5. Visión Artificial con aprendizaje profundo II: Generative Adversarial Networks

7.5.1. Superresolución de imágenes usando GAN
7.5.2. Creación de Imágenes realistas
7.5.3. Scene understanding

7.6. Técnicas de aprendizaje para la localización y mapeo en la Robótica Móvil

7.6.1. Detección de cierre de bucle y relocalización
7.6.2. Magic Leap. Super Point y Super Glue
7.6.3. Depth from Monocular

7.7. Inferencia bayesiana y modelado 3D

7.7.1. Modelos bayesianos y aprendizaje “clásico”
7.7.2. Superficies implícitas con procesos gaussianos (GPIS)
7.7.3. Segmentación 3D usando GPIS
7.7.4. Redes neuronales para el modelado de superficies 3D

7.8. Aplicaciones End-to-End de las Redes Neuronales Profundas

7.8.1. Sistema end-to-end. Ejemplo de identificación de personas
7.8.2. Manipulación de objetos con sensores visuales
7.8.3. Generación de movimientos y planificación con sensores visuales

7.9. Tecnologías en la nube para acelerar el desarrollo de algoritmos de Deep Learning

7.9.1. Uso de GPU para el Deep Learning
7.9.2. Desarrollo ágil con Google IColab
7.9.3. GPUs remotas, Google Cloud y AWS

7.10. Despliegue de Redes Neuronales en aplicaciones reales

7.10.1. Sistemas embebidos
7.10.2. Despliegue de Redes Neuronales. Uso
7.10.3. Optimizaciones de redes en el despliegue, ejemplo con TensorRT

Módulo 8. SLAM visual. Localización de robots y mapeo simultáneo Mediante Técnicas de Visión Artificial

8.1. Localización y mapeo simultáneo (SLAM)

8.1.1. Localización y mapeo simultáneo. SLAM
8.1.2. Aplicaciones del SLAM
8.1.3. Funcionamiento del SLAM

8.2. Geometría proyectiva

8.2.1. Modelo Pin-Hole
8.2.2. Estimación de parámetros intrínsecos de una cámara
8.2.3. Homografía, principios básicos y estimación
8.2.4. Matriz fundamental, principios y estimación

8.3. Filtros Gaussianos

8.3.1. Filtro de Kalman
8.3.2. Filtro de información
8.3.3. Ajuste y parametrización de filtros Gaussianos

8.4. Estéreo EKF-SLAM

8.4.1. Geometría de cámara estéreo
8.4.2. Extracción y búsqueda de características
8.4.3. Filtro de Kalman para SLAM estéreo
8.4.4. Ajuste de Parámetros de EKF-SLAM estéreo

8.5. Monocular EKF-SLAM

8.5.1. Parametrización de Landmarks en EKF-SLAM
8.5.2. Filtro de Kalman para SLAM monocular
8.5.3. Ajuste de parámetros EKF-SLAM monocular

8.6. Detección de cierres de bucle

8.6.1. Algoritmo de fuerza bruta
8.6.2. FABMAP
8.6.3. Abstracción mediante GIST y HOG
8.6.4. Detección mediante aprendizaje profundo

8.7. Graph-SLAM

8.7.1. Graph-SLAM
8.7.2. RGBD-SLAM
8.7.3. ORB-SLAM

8.8. Direct Visual SLAM

8.8.1. Análisis del algoritmo Direct Visual SLAM
8.8.2. LSD-SLAM
8.8.3. SVO

8.9. Visual Inertial SLAM

8.9.1. Integración de medidas inerciales
8.9.2. Bajo acoplamiento: SOFT-SLAM
8.9.3. Alto acoplamiento: Vins-Mono

8.10. Otras tecnologías de SLAM

8.10.1. Aplicaciones más allá del SLAM visual
8.10.2. Lidar-SLAM
8.10.2. Range-only SLAM

Módulo 9. Aplicación a la Robótica de las Tecnologías de Realidad Virtual y Aumentada

9.1. Tecnologías inmersivas en la Robótica

9.1.1. Realidad Virtual en Robótica
9.1.2. Realidad Aumentada en Robótica
9.1.3. Realidad Mixta en Robótica
9.1.4. Diferencia entre realidades

9.2. Construcción de entornos virtuales

9.2.1. Materiales y texturas
9.2.2. Iluminación
9.2.3. Sonido y olor virtual

9.3. Modelado de robots en entornos virtuales

9.3.1. Modelado geométrico
9.3.2. Modelado físico
9.3.3. Estandarización de modelos

9.4. Modelado de dinámica y cinemática de los robots: motores físicos virtuales

9.4.1. Motores físicos. Tipología
9.4.2. Configuración de un motor físico
9.4.3. Motores físicos en la industria

9.5. Plataformas, periféricos y herramientas más usadas en el Realidad Virtual

9.5.1. Visores de Realidad Virtual
9.5.2. Periféricos de interacción
9.5.3. Sensores virtuales

9.6. Sistemas de Realidad Aumentada

9.6.1. Inserción de elementos virtuales en la realidad
9.6.2. Tipos de marcadores visuales
9.6.3. Tecnologías de Realidad Aumentada

9.7. Metaverso: entornos virtuales de agentes inteligentes y personas

9.7.1. Creación de avatares
9.7.2. Agentes inteligentes en entornos virtuales
9.7.3. Construcción de entornos multiusuarios para VR/AR

9.8. Creación de proyectos de Realidad Virtual para Robótica

9.8.1. Fases de desarrollo de un proyecto de Realidad Virtual
9.8.2. Despliegue de sistemas de Realidad Virtual
9.8.3. Recursos de Realidad Virtual

9.9. Creación de proyectos de Realidad Aumentada para Robótica

9.9.1. Fases de desarrollo de un proyecto de Realidad Aumentada
9.9.2. Despliegue de proyectos de Realidad Aumentada
9.9.3. Recursos de Realidad Aumentada

9.10. Teleoperación de robots con dispositivos móviles

9.10.1. Realidad mixta en móviles
9.10.2. Sistemas inmersivos mediante sensores de dispositivos móviles
9.10.3. Ejemplos de proyectos móviles

Módulo 10. Sistemas de comunicación e interacción con robots

10.1. Reconocimiento de habla: sistemas estocásticos

10.1.1. Modelado acústico del habla
10.1.2. Modelos ocultos de Markov
10.1.3. Modelado lingüístico del habla: N-Gramas, gramáticas BNF

10.2. Reconocimiento de habla: Deep Learning

10.2.1. Redes neuronales profundas
10.2.2. Redes neuronales recurrentes
10.2.3. Células LSTM

10.3. Reconocimiento de habla: prosodia y efectos ambientales

10.3.1. Ruido ambiente
10.3.2. Reconocimiento multilocutor
10.3.3. Patologías en el habla

10.4. Comprensión del lenguaje natural: sistemas heurísticos y probabilísticos

10.4.1. Análisis sintáctico-semántico: reglas lingüísticas
10.4.2. Comprensión basada en reglas heurísticas
10.4.3. Sistemas probabilísticos: regresión logística y SVM
10.4.4. Comprensión basada en redes neuronales

10.5. Gestión de diálogo: estrategias heurístico/probabilísticas

10.5.1. Intención del interlocutor
10.5.2. Diálogo basado en plantillas
10.5.3. Gestión de diálogo estocástica: redes bayesianas

10.6. Gestión de diálogo: estrategias avanzadas

10.6.1. Sistemas de aprendizaje basado en refuerzo
10.6.2. Sistemas basados en redes neuronales
10.6.3. Del habla a la intención en una única red

10.7. Generación de respuesta y síntesis de habla

10.7.1. Generación de respuesta: de la idea al texto coherente
10.7.2. Síntesis de habla por concatenación
10.7.3. Síntesis de habla estocástica

10.8. Adaptación y contextualización del diálogo

10.8.1. Iniciativa de diálogo
10.8.2. Adaptación al locutor
10.8.3. Adaptación al contexto del diálogo

10.9. Robots e interacciones sociales: reconocimiento, síntesis y expresión de emociones

10.9.1. Paradigmas de voz artificial: voz robótica y voz natural
10.9.2. Reconocimiento de emociones y análisis de sentimiento
10.9.3. Síntesis de voz emocional

10.10. Robots e interacciones sociales: interfaces multimodales avanzadas

10.10.1. Combinación de interfaces vocales y táctiles
10.10.2. Reconocimiento y traducción de lengua de signos
10.10.3. Avatares visuales: traducción de voz a lengua de 

Visualiza todo el contenido de este Máster de Formación Permanente desde el primer día y avanza cuanto antes en un área tecnológica con amplias salidas profesionales”