Enfoque de aprendizaje constructivo de sensorización inteligente mínima en dispositivos embebidos

• Pelou, Roxane ^[2] ; Poza-Lujan, Jose-Luis ^[1] ; Posadas-Yagüe, Juan-Luis ^[1] ; Manzoni, Pietro ^[1]
  1. [1] Universidad Politécnica de Valencia

     Universidad Politécnica de Valencia

     Valencia, España

     
  2. [2] Institut Catholique d’Arts et Métiers
• Localización: Jornadas de Automática, ISSN-e 3045-4093, Nº. 47, 2026
• Idioma: español
• DOI: 10.17979/ja-cea.2026.47.13878
• Títulos paralelos:
  • Constructive learning approach for minimal intelligent sensing on embedded devices
• Enlaces
  • Texto completo
• Resumen
  • español

    La importancia de las acciones de control inteligentes ha aumentado y debe ser abordada en los itinerarios formativos de ingeniería. En este artículo se presenta parte del itinerario formativo práctico para aprender a desarrollar sistemas IoT inteligentes. Para el desarrollo se utiliza TinyML en Arduino Nano 33 BLE como ejemplo de sistema embebido inteligente con recursos limitados. A través de tres bloques prácticos, se aborda el uso de un dispositivo embebido para realizar una tarea de control inteligente. Para ello el estudiante desarrolla tres etapas pedagógicamente validadas: conocimiento del entorno, análisis de señal de una dimensión y análisis de señal de dos dimensiones. Los resultados demuestran la viabilidad de desplegar modelos de inferencia en tiempo real directamente en microcontroladores, permitiendo una automatización eficiente y local. Este enfoque proporciona a los docentes noveles herramientas metodológicas para introducir la inteligencia artificial embebida en el ámbito de la ingeniería de sistemas y automática.

  • English

    The importance of intelligent control actions has increased and must be addressed within engineering training itineraries. This paper presents part of a practical training itinerary for learning to develop intelligent IoT systems. For this development, TinyML on the Arduino Nano 33 BLE Sense is used as an example of an intelligent embedded system with limited resources. Through three practical modules, the use of an embedded device to perform an intelligent control task is addressed. To achieve this, students progress through three pedagogically validated stages: environmental awareness, one-dimensional signal analysis, and two-dimensional signal analysis. The results demonstrate the feasibility of deploying real-time inference models directly onto microcontrollers, enabling efficient and local automation. This approach provides new teachers with methodological tools to introduce embedded artificial intelligence within the fields of systems engineering and automation.

• Referencias bibliográficas
  • Franklin, P.-B., 2026. Microlearning in software engineering education: A systematic review of initiatives and curriculum modernization. Education...
  • Johri, A., Olds, B. M., 2011. Situated engineering learning: Bridging enginee- ring education research and the learning sciences. Journal...
  • Jonassen, D. H., 1996. Learning with technology: Using computers as cog- nitive tools. Handbook of research for educational communications...
  • Paas, F., Renkl, A., Sweller, J., 2003. Cognitive load theory and instructional design: Recent developments. Educational psychologist 38 (1),...
  • Pradeep, A., 2023. Enabling iots with esp32 for affordable education. In: 2023 5th International Conference on Inventive Research in Computing...
  • Sobota, J., PiŜl, R., Balda, P., Schlegel, M., 2013. Raspberry pi and arduino boards in control education. IFAC Proceedings Volumes 46 (17),...
  • Sweller, J., Van Merrienboer, J. J., Paas, F. G., 1998. Cognitive architecture and instructional design. Educational psychology review 10...
  • Vygotsky, L. S., Cole, M., 1978. Mind in society: Development of higher psychological processes. Harvard university press.