Tesis doctorales de la Escuela Internacional de Doctorado de la URJC desde el curso 2024/25
Hybrid Semantic Autonomy for Robust Robot Operation in Dynamic Indoor Environments
Autor
PEÑA NARVÁEZ, JUAN DIEGO
Director
PÉREZ RODRÍGUEZ, RODRIGO
Codirector
MARTÍN RICO, FRANCISCO
Fecha de depósito
27-10-2026
Periodo de exposición pública
28 de octubre a 11 de noviembre de 2026
Fecha de defensa
Sin especificar
Programa
Tecnologías de la información y las Comunicaciones (TICs)
Mención internacional
No
Resumen
Los robots autónomos operan cada vez con mayor frecuencia fuera de celdas
industriales altamente estructuradas, en entornos interiores donde las personas se
desplazan libremente, los objetos cambian de posición, algunas rutas dejan de estar
disponibles y los objetivos de la tarea pueden modificarse durante la ejecución. Estas
condiciones ponen de manifiesto limitaciones de los sistemas robóticos clásicos: la
localización geométrica puede fallar en entornos simétricos, los monitores de ejecu-
ción suelen reaccionar después de que se produzca un fallo físico, y los planificadores
simbólicos tienden a recuperarse de una interrupción cancelando el plan actual y
replanteando desde cero. Al mismo tiempo, los modelos fundacionales proporcionan
capacidades semánticas y predictivas flexibles, pero sus salidas no pueden tratarse
como comandos no restringidos en sistemas físicos con requisitos de seguridad.
Esta tesis investiga un enfoque híbrido para la autonomía robótica en el que
los modelos fundacionales desempeñan funciones semánticas y predictivas acotadas
dentro de marcos robóticos clásicos. La tesis desarrolla tres capas complementarias.
En primer lugar, introduce un método de localización semántica que utiliza salidas de
Visual Question Answering como observaciones dentro de un esquema probabilístico
de localización basado en filtros de partículas. En segundo lugar, presenta un marco
de monitorización predictiva de la ejecución que utiliza Vision-Language Models
para anticipar violaciones de precondiciones de acción antes de que ocurra un fallo
físico. En tercer lugar, propone una arquitectura de ejecución adaptativa de planes
que utiliza Large Language Models para la predicción del entorno y la evaluación
de planes, preservando la validez simbólica mediante planes candidatos generados
en PDDL y reparación de planes basada en continuidad.
Los capítulos experimentales evalúan estas capas en escenarios de robótica de
servicio en interiores que incluyen una plataforma PAL Robotics TIAGo, infraestruc-
tura software basada en ROS 2, entornos simulados de navegación y manipulación,
y tareas de planificación topológica dinámica. Los resultados muestran que las ob-
servaciones semánticas pueden reducir la ambigüedad de la localización puramente
geométrica, que la monitorización predictiva puede mejorar sustancialmente la tasa
de éxito bajo alto riesgo de colisión, y que la reparación de planes asistida por LLM
puede reducir el tiempo de finalización de tareas en escenarios con objetivos y mundo
dinámicos. La síntesis transversal de los capítulos muestra que la contribución cen-
tral no consiste en sustituir la robótica clásica por modelos fundacionales, sino en
integrar evidencia semántica y predictiva en marcos de localización probabilística,
monitorización estructurada de la ejecución y planificación simbólica.
