Mapeo simultáneo, técnicas de visión artificial, gestión de proyectos de realidad virtual. En esta Maestría encontrarás el contenido más innovador referente a estos campos ¡y muchos más!”

Si algo ha caracterizado a la última década es, sin duda, el desarrollo tecnológico. El afán de millones de científicos de todo el mundo por mejorar la calidad de vida del ser humano a través de técnicas y elementos cada vez más complejos y especializados ha motivado el lanzamiento de productos tan interesantes a la par que útiles como el ChatGPT. De esta manera, a través de la combinación de la Inteligencia Artificial, la computación y la Ingeniería Informática, se han desarrollado robots que, hasta hace pocos años, solo eran posibles en las películas de ciencia ficción.

Sin embargo, surge una situación compleja para todos estos profesionales y es la necesidad de mantenerse constantemente actualizados de los avances, con el fin de seguir el ritmo vertiginoso que plantea la globalización tecnológica. Así, y tras un estudio pormenorizado del contexto actual, TECH ha diseñado un programa perfecto para ello: la Maestría en Robótica y Visión Artificial, una titulación con RVOE. Se trata de una experiencia académica inmersiva, innovadora y multidisciplinar que recoge toda la información que el egresado necesita dominar para convertirse en todo un experto en el área, competente y preparado para enfrentarse a los retos más complejos y ambiciosos del mercado laboral actual.

De esta manera, a través del mejor contenido teórico, práctico y adicional diseñado por un equipo de profesionales del máximo nivel en el ámbito de la Ingeniería Informática, ahondará en la Robótica y en sus campos: modelado, diseño de softbots, automatización de procesos, planificación algorítmica, procesamiento y análisis de imágenes en visión artificial, sistemas de comunicación e interacción. Todo ello de manera 100% online, a través de un Campus Virtual de última generación al cual podrá acceder desde cualquier dispositivo con conexión a internet. Así, podrá trabajar en el perfeccionamiento de su perfil profesional a su ritmo, sin horarios ni clases presenciales, apostando por una titulación que elevará su talento y su carrera a la cúspide del sector informático.

TECH brinda la oportunidad de obtener la Maestría en Robótica y Visión Artificial en un formato 100% en línea, con titulación directa y un programa diseñado para aprovechar cada tarea en la adquisición de competencias para desempeñar un papel relevante en la empresa. Pero, además, con este programa, el estudiante tendrá acceso al estudio de idiomas extranjeros y formación continuada de modo que pueda potenciar su etapa de estudio y logre una ventaja competitiva con los egresados de otras universidades menos orientadas al mercado laboral.

Un camino creado para conseguir un cambio positivo a nivel profesional, relacionándose con los mejores y formando parte de la nueva generación de futuros informáticos especializados en Robótica y Visión Artificial capaces de desarrollar su labor en cualquier lugar del mundo.

Ahondarás en los límites y capacidades del SLAM Visual a través del conocimiento exhaustivo de las mejores estrategias de mapeo simultáneo y decenas de horas de contenido centrado en ello”

El diseño del Plan de estudios de esta Maestría en Robótica y Visión Artificial ha corrido a cargo de los mejores profesionales, expertos en Ingeniería Informática que conocen a fondo este ámbito y han trabajado durante años en su desarrollo. Así, se plantea una visión crítica e innovadora, a través de cientos de horas de contenido diverso compactado en un cómodo y flexible formato 100% online.

TECH pondrá a tu disposición los mejores recursos teóricos, prácticos y adicionales para que amplíes a tu gusto cada uno de los 10 módulos que incluye esta Maestría”

Plan de estudios

La presente Maestría en Robótica y Visión Artificial ha sido diseñada siguiendo con rigurosidad la actualidad inmediata relacionada con el campo de la Ingeniería Informática, así como siguiendo los más estrictos parámetros de calidad pedagógica que definen y diferencian a TECH. Gracias a ello ha sido posible conformar un Plan de estudios completo, multidisciplinar y perfecto para cualquier profesional de este ámbito que busque elevar su talento al máximo nivel.

Así, está dividido en 10 módulos, mientras que el egresado podrá acceder a lo mismo durante 20 meses. Además, incluye material teórico, práctico y adicional, este último con el objetivo de poder ampliar cada uno de los apartados de manera totalmente personalizada en base a las exigencias de cada alumno. Todo ello le permitirá trabajar en la ampliación de sus conocimientos, así como en el perfeccionamiento de las competencias y habilidades propias de los mejores expertos.

Módulo 1. Robótica. Diseño y modelado de robots
Módulo 2. Agentes inteligentes. Aplicando la inteligencia artificial a robots y softbots
Módulo 3. La Robótica en la automatización de procesos industriales
Módulo 4. Sistemas de control automático en Robótica
Módulo 5. Algoritmo de planificación de Robots
Módulo 6. Técnicas de Visión Artificial en Robótica: procesamiento y análisis de imágenes
Módulo 7. Sistemas de percepción visual de robots con aprendizaje automático
Módulo 8. Localización de robots y mapeo simultáneo mediante técnicas de Visión Artificial
Módulo 9. Aplicación a la Robótica de las tecnologías de Realidad Virtual y aumentada
Módulo 10. Sistemas de comunicación e interacción con robots

Dónde, cuándo y cómo se imparte

Esta Maestría se ofrece 100% en línea, por lo que alumno podrá cursarla desde cualquier sitio, haciendo uso de una computadora, una tableta o simplemente mediante su smartphone.

Además, podrá acceder a los contenidos tanto online como offline. Para hacerlo offline bastará con descargarse los contenidos de los temas elegidos, en el dispositivo y abordarlos sin necesidad de estar conectado a internet.

El alumno podrá cursar la Maestría a través de sus 10 módulos, de forma autodirigida y asincrónica. Adaptamos el formato y la metodología para aprovechar al máximo el tiempo y lograr un aprendizaje a medida de las necesidades del alumno.

Si entre tus objetivos está el dominar el diseño, desarrollo, implementación y validación de sistemas de percepción para Robótica, TECH Universidad es para ti”

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
1.2.2. Modelos de comunicación y tecnologías Middleware de intercambio de información
1.2.2. 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
1.10.3. Robots con partes flexibles (soft-robotics)

Módulo 2. Agentes inteligentes. Aplicando 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 redes neuronales profundas o 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 neuronales 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
2.7.4. Aprendizaje por refuerzo aplicado a Robótica

2.8. Redes neuronales artificiales y aprendizaje profundo o deep learning

2.8.1. Redes neuronales artificiales. Tipología
2.8.2. Aplicaciones de redes neuronales
2.8.3. Transformación del aprendizaje automático o machine learning al aprendizaje profundo o 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 inteligencia artificial (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. Controladores lógicos programables (PLC’s) 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: diagrama LD
3.7.2. Programación PLC: texto estructurado ST
3.7.3. Programación PLC: bloque de funciones FBD y funciones continuas CFC
3.7.4. Programación PLC: diagrama funcional secuencial SFC

3.8. Programación y configuración de equipos en plantas industriales

3.8.1. Programación de variadores y controladores
3.8.2. Programación de interfaz hombre máquina (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 adquisición de datos y supervisión de control 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

4.8.2. Control mediante aprendizaje supervisado
4.8.3. Control mediante aprendizaje reforzado
4.8.4. Control mediante aprendizaje no supervisado

4.9. Control basado en visión

4.9.1. Control de robot Visual Servoing basado en posición
4.9.2. Control de robot Visual Servoing basado  en imagen
4.9.3. Control de robot Visual Servoing híbrido

4.10. Control predictivo

4.10.1. Modelos y estimación de estado
4.10.2. Control basado en control predictivo por modelo MPC aplicado a robots móviles
4.10.3. Control basado en modelo MPC aplicado a vehículos aéreos no tripulados UAVs

Módulo 5. Algoritmo de planificación de 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, planificación de ruta PRM y método de árbol de búsqueda rápida RRT
5.3.4. Planificando ante restricciones dinámicas

5.4. Planificación por muestreo óptima

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 multi-robot (I): sistema centralizado

5.5.1. Problema de coordinación multi-robot
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 multi-robot (II): enfoques distribuidos I

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

5.8. Coordinación en sistemas Multi-robot (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. Pre-procesamiento 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. Análisis de grupos
7.1.2. Análisis de componentes principales PCA
7.1.3. Algoritmo Nearest Neighbors
7.1.4. Semejanza y matriz de descomposición

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. Asignación latente de Diritchlet
7.2.4. Redes neuronales

7.3. Redes neuronales profundas: estructuras, backbones y transfer learning

7.3.1. Capas generadoras de características

7.3.3.1. Grupo visual geométrico VGG
7.3.3.2. Algoritmo Densenet
7.3.3.3. Red residual ResNet
7.3.3.4. Agile Inception
7.3.3.5. Red neuronal GoogLeNet

7.3.2. Aprendizaje por transferencia
7.3.3. Los datos. Preparación para el entrenamiento

7.4. Visión artificial con aprendizaje profundo (I): detección y segmentación

7.4.1. Algoritmo YOLO y unidad de estado sólido SSD diferencias y similitudes
7.4.2. Red neuronal 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. Representación semántica de escenas

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. Tecnologías 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 aprendizaje profundo deep learning

7.9.1. Uso de unidad de procesamiento gráfico GPU para el deep learning
7.9.2. Desarrollo ágil con Google IColab
7.9.3. GPUs remotas, nube de Google y servicio de web Amazon 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. 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 de filtro extendido 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 puntos de referencia 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. Apariencia rápida basada en mapeo FABMAP
8.6.3. Abstracción mediante técnica GIST y algoritmo HOG
8.6.4. Detección mediante aprendizaje profundo

8.7. Localización y Mapeo Simultáneo basado en gráficos (Graph-SLAM)

8.7.1. Algoritmo Graph-SLAM
8.7.2. localización y mapeo RGBD-SLAM
8.7.3. Orientado rápido y girado breve ORB-SLAM

8.8. Localización y mapeo simultáneo Visual Directo (Direct Visual SLAM)

8.8.1. Análisis del algoritmo Direct Visual SLAM
8.8.2. Monocular directo a gran escala LSD-SLAM
8.8.3. Odometría visual semi directa SVO

8.9. Localización y mapeo simultáneo Visual-Inercial (Visual Inertial SLAM)

8.9.1. Integración de medidas inerciales
8.9.2. Bajo acoplamiento: odometría estéreo con seguimiento de características SOFT-SLAM
8.9.3. Alto acoplamiento: Vins-Mono

8.10. Otras tecnologías de Localización y Mapeo Simultáneo

8.10.1. Aplicaciones más allá del SLAM visual
8.10.2. Lidar-SLAM
8.10.2. Rango único 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 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
9.8.1. 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 de memoria a largo y corto plazo LSTM

10.3. Reconocimiento de habla: prosodia y efectos ambientales

10.3.1. Ruido ambiente
10.3.2. Reconocimiento multi-locutor
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 de10. 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

Un programa intensivo que podrás adaptar a tus necesidades para hacer de tu puesta al día un proceso flexible, eficaz y, sobre todo, exitoso”