La inteligencia artificial (IA) ha dejado de ser una mera fantasía futurista para integrarse de manera tangible en nuestra vida cotidiana. Desde las recomendaciones personalizadas en plataformas de streaming hasta la optimización de los procesos logísticos en una fábrica, la IA está en todas partes. Lo interesante es que no solo está haciendo nuestras vidas más cómodas, sino que también está transformando la industria.
En el proyecto HUMAIN, donde colaboramos con empresas como BAMA y CENTUM, estamos llevando la IA al siguiente nivel. Imagina una fábrica que puede anticipar problemas antes de que ocurran, gracias a sistemas predictivos basados en datos. O robots que trabajan junto con humanos para embalar y paletizar productos de manera eficiente, incluso cuando las cajas tienen tamaños diferentes. ¡Es como pasar de un coche manual a uno automático!
Pero esto no es ciencia ficción. Estamos investigando y desarrollando algoritmos de inteligencia artificial que convierten datos masivos en decisiones inteligentes, sistemas de visión por computador que ven más allá de lo que el ojo humano puede detectar y soluciones de mantenimiento predictivo impulsadas por aprendizaje automático que ahorran tiempo y dinero. La IA actúa como un cerebro estratégico que optimiza cada aspecto del proceso, desde la producción hasta la logística. ¿El resultado? Procesos más sostenibles, menos residuos y fábricas más inteligentes.
Este tipo de proyectos no solo benefician a las grandes empresas. También tienen un impacto directo en nuestras vidas. Piénsalo: cada vez que compras algo en línea y llega a tu puerta en tiempo récord, es probable que detrás haya un sistema de IA que optimizó cada paso del proceso. Desde el empaquetado hasta la entrega.
El consorcio del proyecto HUMAIN, estamos emocionados de ser parte de esta revolución. No se trata solo de hacer que las máquinas trabajen más rápido, sino de integrar tecnologías disruptivas que conviertan a las personas en el corazón del proceso. Porque al final, la IA es una herramienta: lo importante es cómo la usamos para mejorar nuestro día a día.
¿Estamos listos para abrazar esta revolución industrial? La respuesta está en cada clic, cada compra y cada robot que trabaja codo a codo con nosotros.
La inteligencia artificial (IA) está contribuyendo a la transformación de un gran número de sectores, desde sugerir una canción de música hasta analizar el estado de nuestra salud con el reloj, pasando por la industria de la fabricación. Un freno a esta transformación es la complejidad de los sistemas de IA usados, lo que a menudo plantea desafíos en términos de transparencia y comprensión de los resultados que ofrecen. En este contexto, se habla de la capacidad de explicación – o “explicabilidad” – de la IA como la capacidad para hacer comprensibles sus decisiones y acciones a los usuarios – es lo que se conoce como IA explicable, o XAI por sus siglas en inglés; algo que es crucial para generar confianza y asegurar una adopción responsable de la tecnología.
Explicabilidad de la IA; capacidad para hacer comprensibles sus decisiones y acciones a los usuarios.
En la actualidad, se trabaja en un amplio abanico de soluciones tecnológicas para mejorar la explicabilidad de los algoritmos de IA. Una de las principales estrategias incluye la creación de modelos intrínsecamente explicables (ante hoc). Estos modelos, como por ejemplo los árboles de decisión y las reglas de asociación, están diseñados para ser transparentes y comprensibles por naturaleza. Su estructura lógica permite a los usuarios seguir fácilmente el razonamiento detrás de las decisiones. Las herramientas de visualización de explicaciones son clave, ya que representan gráficamente el proceso de toma de decisiones del modelo, facilitando su comprensión por parte de los usuarios. Éstas pueden incluir desde cuadros de mando dedicados hasta gafas de realidad aumentada, pasando por explicaciones en lenguaje natural (por voz o texto).
Sistema intrínsecamente explicable: árbol de decisión. Los nodos intermedios son condiciones que verifican progresivamente hasta llegar a la respuesta final; la secuencia de condiciones es la explicación.
Explicación en lenguaje natural de un sistema de recomendación de nuevas rutas para hacer ejercicio. Extraida de Xu et al. (2023). XAIR: framework of XAI in augmented reality.
Otra familia de técnicas de explicación comúnmente utilizada es la de los métodos post hoc: éstos consisten en, una vez creado un modelo de IA complejo, procesar y analizar a posteriori el propio modelo resultante para explicar sus resultados. Por ejemplo, algunas de estas técnicas evalúan cuánto contribuye cada variable en la respuesta final del sistema (análisis de sensibilidad). Entre las técnicas de explicabilidad post hoc destaca SHAP (SHapley Additive exPlanations), un método basado en la teoría de juegos cooperativos, que permite extraer coeficientes que determinan la importancia de cada variable de entrada en el resultado final del algoritmo de IA.
Otras técnicas incluyen la descomposición, que divide el modelo de IA en componentes más simples y más fácilmente explicables, y la destilación en modelos subrogados (knowledge distillation, surrogate models) que aproximan la función del sistema original, pero son más fácilmente comprensibles. Por otro lado, las llamadas “explicaciones locales” consisten en métodos que explican ejemplos individuales (entrada-salida), no el modelo completo. Un ejemplo son las explicaciones proporcionadas por herramientas como LIME (Local Interpretable Model-agnostic Explanations). En el ejemplo de la siguiente figura se explican las palabras más relevantes para determinar por qué el texto se considera ‘sincero’ (con un 84% de fiabilidad) o ‘insincero’ [Linardatos et al. (2020)].
Un enfoque adicional es la integración de entradas de usuarios en el proceso de construcción del modelo, conocido como «Human-in-the-Loop» (HITL). Este enfoque permite a los usuarios interactuar (e.g. etiquetando datos nuevos) y supervisar los algoritmos de IA, ajustando sus decisiones en tiempo real y mejorando así la transparencia del sistema.
En CARTIF, se está trabajando activamente en diferentes proyectos relacionados con IA, como s-X-AIPI para avanzar en la explicabilidad de los sistemas de IA usados para aplicaciones industriales. Un ejemplo significativo de nuestro trabajo son los dashboards (paneles de visualización o cuadros de mando) diseñados para la supervisión y análisis del rendimiento de los procesos de fabricación estudiados en el proyecto. Estos dashboards permiten a los operadores de planta visualizar y entender cómo se está desempeñando el proceso en tiempo real.
Se han creado modelos predictivos y de detección de anomalías para la industria del asfalto que no solo anticipan valores futuros, sino que también detectan situaciones inusuales y explican los factores influyentes en estas predicciones y detecciones. De esta manera, se ayuda a los operarios a tomar decisiones informadas y a entender mejor los resultados generados por los sistemas de IA y como deben actuar.
La explicabilidad en métodos de IA es esencial para su adopción segura y efectiva en todo tipo de sectores: industria, ventas, logística, farmacia, construcción…. En CARTIF, estamos comprometidos con el desarrollo de tecnologías para crear aplicaciones basadas en Inteligencia Artificial que no sólo mejoren los procesos y servicios, sino que también sean transparentes y comprensibles para los usuarios, en definitiva, que sean explicables.
Co-autor
Iñaki Fernández. Doctor en Inteligencia Artificial. Investigador en el área de Salud y Bienestar de CARTIF
Imagina descubrir que el piloto de tu próximo vuelo estará usando el Apple Vision Pro mientras está al mando del avión. ¿Te sentirías cómodo subiendo a ese avión? Si tu respuesta es no, es posible que pienses que el piloto es un imprudente y tu vida está en riesgo. Por otro lado, si respondes si, es probable que conozcas el potencial de emplear este dispositivo en dicha situación.
Recientemente el mundo se vio envuelto en este debate cuando un piloto en Estados Unidos fue grabado usando el Apple Vision Pro durante un vuelo. El piloto en cuestión afirmaba haber mejorado su productividad con este dispositivo1. Sin embargo, recibió críticas significativas y tuvo que disculparse tras eliminar el vídeo.
¿Por qué este caso indignó tanto? En realidad, son muchos los sectores donde se utilizan este tipo de dispositivos diariamente, como la cirugía, la arquitectura, la ingeniería y la formación. La razón es simple: estamos progresando.Aunque los humanos somos escépticos ante nuevas tecnologías, reconocemos que pueden mejorar nuestras vidas. Un ejemplo claro es el comercio electrónico; cuando comenzó, muchas personas pensaban que era peligroso. Ahora, Amazon es la quinta empresa más valiosa de Estados Unidos y en España, el 39% de la población compra de manera online al menos una vez al mes2.
Es probable que con el tiempo este sentimiento también se disipe en el caso de la realidad extendida. Este término, que engloba la realidad virtual, realidad aumentada y realidad mixta, puede resultar confuso para muchos. Cada tecnología tiene un propósito específico basado en el nivel de inmersión: la realidad virtual crea entornos completamente digitales, la realidad aumentada superpone elementos digitales en la realidad física y la realidad mixta combina ambas para dar conciencia espacial a los elementos digitales. Este concepto comprende mejor si se observa la siguiente imagen.
Diferencias entre realidad virtual, aumentada y mixta. Fuente: Avi Barel3
En la imagen, se puede apreciar cómo en realidad mixta, un objeto como un pato de goma puede reconocer su entorno y posicionarse detrás de una mesa en lugar de atravesarla como lo haría en realidad aumentada. ¡Esta es la magia de la realidad mixta!
Aunque el Apple Vision Pro tiene características increíbles, dispositivos similares existen desde hace tiempo, algo que en CARTIF se sabe bien. Por eso, desde hace tiempo en la División de Sistemas Industriales y Digitales empleamos el dispositivo de realidad mixta Microsoft HoloLens 2, para cumplir diversos propósitos.
En el proyecto Baterurgia, estamos usando esta tecnología para automatizar el desmontaje de baterías de coches eléctricos y, favoreciendo la interacción humano-robot. Para lograrlo. nos apoyamos en la robótica y la visión artificial para detectar los tornillos presentes en una batería. A través de las lentes del Microsoft Hololens 2, el operario observa hologramas que indican la posición de los tornillos en el espacio. El operario puede seleccionar un tornillo con el dedo o la mirada y dar órdenes al robot mediante comandos de voz. El sistema ofrece retroalimentación sobre el progreso de la actividad, permitiendo que el operario realice otras tareas simultáneamente.
Secuencia de recogida de un tornillo (Grabado con Microsoft HoloLens 2)
Visualización de la imagen de la cámara con los tornillos detectados.
Señalización de los tornillos.
El operario elige un tornillo.
El robot recoge el tornillo elegido.
Como has visto, la realidad mixta está ganando popularidad y se está aplicando en más sectores. El alto costo de productos como Apple Vision Pro y Microsoft Hololens 2, que rondan los $3500, es una limitación importante. No obstante, nuevos dispositivos más asequibles como Meta Quest 3, que cuesta alrededor de $500, están haciendo que esta tecnología sea más accesible para empresas y usuarios. En esta línea, se prevé que la cantidad de ventas mundiales de dispositivos de realidad extendida aumente a 105 millones para 20254.
Si este post te ha intrigado y deseas explorar más sobre la realidad extendida y su impacto, ¡Estaré encantado de compartir más información contigo!
Cuando un proyecto finaliza, es el momento de recapitular, de recopilar toda la información y la experiencia adquirida durante el proceso. A lo largo de los tres años y medio de trabajo en el proyecto CAPRI, ha habido mucho tiempo para hacer cosas, para obtener muy buenos resultados o para sentirse mal porque muchas veces nada parece funcionar bien a la primera.
El proyecto CAPRI finalizó en septiembre de 2023 y logró sus principales objetivos definidos al inicio, que fueron impulsados por la necesidad de ayuda en la transformación digital de la industria europea de procesos mediante la investigación, desarrollo y prueba de una plataforma de automatización cognitiva, CAP, que integra 19 soluciones cognitivas diferentes definidas en cada una de las tres plantas piloto del proyecto. Esta plataforma se ha diseñado para lograr el objetivo final de obtener reducciones en el uso de materias primas, consumo de energía y huella de CO2. Tras finalizar el proyecto, se ha demostrado que las reducciones se han logrado gracias a la estrecha colaboración de los doce socios involucrados, procedentes de siete países diferentes. La plataforma cognitiva y las soluciones se implementaron en tres sectores importantes de la industria de procesos: fabricación de asfalto, producción de lingotes y barras de acero y producción de tabletas en la industria farmacéutica.
Por ejemplo, en la planta piloto de asfalto de EIFFAGEInfraestructuras, las soluciones cognitivas estaban relacionadas con los cuatro niveles de automatización, desde sensores hasta planificación, abarcándolos todos. El prototipo final demostrado bajo operación real de la planta de asfalto incluyó tecnologías muy diferentes como visión por computadora, análisis de vibraciones, redes neuronales o modelos matemáticos para la parametrización de los datos existentes para predecir los indicadores clave de rendimiento (consumo específico de energía por tonelada de mezcla de asfalto o la cantidad final de materias primas utilizadas).
Las soluciones cognitivas desarrolladas, como el control cognitivo del tambor secador o los nuevos sensores, aseguran la calidad de los productos y la producción en tiempo real, reduciendo el consumo de energía y materias primas utilizadas. Antes del proyecto, el control de los materiales utilizados se basaba en estimaciones y ahora, con el modelo matemático para el balance de masas y los nuevos sensores, los operadores de la planta pueden recibir una información en tiempo real que no tenían antes.
Los resultados esperados de cada solución cognitiva se definieron durante las primeras etapas del proyecto para verificar las mejoras de cada una durante el período de validación del proyecto. El proyecto CAPRI ofrece soluciones innovadoras que tienen el potencial de transformar industrias e impulsar el progreso. Destaca el enfoque del proyecto en desbloquear nuevas posibilidades y capacitar a varios sectores con avances de vanguardia gracias a los resultados explotables clave generados.
Respecto a estos resultados, dentro del caso de uso de asfalto, se incluyeron como resultados explotables tres soluciones: un sensor para medir el polvo aspirado en línea dentro de un tubo, la cantidad de betún presente en el asfalto reciclado y un sistema de mantenimiento predictivo del colector de polvo de la planta basado en sensores cognitivos y conocimientos expertos. El caso de uso del acero generó dos resultados explotables: un sensor cognitivo de solidificación de acero para procesos de colada continua y un seguimiento de productos de acero. El caso de uso de la industria farmacéutica tiene dos resultados explotables: un sensor cognitivo para la calidad de los gránulos y un sensor de atributos de calidad.
El proyecto también generó algunos resultados explotables clave transversales útiles para cualquier tipo de industria: la arquitectura técnica de la plataforma de automatización cognitiva o CAP, y otro relacionado con los datos abiertos generados, mostrando el compromiso del proyecto CAPRI con la ciencia abierta y los principios FAIR a través de la generación de más de 50 activos compartidos en plataformas abiertas, como Zenodo.
Los principales objetivos de la propuesta fueron la reducción del uso de materias primas, energía y huella de CO2. Podemos decir con orgullo que logramos esos objetivos, como se puede ver en la tabla resumen de KPIs después de CAPRI:
KPI Objetivo
Después de CAPRI
5% – 20% Ahorro de materias primas
10-20%
5% reducción del consumo de energía
3-16,75%
5% reducción de la huella de carbono de CO2
3-16,75%
Como ingeniero, cuando un proyecto finaliza a tiempo, y con estos muy buenos resultados, cuando su proyecto ha contribuido a mejorar la industria, sin dañar nuestro medio ambiente, uno se siente mejor y todos los sacrificios, horas extras y críticas negativas valieron la pena.
«Un ciudadano de Los Ángeles descubre el rayo de la muerte». Este impactante titular apareció en un periódico de Los Ángeles en julio de 1960. Unas semanas antes, concretamente el 16 de mayo de 1960, el ingeniero y físico americano Theodore H. Maiman en los laboratorios de investigación de Hughes había conseguido que un cilindro de rubí sintético son bases reflectantes y una lámpara de fotografía emitiera pulsos de luz roja intensa lo que constituyó la primera implementación física del láser.
Theodore H. Maiman con la primera implementación de un láser
Este hito en la fotónica fue consecuencia tanto de siglos de estudio de grandes científicos como Newton, Young, Maxwell o Einstein tratando de conocer y explicar la naturaleza luz, como de una frenética carrera desde los años 50 entre una docena de laboratorios con los de Bell a la cabeza por demostrar experimentalmente que la emisión estimulada de la luz predicha por Albert Einstein en su trabajo de 1917 «The Quantum Theory of Radiation» era posible.
El término LASER o «Light Amplified by Stimulated Emission of Radiation» fue acuñador por Gordon Gould en 1957 en sus notas sobre la viabilidad de la construcción de un láser. Gould había sido estudiante de doctorado de Charles Townes, quien, en 1954, había construido el MASER, predecesor del láser, que amplificaba las ondas microondas por emisión estimulada de la radiación. Finalmente, Charles Townes recibiría en 1964 el Nóbel de física por su implementación del MASER, Gordon Gould se haría millonario con la patente del láser y Mainman recibiría el reconocimiento de haber realizado la primera implementación de un láser, además de numerosos reconocimientos académicos.
Un láser es una fuente de luz con unas características especiales de coherencia, monocromicidad y colimación. Estas características permiten concentrar con la ayuda de lentes ópticas una gran intensidad de energía en un área mínima. Para conseguir estas características, el láser hace uso del mecanismo cuántico predicho por Einstein con el que se consigue que la generación de fotones en ciertos medios sólidos, líquidos o gaseosos se amplifique en gran medida cuando dichos medios son excitados eléctricamente o mediante pulsos de luz.
Durante los años 60, además del láser de estado sólido de Maiman, se desarrollaron otros láseres como el láser de He-Ne en diciembre del 60 y el láser de CO2 en 1961 cuyo medio activo eran gases o el láser de diodo en 1962. Aunque en principio se dijo del láser que era «una solución para un problema no definido», rápidamente el número de aplicaciones de este incremento en gran medida haciendo de este una herramienta imprescindible en la mayoría de los campos de la ciencia y fabricación. Podemos encontrar ejemplos de esto en la industria, donde sus múltiples usos para cortar, soldar o para tratamientos superficiales de gran número de materiales los ha hecho imprescindibles o en el sector de las comunicaciones donde su uso como emisor de información mediante pulsos de luz a través de fibras ópticas ha permitido conseguir tasas de transferencia de datos inimaginables sin las cuales no sería posible la actual transformación digital.
Actualmente, el desarrollo de nuevos láseres, las prestaciones y sus aplicaciones sigue creciendo. Por ejemplo, en los últimos años, los láseres verdes y azules están cobrando mucha importancia en la electro movilidad ya que sus longitudes de onda son más adecuadas para las soldaduras de elementos de cobre en comparación con otros láseres más habituales.
Láser verde para corte y soldadura de elementos de cobre. Fuente: Cvecek, Kaufamnn Blz 2021. https://www.wzl.rwth-aachen.de/go/id/telwe?lidx=1
Desde el 2020 CARTIF forma parte de PhotonHub Europe, una plataforma formada por más de 30 centros de referencia en fotónica de 15 países europeos en el que más de 500 expertos en fotónica ofrecen su apoyo a empresas (principalmente PYMES) para ayudarlas a mejorar sus procesos productivos y productos a través del uso de la fotónica. Para ello se han articulado hasta el año 2024 acciones formativas, de desarrollo de proyectos y de asesoramiento a nivel técnico y financiero. Por otro lado, para estar al tanto de lo que ocurre en el mundo de la fotónica os animamos a formar parte de la comunidad creada en PhotonHub Europe. En esta comunidad podéis estar al tanto de las actividades de la plataforma como de noticias y eventos relaciones con la fotónica.
En un mundo donde los seres humanos llevamos a cabo tareas que involucran la manipulación de objetos, como alzarlos, arrastrarlos o interactuar con ellos (por ejemplo, cuando usamos nuestros queridos móviles o nos comemos una manzana), estas acciones se ejecutan de manera inconsciente, de forma natural. Son nuestros sentidos los que nos permiten adaptar nuestras características físicas a las tareas de manera instintiva. En contraste, los robots actúan como pequeños aprendices de humanos, imitando nuestro comportamiento, ya que actualmente carecen de la misma consciencia e inteligencia.
Para abordar esta brecha, emergió la «Interacción Humano Robot» (HRI, por sus siglas en inglés), una disciplina que busca comprender, diseñar y evaluar la interacción entre robots y seres humanos. Este campo tuvo sus inicios en la década de los 90´s con un enfoque multidisciplinar, pero hoy en día su estudio está en constante evolución y ha dado lugar a importantes eventos1 donde se reúnen visionarios en la temática, que buscan impulsar esta tecnología, acercándonos cada vez más a un mundo donde la inteligencia artificial y los seres humanos se entiendan y colaboren transformando nuestro futuro cercano.
Es importante comprender que esta disciplina de la interacción humano robot no es una tarea sencilla, sino tremendamente desafiante, ya que requiere a su vez de la contribución de las ciencias cognitivas, la lingüística, la psicología, la ingeniería, las matemáticas, la informática y el diseño de los factores humanos, por lo que existen múltiples atributos involucrados, como son:
Nivel de autonomía: toma de decisiones de forma independiente.
Intercambio de información: fluidez y entendimiento entre las diferentes partes.
Diferentes tecnologías y equipos: mayor adaptación entre lenguajes y modelos.
Configuración de tareas: definición y ejecución de tareas de manera eficiente.
Aprendizaje cognitivo: habilidades para aprender y mejorar con el tiempo.
También en este caso toma especial importancia el tipo de interacción, que se define como, acción, relación o influencia recíproca entre dos o más personas, objetos, agentes, etc. y un factor clave es la distancia entre humano y robot, donde se puede denominar interacción a distancia, por ejemplo, robots móviles que se envían al espacio, o por el contrario una interacción de manera física, cuando el ser humano tiene contacto con el robot.
Niveles de interacción entre humano y robot de acuerdo a los estándares definidos en ISO8373//10218//15066. Fuente: V. Villani, et al., Survey on human–robot collaboration in industrial settings: Safety, intuitive interfaces and applications, Mechatronics 55 (2018) 248–266,http://dx.doi.org/10.1016/j.mechatronics.2018.02.009
Estos atributos son solo una muestra de las complejidades que involucran estos sistemas de interacción robótica, donde la colaboración interdisciplinaria es esencial para su evolución.
Desafíos de la interacción entre humanos y robots
En este momento los desafíos están relacionados con la naturaleza altamente desestructurada de los escenarios donde se utilizan los robots colaborativos, ya que es imposible para un desarrollador tecnológico estructurar todo el entorno del sistema. Entre los más importantes retos se encuentran aspectos relacionados con movilidad, comunicaciones, construcciones de mapas y la conciencia de la situación.
Entonces, ¿cuál es el siguiente paso en las interacciones humanos-robots? Algunos desafíos son: conseguir que hablen el mismo idioma, esto implica mejoras y simplificación de la comunicación, especialmente en el caso de personas no entrenadas tecnológicamente, no presuponer estas habilidades previas y que no necesiten complicados manuales de instrucciones; también descubrir nuevas formas de interacción, mediante lenguaje natural, en el caso de los robots de asistencia, especial cuidado por la proximidad y vulnerabilidad; en general mejorar las interfaces, hacerlas más ágiles y flexibles, para poder ser adaptadas de forma sencilla a diferentes escenarios y cambios de entorno.
Por otro lado, un desafío que cobra especial importancia en los últimos tiempos es tener en cuenta las necesidades emocionales, valores humanos y ética en las interacciones entre humanos y robots, como se destacó anteriormente en esta definición de HRI.
Definición HRI (Interacción Humano-Robot)
es la ciencia que estudia el comportamiento y las actitudes de las personas hacia los robots en relación con sus características físicas, tecnológicas e interactivas, con el objetivo de desarrollar robots que faciliten el surgimiento de interacciones humano-robot eficientes (de acuerdo con los requisitos originales de su área prevista de uso), pero también sean aceptables para las personas y satisfagan las necesidades sociales y emocionales de sus usuarios individuales, respetando al mismo tiempo los valores humanos (Dautenhahn, 2013).
Inspirados por este apasionante campo de trabajo, CARTIF, en colaboración con la Fundación FIWARE y otros socios punteros en Europa, comenzará en 2024 el proyecto europeo ARISE, que pretende conseguir tecnologías de código abierto en tiempo real, ágiles y centradas en el ser humano, que impulsen soluciones en interacción Humano-Robot HRI combinando tecnologías abiertas como ROS2, Vulcanexus y FIWARE. Y donde se pretenden resolver retos mediante financiación de experimentos que desarrollen soluciones HRI ágiles con interfaces cada vez más adaptables e intuitivas.
ARISE abordará muchos de los siguientes desafíos: (1) Aplicación de robótica colaborativa para desmontaje de productos de valor añadido, (2) Picking de productos complejos en almacenes industriales, (3) Colaboración robótica flexible para un ensamblado y control de calidad más eficiente, (4) Reprogramación inteligente asegurando la adaptabilidad para diferentes productos mediante interfaces intuitivas, (5) Tareas de búsqueda y transporte en entornos sanitarios, (6) Mejora de la interacción multimodal en torno a diferentes tareas funcionales, (7) Asistencia robótica en tareas flexibles de alta precisión y (8) mejora de la ergonomía y la eficiencia de los trabajadores, generando así un marco de trabajo multidisciplinar que tiene en cuenta aspectos tanto tecnológicos como sociales.
Además, el proyecto ARISE abre sus puertas a los expertos en robótica para que puedan colaborar con la resolución de los diversos desafíos, generando así nuevos componentes tecnológicos para la HRI Toolbox, como ROS4HRI. Este gran reto colaborativo tiene como objetivo facilitar a las empresas la creación ágil y sostenible de aplicaciones HRI en un futuro cercano.
1ACM/IEEE International Conference on Human-Robot Interaction, IEEE International Conference on Robotics and Automation (ICRA) y Robotics Systems and sciences
