Máster Título Propio

Robótica
Máster Título Propio
Robótica
» Modalidad: online
» Duración: 12 meses
» Titulación: TECH Universidad Tecnológica
» Horario: a tu ritmo
» Exámenes: online
Acceso web: [Link]/ingenieria/master/master-robotica
Índice

01 02
Presentación Objetivos
pág. 4 pág. 8

03 04 05
Competencias Dirección de curso Estructura y contenido
pág. 14 pág. 18 pág. 24

06 07
Metodología Titulación
pág. 36 pág. 44
01
Presentación
La progresiva e imparable robotización y automatización de cada vez más industrias y
comercios ha hecho que la Robótica sea uno de los campos de la Ingeniería con mayores
avances de los últimos años. Desde los virales vídeos de Boston Dynamics a los drones
más punteros, los robots forman parte del ideario popular y vida cotidiana de muchas
personas. Los ingenieros que deseen especializarse en este campo deben poseer un alto
nivel de conocimientos, pues proyectos como los coches autónomos o la exploración
espacial requieren de los mejores profesionales del campo. Este programa de TECH recoge
el conocimiento, precisamente, de doctores en Ingeniería y profesionales especializados en
la Robótica, con experiencia en el campo académico y aeroespacial. Toda una oportunidad
para dar un impulso decisivo a su trayectoria profesional con una enseñanza 100% online,
libre de clases presenciales y horarios prefijados.
 Presentación | 05

Especialízate en la Industria 4.0, Automatización de

Procesos Industriales, Algoritmos de Planificación
en robots y muchos más contenidos creados por
expertos en Robótica”
 06 | Presentación

Es innegable que la Robótica ha impulsado el avance de la industria a niveles Este Máster Título Propio en Robótica contiene el programa educativo más completo
insospechados hace tan solo unos años. Ya es común hablar de Machine Learning y actualizado del mercado. Sus características más destacadas son:
o Inteligencias Artificiales, campos en los que la Robótica se puede expandir para Š El desarrollo de casos prácticos presentados por expertos en Ingeniería Robótica
ofrecer soluciones casi futurísticas a problemas cotidianos o incluso médicos, con
Š Los contenidos gráficos, esquemáticos y eminentemente prácticos con los que está
asistentes robóticos en operaciones complejas.
concebido recogen una información científica y práctica sobre aquellas disciplinas
Todo esto genera una oportunidad de crecimiento incontestable para los indispensables para el ejercicio profesional
profesionales ingenieros que se dediquen a este campo, pues encontrarán multitud Š Los ejercicios prácticos donde realizar el proceso de autoevaluación para mejorar
de áreas y proyectos a los que dirigir su carrera. Desde el ámbito puramente industrial el aprendizaje
a las tecnologías aeroespaciales y programas internacionales, una especialización
Š Su especial hincapié en metodologías innovadoras
adecuada en Robótica puede suponer para el ingeniero un salto de calidad cuantitativo
Š Las lecciones teóricas, preguntas al experto, foros de discusión de temas controvertidos
y cualitativo en su propia trayectoria profesional.
y trabajos de reflexión individual
Por ello, TECH ha reunido para esta titulación a todo un equipo de referentes en
Š La disponibilidad de acceso a los contenidos desde cualquier dispositivo fijo
el campo de la Robótica, con una amplia experiencia contrastada en numerosos
o portátil con conexión a internet
proyectos internacionales de gran prestigio y un currículum académico intachable.
Precisamente este perfil docente hace que todo el contenido de la titulación tenga
un enfoque teórico-práctico único, donde el ingeniero no solo encontrará las
últimas novedades en Robótica, Inteligencia Artificial y sistemas de comunicación,
sino también la aplicación práctica de todos estos conocimientos en entornos de
trabajo reales.

A través de numerosos vídeos en detalle, lecturas complementarias, vídeo Únete a un programa en el que serás
resúmenes y ejercicios de autoconocimiento, el ingeniero obtendrá una visión
global y especializada del estado actual de la Robótica, pudiendo incorporar a su
tú quien decida como, donde y cuando
currículum un programa que lo posicione como un activo valioso para cualquier asumir toda la carga lectiva, sin tener
empresa del sector. Todo ello, además, con la ventaja de poder manejar el Máster
que sacrificar tu vida personal
Título Propio a su ritmo, sin tener que adscribirse a clases presenciales u horarios
fijos de ningún tipo. La enseñanza es 100% online y permite la flexibilidad necesaria o profesional para ello”
para compaginarla con la actividad personal y profesional más exigente.
 Presentación | 07

Consigue el impulso que necesita

Inscríbete ahora y no pierdas la tu carrera incorporando este Máster
oportunidad de profundizar en Título Propio en tu propuesta de valor.
la aplicación de la Robótica a las
tecnologías de Realidad Virtual y
Aumentada, con sensores virtuales Domina la Robótica más avanzada
y aplicaciones mixtas en móviles” y moderna con temas dedicados
exclusivamente a SLAM visual, Visión
Artificial y Visual Servoing.

El programa incluye, en su cuadro docente, a profesionales del sector que vierten

en esta capacitación la experiencia de su trabajo, además de reconocidos especialistas
de sociedades de referencia y universidades de prestigio.

Su contenido multimedia, elaborado con la última tecnología educativa, permitirá

al profesional un aprendizaje situado y contextual, es decir, un entorno simulado
que proporcionará una capacitación inmersiva programada para entrenarse ante
situaciones reales.

El diseño de este programa se centra en el Aprendizaje Basado en Problemas, mediante

el cual el profesional deberá tratar de resolver las distintas situaciones de práctica
profesional que se le planteen a lo largo del curso académico. Para ello, contará
con la ayuda de un novedoso sistema de vídeo interactivo realizado por
reconocidos expertos.
02
Objetivos
El objetivo de este programa no podía ser otro que el de ofrecer al ingeniero los
contenidos más rigurosos y vigentes en materia de Robótica. Por ello, a lo largo
de los 10 extensos módulos de conocimiento que componen este Máster Título
Propio, se encontrarán multitud de referencias a casos de Robótica real. Esta
casuística ha sido desarrollada por el propio equipo docente, a fin de que
el ingeniero incorpore los conocimientos de la materia a su trabajo diario
de la forma más práctica y rápida posible.
 Objetivos | 09

Gracias a la avanzada metodología

pedagógica de TECH ahorrarás numerosas
horas de estudio, que podrás invertir en la
gran biblioteca de contenidos multimedia
creada expresamente para este programa”
 10 | Objetivos

Objetivos generales

Š Desarrollar los fundamentos matemáticos para el modelado cinemático

y dinámico de robots
Š Profundizar en el uso de tecnologías específicas para la creación de arquitecturas
para robots, modelado de robots y simulación
Š Generar conocimiento especializado sobre Inteligencia Artificial
Š Desarrollar las tecnologías y dispositivos más utilizados en la automatización industrial
Š Identificar los límites de las técnicas actuales para identificar los cuellos de botella
en las aplicaciones Robóticas

Tendrás todo el apoyo del equipo

técnico y docente de TECH para
ayudarte a alcanzar tus objetivos
profesionales más ambiciosos”
 Objetivos | 11

Objetivos específicos

Módulo 1. Robótica: diseño y modelado de robots Módulo 3. La Robótica en la automatización de procesos industriales
Š Profundizar en el uso de la tecnología de simulación Gazebo Š Analizar el uso, aplicaciones y limitaciones de las redes de comunicación industriales
Š Dominar el uso del lenguaje de modelado de robots URDF Š Establecer los estándares de seguridad de máquina para el correcto diseño
Š Desarrollar conocimiento especializado en el uso de la tecnología de Robot Š Desarrollar técnicas de programación limpia y eficiente en PLCs
Operating System Š Proponer nuevas formas de organizar las operaciones mediante máquinas de estado
Š Modelar y simular robots manipuladores, robots móviles terrestres, robots móviles Š Demostrar la implementación de paradigmas de control en aplicaciones reales de PLCs
aéreos y modelar y simular robots móviles acuáticos
Š Fundamentar el diseño de instalaciones neumáticas e hidráulicas en la automatización
Módulo 2. Agentes inteligentes. Aplicando la Inteligencia Artificial Š Identificar los principales sensores y actuadores en Robótica y automática
a robots y Softbots
Š Analizar la inspiración biológica de la Inteligencia Artificial y los agentes inteligentes
Módulo 4. Sistemas de control automático en Robótica
Š Generar conocimiento especializado para el diseño de controladores no lineales
Š Evaluar la necesidad de algoritmos inteligentes en la sociedad actual
Š Analizar y estudiar los problemas de control
Š Determinar las aplicaciones de las técnicas avanzadas de Inteligencia Artificial
Š Dominar los modelos de control
sobre Agentes Inteligentes
Š Diseñar controladores no lineales para sistemas robóticos
Š Demostrar la fuerte conexión entre Robótica e Inteligencia Artificial
Š Implementar controladores y evaluarlos en un simulador
Š Establecer las necesidades y desafíos que presenta la Robótica y que pueden
ser solucionados con algoritmos inteligentes Š Determinar las distintas arquitecturas de control existentes

Š Desarrollar implementaciones concretas de algoritmos de Inteligencia Artificial Š Examinar los fundamentos del control por visión

Š Identificar los algoritmos de Inteligencia Artificial que se encuentran establecidos Š Desarrollar las técnicas de control más avanzadas como el control predictivo
en la sociedad actual y su impacto en la vida diaria o control basado en aprendizaje automático
 12 | Objetivos

Módulo 5. Algoritmos de planificación de robots Módulo 7. Sistemas de percepción visual de robots con Aprendizaje Automático
Š Establecer los diferentes tipos de algoritmos de planificación Š Dominar las técnicas de aprendizaje automático más usadas hoy en día tanto
Š Analizar la complejidad de planificación de movimientos en Robótica a nivel académico como industrial

Š Desarrollar técnicas para la modelización del entorno Š Profundizar en las arquitecturas de las redes neuronales para aplicarlas de forma
efectiva en problemas reales
Š Examinar los pros y contras de las diferentes técnicas de planificación
Š Reusar redes neuronales existentes en aplicaciones nuevas usando Transfer Learning
Š Analizar los algoritmos centralizados y distribuidos para la coordinación de robots
Š Identificar los nuevos campos de aplicación de redes neuronales generativas
Š Identificar los distintos elementos en la teoría de decisión
Š Analizar el uso de las técnicas de aprendizaje en otros campos de la Robótica
Š Proponer algoritmos de aprendizaje para resolver problemas de decisión como la localización y el mapeo
Módulo 6. Técnicas de Visión Artificial en Robótica: procesamiento Š Desarrollar las tecnologías actuales en la nube para desarrollar tecnología basada
y análisis de imágenes en redes neuronales
Š Analizar y entender la importancia de los sistemas de visión en la Robótica Š Examinar el despliegue de sistemas de visión por aprendizaje en sistemas reales
Š Establecer las características de los distintos sensores de percepción para escoger y embebidos
los más adecuados según la aplicación Módulo 8. SLAM visual. Localización de robots y mapeo simultáneo
Š Determinar las técnicas que permiten extraer información a partir de datos mediante técnicas de Visión Artificial
de sensores Š Concretar la estructura básica de un sistema de Localización y Mapeo
Š Aplicar las herramientas de procesamiento de información visual Simultáneo (SLAM)
Š Identificar los sensores básicos utilizados en la Localización y Mapeo Simultáneo
Š Diseñar algoritmos de tratamiento digital de imágenes
(SLAM visual)
Š Analizar y predecir el efecto de cambios de parámetros en los resultados
Š Establecer los límites y capacidades del SLAM visual
de los algoritmos
Š Compilar las nociones básicas de geometría proyectiva y epipolar para comprender
Š Evaluar y validar los algoritmos desarrollados en función de los resultados
los procesos de proyección de imágenes
Š Identificar las principales tecnologías del SLAM visual: filtrado gaussiano,
optimización y detección de cierre de bucles
Š Describir de forma detallada el funcionamiento de los principales algoritmos
de SLAM visual
Š Analizar cómo llevar a cabo el ajuste y parametrización de los algoritmos de SLAM
 Objetivos | 13

Módulo 9. Aplicación a la Robótica de las tecnologías de Realidad Virtual

y Aumentada
Š Determinar la diferencia entre los distintos tipos de realidades
Š Analizar los estándares actuales para el modelado de elementos virtuales
Š Examinar los periféricos más utilizados en entornos inmersivos
Š Definir modelos geométricos de robots
Š Evaluar los motores físicos para el modelado dinámico y cinemático de robots
Š Desarrollar proyectos de Realidad Virtual y de Realidad Aumentada

Módulo 10. Sistemas de comunicación e interacción con robots

Š Analizar las estrategias actuales de procesamiento de lenguaje natural: heurísticas,
estocásticas, basadas en redes neuronales, aprendizaje basado en refuerzo
Š Evaluar los beneficios y debilidades de desarrollar sistemas de interacción
transversales, o enfocados a una situación particular
Š Concretar los problemas ambientales que se deben solventar para conseguir
una comunicación eficaz con el robot
Š Establecer las herramientas necesarias para gestionar la interacción y discernir
el tipo de iniciativa de diálogo que se debe perseguir
Š Combinar estrategias de reconocimiento de patrones para inferir las intenciones
del interlocutor y responder de la mejor manera a las mismas
Š Determinar la expresividad óptima del robot atendiendo a su funcionalidad
y entorno y aplicar técnicas de análisis emocional para adaptar su respuesta
Š Proponer estrategias híbridas de interacción con el robot: vocal, táctil y visual
03
Competencias
Las competencias que debe desarrollar el ingeniero experto en Robótica son múltiples,
por lo que este Máster Título Propio se detiene en cuestiones vitales como los
algoritmos de planificación en robots, sistemas de control automático, aplicaciones de la
Inteligencia Artificial y diseño avanzado de robots. Todo ello, a fin de obtener no solo una
comprensión global de todo lo que engloba la Robótica moderna, sino también de adquirir
y perfeccionar las habilidades necesarias para emprender los proyectos más ambiciosos
en este campo.
 Competencias | 15

Tendrás un set de competencias

en Robótica altamente solicitado
en los proyectos e industrias más
importantes a nivel internacional”
 16 | Competencias

Competencias generales

Š Dominar las herramientas de virtualización más utilizadas en la actualidad

Š Diseñar entornos robóticos virtuales
Š Examinar las técnicas y algoritmos que subyacen a cualquier algoritmo
de Inteligencia Artificial
Š Diseñar, desarrollar, implementar y validar sistemas de percepción para Robótica

Perfeccionarás tu determinación
estratégica, matemática y analítica a la
hora de asumir la creación y definición
de proyectos de Robótica complejos”
 Competencias | 17

Competencias específicas

Š Identificar sistemas de interacción multimodal y su integración con el resto de

componentes del robot
Š Implantar proyectos propios de Realidad Virtual y Aumentada
Š Proponer aplicaciones en sistemas reales
Š Examinar, analizar y desarrollar los métodos existentes para la planificación de caminos
por parte de un robot móvil y un manipulador
Š Analizar y definir estrategias de puesta en marcha y mantenimiento de sistemas
de percepción
Š Determinar estrategias de integración de un sistema de diálogo como parte
del comportamiento básico del robot
Š Analizar las habilidades de programación y configuración de dispositivos
Š Examinar las estrategias de control utilizadas en los distintos sistemas robóticos
04
Dirección del curso
Los avances en Robótica son imparables y los profesionales de este campo están
continuamente renovando sus conocimientos y adquiriendo otros nuevos para seguir
impulsando sus carreras. Por esta razón, TECH ha recurrido a expertos en Robótica
en activo, con una vasta experiencia en proyectos multidisciplinares de todo tipo. De
este modo, todo el contenido proporcionado por el equipo docente está basado en
la actualidad Robótica más reciente, incluyendo postulados científicos de vanguardia
y una visión práctica al marco teórico vigente.
 Dirección del curso | 19

Triunfa de la mano de los mejores y adquiere los

conocimientos y competencias que necesitas
para embarcarte en el sector de la Robótica”
 20 | Dirección del curso

Dirección

Dr. Ramón Fabresse, Felipe

Š Ingeniero de Software Sénior en Acurable
Š Ingeniero de Software en NLP en Intel Corporation
Š Ingeniero de Software en CATEC en Indisys
Š Investigador en Robótica Aérea en la Universidad de Sevilla
Š Doctorado Cum Laude en Robótica, Sistemas Autónomos y Telerobótica por la Universidad de Sevilla
Š Licenciado en Ingeniería Informática Superior por la Universidad de Sevilla
Š Máster en Robótica, Automática y Telemática por la Universidad de Sevilla

Profesores
Dr. Íñigo Blasco, Pablo D. Campos Ortiz, Roberto
Š Ingeniero de Software en PlainConcepts Š Ingeniero de Software. Quasar Scence Resources
Š Fundador de Intelligent Behavior Robots Š Ingeniero de Software en la Agencia Espacial Europea (ESA-ESAC) para la misión
Š Ingeniero de Robótica en el Centro Avanzado de Tecnologías Aeroespaciales CATEC Solar Orbiter
Š Desarrollador y consultor en Syderis Š Creador de contenidos y experto en Inteligencia Artificial en el curso: “Inteligencia
Š Doctorado en Ingeniería Informática Industrial en la Universidad de Sevilla Artificial: la tecnología del presente-futuro” para la Junta de Andalucía. Grupo Euroformac
Š Licenciado en Ingeniería Informática en la Universidad de Sevilla Š Científico en Computación Cuántica. Zapata Computing Inc
Š Máster en Ingeniería y Tecnología del Software Š Graduado en Ingeniería Informática en la Universidad Carlos III
Š Máster en Ciencia y Tecnología Informática en la Universidad Carlos III
 Dirección del curso | 21

D. Rosado Junquera, Pablo J. Dr. Pérez Grau, Francisco Javier

Š Ingeniero Especialista en Robótica y Automatización Š Responsable de la Unidad de Percepción y Software en CATEC
Š Ingeniero de Automatización y Control de I+D en Becton Dickinson & Company Š R&D Project Manager en CATEC
Š Ingeniero de Sistemas de Control Logístico de Amazon en Dematic Š R&D Project Engineer en CATEC
Š Ingeniero de Automatización y Control en Aries Ingeniería y Sistemas Š Profesor asociado en la Universidad de Cádiz
Š Graduado en Ingeniería Energética y de Materiales en la Universidad Rey Juan Carlos Š Profesor asociado de la Universidad Internacional de Andalucía
Š Máster en Robótica y Automización en la Universidad Politécnica de Madrid Š Investigador en el grupo de Robótica y Percepción de la Universidad de Zúrich
Š Máster en Ingeniería en Industrial en la Universidad de Alcalá Š Investigador en el Centro Australiano de Robótica de Campo de la Universidad de Sídney
Dr. Jiménez Cano, Antonio Enrique Š Doctor en Robótica y Sistemas Autónomos por la Universidad de Sevilla
Š Ingeniero en Aeronautical Data Fusion Engineer Š Graduado en Ingeniería de Telecomunicaciones e Ingeniería de Redes y Computadores
Š Investigador en Proyectos Europeos (ARCAS, AEROARMS y AEROBI) en la Universidad por la Universidad de Sevilla
de Sevilla Dr. Ramon Soria, Pablo
Š Investigador en Sistemas de Navegación en CNRS-LAAS Š Ingeniero de Visión Computacional en Meta
Š Desarrollador del sistema LAAS MBZIRC2020 Š Team Leader de Ciencia Aplicada e Ingeniero Senior de Software en Vertical
Š Grupo de Robótica, Visión y Control (GRVC) de la Universidad de Sevilla Engineering Solutions
Š Doctor en Automática, Electrónica y Telecomunicaciones en la Universidad de Sevilla Š CEO y fundador de Domocracy
Š Graduado en Ingeniería Automática y Electrónica Industrial en la Universidad de Sevilla Š Investigador en ACFR (Australia)
Š Graduado en Ingeniería Técnica en Informática de Sistemas en la Universidad de Sevilla Š Investigador en los proyectos GRIFFIN y HYFLIERS en la Universidad de Sevilla
Dr. Alejo Teissière, David Š Doctor en Visión Computacional para Robótica por la Universidad de Sevilla
Š Ingeniero de Telecomunicaciones con especialidad en Robótica Š Graduado en Ingeniería Industrial, Robótica y Automatización por la Universidad de Sevilla
Š Investigador Posdoctoral en los Proyectos Europeos SIAR y NIx ATEX en la Universidad
Pablo de Olavide
Š Desarrollador de Sistemas en Aertec
Š Doctor en Automática, Robótica y Telemática en la Universidad de Sevilla
Š Graduado en Ingeniería superior de Telecomunicación de la Universidad de Sevilla
Š Máster en Automática, Robótica y Telemática de la Universidad de Sevilla
 22 | Dirección del curso

Dr. Caballero Benítez, Fernando

Š Investigador en el proyecto europeo COMETS, AWARE, ARCAS y SIAR
Š Licenciado en Ingeniería de Telecomunicaciones en la Universidad de Sevilla
Š Doctorado en Ingeniería de Telecomunicaciones en la Universidad de Sevilla
Š Profesor Titular del Área de Ingeniería de Sistemas y Automática de la Universidad
de Sevilla
Š Editor asociado de la revista Robotics and Automation Letters
Dr. Lucas Cuesta, Juan Manuel
Š Ingeniero Senior de Software y Analista en Indizen – Believe in Talent
Š Ingeniero Senior de Software y Analista en Krell Consulting e IMAGiNA
Artificial Intelligence
Š Ingeniero de Software en Intel Corporation
Š Ingeniero de Software en Intelligent Dialogue Systems
Š Doctor en Ingeniería Electrónica de Sistemas para Entornos Inteligentes por
la Universidad Politécnica de Madrid
Š Graduado en Ingeniería de Telecomunicaciones en la Universidad Politécnica de Madrid
Š Máster en Ingeniería Electrónica de Sistemas para Entornos Inteligentes en la Universidad
Politécnica de Madrid
Dr. Márquez Ruiz de Lacanal, Juan Antonio
Š Desarrollador de software en GTD Defense & Security Solutions
Š Desarrollador de software en Solera Inc
Š Ingeniero de Desarrollo e Investigación en GRVC Sevilla
Š Cofundador de Unmute
Š Cofundador de VR Educa
Š Intercambio académico en Ingeniería y Emprendimiento en la Universidad
Berkeley de California
Š Grado en Ingeniería Industrial por la Universidad de Sevilla
 Dirección del curso | 23

Inscríbete ahora y no pierdas la

oportunidad de profundizar en
la aplicación de la Robótica a las
tecnologías de realidad virtual y
aumentada, con sensores virtuales
y aplicaciones mixtas en móviles”
05
Estructura y contenido
El equipo docente implicado en la elaboración de todo el temario ha empleado la
metodología Relearning, favoreciendo una enseñanza progresiva y natural para la
totalidad del programa. Esto se consigue gracias a una reiteración de los conceptos
clave más importantes en torno a la Robótica e Ingeniería avanzada, de modo que
el estudiante no tendrá que invertir cuantiosas horas de estudio para poder adquirir
estos conocimientos.
 Estructura y contenido | 25

Tienes a tu alcance la clave para dirigir tu

trayectoria de ingeniero hacia el campo de la
Robótica. No la desperdicies y matricúlate ya”
 26 | Estructura y contenido

Módulo 1. Robótica: diseño y modelado de robots 1.7. Robots móviles terrestres

1.7.1. Tipos de robots móviles terrestres
1.1. Robótica e Industria 4.0
1.7.2. Cinemática
1.1.1. Robótica e Industria 4.0
1.7.3. Dinámica
1.1.2. Campos de aplicación y casos de uso
1.7.4. Simulación
1.1.3. Subáreas de especialización en Robótica
1.8. Robots móviles aéreos
1.2. Arquitecturas hardware y software de robots
1.8.1. Tipos de robots móviles aéreos
1.2.1. Arquitecturas hardware y tiempo real
1.8.2. Cinemática
1.2.2. Arquitecturas software de robots
1.8.3. Dinámica
1.2.3. Modelos de comunicación y tecnologías Middleware
1.8.4. Simulación
1.2.4. Integración de software con Robot Operating System (ROS)
1.9. Robots móviles acuáticos
1.3. Modelado matemático de robots
1.9.1. Tipos de robots móviles acuáticos
1.3.1. Representación matemática de sólidos rígidos
1.9.2. Cinemática
1.3.2. Rotaciones y traslaciones
1.9.3. Dinámica
1.3.3. Representación jerárquica del estado
1.9.4. Simulación
1.3.4. Representación distribuida del estado en ROS (librería TF)
1.10. Robots bioinspirados
1.4. Cinemática y dinámica de robots
1.10.1. Humanoides
1.4.1. Cinemática
1.10.2. Robots con cuatro o más piernas
1.4.2. Dinámica
1.10.3. Robots modulares
1.4.3. Robots subactuados
1.10.4. Robots con partes flexibles (Soft-Robotics)
1.4.4. Robots redundantes
1.5. Modelado de robots y simulación Módulo 2. Agentes inteligentes. Aplicación de la Inteligencia Artificial
1.5.1. Tecnologías de modelado de robots a robots y Softbots
1.5.2. Modelado de robots con URDF
2.1. Agentes inteligentes e Inteligencia Artificial
1.5.3. Simulación de robots
2.1.1. Robots [Link] Artificial
1.5.4. Modelado con simulador Gazebo
2.1.2. Agentes inteligentes
1.6. Robots manipuladores
[Link]. Agentes hardware. Robots
1.6.1. Tipos de robots manipuladores
[Link]. Agentes [Link]
1.6.2. Cinemática
2.1.3. Aplicaciones a la Robótica
1.6.3. Dinámica
2.2. Conexión cerebro-algoritmo
1.6.4. Simulación
2.2.1. Inspiración biológica de la Inteligencia Artificial
2.2.2. Razonamiento implementado en algoritmos. Tipología
2.2.3. Explicabilidad de los resultados en los algoritmos de Inteligencia Artificial
2.2.4. Evolución de los algoritmos hasta Deep Learning
 Estructura y contenido | 27

2.3. Algoritmos de búsqueda en el espacio de soluciones 2.9. Inferencia probabilística

2.3.1. Elementos en la búsqueda en el espacio de soluciones 2.9.1. Inferencia probabilística
2.3.2. Algoritmos de búsqueda de soluciones en problemas de Inteligencia Artificial 2.9.2. Tipos de inferencia y definición del método
2.3.3. Aplicaciones de algoritmos de búsqueda y optimización 2.9.3. Inferencia bayesiana como caso de estudio
2.3.4. Algoritmos de búsqueda aplicados a Aprendizaje Automático 2.9.4. Técnicas de inferencia no paramétricas
2.4. Aprendizaje Automático 2.9.5. Filtros Gaussianos
2.4.1. Aprendizaje automático 2.10. De la teoría a la práctica: desarrollando un agente inteligente robótico
2.4.2. Algoritmos de aprendizaje supervisado 2.10.1. Inclusión de módulos de aprendizaje supervisado en un agente robótico
2.4.3. Algoritmos de aprendizaje no supervisado 2.10.2. Inclusión de módulos de aprendizaje por refuerzo en un agente robótico
2.4.4. Algoritmos de aprendizaje por refuerzo 2.10.3. Arquitectura de un agente robótico controlado por Inteligencia Artificial
2.5. Aprendizaje supervisado 2.10.4. Herramientas profesionales para la implementación del agente inteligente
2.5.1. Métodos de aprendizaje supervisado 2.10.5. Fases de la implementación de algoritmos de IA en agentes robóticos
2.5.2. Árboles de decisión para clasificación
Módulo 3. La Robótica en la automatización de procesos industriales
2.5.3. Máquinas de soporte de vectores
2.5.4. Redes neuronales artificiales 3.1. Diseño de sistemas automatizados
2.5.5. Aplicaciones del aprendizaje supervisado 3.1.1. Arquitecturas hardware
2.6. Aprendizaje no supervisado 3.1.2. Controladores lógicos programables
2.6.1. Aprendizaje No Supervisado 3.1.3. Redes de comunicación industriales
2.6.2. Redes de Kohonen 3.2. Diseño eléctrico avanzado I: automatización
2.6.3. Mapas autoorganizativos 3.2.1. Diseño de cuadros eléctricos y simbología
2.6.4. Algoritmo K-medias 3.2.2. Circuitos de potencia y de control. Armónicos
2.7. Aprendizaje por refuerzo 3.2.3. Elementos de protección y puesta a tierra
2.7.1. Aprendizaje por refuerzo 3.3. Diseño eléctrico avanzado II: determinismo y seguridad
2.7.2. Agentes basados en procesos de Markov 3.3.1. Seguridad de máquina y redundancia
2.7.3. Algoritmos de aprendizaje por refuerzo 3.3.2. Relés de seguridad y disparadores
2.7.4. Aprendizaje por refuerzo aplicado a Robótica 3.3.3. PLCs de seguridad
2.8. Redes neuronales artificiales y Deep Learning 3.3.4. Redes seguras
2.8.1. Redes neuronales artificiales. Tipología 3.4. Actuación eléctrica
2.8.2. Aplicaciones de redes neuronales 3.4.1. Motores y servomotores
2.8.3. Transformación del Machine Learning al Deep Learning 3.4.2. Variadores de frecuencia y controladores
2.8.4. Aplicaciones de Deep Learning 3.4.3. Robótica industrial de actuación eléctrica
 28 | Estructura y contenido

3.5. Actuación hidráulica y neumática

3.5.1. Diseño hidráulico y simbología
3.5.2. Diseño neumático y simbología
3.5.3. Entornos ATEX en la automatización
3.6. Transductores en la Robótica y automatización
3.6.1. Medida de la posición y velocidad
3.6.2. Medida de la fuerza y temperatura
3.6.3. Medida de la presencia
3.6.4. Sensores para visión
3.7. Programación y configuración de controladores programables lógicos PLCs
3.7.1. Programación PLC: LD
3.7.2. Programación PLC: ST
3.7.3. Programación PLC: FBD y CFC
3.7.4. Programación PLC: SFC
3.8. Programación y configuración de equipos en plantas industriales
3.8.1. Programación de variadores y controladores
3.8.2. Programación de HMI
3.8.3. Programación de robots manipuladores
3.9. Programación y configuración de equipos informáticos industriales
3.9.1. Programación de sistemas de visión
3.9.2. Programación de SCADA/software
3.9.3. Configuración de redes
3.10. Implementación de automatismos
3.10.1. Diseño de máquinas de estado
3.10.2. Implementación de máquinas de estado en PLCs
3.10.3. Implementación de sistemas de control analógico PID en PLCs
3.10.4. Mantenimiento de automatismos e higiene de código
3.10.5. Simulación de automatismos y plantas

Módulo 4. Sistemas de control automático en Robótica

4.1. Análisis y diseño de sistemas no lineales
4.1.1. Análisis y modelado de sistemas no lineales
4.1.2. Control con realimentación
4.1.3. Linealización por realimentación
 Estructura y contenido | 29

4.2. Diseño de técnicas de control para sistemas no lineales avanzados

4.2.1. Control en modo deslizante (Sliding Mode Control)
4.2.2. Control basado en Lyapunov y Backstepping
4.2.3. Control basado en pasividad
4.3. Arquitecturas de control
4.3.1. El paradigma de la Robótica
4.3.2. Arquitecturas de control
4.3.3. Aplicaciones y ejemplos de arquitecturas de control
4.4. Control de movimiento para brazos robóticos
4.4.1. Modelado cinemático y dinámico
4.4.2. Control en el espacio de las articulaciones
4.4.3. Control en el espacio operacional
4.5. Control de fuerza en los actuadores
4.5.1. Control de fuerza
4.5.2. Control de impedancia
4.5.3. Control híbrido
4.6. Robots móviles terrestres
4.6.1. Ecuaciones de movimiento
4.6.2. Técnicas de control en robots terrestres
4.6.3. Manipuladores móviles
4.7. Robots móviles aéreos
4.7.1. Ecuaciones de movimiento
4.7.2. Técnicas de control en robots aéreos
4.7.3. Manipulación aérea
4.8. Control basado en técnicas de aprendizaje automático
4.8.2. Control mediante aprendizaje supervisado
4.8.3. Control mediante aprendizaje reforzado
4.8.4. Control mediante aprendizaje no supervisado
4.9. Control basado en visión
4.9.1. Visual Servoing basado en posición
4.9.2. Visual Servoing basado en imagen
4.9.3. Visual Servoing híbrido
 30 | Estructura y contenido

4.10. Control predictivo 5.6.3. Otros algoritmos bio-inspirados: enjambre de partículas y fuegos
4.10.1. Modelos y estimación de estado de artificio
4.10.2. MPC aplicado a robots móviles 5.6.4. Algoritmo de evitación de colisiones por elección de maniobra
4.10.3. MPC aplicado a UAVs 5.7. Coordinación en sistemas multirobot II: enfoques distribuidos I
5.7.1. Uso de funciones de objetivo complejas
Módulo 5. Algoritmos de planificación de robots 5.7.2. Frente de Pareto
5.1. Algoritmos de planificación clásicos 5.7.3. Algoritmos evolutivos multiobjetivo
5.1.1. Planificación discreta: espacio de estados 5.8. Coordinación en sistemas multirobot III: enfoques distribuidos II
5.1.2. Problemas de planificación en Robótica. Modelos de sistemas robóticos 5.8.1. Sistemas de planificación de orden 1
5.1.3. Clasificación de planificadores 5.8.2. Algoritmo ORCA
5.2. El problema de planificación de trayectorias en robots móviles 5.8.3. Añadido de restricciones cinemáticas y dinámicas en ORCA
5.2.1. Formas de representación del entorno: grafos 5.9. Teoría de planificación por decisión
5.2.2. Algoritmos de búsqueda en grafos 5.9.1. Teoría de decisión
5.2.3. Introducción de costes en los grafos 5.9.2. Sistemas de decisión secuencial
5.2.4. Algoritmos de búsqueda en grafos pesados 5.9.3. Sensores y espacios de información
5.2.5. Algoritmos con enfoque de cualquier ángulo 5.9.4. Planificación ante incertidumbre en sensorización y en actuación
5.3. Planificación en sistemas robóticos de alta dimensionalidad 5.10. Sistemas de planificación de aprendizaje por refuerzo
5.3.1. Problemas de Robótica de alta dimensionalidad: manipuladores 5.10.1. Obtención de la recompensa esperada de un sistema
5.3.2. Modelo cinemático directo/inverso 5.10.2. Técnicas de aprendizaje por recompensa media
5.3.3. Algoritmos de planificación por muestreo PRM y RRT 5.10.3. Aprendizaje por refuerzo inverso
5.3.4. Planificando ante restricciones dinámicas
5.4. Planificación por muestreo óptima Módulo 6. Técnicas de Visión Artificial en Robótica: procesamiento
5.4.1. Problemática de los planificadores basados en muestreo y análisis de imágenes
5.4.2. RRT concepto de optimalidad probabilística 6.1. La visión por computador
5.4.3. Paso de reconectado: restricciones dinámicas 6.1.1. La visión por computador
5.4.4. CForest. Paralelizando la planificación 6.1.2. Elementos de un sistema de visión por computador
5.5. Implementación real de un sistema de planificación de movimientos 6.1.3. Herramientas matemáticas
5.5.1. Problema de planificación global. Entornos dinámicos 6.2. Sensores ópticos para la Robótica
5.5.2. Ciclo de acción, sensorización. Adquisición de información del entorno 6.2.1. Sensores ópticos pasivos
5.5.3. Planificación local y global 6.2.2. Sensores ópticos activos
5.6. Coordinación en sistemas multirobot I: sistema centralizado 6.2.3. Sensores no ópticos
5.6.1. Problema de coordinación multirobot
5.6.2. Detección y resolución de colisiones: modificación de trayectorias
con algoritmos genéticos
 Estructura y contenido | 31

6.3. Adquisición de imágenes Módulo 7. Sistemas de percepción visual de robots con Aprendizaje Automático
6.3.1. Representación de imágenes
7.1. Métodos de aprendizaje no supervisados aplicados a la Visión Artificial
6.3.2. Espacio de colores
7.1.1. Clustering
6.3.3. Proceso de digitalización
7.1.2. PCA
6.4. Geometría de las imágenes
7.1.3. Nearest Neighbors
6.4.1. Modelos de lentes
7.1.4. Similarity and matrix decomposition
6.4.2. Modelos de cámaras
7.2. Métodos de aprendizaje supervisados aplicados a la Visión Artificial
6.4.3. Calibración de cámaras
7.2.1. Concepto “Bag of words”
6.5. Herramientas matemáticas
7.2.2. Máquina de soporte de vectores
6.5.1. Histograma de una imagen
7.2.3. Latent Dirichlet Allocation
6.5.2. Convolución
7.2.4. Redes neuronales
6.5.3. Transformada de Fourier
7.3. Redes neuronales profundas: estructuras, Backbones y Transfer Learning
6.6. Preprocesamiento de imágenes
6.6.1. Análisis de ruido 7.3.1. Capas generadoras de Features

6.6.2. Suavizado de imágenes [Link]. VGG

6.6.3. Realce de imágenes [Link]. Densenet
6.7. Segmentación de imágenes [Link]. ResNet
6.7.1. Técnicas basadas en contornos [Link]. Inception
6.7.2. Técnicas basadas en histograma [Link]. GoogLeNet
6.7.3. Operaciones morfológicas 7.3.2. Transfer Learning
6.8. Detección de características en la imagen 7.3.3. Los datos. Preparación para el entrenamiento
6.8.1. Detección de puntos de interés 7.4. Visión artificial con aprendizaje profundo I: detección y segmentación
6.8.2. Descriptores de características 7.4.1. YOLO y SSD diferencias y similitudes
6.8.3. Correspondencias entre características 7.4.2. Unet
6.9. Sistemas de visión 3D 7.4.3. Otras estructuras
6.9.1. Percepción 3D 7.5. Visión artificial con aprendizaje profundo II: Generative Adversarial Networks
6.9.2. Correspondencia de características entre imágenes 7.5.1. Superresolución de imágenes usando GAN
6.9.3. Geometría de múltiples vistas 7.5.2. Creación de Imágenes realistas
6.10. Localización basada en Visión Artificial 7.5.3. Scene Understanding
6.10.1. El problema de la localización de robots 7.6. Técnicas de aprendizaje para la Localización y Mapeo en la Robótica Móvil
6.10.2. Odometría visual 7.6.1. Detección de cierre de bucle y relocalización
6.10.3. Fusión sensorial 7.6.2. Magic Leap. Super Point y Super Glue
7.6.3. Depth from Monocular
 32 | Estructura y contenido

7.7. Inferencia bayesiana y modelado 3D

7.7.1. Modelos bayesianos y aprendizaje “clásico”
7.7.2. Superficies implícitas con procesos gaussianos (GPIS)
7.7.3. Segmentación 3D usando GPIS
7.7.4. Redes neuronales para el modelado de superficies 3D
7.8. Aplicaciones End-to-End de las redes neuronales profundas
7.8.1. Sistema End-to-End. Ejemplo de identificación de personas
7.8.2. Manipulación de objetos con sensores visuales
7.8.3. Generación de movimientos y planificación con sensores visuales
7.9. Tecnologías en la nube para acelerar el desarrollo de algoritmos de Deep Learning
7.9.1. Uso de GPU para el Deep Learning
7.9.2. Desarrollo ágil con Google Colab
7.9.3. GPUs remotas, Google Cloud y AWS
7.10. Despliegue de redes neuronales en aplicaciones reales
7.10.1. Sistemas embebidos
7.10.2. Despliegue de Redes Neuronales. Uso
7.10.3. Optimizaciones de redes en el despliegue, ejemplo con TensorRT

Módulo 8. SLAM visual. Localización de robots y mapeo simultáneo

mediante técnicas de Visión Artificial
8.1. Localización y Mapeo Simultáneo (SLAM)
8.1.1. Localización y Mapeo Simultáneo. SLAM
8.1.2. Aplicaciones del SLAM
8.1.3. Funcionamiento del SLAM
8.2. Geometría proyectiva
8.2.1. Modelo Pin-Hole
8.2.2. Estimación de parámetros intrínsecos de una cámara
8.2.3. Homografía, principios básicos y estimación
8.2.4. Matriz fundamental, principios y estimación
8.3. Filtros gaussianos
8.3.1. Filtro de Kalman
8.3.2. Filtro de Información
8.3.3. Ajuste y parametrización de filtros gaussianos
 Estructura y contenido | 33

8.4. Estéreo EKF-SLAM

8.4.1. Geometría de cámara estéreo
8.4.2. Extracción y búsqueda de características
8.4.3. Filtro de Kalman para SLAM estéreo
8.4.4. Ajuste de Parámetros de EKF-SLAM estéreo
8.5. Monocular EKF-SLAM
8.5.1. Parametrización de Landmarks en EKF-SLAM
8.5.2. Filtro de Kalman para SLAM monocular
8.5.3. Ajuste de parámetros EKF-SLAM monocular
8.6. Detección de cierres de bucle
8.6.1. Algoritmo de fuerza bruta
8.6.2. FABMAP
8.6.3. Abstracción mediante GIST y HOG
8.6.4. Detección mediante aprendizaje profundo
8.7. Graph-SLAM
8.7.1. Graph-SLAM
8.7.2. RGBD-SLAM
8.7.3. ORB-SLAM
8.8. Direct Visual SLAM
8.8.1. Análisis del algoritmo Direct Visual SLAM
8.8.2. LSD-SLAM
8.8.3. SVO
8.9. Visual Inertial SLAM
8.9.1. Integración de medidas inerciales
8.9.2. Bajo acoplamiento: SOFT-SLAM
8.9.3. Alto acoplamiento: Vins-Mono
8.10. Otras tecnologías de SLAM
8.10.1. Aplicaciones más allá del SLAM visual
8.10.2. Lidar-SLAM
8.10.2. Range-only SLAM
 34 | Estructura y contenido

Módulo 9. Aplicación a la Robótica de las tecnologías de Realidad Virtual

y Aumentada
9.1. Tecnologías inmersivas en la Robótica
9.1.1. Realidad Virtual en Robótica
9.1.2. Realidad Aumentada en Robótica
9.1.3. Realidad mixta en Robótica
9.1.4. Diferencia entre realidades
9.2. Construcción de entornos virtuales
9.2.1. Materiales y texturas
9.2.2. Iluminación
9.2.3. Sonido y olor virtual
9.3. Modelado de robots en entornos virtuales
9.3.1. Modelado geométrico
9.3.2. Modelado físico
9.3.3. Estandarización de modelos
9.4. Modelado de dinámica y cinemática de los robots: motores físicos virtuales
9.4.1. Motores físicos. Tipología
9.4.2. Configuración de un motor físico
9.4.3. Motores físicos en la industria
9.5. Plataformas, periféricos y herramientas más usadas en el Realidad Virtual
9.5.1. Visores de Realidad Virtual
9.5.2. Periféricos de interacción
9.5.3. Sensores virtuales
9.6. Sistemas de Realidad Aumentada
9.6.1. Inserción de elementos virtuales en la realidad
9.6.2. Tipos de marcadores visuales
9.6.3. Tecnologías de Realidad Aumentada
9.7. Metaverso: entornos virtuales de agentes inteligentes y personas
9.7.1. Creación de avatares
9.7.2. Agentes inteligentes en entornos virtuales
9.7.3. Construcción de entornos multiusuarios para VR/AR
 Estructura y contenido | 35

9.8. Creación de proyectos de Realidad Virtual para Robótica 10.5. Gestión de diálogo: estrategias heurístico/probabilísticas
9.8.1. Fases de desarrollo de un proyecto de Realidad Virtual 10.5.1. Intención del interlocutor
9.8.2. Despliegue de sistemas de Realidad Virtual 10.5.2. Diálogo basado en plantillas
9.8.3. Recursos de Realidad Virtual 10.5.3. Gestión de diálogo estocástica: redes bayesianas
9.9. Creación de proyectos de Realidad Aumentada para Robótica 10.6. Gestión de diálogo: estrategias avanzadas
9.9.1. Fases de desarrollo de un proyecto de Realidad Aumentada 10.6.1. Sistemas de aprendizaje basado en refuerzo
9.9.2. Despliegue de proyectos de Realidad Aumentada 10.6.2. Sistemas basados en redes neuronales
9.9.3. Recursos de Realidad Aumentada 10.6.3. Del habla a la intención en una única red
9.10. Teleoperación de robots con dispositivos móviles 10.7. Generación de respuesta y síntesis de habla
9.10.1. Realidad mixta en móviles 10.7.1. Generación de respuesta: de la idea al texto coherente
9.10.2. Sistemas Inmersivos mediante sensores de dispositivos móviles 10.7.2. Síntesis de habla por concatenación
9.10.3. Ejemplos de proyectos móviles 10.7.3. Síntesis de habla estocástica
10.8. Adaptación y contextualización del diálogo
Módulo 10. Sistemas de comunicación e interacción con robots
10.8.1. Iniciativa de diálogo
10.1. Reconocimiento de habla: sistemas estocásticos 10.8.2. Adaptación al locutor
10.1.1. Modelado acústico del habla 10.8.3. Adaptación al contexto del diálogo
10.1.2. Modelos ocultos de Markov 10.9. Robots e interacciones sociales: reconocimiento, síntesis y expresión de emociones
10.1.3. Modelado lingüístico del habla: N-Gramas, gramáticas BNF 10.9.1. Paradigmas de voz artificial: voz Robótica y voz natural
10.2. Reconocimiento de habla: Deep Learning 10.9.2. Reconocimiento de emociones y análisis de sentimiento
10.2.1. Redes neuronales profundas 10.9.3. Síntesis de voz emocional
10.2.2. Redes neuronales recurrentes 10.10. Robots e interacciones sociales: interfaces multimodales avanzadas
10.2.3. Células LSTM 10.10.1. Combinación de interfaces vocales y táctiles
10.3. Reconocimiento de habla: prosodia y efectos ambientales 10.10.2. Reconocimiento y traducción de lengua de signos
10.3.1. Ruido ambiente 10.10.3. Avatares visuales: traducción de voz a lengua de signos
10.3.2. Reconocimiento multilocutor
10.3.3. Patologías en el habla
10.4. Comprensión del lenguaje natural: sistemas heurísticos y probabilísticos
10.4.1. Análisis sintáctico-semántico: reglas lingüísticas
10.4.2. Comprensión basada en reglas heurísticas
10.4.3. Sistemas probabilísticos: regresión logística y SVM
10.4.4. Comprensión basada en redes neuronales
06
Metodología
Este programa de capacitación ofrece una forma diferente de aprender. Nuestra
metodología se desarrolla a través de un modo de aprendizaje de forma
cíclica: el Relearning.
Este sistema de enseñanza es utilizado, por ejemplo, en las facultades de medicina
más prestigiosas del mundo y se ha considerado uno de los más eficaces por
publicaciones de gran relevancia como el New England Journal of Medicine.
 Metodología | 37

Descubre el Relearning, un sistema que abandona el

aprendizaje lineal convencional para llevarte a través de
sistemas cíclicos de enseñanza: una forma de aprender
que ha demostrado su enorme eficacia, especialmente
en las materias que requieren memorización”
 38 | Metodología

Estudio de Caso para contextualizar todo el contenido

Nuestro programa ofrece un método revolucionario de desarrollo de habilidades
y conocimientos. Nuestro objetivo es afianzar competencias en un contexto
cambiante, competitivo y de alta exigencia.

Con TECH podrás experimentar

una forma de aprender que está
moviendo los cimientos de las
universidades tradicionales de
todo el mundo”

Accederás a un sistema de
aprendizaje basado en la reiteración, con
una enseñanza natural y progresiva a lo
largo de todo el temario.
 Metodología | 39

Un método de aprendizaje innovador y diferente

El presente programa de TECH es una enseñanza intensiva, creada desde 0, que
propone los retos y decisiones más exigentes en este campo, ya sea en el ámbito
nacional o internacional. Gracias a esta metodología se impulsa el crecimiento
personal y profesional, dando un paso decisivo para conseguir el éxito. El método
del caso, técnica que sienta las bases de este contenido, garantiza que se sigue la
realidad económica, social y profesional más vigente.

Nuestro programa te prepara para

afrontar nuevos retos en entornos
inciertos y lograr el éxito en tu carrera”

El método del caso ha sido el sistema de aprendizaje más utilizado por las mejores
facultades del mundo. Desarrollado en 1912 para que los estudiantes de Derecho no solo
aprendiesen las leyes a base de contenidos teóricos, el método del caso consistió en
presentarles situaciones complejas reales para que tomasen decisiones y emitiesen juicios
de valor fundamentados sobre cómo resolverlas. En 1924 se estableció como método
El alumno aprenderá, mediante estándar de enseñanza en Harvard.
actividades colaborativas y casos reales, Ante una determinada situación, ¿qué debería hacer un profesional? Esta es la pregunta a la
la resolución de situaciones complejas que te enfrentamos en el método del caso, un método de aprendizaje orientado a la acción.

en entornos empresariales reales. A lo largo del programa, los estudiantes se enfrentarán a múltiples casos reales. Deberán
integrar todos sus conocimientos, investigar, argumentar y defender sus ideas y decisiones.
 40 | Metodología

Relearning Methodology
TECH aúna de forma eficaz la metodología del Estudio de Caso con
un sistema de aprendizaje 100% online basado en la reiteración, que
combina 8 elementos didácticos diferentes en cada lección.

Potenciamos el Estudio de Caso con el mejor método de enseñanza

100% online: el Relearning.

En 2019 obtuvimos los mejores resultados

de aprendizaje de todas las universidades
online en español en el mundo.

En TECH se aprende con una metodología vanguardista concebida

para capacitar a los directivos del futuro. Este método, a la vanguardia
pedagógica mundial, se denomina Relearning.

Nuestra universidad es la única en habla hispana licenciada para

emplear este exitoso método. En 2019, conseguimos mejorar los
niveles de satisfacción global de nuestros alumnos (calidad docente,
calidad de los materiales, estructura del curso, objetivos…) con
respecto a los indicadores de la mejor universidad online en español.
 Metodología | 41

En nuestro programa, el aprendizaje no es un proceso lineal, sino que sucede en

espiral (aprender, desaprender, olvidar y reaprender). Por eso, se combinan cada uno
de estos elementos de forma concéntrica. Con esta metodología se han capacitado
más de 650.000 graduados universitarios con un éxito sin precedentes en ámbitos
tan distintos como la bioquímica, la genética, la cirugía, el derecho internacional,
las habilidades directivas, las ciencias del deporte, la filosofía, el derecho, la
ingeniería, el periodismo, la historia o los mercados e instrumentos financieros.
Todo ello en un entorno de alta exigencia, con un alumnado universitario de un perfil
socioeconómico alto y una media de edad de 43,5 años.

El Relearning te permitirá aprender con menos esfuerzo

y más rendimiento, implicándote más en tu capacitación,
desarrollando el espíritu crítico, la defensa de argumentos
y el contraste de opiniones: una ecuación directa al éxito.

A partir de la última evidencia científica en el ámbito de la neurociencia, no solo

sabemos organizar la información, las ideas, las imágenes y los recuerdos, sino que
sabemos que el lugar y el contexto donde hemos aprendido algo es fundamental
para que seamos capaces de recordarlo y almacenarlo en el hipocampo, para
retenerlo en nuestra memoria a largo plazo.

De esta manera, y en lo que se denomina Neurocognitive context-dependent

e-learning, los diferentes elementos de nuestro programa están conectados con el
contexto donde el participante desarrolla su práctica profesional.
 42 | Metodología

Este programa ofrece los mejores materiales educativos, preparados a conciencia para los profesionales:

30%
Material de estudio
Todos los contenidos didácticos son creados por los especialistas que van a impartir
el curso, específicamente para él, de manera que el desarrollo didáctico sea realmente
específico y concreto.
Estos contenidos son aplicados después al formato audiovisual, para crear el método
de trabajo online de TECH. Todo ello, con las técnicas más novedosas que ofrecen
piezas de gran calidad en todos y cada uno los materiales que se ponen a disposición
del alumno.

Clases magistrales
Existe evidencia científica sobre la utilidad de la observación de terceros expertos.
El denominado Learning from an Expert afianza el conocimiento y el recuerdo, y
genera seguridad en las futuras decisiones difíciles.

Prácticas de habilidades y competencias 10%

Realizarán actividades de desarrollo de competencias y habilidades específicas en
cada área temática. Prácticas y dinámicas para adquirir y desarrollar las destrezas y
habilidades que un especialista precisa desarrollar en el marco de la globalización que
vivimos.

Lecturas complementarias
8%
Artículos recientes, documentos de consenso y guías internacionales, entre otros. En
la biblioteca virtual de TECH el estudiante tendrá acceso a todo lo que necesita para
completar su capacitación.
 Metodología | 43

Case studies
Completarán una selección de los mejores casos de estudio elegidos expresamente
para esta titulación. Casos presentados, analizados y tutorizados por los mejores
especialistas del panorama internacional.

20%

Resúmenes interactivos
El equipo de TECH presenta los contenidos de manera atractiva y dinámica en
píldoras multimedia que incluyen audios, vídeos, imágenes, esquemas y mapas
conceptuales con el fin de afianzar el conocimiento.
Este exclusivo sistema educativo para la presentación de contenidos multimedia
fue premiado por Microsoft como “Caso de éxito en Europa”.

25%
Testing & Retesting
Se evalúan y reevalúan periódicamente los conocimientos del alumno a lo largo del
4% programa, mediante actividades y ejercicios evaluativos y autoevaluativos para que,
3% de esta manera, el estudiante compruebe cómo va consiguiendo sus metas.
07
Titulación
El Máster Título Propio en Robótica garantiza, además de la capacitación
más rigurosa y actualizada, el acceso a un título de Máster Propio expedido
por TECH Universidad Tecnológica.
 Titulación | 45

Supera con éxito este programa y recibe tu

titulación universitaria sin desplazamientos
ni farragosos trámites”
 46 | Titulación

Este Máster Título Propio en Robótica contiene el programa más completo El título expedido por TECH Universidad Tecnológica expresará la calificación que haya
y actualizado del mercado. obtenido en el Máster Título Propio, y reunirá los requisitos comúnmente exigidos por
las bolsas de trabajo, oposiciones y comités evaluadores de carreras profesionales.
Tras la superación de la evaluación, el alumno recibirá por correo postal* con acuse
de recibo su correspondiente título de Máster Propio emitido por TECH Universidad Título: Máster Título Propio en Robótica
Tecnológica. N.º Horas Oficiales: 1.500 h.

*Apostilla de La Haya. En caso de que el alumno solicite que su título en papel recabe la Apostilla de La Haya, TECH EDUCATION realizará las gestiones oportunas para su obtención, con un coste adicional.
Máster Título Propio
Robótica
» Modalidad: online
» Duración: 12 meses
» Titulación: TECH Universidad Tecnológica
» Horario: a tu ritmo
» Exámenes: online
Máster Título Propio
Robótica