{"id":{"repo_id":"cadiz","oai_identifier":"oai:rodin.uca.es:10498/39667"},"canonical_url":"https://search.dev.ndltd.org/etd/cadiz/oai:rodin.uca.es:10498/39667","repository":{"repo_id":"cadiz","name":"Universidad de Cadiz","base_url":"https://rodin.uca.es/oai/request"},"display":{"title":"Estudio de nuevos algoritmos aplicando inteligencia artificial para sistemas robóticos en entorno industrial","abstract":"La Cuarta Revolución Industrial demanda una transición hacia la fabricación flexible, donde los sistemas robóticos deben operar con una autonomía y adaptabilidad sin precedentes. La Inteligencia Artificial (IA) emerge como la tecnología habilitadora para esta transformación, aunque su aplicación efectiva se enfrenta a dos desafíos fundamentales: la necesidad de una percepción del entorno robusta y asequible, y la garantía de una colaboración humano-robot (HRC) segura y eficiente. La presente tesis doctoral aborda de manera integral ambos desafíos, proponiendo nuevos algoritmos de IA para avanzar en el estado del arte de la robótica industrial. En respuesta al primer desafío, esta tesis presenta un novedoso método basado en aprendizaje profundo que supera la dicotomía histórica entre el alto coste de los sensores 3D y la limitada fiabilidad de la visión 2D tradicional. Se desarrolla una arquitectura de IA que extrae información espacial tridimensional precisa a partir de imágenes monoculares de bajo coste, demostrando que es posible alcanzar una percepción geométrica robusta sin recurrir a hardware costoso. Al validar esta metodología en un caso de uso industrial, se demuestra su potencial para democratizar el acceso a la automatización flexible. En cuanto al segundo pilar, se aborda la limitación de los sistemas de seguridad colaborativa convencionales, que son de naturaleza inherentemente reactiva al actuar únicamente tras el contacto. En su lugar, se diseña e implementa un sistema de supervisión proactivo basado en visión artificial. Dicho sistema monitoriza el espacio de trabajo en tiempo real, detecta la presencia de operarios y adapta dinámicamente el comportamiento del robot para prevenir colisiones antes de que ocurran. Este enfoque permite una interacción más fluida y eficiente, sentando las bases para una colaboración verdaderamente segura e inteligente. Ambas contribuciones se validan experimentalmente a través de la implementación en una plataforma robótica, demostrando su viabilidad práctica y su potencial para habilitar una nueva generación de sistemas industriales más inteligentes, accesibles y seguros.","abstract_html":"La Cuarta Revolución Industrial demanda una transición hacia la fabricación flexible, donde los sistemas robóticos deben operar con una autonomía y adaptabilidad sin precedentes. La Inteligencia Artificial (IA) emerge como la tecnología habilitadora para esta transformación, aunque su aplicación efectiva se enfrenta a dos desafíos fundamentales: la necesidad de una percepción del entorno robusta y asequible, y la garantía de una colaboración humano-robot (HRC) segura y eficiente. La presente tesis doctoral aborda de manera integral ambos desafíos, proponiendo nuevos algoritmos de IA para avanzar en el estado del arte de la robótica industrial. En respuesta al primer desafío, esta tesis presenta un novedoso método basado en aprendizaje profundo que supera la dicotomía histórica entre el alto coste de los sensores 3D y la limitada fiabilidad de la visión 2D tradicional. Se desarrolla una arquitectura de IA que extrae información espacial tridimensional precisa a partir de imágenes monoculares de bajo coste, demostrando que es posible alcanzar una percepción geométrica robusta sin recurrir a hardware costoso. Al validar esta metodología en un caso de uso industrial, se demuestra su potencial para democratizar el acceso a la automatización flexible. En cuanto al segundo pilar, se aborda la limitación de los sistemas de seguridad colaborativa convencionales, que son de naturaleza inherentemente reactiva al actuar únicamente tras el contacto. En su lugar, se diseña e implementa un sistema de supervisión proactivo basado en visión artificial. Dicho sistema monitoriza el espacio de trabajo en tiempo real, detecta la presencia de operarios y adapta dinámicamente el comportamiento del robot para prevenir colisiones antes de que ocurran. Este enfoque permite una interacción más fluida y eficiente, sentando las bases para una colaboración verdaderamente segura e inteligente. Ambas contribuciones se validan experimentalmente a través de la implementación en una plataforma robótica, demostrando su viabilidad práctica y su potencial para habilitar una nueva generación de sistemas industriales más inteligentes, accesibles y seguros.","abstract_has_math":false,"creators":["López Fuster, Miguel Ángel"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":["Badesa Clemente, Francisco Javier","Morgado Estévez, Arturo"],"committee_chairs":[],"committee_members":[],"year":2026,"date_issued":"2026","date_published":"2026","updated_at":"2026-07-24T01:29:44Z","subjects":[],"languages":["spa"],"rights":["Attribution-NonCommercial-NoDerivatives 4.0 Internacional"],"rights_urls":["http://creativecommons.org/licenses/by-nc-nd/4.0/"],"identifier_entries":[]},"links":{"outbound_url":"http://hdl.handle.net/10498/39667","outbound_label":"Handle","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor.advisor","label":"Advisor","values":["Badesa Clemente, Francisco Javier","Morgado Estévez, Arturo"]},{"key":"dc:contributor.other","label":"Dc Contributor Other","values":["Ingeniería en Automática, Electrónica, Arquitectura y Redes de Computadores"]},{"key":"dc:creator","label":"Author","values":["López Fuster, Miguel Ángel"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2026-05-27T06:16:19Z"]},{"key":"dc:date.available","label":"Dc Date Available","values":["2026-05-27T06:16:19Z"]},{"key":"dc:date.issued","label":"Date","values":["2026"]},{"key":"dc:type","label":"Dc Type","values":["doctoral thesis"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language.iso","label":"Language (ISO)","values":["spa"]},{"key":"dc:rights","label":"Dc Rights","values":["Attribution-NonCommercial-NoDerivatives 4.0 Internacional"]},{"key":"dc:rights.uri","label":"Rights URI","values":["http://creativecommons.org/licenses/by-nc-nd/4.0/"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.uri","label":"Identifier URI","values":["http://hdl.handle.net/10498/39667"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["La Cuarta Revolución Industrial demanda una transición hacia la fabricación flexible, donde los sistemas robóticos deben operar con una autonomía y adaptabilidad sin precedentes. La Inteligencia Artificial (IA) emerge como la tecnología habilitadora para esta transformación, aunque su aplicación efectiva se enfrenta a dos desafíos fundamentales: la necesidad de una percepción del entorno robusta y asequible, y la garantía de una colaboración humano-robot (HRC) segura y eficiente. La presente tesis doctoral aborda de manera integral ambos desafíos, proponiendo nuevos algoritmos de IA para avanzar en el estado del arte de la robótica industrial. En respuesta al primer desafío, esta tesis presenta un novedoso método basado en aprendizaje profundo que supera la dicotomía histórica entre el alto coste de los sensores 3D y la limitada fiabilidad de la visión 2D tradicional. Se desarrolla una arquitectura de IA que extrae información espacial tridimensional precisa a partir de imágenes monoculares de bajo coste, demostrando que es posible alcanzar una percepción geométrica robusta sin recurrir a hardware costoso. Al validar esta metodología en un caso de uso industrial, se demuestra su potencial para democratizar el acceso a la automatización flexible. En cuanto al segundo pilar, se aborda la limitación de los sistemas de seguridad colaborativa convencionales, que son de naturaleza inherentemente reactiva al actuar únicamente tras el contacto. En su lugar, se diseña e implementa un sistema de supervisión proactivo basado en visión artificial. Dicho sistema monitoriza el espacio de trabajo en tiempo real, detecta la presencia de operarios y adapta dinámicamente el comportamiento del robot para prevenir colisiones antes de que ocurran. Este enfoque permite una interacción más fluida y eficiente, sentando las bases para una colaboración verdaderamente segura e inteligente. Ambas contribuciones se validan experimentalmente a través de la implementación en una plataforma robótica, demostrando su viabilidad práctica y su potencial para habilitar una nueva generación de sistemas industriales más inteligentes, accesibles y seguros.","The Fourth Industrial Revolution demands a transition towards flexible manufacturing, where robotic systems must operate with unprecedented autonomy and adaptability. Artificial Intelligence (AI) emerges as the enabling technology for this transformation, although its effective application faces two fundamental challenges: the need for robust and affordable environmental perception, and the guarantee of safe and efficient human-robot collaboration (HRC). This doctoral thesis comprehensively addresses both challenges by proposing new AI algorithms to advance the state of the art in industrial robotics. In response to the first challenge, this thesis presents a novel deep learning-based method that overcomes the historical dichotomy between the high cost of 3D sensors and the limited reliability of traditional 2D vision. An AI architecture is developed to extract precise three-dimensional spatial information from low-cost monocular images, demonstrating that it is possible to achieve robust geometric perception without resorting to expensive hardware. By validating this methodology in an industrial use case, its potential to democratize access to flexible automation is proven. As for the second pillar, this work addresses the limitations of conventional collaborative safety systems, which are inherently reactive as they only act after contact has occurred. Instead, a proactive supervision system based on computer vision is designed and implemented. This system monitors the workspace in real-time, detects the presence of operators, and dynamically adapts the robot’s behavior to prevent collisions before they happen. This approach enables a more fluid and efficient interaction, laying the foundation for a truly safe and intelligent collaboration. Both contributions are experimentally validated through their implementation on a robotic platform, demonstrating their practical viability and potential to enable a new generation of more intelligent, accessible, and safe industrial systems."]},{"key":"dc:format","label":"Dc Format","values":["application/pdf"]},{"key":"dc:title","label":"Title","values":["Estudio de nuevos algoritmos aplicando inteligencia artificial para sistemas robóticos en entorno industrial"]}]}],"canonical_facts":{"dc:contributor.advisor":["Badesa Clemente, Francisco Javier","Morgado Estévez, Arturo"],"dc:contributor.other":["Ingeniería en Automática, Electrónica, Arquitectura y Redes de Computadores"],"dc:creator":["López Fuster, Miguel Ángel"],"dc:date.accessioned":["2026-05-27T06:16:19Z"],"dc:date.available":["2026-05-27T06:16:19Z"],"dc:date.issued":["2026"],"dc:description.abstract":["La Cuarta Revolución Industrial demanda una transición hacia la fabricación flexible, donde los sistemas robóticos deben operar con una autonomía y adaptabilidad sin precedentes. La Inteligencia Artificial (IA) emerge como la tecnología habilitadora para esta transformación, aunque su aplicación efectiva se enfrenta a dos desafíos fundamentales: la necesidad de una percepción del entorno robusta y asequible, y la garantía de una colaboración humano-robot (HRC) segura y eficiente. La presente tesis doctoral aborda de manera integral ambos desafíos, proponiendo nuevos algoritmos de IA para avanzar en el estado del arte de la robótica industrial. En respuesta al primer desafío, esta tesis presenta un novedoso método basado en aprendizaje profundo que supera la dicotomía histórica entre el alto coste de los sensores 3D y la limitada fiabilidad de la visión 2D tradicional. Se desarrolla una arquitectura de IA que extrae información espacial tridimensional precisa a partir de imágenes monoculares de bajo coste, demostrando que es posible alcanzar una percepción geométrica robusta sin recurrir a hardware costoso. Al validar esta metodología en un caso de uso industrial, se demuestra su potencial para democratizar el acceso a la automatización flexible. En cuanto al segundo pilar, se aborda la limitación de los sistemas de seguridad colaborativa convencionales, que son de naturaleza inherentemente reactiva al actuar únicamente tras el contacto. En su lugar, se diseña e implementa un sistema de supervisión proactivo basado en visión artificial. Dicho sistema monitoriza el espacio de trabajo en tiempo real, detecta la presencia de operarios y adapta dinámicamente el comportamiento del robot para prevenir colisiones antes de que ocurran. Este enfoque permite una interacción más fluida y eficiente, sentando las bases para una colaboración verdaderamente segura e inteligente. Ambas contribuciones se validan experimentalmente a través de la implementación en una plataforma robótica, demostrando su viabilidad práctica y su potencial para habilitar una nueva generación de sistemas industriales más inteligentes, accesibles y seguros.","The Fourth Industrial Revolution demands a transition towards flexible manufacturing, where robotic systems must operate with unprecedented autonomy and adaptability. Artificial Intelligence (AI) emerges as the enabling technology for this transformation, although its effective application faces two fundamental challenges: the need for robust and affordable environmental perception, and the guarantee of safe and efficient human-robot collaboration (HRC). This doctoral thesis comprehensively addresses both challenges by proposing new AI algorithms to advance the state of the art in industrial robotics. In response to the first challenge, this thesis presents a novel deep learning-based method that overcomes the historical dichotomy between the high cost of 3D sensors and the limited reliability of traditional 2D vision. An AI architecture is developed to extract precise three-dimensional spatial information from low-cost monocular images, demonstrating that it is possible to achieve robust geometric perception without resorting to expensive hardware. By validating this methodology in an industrial use case, its potential to democratize access to flexible automation is proven. As for the second pillar, this work addresses the limitations of conventional collaborative safety systems, which are inherently reactive as they only act after contact has occurred. Instead, a proactive supervision system based on computer vision is designed and implemented. This system monitors the workspace in real-time, detects the presence of operators, and dynamically adapts the robot’s behavior to prevent collisions before they happen. This approach enables a more fluid and efficient interaction, laying the foundation for a truly safe and intelligent collaboration. Both contributions are experimentally validated through their implementation on a robotic platform, demonstrating their practical viability and potential to enable a new generation of more intelligent, accessible, and safe industrial systems."],"dc:format":["application/pdf"],"dc:identifier.uri":["http://hdl.handle.net/10498/39667"],"dc:language.iso":["spa"],"dc:rights":["Attribution-NonCommercial-NoDerivatives 4.0 Internacional"],"dc:rights.uri":["http://creativecommons.org/licenses/by-nc-nd/4.0/"],"dc:title":["Estudio de nuevos algoritmos aplicando inteligencia artificial para sistemas robóticos en entorno industrial"],"dc:type":["doctoral thesis"]},"updated_at":"2026-07-24T01:29:44Z"}