Descarga la aplicación para disfrutar aún más
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
Compartir