Magíster en Ciencias de la Ingeniería, Mención Eléctrica / En este trabajo se propone un nuevo enfoque probabilístico para la búsqueda informada de objetos mediante robots. La metodología está basada en un marco bayesiano que usa convoluciones entre verosimilitudes de observación y máscaras de relación espacial para estimar el mapa de probabilidad de encontrar el objeto buscado. Por medio del uso de máscaras de relación espacial, relaciones espaciales complejas entre los objetos pueden ser definidas como sumas ponderadas de las relaciones espaciales básicas utilizando matrices de coocurrencia como pesos. La estrategia de búsqueda considera dos métodos distintos para seleccionar la ruta por donde debe navegar el robot que son el cálculo del campo de visión óptimo que cubre la mayor probabilidad de encontrar el objeto buscado, y el cálculo de un máximo global de la utilidad esperada sobre las regiones creadas sobre el mapa. Ambos métodos permiten obtener una nueva pose óptima a partir de la pose actual y la información del mapa de probabilidad del objeto buscado. El algoritmo de búsqueda es validado en un ambiente de oficina con cuatro clases de objetos ("monitor", "teclado", "cpu", y "router") y se consideraron cuatro relaciones espaciales básicas ( muy cerca , cerca , lejos , muy lejos ). Los experimentos combinan estadísticas sobre la coocurrencia de objetos y sobre la detección en ambientes reales, y las pruebas de búsqueda usan una herramienta de simulación realista en el que varias pruebas comparan once algoritmos de búsqueda de objetos. Las simulaciones se realizaron utilizando diferentes escalas de vista en la detección de objetos; es decir que se verifica como varia la detección del sensor (cámara) en diferentes rangos de distancias: 1.0 , 1.25 , 1.50 , 1.75 , 2.0 , 2.25 y 2.50 [mt], esto con el fin de analizar el efecto de la calidad de la detección (tanto la calidad de una cámara como la del algoritmo de detección) en la tasa de detección.

El uso de la gamificación ha ingresado con fuerza en todos los niveles del ámbito educativo. Este artículo analiza el comportamiento de la producción científica sobre gamificación aplicada a la educación mediante indicadores bibliométricos y mapas de visualización. Los datos fueron extraídos del Science Citation Index Expanded (SCIE), Social Sciences Citation Index (SSCI) y Arts & Humanities Citation Index (A&HCI) de Web of Science (2012-2018) en dos etapas. En la primera, se analizó la dinámica de la producción científica sobre gamificación recuperando 807 registros. En la segunda etapa, la búsqueda se restringió a las categorías vinculadas con temas de educación, quedando 153 documentos. En los resultados se demuestra que la producción científica se incrementa cada año, asimismo se identificaron las revistas más productivas en la temática. Mediante el análisis de cocitación de autores se identificó la influencia intelectual de la producción sobre gamificación detectando a los autores y comunidades invisibles más representativas. Por último, mediante el mapa de superposición de palabras clave, se evidenció que la gamificación aplicada a la educación toma un enfoque cada vez más tecnológico e innovador. / The use of gamification has entered strongly into all le-vels of education. This article analyzes the behavior of scientific production on gamification applied to education through bibliometric indicators and visualization maps. The data were extracted from the Science Citation Index Expanded (SCIE), Social Sciences Citation Index (SSCI) and Arts & Humanities Citation Index (A&HCI) of Web of Science (2012-2018) in two stages. In the first one, it was analyzed the dynamics of scientific production on gami-fication recovering 807 records. In the second stage, the search was restricted to the categories related to educa-tion issues, leaving 153 documents. The results show that scientific production is increasing every year; also, the most productive journals in the subject were identified. / Revisón por pares