El inge de control

Info: https://activeinference.institute/projects/symposium/
Registration: https://docs.superhuman.com/form/6th-Applied-Active-Inference-Symposium-November-12-13-2026-Parti_diV-vi1WhKb

Ya casi todo programado y listo para IISECA, ahora sí como dicen: "se vienen cositas". Revisen los streams programados. https://www.youtube.com//streams

IISECA https://sites.google.com/view/ii-seca/inicio registro disponible

¿Cómo pasa una idea de control del modelo matemático a un producto que realmente puede fabricarse y utilizarse en la industria?

En esta nueva conversación de El Inge de Control, el Dr. Michael Hernández nos comparte su experiencia realizando investigación y diseño industrial en electrónica de potencia, convertidores, vehículos eléctricos, energías renovables, sistemas embebidos y transferencia inalámbrica de energía.

Hablaremos del desarrollo de algoritmos, prototipos, pruebas, patentes, certificación e industrialización, además de las diferencias entre investigar en la academia y hacerlo dentro de una empresa.

🎙️ Cuando el control sale del papel: investigación y diseño industrial con el Dr. Michael Hernández

▶️ Entrevista aquí: https://www.youtube.com/live/ETwdvUCVVRE?si=APKQGsM7JKMdRJ89

Para quienes aún no saben si inscribirse en nuestro próximo taller de Filtros de Kalman, ofreceremos una Clase 0, que se transmitirá en vivo por YouTube.

¡Agéndala y nos vemos en clase!
https://youtube.com/live/5x-NSEGUcAw

Info completa: https://sites.google.com/view/elingedecontrol/cursos-y-talleres/algoritmos-de-filtro-de-kalman-y-sus-aplicaciones-i?authuser=0

Thriving in the Extremes:
Active Inference in Non-equilibrium Systems
Satellite Session CSS2026, October 15, 2026
Binghamton, NY & Online
https://www.photrek.io/thriving-extremes-css2026

En este trabajo, los autores proponen una estrategia de control para un brazo robótico antropomórfico de cuatro grados de libertad que combina Control Lyapunov Functions (CLF) con un Observador de Estado Extendido (ESO) dentro del marco de Active Disturbance Rejection Control (ADRC). El enfoque considera como desconocidos los términos de Coriolis, gravedad, fricción y perturbaciones externas, agrupándolos en una única perturbación total que es estimada en tiempo real por el observador.

Los resultados de simulación muestran que el controlador logra un seguimiento preciso de las trayectorias articulares, alcanzando la referencia en aproximadamente 0.6 s y manteniendo errores de posición cercanos a ±0.02 rad. Además, al aplicar una perturbación externa de 2 Nm sobre el último eslabón, el observador estima rápidamente su efecto y el controlador compensa la perturbación, haciendo que tanto el error de seguimiento como el error de estimación converjan nuevamente hacia cero. Estos resultados evidencian la capacidad del esquema propuesto para mantener un buen desempeño aun cuando el modelo dinámico no se conoce con precisión y el sistema está sujeto a perturbaciones externas.

Los autores concluyen que la combinación de ADRC con un controlador basado en CLF reduce la dependencia de un modelo matemático exacto y constituye una alternativa robusta para el control de manipuladores robóticos. Como trabajo futuro, plantean la demostración formal de estabilidad del esquema completo y su implementación en un robot antropomórfico de ocho grados de libertad.

Paper:https://revistadigital.amca.mx/wp-content/uploads/2022/06/0166.pdf

How to Read Mathematics? A study guide.
Petra Schwer, Heidelberg, Summer 2026

Reading a math textbook isn’t like reading a novel. You’ve probably
already figured that out on your own. But how do you read mathematical texts? And how can you actually learn from a book or lecture notes?
This document is a guide to independently reading and working through mathematical texts. With the methods and steps explained here, you can work through any paper, textbook, lecture notes, or even your own class notes. Reading math is hard. But don’t worry – hard things are exactly where growth happens!

https://arxiv.org/pdf/2607.24136

Pronto se acercan las fechas límite para enviar trabajos al siguiente congreso HRFEST 2026: International Conference on Humanoid Robotics, Innovation & Leadership, que es respaldado por la IEEE Region 9.

Me informan que los artículos aprobados serán publicados en la biblioteca digital IEEE Xplore, con miras a su indexación en Scopus y Web of Science (WoS).

Asimismo, me comparten que si su artículo supera la revisión y es aceptado científicamente, al momento de realizar el pago por los derechos de indexación pueden usar mi código HRFEST-INGECONTROL2026 para obtener un 20% de descuento. (Nota: El descuento es válido para las tarifas 'Regular Professional', 'IEEE Professional' y 'Regular Student'. No es acumulable con las tarifas planas de Academic Partners, Comunidad UNAC ni Estudiantes IEEE, las cuales ya cuentan con subsidio máximo).

🗓️ Cierre de la Ronda 2: 30 de agosto de 2026
📥 Envíen su artículo aquí: https://easychair.org/conferences/?conf=hrfest2026
🌐 Más información: https://hrfest.org/

¿Qué es el Model Reference Adaptive Control Robusto (RMRAC)?

El Robust Model Reference Adaptive Control (RMRAC) es una estrategia de control adaptativo en la que el sistema real no intenta seguir directamente una referencia, sino el comportamiento de un modelo de referencia que representa la dinámica deseada. El controlador ajusta automáticamente sus ganancias cuando cambian los parámetros del sistema o aparecen perturbaciones, mientras que el término robusto le permite mantener un buen desempeño incluso ante incertidumbres, dinámicas no modeladas y perturbaciones externas.

En este trabajo, los autores aplican un RMRAC no lineal robusto para regular la glucosa en sangre de pacientes con diabetes tipo 1. El modelo de referencia representa el comportamiento de un paciente sano, y el controlador adapta continuamente la infusión intravenosa de insulina para que el paciente siga esa respuesta, aun cuando existan diferencias entre pacientes, comidas no anunciadas o incertidumbres en el modelo metabólico. Las simulaciones con el simulador UVA/Padova muestran que el algoritmo mantiene la glucosa dentro del rango de normoglucemia con bajo riesgo de hipoglucemia e hiperglucemia, sin necesidad de ajustar el controlador para cada paciente de forma individual.

📄 Referencia:
Franco, R., Ríos, H., Ferreira de Loza, A., Efimov, D., Cassany, L., Gucik-Derigny, D., Cieslak, J., & Henry, D. (2021). Robust Model Reference Adaptive Control for an Insulin-Glucose Model. Memorias del Congreso Nacional de Control Automático (CNCA 2021).https://revistadigital.amca.mx/wp-content/uploads/2022/06/0004.pdf