actas_jreb22_malaga-1

Vista previa del material en texto

HIMTAE: Sistema heterogéneo multirobot para ayuda de personas 
mayores en un ambiente asistido en el hogar 
 
 
 
Ramón Barber1, Francisco J. Ortiz2, Francisco M. Calatrava 2, Santiago Garrido1, Luis Moreno1 José Alfonso 
Vera2, Alicia Mora1, Adrián Prados1 , Joaquín Roca2, Manuel Jiménez2 , Inmaculada Mendez3, Cecilia Ruiz-
Esteban3, Óscar M. Mozos4 
1ETSII, Universidad Carlos III de Madrid. Avda. de la Universidad, 30. Leganés. 
2ETSII, Universidad Politécnica de Cartagena. Calle Dr. Fleming, s/n, Cartagena 
3Dpto de Psicología Evolutiva y de la Educación, Facultad de Psicología, Universidad de Murcia 
4AASS, Örebro University, School of Science and Technology, Örebro, Suecia 
 
rbarber@ing.uc3m.es, francisco.ortiz@upct.es, francisco.calatrava@edu.upct.es, sgarrido@ing.uc3m.es, 
moreno@ing.uc3m.es, jose.vera@upct.es, aprados@pa.uc3m.es, almorav@pa.uc3m.es, 
jroca.gonzalez@upct.es, manuel.jimenez@upct.es, inmamendez@um.es, cruiz@um.es, oscar.mozos@oru.se 
 
 
Resumen 
 
En este artículo se presenta el diseño de un sistema 
heterogéneo multirobot que consta de un pequeño 
robot móvil para monitorizar el bienestar de las 
personas mayores que viven solas en su hogar y 
sugerirle actividades para mejorar su estado de 
ánimo y un robot manipulador móvil doméstico que 
ayuda a realizar tareas que requieran manipulación. 
Todo ello integrado en un ambiente domótico de 
asistencia en el hogar (AAL), que incorpora, además 
de los robots, un conjunto de sensores domóticos de 
bajo coste, un dispositivo médico tipo pulsera de 
actividad y una aplicación de Android para el 
estudio del estado anímico con la posibilidad de 
proponer actividades de coaching emocional a la 
persona que vive sola. El sistema heterogéneo se ha 
integrado haciendo uso de ROS, de tecnologías IoT 
tales como Node-RED y la plataforma domótica 
Home-Assistant. Este proyecto se desarrolla en la 
actualidad en su última fase en un proyecto nacional 
Retos de la Sociedad. 
 
Palabras clave: Robótica asistencial, 
envejecimiento, Ambient Assisted Living (AAL), 
Node-RED, IoT, interoperablilidad, sistemas 
heterogéneos, ROS, Smart Home, manipulación 
robótica, bienestar emocional. 
 
1 INTRODUCCIÓN 
 
El creciente aislamiento de los ancianos en sus 
domicilios, así como la situación sufrida en las 
residencias españolas durante la pandemia del 
COVID-19, ha convertido el problema de la atención 
a las personas dependientes y personas mayores que 
viven solas en una prioridad urgente. En este sentido, 
varios expertos se han pronunciado a favor de "la 
disponibilidad de una atención integral e integrada en 
el domicilio" [1]. Durante la COVID-19 se produjo 
un desbordamiento de la capacidad de respuesta 
asistencial en las residencias de mayores, provocando 
una situación muy dramática. Por ello, la protección 
de las personas mayores en España debe afrontar un 
escenario diferente que implique una atención 
centrada en la persona a través de la promoción de 
viviendas adaptadas [2] 
 
Además, será difícil satisfacer toda la demanda de 
atención domiciliaria en un futuro próximo debido a 
la escasez de personal sanitario y médicos 
disponibles como consecuencia de la elevada 
esperanza de vida y la baja tasa de natalidad. España 
sigue encabezando las listas en cuanto a longevidad 
en Europa, siendo de media 82.4 años. 
Desgraciadamente, el envejecimiento suele ir 
aparejado a un deterioro de la salud, que en muchos 
casos requiere atenciones y cuidados adicionales. 
Además, la tendencia a vivir en soledad para mayores 
de 65 años se ha incrementado un 30% en los últimos 
diez años. Así pues, y centrándonos en la situación 
española, se puede concluir que se vive más tiempo, 
la salud se ve más afectada en los últimos años de 
vida y, además, se está incrementando la tendencia 
de vivir en soledad. 
 
En los últimos cinco años la tecnología ha invadido 
nuestras vidas en casi todos los ámbitos: nos ayuda 
en el trabajo, en nuestro tiempo de ocio, en el 
cuidado médico. Pero hay un aspecto muy importante 
al que no se le ha dado la importancia necesaria y que 
es ahora cuando está cobrando más protagonismo: el 
cuidado de las personas en su entorno doméstico y 
cercano. A pesar de que se han dado soluciones 
particulares a problemas concretos, en la actualidad 
no existen soluciones genéricas, coordinadas, 
adaptables y asequibles [3]. 
 
Jornadas de Robótica, Educación y Bioingeniería, Málaga, 18-20 de mayo 2022
ISBN 978-84-09-41095-8 106
 
 
Todos estos factores constituyen la motivación del 
proyecto coordinado HIMTAE (Heterogeneous 
Intelligent Multi-Robot Team for Assistance of 
Elderly People), del programa Retos de la Sociedad 
del Ministerio (2019-2021, prorrogado hasta sept-
2022), compuesto por dos subproyectos, Heriotea y 
Robwell, en el que colaboran un amplio grupo 
multidisciplinar de investigadores de la Universidad 
Politécnica de Cartagena (robótica, domótica, 
inteligencia artificial), la Universidad de Murcia 
(psicología), la Universidad Carlos III de Madrid 
(robótica, manipulación) y la Universidad de Örebro, 
Suecia (inteligencia artificial). 
 
Este artículo trata de mostrar todos los aspectos y 
avances realizados en el proyecto HIMTAE. En 
resumen, el proyecto propone un sistema heterogéneo 
que incluye elementos provenientes de disciplinas de 
diferente naturaleza, como son la robótica asistencial, 
la domótica y la vida asistida por el entorno (AAL) y 
la inteligencia artificial orientada al análisis del 
comportamiento y estado anímico del usuario para 
intentar precedirlo y con ayuda de la psicología 
sugerir actividades de coaching emocional a través de 
los dispositivos inteligentes en contacto con el 
usuario. Es un sistema multirobot que consta de un 
pequeño robot movil para monitorizar el bienestar de 
las personas mayores que viven solas en su hogar y 
un robot manipulador doméstico que ayuda a realizar 
tareas que requieran manipulación. Este tipo de 
plataformas integradas con soluciones domóticas 
alineadas con el Ambient Assited Living (AAL) se 
enmarcan en el campo de la robótica asistencial. El 
robot móvil de monitorización y coaching es capaz 
de interactuar con el usuario y de actuar en función 
de su estado anímico de manera similar al BotCare de 
Samsung [4] o al robot Rassel de la UPV [5], que, 
aunque no es un robot móvil, sí que se centra en la 
interacción y el reconocimiento del estado anímico. 
La idea de completar el sistema con un equipo 
multirobot asistencial se presenta en [6], donde se 
definen los aspectos teóricos de la integración. En [7] 
el proyecto Romeo2 introduce el concepto de un 
robot asistente para la vida cotidiana mediante un 
robot humanoide, pero se centra más en la 
interacción con el usuario. En la propuesta [8] se 
presenta un manipulador para ayudar y entretener a 
los ancianos que viven en apartamentos, pero 
presenta limitaciones en cuanto a manipulación y a 
operaciones en entornos humanos. En el proyecto 
HIMTAE se propone un robot manipulador bibrazo, 
con capacidades de manipular en un entorno de una 
vivienda, con un tamaño que le permita navegar y 
manipular en una vivienda para realizar tareas que 
necesiten su ayuda por parte de las personas mayores, 
con lo que tendrá que estar dotado de capacidades de 
modelado y planificación ´tanto para la navegación 
en la vivienda como en las zonas de manipulación. 
Un ejemplo de simbiosis entre los sistemas AAL y la 
robótica se muestra en el proyecto EnrichMe [9], en 
el que los sensores ambientales proporcionan cierta 
información de actividad al robot de asistencia o en 
[10]. Por otro lado, teniendo en cuenta que el sistema 
presentado en este proyecto se centra, no solo en la 
parte de domótica, sino también en la integración, 
conviene mencionar proyectos como SmartSEAL 
[10] o el presentado en [11], en los que también se 
usa ROS como middleware. En cuanto al 
reconocimiento de estado anímico, cabe destacar que 
este campo ha ganado mucha importancia dentro del 
mundo de la inteligenciaartificial. Se han realizado 
estudios de éxito tanto con wearables [12], [13] como 
infiriendo comportamientos usando sensores IoT [14] 
han mostrado buenos resultados. Sin embargo, llevar 
este sistema a la vida real todavía supone un reto que 
estamos afrontando en este proyecto. 
 
1.1. DESCRIPCIÓN GENERAL DE HIMTAE 
 
El sistema propuesto se engloba dentro de la 
tipología de sistema heterogéneo debido a su 
diversidad. A continuación, se nombran y resumen 
brevemente los componentes del sistema para luego 
explicarlos en profundidad en diferentes apartados. 
 
 Robot móvil asistencial. Deberá navegar de 
manera autónoma por la casa para atender a 
las necesidades del usuario o para sugerirle 
alguna actividad según su estado anímico. 
 Ecosistema de sensores domóticos. Se trata 
de un conjunto de sensores tanto 
comerciales como de diseño propio para 
monitorizar el estilo de vida del usuario. 
 Dispositivo médico Empatica E4. 
Permitirá la monitorización de ciertas 
variables fisiológicas como el BVP (Blood 
Volume Pulse), EDA (Electrodermal 
Activity), la temperatura cutánea, el HR 
(Heart Rate), el IBI (Interbeat Interval) y la 
aceleración. Todo esto permite entrenar un 
algoritmo de machine-learning para predecir 
el estado de ánimo del usuario. 
 Aplicación para adquisición de datos 
psicológicos. Se ha desarrollado una app 
Android para poder hacer un estudio 
psicológico y así relacionar la información 
obtenida de la Empatica E4 con el estado 
anímico del usuario, en la que se puede 
responder a preguntas básicas sobre 
actividad/bienestar. Esta será la otra entrada 
de información para el algoritmo de 
machine-learning. 
 Robot manipulador de asistencia 
doméstica. Concebido para la ejecución de 
labores en entornos domésticos como la 
realización de tareas en la cocina, que 
requieren tanto de capacidades de 
Jornadas de Robótica, Educación y Bioingeniería, Málaga, 18-20 de mayo 2022
ISBN 978-84-09-41095-8 107
 
 
desplazamiento por una estancia como 
habilidades de manipulación. Esto deriva en 
la necesidad de una plataforma móvil de 
mayores dimensiones respecto al robot de 
acompañamiento, similar al tamaño de una 
persona, ya que deberá poder adaptarse a las 
dimensiones de un hogar. 
 Unidad central home-assistant. Que 
permite recoger datos domóticos para 
obtener información acerca de las rutinas de 
la persona en casa y activar los dispositivos 
necesarios. Esta unidad, que actualmente es 
una Raspberry Pi, pero se sustituirá por un 
PC empotrado, albergará los algoritmos de 
inteligencia artificial para coordinación y 
actuación de los diversos dispositivos para 
mejorar el bienestar de la persona. Para 
hacer transparente la información entre los 
diferentes elementos del sistema se ha 
utilizado ROS, Home-Assitant e IoT. 
 
En la Figura 1 se puede observar un esquema 
resumido de los principales elementos del sistema. 
 
 
 
Figura 1: Arquitectura general del sistema 
heterogéneo HIMTAE 
 
2 AMBIENT ASSISTED LIVING Y 
ADQUSICIÓN DE DATOS 
 
Aunque el estado del arte revela que existen 
numerosos esfuerzos de investigación centrados en el 
desarrollo de sistemas de automatización del hogar y 
de cuidado de ancianos que incluyen robots de 
servicio en el contexto de la asistencia domiciliaria, 
actualmente es difícil encontrar soluciones cercanas 
al mercado para la asistencia remota de ancianos en 
el hogar, que incluyan robots asistentes y Ambient 
Assiste Living (AAL) asequibles, con capacidad para 
analizar el entorno, determinar el estado emocional 
de los ancianos y actuar en consecuencia e 
interactuar con los usuarios de forma natural, 
adaptándose a ellos según sus roles (pacientes 
ancianos, familiares o cuidadores), entre otras 
características. El sistema domótico que garantiza el 
AAL en este proyecto pretende ser lo menos 
intrusivo posible y se buscan, siempre que sea 
posible, soluciones comerciales de bajo coste. 
 
2.1. ECOSISTEMA DE SENSORES 
 
En la Figura 2 se puede observar una propuesta 
completa del reparto en la casa de los sensores 
domóticos básicos comerciales, aunque en los 
escenarios de prueba que se mostrarán más adelante 
se adoptan esquemas simplificados de este 
despliegue. 
 
 
 
Figura 2: Distribución de los sensores domóticos 
(AP=Apertura/verde, PIR=Presencia/rojo, 
T=Temperatura/azul claro, PC=Consumo 
Eléctrico/negro, gas=gas natural/violeta) 
 
Las principales actividades que se pueden 
monitorizar para que, con el apoyo del equipo de 
psicología del proyecto, proponer estrategias de 
coaching emocional, serían las siguientes. Se pueden 
encontrar más detalle de los sensores usados en [14]. 
 
 Horas de sueño, actividad física en el interior de la 
vivienda, veces que va al baño, tiempo que 
permanece en estancias. Para ello se utilizan 
pulseras de actividad como Empatica E4 y sensores 
de movimiento como Mi Motion Sensor de Xiaomi. 
 Tiempo sentado ante el televisor o en cama 
mediante sensores de asiento sencillos con interfaz 
electrónica desarrollada en el proyecto. 
 Alteración de hábitos o estado de ánimo por 
cambios de sensación térmica y nivel lumínico 
mediante sensores de temperatura y luminosidad. 
 Actividades de limpieza, organización, uso del 
frigorífico, etc: mediante detectores de apertura, 
sensores de consumo eléctrico, etc. 
 Niveles de estrés y actividad y otros parámetros 
biométricos que completen la estimación de estado 
de ánimo con pulsera médica Empatica E4 [15] 
 
Todos los sensores comerciales usan el protocolo 
Zigbee, por tanto, para poder realizar una gestión de 
los mismos de manera local desde Home Assistant, 
se usó la puerta de enlace genérica CC2531. En un 
Jornadas de Robótica, Educación y Bioingeniería, Málaga, 18-20 de mayo 2022
ISBN 978-84-09-41095-8 108
 
 
principio se propuso también la opción de usar la 
puerta de enlace Conbee II pero se descartó por 
motivos de estabilidad. Por otro lado, para los 
sensores de diseño propio, se utiliza un 
microcontrolador de bajo coste ESP32 [16] para 
publicar la información de los mismo mediante el 
protocolo de comunicación MQTT a un broker 
Mosquitto montado sobre la misma Raspberry Pi que 
Home Assistant. 
 
2.2 ADQUISICIÓN DE DATOS Y 
ESTIMACIÓN DEL ESTADO DE ÁNIMO 
 
Uno de los puntos principales marcados al inicio del 
proyecto es el de la estimación del estado anímico 
mediante el análisis de datos fisiológicos y 
psicológicos ayudándonos de la inteligencia artificial. 
Si bien es verdad que se han conseguido buenos 
resultados en este campo, muchos han sido en un 
ambiente de laboratorio [17][18], es decir, todo el 
proceso se encontraba bajo constante vigilancia. Lo 
que se busca con el sistema propuesto, es aportar una 
manera de captura de datos que no implique una 
intrusión abrupta en el día a día de los usuarios y no 
se necesite vigilancia constante. 
 
Los datos fisiológicos, actualmente, se obtienen del 
dispositivo médico Empatica E4, que permite la 
monitorización de ciertas variables como son el BVP 
(Blood Volume Pulse), EDA (Electrodermal 
Activity), la temperatura cutánea, el HR (Heart Rate), 
el IBI (Interbeat Interval) y la aceleración en los tres 
ejes (XYZ). Por otro lado, tomando como punto de 
partida los experimentos expuestos en [16], se diseñó 
una aplicación Android que permitiera la captura de 
datos más próximos al campo de la psicología 
(Figura 3). Para la evaluación del estado anímico, el 
sistema utiliza 2 herramientas. Por un lado, se tiene 
que, basándose en el modelo de estado 
mental/anímico propuesto por J. A. Russell [19], se 
usan las EMAs (Ecological Momentary 
Assessments), de tal manera que se le pregunta al 
usuario 5 veces al día sobre su nivel de felicidad y 
actividad, dividiendo estos parámetros en 5 niveles 
discretos distintos que van de 0-4. La segunda 
herramienta utilizada es un cuestionario formado por 
las 20 primeras preguntas del cuestionario STAI, que 
proporciona una visión potencial de los síntomas de 
estado de ansiedad.La información total que se obtiene de esta 
aplicación Android es: 
 
 Nivel de felicidad/actividad. Para este caso, 
se guarda cada uno de los niveles (0-4) de 
manera respectiva junto con el timestamp 
del momento en el que se ha registrado la 
respuesta del usuario. 
 Reacción del usuario. Aunque este dato no 
se usa actualmente, se decidió guardar para 
futuras aproximaciones. Se trata del tiempo 
que transcurre desde el momento en el que 
se le notifica al usuario que debe realizar el 
cuestionario o el test y el momento en el que 
responde. 
 Horas programadas de los cuestionarios. Se 
trata de las horas a las que cada usuario ha 
programado los cuestionarios. 
 
Tal como se observa de forma esquemática en la 
Figura 3, el modo de estimar el estado de ánimo de la 
persona en casa se basa en un primer estudio 
comparativo entre la propia percepción del usuario, 
marcando su estado de felicidad y actividad la 
aplicación móvil mencionada y los datos fisiológicos 
captados por el dispositivo médico Empatica. Una 
vez se tienen suficientes datos del usuario, en primer 
lugar, se obtienen las características pertinentes de 
los datos fisiológicos para etiquetarlos con los datos 
psicológicos y, posteriormente, se realiza la 
clasificación. En este caso, se construyó un 
clasificador usando la librería libSVM de SVM 
(Support Vector Machines) [21] 
 
 
 
Figura 3: Metodología de clasificación mediante 
machine-learning para entrenamiento del algoritmo 
de estimación de estado de ánimo [14] 
 
Al final, una vez se ha construido el modelo y se ha 
entrenado los suficiente, se tiene como meta final el 
poder llegar a estimar el estado de ánimo del usuario 
sin necesidad de tener que responder a los 
cuestionarios [20]. 
 
3 ROBOT MOVIL ASISTENCIAL 
 
Para la plataforma robótica de acompañamiento que 
podrá proponer actividades de coaching emocional a 
la persona (como sugerir que se mueva a otra 
estancia, que deje de ver televisión y haga ejercicio, 
que está recibiendo la llamada de un familiar, etc), se 
ha optado por la solución comercial de bajo coste 
Turtlebot II [21]. Se trata de un conocido robot móvil 
de tipo diferencial con dos ruedas de apoyo situadas 
Jornadas de Robótica, Educación y Bioingeniería, Málaga, 18-20 de mayo 2022
ISBN 978-84-09-41095-8 109
 
 
en situación romboidal. La base móvil sobre la que se 
monta el resto de la plataforma robótica es la IClebo 
de Kobuki. Dicha base ofrece la posibilidad de 
montar encima plataformas según una estructura 
modular para incorporar el hardware extra necesario 
como CPU, LIDAR, etc. Para conseguir un aspecto 
más amigable para el usuario se ha hecho un diseño 
3D que facilita la impresión de piezas ligeras que 
faciliten la movilidad, como se observa en la figura 4. 
Para conseguir una interfaz con el usuario que integre 
lenguaje natural además de la interacción visual, en 
este proyecto se monta en la última de sus 
plataformas un altavoz inteligente tipo Alexa 8. 
 
 
 
Figura 4: Robot móvil asistencial 
 
Para llevar a cabo la navegación autónoma del robot 
dentro del hogar evitando los objetos tanto estáticos 
como dinámicos, el robot dispone de un sensor 
LIDAR Hokuyo UST-10LX que le permite obtener 
información precisa del entorno para el mapeo y 
navegación. Para este propósito, en una primera 
aproximación se ha usado el stack de navegación de 
ROS configurándolo para el uso del Hokuyo UST-
10LX. No obstante, se está trabajando en la mejora 
de la estimación de la nube de puntos para atravesar 
mejor las puertas y en la incorporación de métodos 
de navegación semántica para mejorar la fiabilidad 
de esta navegación autónoma. 
 
4 ROBOT MANIPULADOR DE 
ASISTENCIA DOMESTICA 
 
El robot de asistencia domestica está concebido un 
robot manipulador bibrazo para la ejecución de tareas 
domésticas como el cocinado, que requieren tanto de 
capacidades de desplazamiento por una estancia 
como habilidades de manipulación. Esto deriva en la 
necesidad de una plataforma móvil de mayores 
dimensiones respecto al robot de acompañamiento, 
pero similar al tamaño de una persona, ya que deberá 
poder adaptarse a las dimensiones de un hogar. El 
robot seleccionado está compuesto por una base 
móvil, un torso y dos brazos, alcanzando en total los 
160 cm de altura. 
 
La base es un modelo RB-1 de Robotnik [22], con un 
diámetro de 50 cm, actuada por dos ruedas 
motorizadas y tres de soporte que permiten el 
movimiento hacia delante y hacia atrás y la rotación 
en el sitio del robot, pero no un desplazamiento 
lateral. En la base se encuentra un sensor láser 2D, 
desplazado una distancia pequeña sobre el nivel de 
suelo, que le permite obtener información geométrica 
del entorno para poder navegar. El torso se compone 
de dos partes: una en forma de ortoedro, sobre la 
base, en cuyo interior se encuentran los ordenadores 
de los brazos; y una parte de menor tamaño sobre 
ésta donde los brazos se encuentran ensamblados. 
Respecto a la primera parte, cuenta con tres bandejas 
metálicas en la parte frontal pensadas para facilitar el 
transporte de diversos objetos. Finalmente, los brazos 
son dos UR3 de Universal Robots [23], con un 
alcance de 50cm y una carga de 3kg. Cuentan con un 
total de seis grados de libertad cada uno y un rango 
de movimiento en cada articulación entre -360º y 
+360º a excepción del efector final, que permite más 
de una revolución. En la Figura 5 se puede observar 
un esquema de las diferentes partes que componen el 
robot. 
 
 
 
Figura 5: Robot manipulador bibrazo ADAM y pinza 
 
Para la ejecución de tareas de manipulación, se ha 
diseñado una pinza mediante una impresora 3D. 
Dicha pinza consta de dos dedos subactuados por un 
servomotor que permiten el movimiento de apertura 
y cierre, además de dos sensores lineales de 
impedancia situados en la zona interna de cada uno 
de los dedos que permiten detectar la presión al 
agarrar un objeto y detienen la acción de la pinza. 
Para que el robot pueda desempeñar sus tareas, se 
necesitará dotarle de capacidades de navegación 
móvil, como la plataforma asistencial móvil, pero 
adaptándolas al tamaño del manipulador móvil y 
teniendo en cuenta que debe de posicionarse 
Jornadas de Robótica, Educación y Bioingeniería, Málaga, 18-20 de mayo 2022
ISBN 978-84-09-41095-8 110
 
adecuadamente en las zonas de trabajo que vaya a 
manipular, Además, se necesitará un modelado de la 
zona de trabajo, así como de una planificación de 
trayectorias para el movimiento de los brazos y 
manipulación. 
3.1 MODELADO, PLANIFICACIÓN Y 
NAVEGACIÓN EN CASA 
La navegación del manipulador de asistencia 
doméstica en el interior de la casa emplea técnicas de 
modelado del entorno que se basa en las 
características geométricas de dicho entorno, para 
permitir hacer una navegación local de acuerdo a las 
dimensiones del robot. Por lo tanto, se modela 
haciendo uso de mapas de ocupación, donde se 
diferencian las zonas libres, ocupadas y 
desconocidas. Para su construcción, se emplea la 
técnica de SLAM, que permite localizar el robot 
durante la exploración del entorno desconocido, 
mientras se construye el mapa. Este proceso es 
llevado a cabo en el entorno de ROS mediante el 
paquete de Gmapping [24], que toma como entrada 
los valores de odometría y del sensor láser y como 
salida construye el mapa de ocupación. Este proceso 
es combinado con un algoritmo de exploración 
autónomo [25], de manera que mediante la 
localización de fronteras, el robot decide a qué punto 
moverse para seguir expandiendo el mapa. 
Debido a las grandes dimensiones del robot, es 
necesario cambiar su comportamiento según las 
acciones que vaya a ejecutar. En concreto, se debe 
diferenciar entre la navegación en una habitación, 
donde existe espacio abierto, y entre zonas estrechas, 
sobre todo puertas. Para ello, se han de detectar las 
zonas de paso estrecho, o puertas, en el mapa de 
ocupación. 
Figura 6: Segmentación de un mapa de ocupación en 
regiones y extracción de mapatopológico 
El método seleccionado para ello es Watershed [26], 
caracterizado por su rápida ejecución. Una vez que 
cada una de las habitaciones ha sido diferenciada, se 
extrae un mapa topológico que va a permitir la 
navegación entre zonas de la casa. Un ejemplo de 
aplicar este proceso en un mapa de ocupación es 
mostrado en la Figura 6, donde se puede observar el 
mapa de ocupación inicial, la segmentación de las 
habitaciones por colores y el mapa topológico 
correspondiente. Cada uno de los nodos representa 
las habitaciones (R) y las puertas (D) disponibles, 
mientras que los arcos (E) indican la conectividad de 
cada una de las zonas. 
Una vez el entorno ha sido modelado, se utilizan 
técnicas de localización y planificación para navegar 
con la base. Inicialmente, se ejecuta el localizador 
provisto por el stack de navegación de ROS, basado 
en Monte Carlo [27]. Dada la localización actual del 
robot y el punto de destino deseado, se planifica la 
ruta a seguir en dos fases. En la primera fase, se 
utiliza el mapa topológico para comprobar qué 
habitaciones y qué puertas deberán ser atravesadas. 
Sabiendo a qué nodo topológico pertenecen los 
puntos iniciales y finales, se aplica el planificador 
Dijkstra [28]. En la segunda fase, se alternan dos 
comportamientos diferentes según sea navegación 
para cruzar una puerta o para navegar en una 
habitación. En el primer caso, se utiliza navegación 
de bajo nivel, en el que el robot en primer lugar se 
orienta hacia la puerta y seguidamente avanza en 
línea recta, utilizando la información del sensor láser 
de la base para corregir su orientación y evitar chocar 
con el marco. En el segundo caso, el planificador 
seleccionado es Fast Marching Square (FM2) [29]. 
Este algoritmo se ejecuta una primera vez antes de 
que el robot comience a moverse, de manera que se 
obtiene un plan global. Si durante la ejecución del 
camino se detecta con el láser un objeto nuevo que 
interfiere con las zonas que el robot debe atravesar, 
éste es añadido al mapa de ocupación y FM2 vuelve a 
ejecutarse para que el robot pueda esquivar a tiempo 
real el nuevo elemento identificado. 
3.1 PLANIFICACIÓN DE LA MANIPULACIÓN 
Una vez situado el robot en la zona de trabajo, el 
robot se prepara para manipular. Para realizar la 
planificación de la trayectoria de los brazos a la hora 
de poder manipular diferentes elementos del entorno, 
es necesario trabajar con un modelo simulado con el 
que comprobar que la trayectoria de los brazos no 
colisiona ni con los elementos del entorno (el cual ha 
de ser modelado previamente) ni consigo mismo. Los 
espacios libres y ocupados son establecidos haciendo 
uso de mapas de ocupación 3D. Por consiguiente, 
tanto el cuerpo del robot como los elementos del 
escenario serán espacios ocupados no atravesables de 
valor 1 y el resto será un espacio transitable de valor 
Jornadas de Robótica, Educación y Bioingeniería, Málaga, 18-20 de mayo 2022
ISBN 978-84-09-41095-8 111
 
 
0. Un ejemplo de modelo utilizado se muestra en la 
Figura 7. Se ha realizado una simplificación con 
respecto a la estructura de los brazos, la cual 
únicamente afecta a la visualización, ya que se 
trabaja con una configuración del modelo 
exactamente igual al brazo real UR3. 
 
 
 
Figura 7: Entorno simulado con el robot manipulador 
(izq.) y una mesa (der.). 
 
Es necesario, seguidamente, conocer cuáles son los 
ejes de coordenadas de cada una de las partes del 
robot en el sistema real para poder establecer las 
transformaciones necesarias con respecto a nuestro 
modelo simulado. Para poder observar correctamente 
los ejes, se utiliza el visualizador 3D Rviz. Los ejes 
necesarios para esta tarea se muestran en la Figura 8. 
En concreto, se necesita el eje de la base robótica, ya 
que todos los sensores están referenciados respecto a 
ésta, y los ejes de los brazos, ya que los comandos de 
movimiento de los mismos deben estar referenciados 
respecto a ellos. Es importante señalar que, debido al 
ensamblaje de los brazos para imitar una disposición 
humana, los ejes de coordenadas para cada brazo son 
diferentes, por lo que es necesario establecer una 
transformación diferente para cada uno de ellos con 
respecto a la base del robot. 
 
 
Figura 8: Robot visualizado en Rviz: (a) Modelo del 
robot completo, (b) ejes de referencia de la base del 
robot y de los dos brazos. 
 
También se debe tener en cuenta que el sistema de 
coordenadas de los brazos está girado en un 
determinado ángulo con respecto a la base. Este 
ángulo es de 45° en ambos casos. Adicionalmente, 
los brazos se encuentran desplazados en los tres ejes, 
XYZ, respecto a la base. Por lo tanto, serán 
necesarias operaciones tanto de rotación como de 
traslación para establecer la relación entre estos tres 
ejes de referencia, de manera que todos los puntos 
calculados con respecto a la base del robot por parte 
de los sensores se puedan referenciar posteriormente 
respecto a los brazos, evitando así errores en la 
ejecución del movimiento. Este proceso se basa en 
una serie de transformaciones con las que, una vez 
calculada la trayectoria a seguir y comprobado que 
las colisiones son inexistentes, se envíen cada una de 
las posiciones de las articulaciones para generar 
dicha trayectoria en el modelo del robot real [30]. 
Para realizar dicho proceso se siguen los siguientes 
pasos: 
1. En primer lugar se localiza el punto real del 
entorno al que mover el efector final del brazo. Para 
ello, se hace uso de una cámara RGBD con la cual se 
obtienen sus coordenadas en tres dimensiones. En 
nuestro caso, se hace uso de una RealSense D435. 
2. Se convierten los valores del entorno real al 
modelo simulado en el software de Matlab. Este 
entorno, como ya se ha mostrado anteriormente, se 
basa en un modelo simplificado trasladado con 
respecto a la posición del robot real. 
3. Se establecen las transformaciones necesarias 
entre la base del robot, respecto a la que se toman los 
puntos del entorno real, y las bases de cada brazo que 
posee el robot. 
4. Se ejecuta el planificador correspondiente y se 
deshacen las transformaciones trabajando con las 
matrices inversas de las transformaciones calculadas 
para enviar la trayectoria al robot real respecto a las 
bases de cada uno de los brazos. 
 
Una vez establecidas las relaciones entre el modelo 
real y simulado, se lleva a cabo la generación de la 
trayectoria para mover el efector final del brazo al 
punto deseado. En este caso, se aplica FM2 que, a 
diferencia del caso de la base, se realiza en un 
entorno en tres dimensiones, basado en los mismos 
conceptos descritos previamente. Haciendo uso del 
FM2, se puede ver la trayectoria generada para el 
efector final. Adicionalmente, se evitan las colisiones 
con el entorno aplicando un método basado en 
Differential Evolution [31], con el cual se comprueba 
que los puntos de las articulaciones y los eslabones 
entre articulaciones no entren en contacto con un 
elemento del entorno ocupado o consigo mismo. El 
resultado en el entorno de Matlab se puede apreciar 
en la Figura 9. 
Jornadas de Robótica, Educación y Bioingeniería, Málaga, 18-20 de mayo 2022
ISBN 978-84-09-41095-8 112
 
 
 
Figura 9: Ejemplo de trayectoria generada, donde los 
puntos rojos son los caminos calculados para las 
articulaciones del brazo simplificado. 
 
4 INTEGRACIÓN DE ELEMENTOS 
 
Para la integración de todos los elementos, 
plataformas robóticas, sensores domóticos e 
información fisiológica, se ha decidido usar como 
middleware ROS ya que ofrece muchas opciones de 
conectividad. Por otra parte, el hecho de que permita 
organizar la arquitectura en nodos siendo 
multilenguaje y siguiendo la política de 
publicador/suscriptor aporta flexibilidad y facilidad 
de entendimiento en el diseño. 
 
4.1. ARQUITECTURA SOFTWARE PARA 
INTEGRACIÓN DE SISTEMAS 
 
Se ha realizado y validado la integración entre los 
diferentes elementos del sistema heterogéneo y ROS, 
también con la utilización de Node-Red, utilizandoprotocolo MQTT, como se observa en el esquema 
general de integración de la Figura 10. 
 
 
 
Figura 10: Esquema general de integración 
 
En la Figura 10 se pueden destacar dos bloques sobre 
los que se van a montar la mayoría del sistema. Estos 
bloques hardware/software son: 
 
 Raspberry Pi. Es un modelo 4 de 8 Gb de 
memoria RAM a la que se le ha añadido un 
disco duro SSD de 240 Gb que va a llevar 
instalado Home Assistant. Sobre la misma 
se usará una puerta de enlace genérica 
Zigbee cc2531 y Conbee II, un broker 
Mosquitto MQTT, un servidor Node-RED y 
un software de Home Assistant llamado 
Zigbee2MQTT. De esta manera se podrá 
obtener información de los sensores 
domóticos y del dispositivo Empatica E4 
mediante MQTT. 
 PC empotrado con ROS Master. Intel-
NUC en el que se ha instalado Ubuntu 16.04 
con la finalidad de ejecutar sobre el mismo 
ROS Kinetic. Sobre este PC se ejecutará la 
lógica y el software que proporcionará 
interoperabilidad y transparencia entre los 
diferentes elementos del sistema. Para la 
integración con Home Assistant se ejecutará 
el websocket del paquete rosbridge_server. 
De esta manera, se puede publicar y 
suscribirse a los topics desde Node-RED. 
Por otro lado, la integración con otros 
elementos del sistema que lleven 
implementado ROS Kinetic es directa. 
 
Para las comunicaciones entre los elementos del 
sistema se define en ROS un paquete específico 
“himtae” con los mensajes a intercambiar según los 
protocolos de comunicación entre los diferentes 
sistemas y los robots. La integración del altavoz 
inteligente Echo 8 permite integrar Alexa con el resto 
del sistema y en particular como interfaz usuario-
robot. Se ha conseguido configurado el servidor en 
Raspberry Pi para recibir las peticiones de Alexa, de 
modo que puede integrar cualquier servicio con el 
backend de la skill Alexa que se desarrolla; bases de 
datos, domótica, APIs de terceros, ROS. Gracias a 
esta flexibilidad se puede, desde darle al usuario 
información sobre la temperatura en la sala, hasta 
mandarle órdenes complejas al robot asistencial por 
medio de una amigable interfaz de usuario. 
 
El robot manipulador doméstico cuenta con un total 
de cuatro módulos que permiten el correcto 
funcionamiento del mismo. El primero, la base, 
permite la navegación del robot por el entorno en el 
que se encuentra. El segundo, la cámara, se encarga 
de detectar los objetos que se encuentran en la escena 
y de identificar el objeto de interés. El tercero, el 
brazo, se encarga de aproximarse hasta el objeto 
identificado en cuestión para su posterior 
manipulación. Finalmente, el módulo de la pinza se 
encarga del agarre del objeto. Todos ellos funcionan 
Jornadas de Robótica, Educación y Bioingeniería, Málaga, 18-20 de mayo 2022
ISBN 978-84-09-41095-8 113
 
de manera individual, por lo que es necesaria la 
programación de un controlador que coordine qué 
módulo debe funcionar en cada momento. Un 
esquema del controlador propuesto se muestra en la 
Figura 11. 
Figura 11: Estructura del controlador y los cuatro 
módulos que definen el funcionamiento del robot de 
asistencia física. 
Este controlador ha sido diseñado en ROS como una 
máquina de estados para alternar entre los cuatro 
módulos. Para ello, se han propuesto mensajes que 
intercambiará con ellos. Para la base, enviará la pose 
deseada al robot. Una vez esta pose es alcanzada, el 
módulo de la base devuelve un booleano al 
controlador, que se encargará de poner en marcha el 
siguiente módulo deseado. Respecto a la cámara, el 
controlador especificará qué objeto debe buscarse y 
recibirá las coordenadas espaciales del objeto en 
cuestión. Para los brazos, el controlador enviará el 
punto y la orientación final deseada del efector final 
y recibirá un booleano cuando haya sido alcanzado. 
Finalmente, la pinza recibirá del controlador un 
booleano indicando si debe abrirse o cerrarse y, una 
vez haya realizado la acción correspondiente, enviará 
un booleano de confirmación. Dependiendo de la 
tarea a realizar, el controlador se encargará de llamar 
a cada uno de estos módulos en el orden diseñado. 
4.2. ESCENARIOS DE PRUEBAS 
Se han implementado varios escenarios de pruebas, 
por ejemplo, el escenario “inicio del día” (Figura 12): 
cuando suena la alarma por la mañana, se encienden 
progresivamente las luces y Alexa proporciona 
información sobre la agenda del día, tiempo, etc. El 
robot asistente se acerca a la cama para sugerirle al 
usuario que se levante y le pregunta si desea que el 
robot en la cocina prepare el café. Cuando se detecta 
que el usuario se levanta de la cama, el robot envía el 
mensaje al robot en la cocina y se aparta a un rincón 
en modo de seguridad, quedándose a la espera de 
instrucciones, o bien se dirige a la cocina a esperar 
que el café esté preparado para recogerlo. 
El robot manipulador, una vez recibida la orden de 
calentar el café, debe planificar la trayectoria y la 
actividad de agarre. Tras el modelado del entorno, se 
establecen los puntos de partida y de la zona de 
trabajo (puntos A y B en la Figura 13). 
Figura 12: Escenario de prueba “inicio del día”. (1) 
Turtlebot (2) sujeto con empatica E4 (3) detector de 
presencia en cama (4) detector de presencia en silla y 
pulsador de llamada de emergencia (5) echo 8 con 
Alexa (6) detección de estado de atención al ver TV 
(7) simulador de otros elementos domóticos.
A continuación se lanza el planificador basado en 
FM2 sobre el mapa de ocupación, que puede verse en 
la Figura 13, donde el robot debe navegar en el 
interior de una sala hasta aproximarse a una mesa. 
Con esta combinación de planificación a nivel 
geométrico y topológico, se consigue un sistema de 
navegación robusto para el robot manipulador. 
Figura 13: Ejemplo de planificación con FM2, donde 
el robot es localizado en el punto A y debe moverse 
hasta el punto B 
Posteriormente el robot activa el modo manipulación. 
Utiliza el escaner 3D para hacer un reconocimiento 
de la zona de trabajo y lanza la tera de manipulación 
para que agarre el vaso con café y lo introduzca en el 
microondas, pulsando el botón de encendido. Una 
vez calentado el robot tira de la puerta, agarra el vaso 
de café que depositaré en el robot de asistencia 
personal para que se lo acerque al usuario. En la 
figura 14 se muestra una imagen del robot realizando 
Jornadas de Robótica, Educación y Bioingeniería, Málaga, 18-20 de mayo 2022
ISBN 978-84-09-41095-8 114
 
 
la tarea de introducción del vaso con café en el 
microondas. 
 
 
 
Figura 14: Robot manipulador introduciendo el vaso 
con café en el microondas 
 
A lo largo del día, dependiendo del estado emocional 
de la persona en casa que el sistema va detectando, el 
robot asistencial le va proponiendo actividades, como 
llamar a un familiar, realizar ejercicio, etc. También 
le sugiere salir a dar un paseo si detecta que está 
demasiado tiempo delante del televisor, etc. También 
puede requerir que el robot manipulador alcance 
algún utensilio, medicina, etc. y que una vez 
depositado sobre la bandeja que porta el robot de 
asistencia, lo haga llegar a la persona en casa cuando 
lo necesita. 
 
6 CONCLUSIONES Y TRABAJOS 
FUTUROS 
 
En el proyecto coordinado HIMTAE, se marcó como 
objetivo global conseguir un sistema heterogéneo 
compuesto por dos plataformas robóticas para ayudar 
a las personas mayores que viven solas en su hogar, 
asistiéndolas en sus actividades diarias. Se ha 
conseguido tener ambas plataformas operativas de 
forma coordinada. Por un lado se ha desarrollado un 
robot de asistencia doméstica, concebido como un 
robot manipulador bibrazo para la ejecución de tareas 
en el hogar, que requieren tanto de capacidades de 
desplazamiento por una estancia como habilidades de 
manipulación. Por otro lado, se ha desarrollado un 
robot móvil de acompañamiento junto al sistema de 
Ambient Assisted Living (AAL) integrado en el 
hogar, los algoritmos de inteligencia artificial y los 
sensores biométricos incorporadosen la pulsera 
médica. Con todos estos dispositivos se puede 
monitorizar la actividad de la persona en casa, 
estimar su estado de ánimo, y sugerirle actividades de 
coaching emocional que puedan ayudar a estimular y 
mejorar dicho estado anímico. 
 
Para el desarrollo de las plataformas robóticas se ha 
utilizado ROS y algoritmos propios como los 
descritos en apartados anteriores para un mapeo y 
una navegación autónoma eficaz en un entorno real 
de una casa. En cuanto al sistema domótico, se ha 
testado de manera más prolongada y se ha 
comenzado con la integración en un entorno de 
pruebas real. Por otro lado, en cuanto a la estimación 
del estado anímico, se ha ampliado el número de 
sujetos, y por tanto, el dataset disponible para ir 
haciéndolo cada vez más adaptable y fiable. Estas 
pruebas y resultados se presentan en [14], donde se 
concluía que el modelo utilizado muestra una 
capacidad prometedora para predecir los valores del 
estado de ánimo utilizando solamente datos físicos y 
técnicas de machine-learning. Las métricas de 
rendimiento obtenidas muestran un camino 
prometedor con resultados similares a otros trabajos. 
 
En cuanto a los futuros trabajos, se centran en seguir 
probando y mejorando el sistema a la vez que se 
amplían las tareas que en coordinación realizan los 
robots y el ambiente asistido en el hogar. Se 
emplearán algoritmos de inteligencia artificial 
diferentes a los utilizados en [14] [15] para mejorar la 
capacidad de predicción del estado de ánimo del 
sistema. Se está trabajando también en la robustez y 
tolerancia a fallos de los sistemas, como la mejora en 
los algoritmos de autodocking de los robots y la 
mejor localización de personas y obstáculos 
dinámicos dentro de la casa. 
 
En cuanto a la navegación y planificación en el 
manipulador móvil, la segmentación semántica del 
entorno tanto para la navegación de la plataforma 
como en la zona de manipulación han facilitado las 
tareas de los planificadores posteriores. FM2 ha 
proporcionado trayectorias suaves y seguras tanto 
para la base como para el manipulador y Differential 
Evolution se ha mostrado idóneo para evitar las 
colisiones de los brazos durante la manipulación. 
Está previsto mejorar la manipulación cambiando las 
pinzas de dos dedos por manos robóticas e introducir 
algoritmos de manipulación ambidiestra. 
 
En cuanto a la predicción del estado de ánimo cabe 
destacar que el sistema actual está dotado solo de 
datos fisiológicos. Es por ello que el presente equipo 
ha solicitado financiación (convocatoria de proyectos 
estratégicos para la transición ecológica y digital 
financiado por los fondos europeos Next Generation 
EU) que permita combinar diferentes modalidades de 
datos como la información de comportamiento dentro 
de la casa deducido a partir de los datos domóticos, 
uso del propio teléfono móvil, identificación de 
gestos y voces, etc. Igualmente se hace preciso dotar 
de un mayor seguimiento del estado anímico y 
mental de las personas mayores unido a una 
implementación de las intervenciones (orientación y 
asesoramiento psicológico) con la finalidad de 
mejorar el estado anímico y el bienestar mental a 
través de los medios de la tecnología y de la 
domótica en personas mayores que viven solas. 
Jornadas de Robótica, Educación y Bioingeniería, Málaga, 18-20 de mayo 2022
ISBN 978-84-09-41095-8 115
 
 
Habrá que progresar en el sistema sanitario de salud 
atendiendo a las exigencias de la sociedad actual, por 
lo cobra un papel prioritario el impulso de la salud 
digital (Estrategia de Salud Mental del Sistema 
Nacional de Salud 2022-2026). Por lo tanto, se hace 
preciso adaptar los servicios a las necesidades de la 
población, dotando de mayor autonomía y capacidad 
a cada persona, así como velando por la 
sostenibilidad del sistema. En la actualidad se está 
preparando la solicitud de continuación de esta 
investigación con un proyecto “Prueba de Concepto” 
buscando la transferencia tecnológica a la sociedad 
con la colaboración de empresas interesadas. 
 
Agradecimientos 
El proyecto HIMTAE mediante los subproyectos 
Heriotea (referencia RTI2018-095599-B-C21) y 
Robwell (referencia RTI2018-095599-A-C22) ha 
sido financiado por el Programa Estatal de 
Investigación, Desarrollo e Innovación Orientada a 
los Retos de la Sociedad, en el marco del Plan Estatal 
de Investigación Científica y Técnica y de 
Innovación 2013-2016. 
Proyecto RTI2018-095599-A-C22, financiado por 
MCIN/AEI/10.13039/501100011033/y por FEDER 
Una manera de hacer Europa 
 
English summary 
 
HETEROGENEOUS SYSTEM FOR 
DAILY ACTIVITY MONITORING AT 
HOME AND WELL-BEING OF 
ELDERLY PEOPLE 
 
Abstract 
 
This paper presents the design of a heterogeneous 
multi-robot system consisting of a small mobile robot 
to monitor the well-being of elderly people living 
alone at home and suggest activities to improve their 
mood, and a domestic mobile manipulator robot to 
help them perform tasks requiring manipulation. All 
of this is integrated into Ambient Assisted Living 
(AAL), which incorporates, in addition to the robots, 
a set of low-cost home-automation sensors, a medical 
device such as an activity bracelet and an Android 
application for studying the mood with the possibility 
of proposing emotional coaching activities to the 
person living alone. The heterogeneous system has 
been integrated using ROS, IoT technologies such as 
Node-RED and the Home-Assistant home automation 
platform. This project is currently in its last phase in 
a funded national project “Retos de la Sociedad”. 
 
Keywords: Assistive robotics, ageing, Ambient 
Assisted Living (AAL), Node-RED, IoT, 
interoperability, heterogeneous systems, ROS, Smart 
Home, robot manipulation, emotional well-being. 
 
Referencias 
 
[1] Davey, 2021, Situación en España de la 
evaluación de sistemas de atención a personas 
mayores en situación de dependencia”. Madrid, 
Informes Envejecimiento nº 28, 18 p. 2021 
[2] Marbán Gallego,V., Codorniu, M. and Cabrero, 
R. (2021). The impact of Covid-19 on the 
dependent elderly population in Spain with 
special reference to the residential sector. Ciênc. 
Saúde Colet. 26 (1), 1-10. 
doi.org/10.1590/1413-81232020261.33872020 
[3] G. Cicirelli, R. Marani, A. Petitti, A. Milella, T. 
D. ’ Orazio, and J. M. Molina López, “Ambient 
Assisted Living: A Review of Technologies, 
Methodologies and Future Perspectives for 
Healthy Aging of Population,” 2021, doi: 
10.3390/s21103549. 
[4] I Samsung, “Samsung Bots, los compañeros 
del futuro,” 2019. 
https://news.samsung.com/co/samsung-bot-los-
mejores-companeros-roboticos-en-camino-a-
enriquecer-la-calidad-de-vida-de-las-personas. 
[5] E. García, “Rassel, el robot que ayuda a las 
personas mayores,” 2018. 
https://cadenaser.com/emisora/2018/12/07/radio
_valencia/1544174190_652009.html. 
[6] Papadakis et al., "System Design for 
Coordinated Multi-robot Assistance 
Deployment in Smart Spaces," 2018 Second 
IEEE International Conference on Robotic 
Computing (IRC), 2018, pp. 324-329, doi: 
10.1109/IRC.2018.00068. 
[7] A. Kumar Pandey, R. Gelin, R. Alami, R. Viry, 
A. Buendia, R. Meertens, et al., "Romeo2 
Project: Humanoid Robot Assistant and 
Companion for Everyday Life: I. Situation 
Assessment for Social Intelligence", 
International Workshop on Artificial 
Intelligence and Cognition (AIC), 2014. 
[8] C. Mucchiani, W. O. Torres, D. Edgar, M. J. 
Johnson, P. Z. Cacchione and M. Yim, 
"Development and Deployment of a Mobile 
Manipulator for Assisting and Entertaining 
Elders Living in Supportive Apartment Living 
facilities," 2018 27th IEEE International 
Symposium on Robot and Human Interactive 
Communication (RO-MAN), 2018, pp. 121-
128, doi: 10.1109/ROMAN.2018.8525826 
[9] “EnrichMe - PAL Robotics : Leading service 
robotics.” https://pal-robotics.com/es/proyectos-
Jornadas de Robótica, Educación y Bioingeniería, Málaga, 18-20 de mayo 2022
ISBN 978-84-09-41095-8 116
 
 
colaborativos/enrichme/ (accessed Apr. 29, 
2022). 
[10] F. Gomez-Donoso,F. Escalona, F. M. Rivas, J. 
M. Cañas, and M. Cazorla, “Enhancing the 
Ambient Assisted Living Capabilities with a 
Mobile Robot,” 2019, doi: 
10.1155/2019/9412384. 
[11] E. Bellocchio, G. Costante, S. Cascianelli, P. 
Valigi, and T. A. Ciarfuglia, “SmartSEAL: A 
ROS based home automation framework for 
heterogeneous devices interconnection in smart 
buildings,” 2016, doi: 
10.1109/ISC2.2016.7580798. 
[12] T. Chakraborti, S. Srivastava, A. Pinto, and S. 
Kambhampati, “An ROS-based shared 
communication middleware for plug and play 
modular intelligent design of smart systems,” 
arXiv. 2017. 
[13] O. M. Mozos et al., “Stress detection using 
wearable physiological and sociometric 
sensors,” Int. J. Neural Syst., vol. 27, no. 2, 
2017, doi: 10.1142/S0129065716500416. 
[14] M. Koutli, N. Theologou, A. Tryferidis, and D. 
Tzovaras, “Abnormal behavior detection for 
elderly people living alone leveraging IoT 
sensors,” in Proceedings - 2019 IEEE 19th 
International Conference on Bioinformatics and 
Bioengineering, BIBE 2019, Oct. 2019, pp. 
922–926. doi: 10.1109/BIBE.2019.00173. 
[14] Calatrava, F.M., Ortiz, F.J., Vera, J.A., Roca, J., 
Jiménez, M., Martínez, O. Sistema heterogéneo 
para la monitorización de la actividad diaria en 
el hogar y el bienestar de personas mayores. 
XLII Jornadas de Automática: libro de actas. 
Castelló, 1-3 de sept. 2021 (pp.632-639). 
doi.org/10.17979/spudc.9788497498043.632. 
[15] D. Bautista-Salinas et al, Monitoring and 
Prediction of Mood in Elderly People during 
Daily Life Activities; Monitoring and Prediction 
of Mood in Elderly People during Daily Life 
Activities. 2019. 
[16] Az-Delivery, “ESP32.” https://www.az-
delivery.de/es/products/esp32-
developmentboard. 
[17] O. M. Mozos et al., “Stress detection using 
wearable physiological and sociometric 
sensors,” Int. J. Neural Syst., vol. 27, no. 2, 
2017, doi: 10.1142/S0129065716500416. 
[18] F. T. Sun, C. Kuo, H. T. Cheng, S. Buthpitiya, 
P. Collins, and M. Griss, “Activity-aware 
mental stress detection using physiological 
sensors,” in Lecture Notes of the Institute for 
Computer Sciences, Engineering, LNICST, 
2012, vol. 76. doi 10.1007/978-3-642-29336-
8_16. 
[19] Russell, J.A. A circumplex model of affect. J. 
Pers. Soc. Psychol. 1980, 39, 1161–1178, 
doi:10.1037/h0077714. 
[20] Calatrava-Nicolás, F.M., Gutiérrez-Maestro, E., 
Bautista-Salinas, D., Ortiz, F.J., Roca-González, 
J., Vera-Repullo, J.A., Jiménez-Buendía, M., 
Méndez, I., Ruiz-Esteban, C., and Mozos, O. 
(2021). Robot-based well-being monitoring and 
advice system for the elderly in their daily 
activities. Sensors 21, 6865. 
https://doi.org/10.3390/s21206865 
[21] TurtleBot2. 
https://www.turtlebot.com/turtlebot2/ 
[22] Robot móvil RB-1-BASE https://robotnik.eu/ 
es/productos/robots- moviles/rb-1-base/ 
[23] Brazo Robótico UR3 https://www.universal-
robots.com/es/productos/robot-ur3/ 
[24] ROS Wiki http://wiki.ros.org/ gmapping 
[25] Explore_lite – ROS Wiki http://wiki.ros.org/ 
explore_lite 
[26] Meyer, Fernand, "Topographic distance and 
watershed lines,” Signal Processing , Vol. 38, 
July 1994, pp. 113-125. 
[27] Adaptive Monte Carlo Localization – ROS 
Wiki http://wiki.ros.org/amcl 
[28] E. W. Dijkstra et al., “A note on two problems 
in connexion with graphs”, Numerische 
mathematik, vol. 1, no. 1, pp. 269–271, 1959. 
[29] Garrido, S.; Moreno, L.; Abderrahim, M.; 
Blanco, D. FM2: A real- time sensor- based 
feedback controller for mobile robots. In 
Internationational Journal of Robotics and 
Automation, 2009, Vol.24, No.1, pp. 48-65. doi: 
10.2316/Journal.206.2009.1.206-3169. 
[30] Barrientos, A.; Peñin, L.F.; Balaguer,C.; Aracil, 
R. Fundamentos de Robótica, 1rd ed.; McGraw-
Hill: Basauri, Spain,1997;pp. 1-129. 
[31] Rainer Storn and Kenneth Price. Differential 
Evolution - A Simple and Efficient Heuristic for 
Global Optimization over Continuous Spaces. 
Journal of Global Optimization, 11(4):341–359, 
1997. doi: 10.1023/A:1008202821328. 
© 2022 by the authors. 
Submitted for possible 
open access publication 
under the terms and conditions of the Creative 
Commons Attribution CC BY-NC-SA 4.0 license 
(https://creativecommons.org/licenses/by-
ncsa/4.0/deed.es)
Jornadas de Robótica, Educación y Bioingeniería, Málaga, 18-20 de mayo 2022
ISBN 978-84-09-41095-8 117