Taller en Robótica y Planificación de Movimientos 2026
Lunes 23 y martes 24 de marzo de 2026

RESÚMENES

Charla 1: "Data-driven machine learning methods are making advances in many long-standing problems in robotics, including grasping, legged locomotion, perception, and more.  There are, however, robotics applications for which data-driven methods are less effective. Data acquisition can be expensive, time consuming, or dangerous -- to the surrounding workspace, humans in the workspace, or the robot itself.  In such cases, generating data via simulation might seem a natural recourse, but simulation methods come with their own limitations, particularly when nondeterministic effects are significant, or when complex dynamics are at play, requiring heavy computation and exposing the so-called sim2real gap.  Another alternative is to rely on a set of demonstrations, limiting the amount of required data by careful curation of the training examples; however, these methods fail when confronted with problems that were not represented in the training examples (so-called out-of-distribution problems), and this precludes the possibility of providing provable performance guarantees.
    In this talk, I will describe recent work on robotics problems that do not readily admit data-driven solutions, including flapping flight by a bat-like robot, vision-based control of soft continuum robots, a cable-driven graffiti-painting robot, and ensuring safe operation of mobile manipulators in HRI scenarios. I will describe some specific difficulties that confront data-driven methods for these problems, and describe how model-based approaches can provide workable solutions. Along the way, I will also discuss how judicious incorporation of data-driven machine learning tools can enhance performance of these methods. "

Charla 2: "Se presenta un enfoque de control visual predictivo que integra directamente restricciones geométricas multivista dentro del horizonte de optimización, permitiendo gobernar el movimiento de un robot móvil a partir de la coherencia estructural entre imágenes consecutivas. A diferencia de métodos tradicionales basados en seguimiento de características o estimación explícita de pose, la propuesta formula una función de costo que captura información geométrica instantánea, incorporando de manera implícita componentes rotacionales y traslacionales del movimiento.
    El método se implementa mediante un esquema de Control Predictivo No Lineal aplicado a un robot móvil diferencial. Los resultados experimentales muestran mejoras en suavidad de trayectoria y robustez ante perturbaciones visuales. Además, el enfoque es extensible a otros tipos de plataformas robóticas mediante la adaptación del modelo dinámico dentro del esquema predictivo, lo que lo convierte en una herramienta general para el diseño de controladores visuales avanzados en navegación autónoma."
 

Charla 3: La manipulación robótica de objetos deformables tiene aplicaciones de gran interés en ámbitos industriales, médicos, agrícolas y domésticos. Se trata de un problema complejo, principalmente a causa de las inherentes dificultades que presentan el modelado, la percepción y el control del fenómeno de la deformación. En esta presentación, describiré algunos trabajos de investigación recientes en los que hemos abordado el control de la deformación. En particular, presentaré métodos de control visual de la forma de objetos flexibles manipulados por brazos robóticos. Además, mostraré cómo usar métricas de deformación para controlar el comportamiento colectivo en sistemas multi-robot aplicables al transporte de objetos deformables.

Charla 4: "Durante esta platica, presentaremos algunos trabajos desarrollados recientemente sobre navegación, percepción y control de vehículos autónomos no tripulados, incluyendo vehículos híbridos aéreos/submarinos, control no lineal de drones, transporte aéreo, aplicaciones de drones autónomos en el mundo real, etc. En particular, nos centraremos en los avances recientes en dos problemas de investigación abiertos muy interesantes y desafiantes, que poseen un enorme potencial para aplicaciones reales: el aterrizaje autónomo en entornos urbanos y los sistemas de transporte aéreo multi-agente. Finalmente, discutiremos futuros ejes de investigación y oportunidades de colaboración."
 

Charla 5: En esta plática, explicaremos en qué consiste la planificación y control de movimientos de robots. En la primera parte, haremos énfasis en el problema básico y sus extensiones más interesantes. En la segunda parte, presentaremos nuestra investigación actual en esta área, la cual incluye la integración de planificadores de movimientos geométricos, capaces de lidiar con obstáculos, y métodos de control robustos a incertidumbre, que corrigen el movimiento del sistema robótico usando un lazo cerrado con retroalimentación, el cual es implementado con medidas directas de sensores. Ejemplificamos estas técnicas en el control de sistemas con dinámica no trivial, tales como automóviles autónomos o drones. Finalmente, si el tiempo lo permite, presentaremos la aplicación de este tipo de métodos a juegos no-cooperativos de persecución-evasión con robots.

Charla 6: "El seguimiento visual permite que un dron navegue utilizando información proveniente de cámaras, sin depender exclusivamente de GPS o sensores externos. Sin embargo, en aplicaciones reales surgen desafíos importantes: retardos en procesamiento, ruido en la imagen, pérdida temporal de características visuales y oclusiones.
    Esta charla analiza los fundamentos del control servo-visual aplicado a drones y aborda los problemas prácticos que aparecen en escenarios reales, junto con estrategias para mitigarlos mediante filtrado, predicción, control robusto y técnicas híbridas."

Charla 7: Considérese un robot de manejo diferencial (DDR) equipado con un sensor omnidireccional que proporciona las distancias desde el robot hasta las esquinas y paredes en un entorno poligonal simplemente conectado. Además, el robot no conoce una representación geométrica global del mundo ni su posición en un marco de referencia global. Este artículo aborda el problema de ejecutar el movimiento del DDR mediante controladores en lazo cerrado para hacer que el centro del robot recorra la menor distancia posible en el entorno hasta alcanzar una configuración objetivo modelada como una landmark (punto o marca de referencia). Como resultado, la contribución principal de este trabajo es una estrategia de navegación óptima en lazo cerrado que no requiere la disponibilidad de un mapa geométrico global. Se presenta un análisis formal sobre la optimalidad de la tarea y también se incluyen experimentos en un DDR físico. Estos experimentos demuestran la viabilidad práctica del modelado teórico propuesto.

Charla 8: "En esta charla se va hablar de un nuevo paradigma para mapeo 3D/4D. Tradicionalmente en visión por computadora para realizar la reconstrucción 3D de un espacio se seguía un proceso modular. Este consiste en encontrar correspondencias entre imágenes y realizar una optimización para reconstruir el movimiento de la cámara y el mapa 3D. Este proceso puede ser lento y no muy robusto.
    Recientemente ha habido una revolución en reconstrucción 3D con redes neuronales, con lo que se puede obtener una reconstrucción completa de un espacio simplemente con correr una red neuronal. Esto es gracias a tres importantes innovaciones: (i) redes neuronales con la capacidad de procesar varias imágenes: Transformers (ii) bases de datos gigantes de mapas 3D y (iii) representaciones invariantes para representación 3D.
    Se va explorar cómo estos tres componentes permitieron por primera vez realizar una reconstrucción 3D de cualquier colección de imágenes simplemente con correr una red neuronal. También se platicara cómo esta idea se puede usar para reconstruir movimiento en videos, es decir reconstrucción 4D."

Charla 9: "Reinforcement learning (RL) allows an agent to learn to perform certain task by interacting with the environment; it has been successfully applied in several domains such as games and robotics. However, learning an optimal policy can take a very large number of interactions, in particular for complex problems with continuous state spaces. Incorporating causal knowledge in RL can reduce the learning time, and at the same time can be transferred to similar tasks.
After a brief introduction to causal modeling and discovery, I will describe how to incorporate prior causal knowledge into RL; and also how to learn a policy and a causal model simultaneously. Will illustrate the approach in two robotic applications: object manipulation and drone navigation."

Charla 10: "Una tarea importante en robótica móvil es mantener a un agente inteligente bajo vigilancia durante  el mayor tiempo posible, mientras que la misión dual consiste en escapar lo antes posible. Este planteamiento puede formularse de manera natural como un juego de persecución–evasión entre dos jugadores con objetivos antagónicos. En este trabajo, un robot de tracción diferencial (DDR) se mueve en el plano sin obstáculos y se encuentra inicialmente dentro de una región circular de detección correspondiente a la huella del sensor de un vehículo aéreo omnidireccional. El DDR busca salir de la región en el menor tiempo posible, mientras que la región de detección 
es controlada por el perseguidor aéreo omnidireccional, cuyo objetivo es mantener al DDR dentro durante el mayor tiempo posible. Formulamos la interacción resultante como un juego diferencial de persecución–evasión de suma cero y, utilizando herramientas de la teoría de juegos diferenciales, derivamos estrategias de movimiento para ambos jugadores. En general, la estructura de la ley óptima depende de la configuración inicial y de la razón entre las velocidades de los jugadores, lo que conduce a múltiples clases de trayectorias óptimas."

Charla 11: El control de sistemas de múltiples agentes, donde los agentes pueden ser robots, trata de imitar algunos comportamientos que se observan en la naturaleza, en los cuales los miembros de un grupo toman decisiones únicamente considerando información parcial (local) del grupo. En los últimos años, ha crecido el interés en formular esquemas de control para que un grupo de agentes logre un objetivo de forma distribuida, por ejemplo una formación deseada que se especifica para que los agentes se organicen formando un patrón geométrico predefinido. En esta charla se introducen los fundamentos del control de formaciones basado en orientaciones. Este enfoque utiliza mediciones relativas de vectores unitarios de orientación entre los agentes, lo cual es útil en entornos donde no se dispone de información de la posición absoluta de los agentes y puede ser implementado usando sensores a bordo de los robots, por ejemplo con mediciones visuales con cámaras.

Charla 12:     

Charla 13: Imagina un edificio que se derrumba tras una explosión. En el interior, una niña está atrapada entre escombros, el aire está viciado y ninguna persona puede entrar sin arriesgar su vida. Desde una ventana rota se desplegan docenas de drones del tamaño de una manzana; vuelan bajo y rápido, se cuelan por orificios de hasta veinte centímetros. Antes de que los bomberos terminen un plan de rescate, nuestros drones ya han dibujado un modelo tridimensional completo del interior. Eso es Swarm-SLAM: la técnica que permite que cientos de drones puedan construir colectivamente un mapa sin GPS, sin computadora central y, sobre todo, sin mapas previos.

Charla 14: "Coverage Path Planning (CPP)—the task of determining a path that passes over every point of a specific area—is a cornerstone of autonomous robotics, essential for applications ranging from precision agriculture and structural inspection to search-and-rescue missions. While classical algorithms like Boustrophedon decomposition and wavefront planners have provided robust foundations, they often struggle with high-dimensional constraints, dynamic environments, and complex sensor-based requirements.
    This talk explores the fundamental challenges of the CPP problem and examines the transformative shift brought about by Machine Learning (ML). We will discuss how Deep Reinforcement Learning (DRL) and Neural Networks are enabling robots to learn optimal coverage strategies in unstructured environments, adapt to real-time obstacles, and optimize multi-agent coordination. By merging geometric rigor with the adaptability of ML, the next generation of CPP is moving toward truly autonomous, ""intelligent"" exploration."