AMAlberto Mendez

Alberto Mendez

*This is an algorithmically generated author record based on publicly available information.

Current Organizations / Institutes

The organizations/institutes from the scholar's latest article

Previous Organizations / Institutes

The organizations / institutes from the scholar's other articles in the past ten years


Alberto Mendez has a total of 16 co-authors. Here are the top co-authors by number of shared publications:


Latest Publications

  • Open Access

    Robust Task Generalization for Dual-Arm Learning from Demonstration

    by Adrian Prados, Lucia Lishan, Alberto Mendez, Santiago Garrido, Ramon Barber

    Dual-arm manipulation or physical human-robot coordination requires robots to adapt rapidly to changing environments and constraints. Traditional Learning from Demonstration approaches struggle to generalize when faced with out-of-distribution scenarios, requiring costly retraining. We propose a Movement Primitive learning algorithm based on Gaussian Processes, combined with real-time zero-shot adaptation through Pathwise Conditioning. The method encapsulates the predictive uncertainty of the demonstrated movement using heteroscedastic GPs and utilizes an update via Matheron's rule to instantaneously adjust the trajectory to new via-points, without the need to retrain the underlying model. This formulation is extended to dual-arm coordination by dynamically calculating 6D relative constraints to maintain a closed kinematic chain. Experimental results, both in 2D comparisons against task-parameterized models and in tasks with the ADAM robot, demonstrate robust adaptation with near-zero error in real time, making it applicable for highly changing environments.

  • Open Access

    Patrullaje y detección autónoma de caídas mediante el robot asistencial ADAM

    by Lucia Lishan, Fergus Proctor, Alicia Mora, Alberto Mendez, Santiago Garrido, Ramon Barber

    El envejecimiento poblacional global incrementa la demanda de soluciones tecnológicas para la seguridad de los mayores, especialmente ante el riesgo de caídas. Este trabajo presenta un sistema de patrullaje autónomo en simulación mediante el robot asistencial ADAM para la detección de personas en el suelo. La propuesta se centra en una estrategia de navegación que optimiza la selección de waypoints diferenciando entre zonas pequeñas, inspeccionadas desde el umbral, y áreas amplias con posicionamiento central. Se integra un sistema de visión multimodal, incorporando un protocolo de verificación ante detecciones inciertas para minimizar falsos positivos. Todo el comportamiento es gestionado por una máquina de estados que coordina el patrullaje, la verificación visual, la aproximación táctica y la respuesta de emergencia. Los resultados validan la eficacia de ADAM como herramienta de apoyo al personal sanitario, mejorando la vigilancia y los tiempos de respuesta en entornos asistenciales.

  • Open Access

    Agarre de objetos desconocidos con un robot manipulador móvil bibrazo

    by Gonzalo Espinoza, Lucía Lishan, Alberto Méndez, Adrián Prados, Ramón Barber, Luis Moreno

    El agarre de objetos desconocidos en entornos domésticos supone uno de los principales retos de los robots asistenciales, donde los manipuladores deben ser capaces de adaptarse a la gran variedad de formas y tamaños de los objetos y la incertidumbre de un entorno desestructurado. En este artículo se presenta una implementación de un método end-to-end de agarre no basado en aprendizaje aplicado al robot asistencial bibrazo ADAM en este tipo de condiciones. La implementación cubre el proceso de agarre completo, desde la detección y reconstrucción 3D de los objetos a partir de formas supercuádricas, la planificación del agarre mediante métodos analíticos y finalmente la selección y planificación del brazo y la ejecución. El método ha sido evaluado en un simulador basado en PyBullet a partir de la reconstrucción de una escena real, sobre objetos de uso cotidiano doméstico y de formas y tamaños variados, demostrando la viabilidad del flujo completo, también transferido a la plataforma robótica real.

  • Open Access

    ADAMSim: PyBullet-Based Simulation Environment for Research on Domestic Mobile Manipulator Robots

    by Adrian Prados, Gonzalo Espinoza, Alberto Mendez, Alicia Mora, Santiago Garrido, Ramon Barber

    Este artículo presenta ADAMSim, un entorno de simulación basado en PyBullet diseñado específicamente para el Ambidextrous Domestic Autonomous Manipulator (ADAM), desarrollado para apoyar la investigación en navegación, manipulación y aprendizaje en robótica doméstica. El simulador replica con precisión la estructura y el comportamiento del robot físico, lo que permite una transferencia robusta de algoritmos entre simulación y mundo real. ADAMSim sigue un diseño modular, que incluye navegación, cinemática de brazos y manos, percepción y comunicación mediante ROS. Esta arquitectura permite la operación sincronizada entre el robot real y su gemelo digital. Se desarrollaron diversos ejemplos, que abarcan desde tareas de visión y agarre, hasta navegación y teleoperación, incluyendo experimentos ejecutados simultáneamente en el robot simulado y el real. Su diseño de código abierto y flexible convierte a ADAMSim en una herramienta poderosa para el desarrollo seguro y reproducible de algoritmos y experimentos en robótica doméstica. La plataforma también está pensada para apoyar investigaciones en mapeo de interiores, aprendizaje de manipulación avanzada y proyectos educativos, como banco de pruebas.


  • Open Access

    Perspective Chapter: Advanced Environment Modelling Techniques for Mobile Manipulators

    by Noelia Fernandez, Gonzalo Espinoza, Alberto Mendez, Adrian Prados, Alicia Mora, Ramon Barber

    In recent years, the capabilities of mobile robots to interact with humans and their environment have been enhanced by emerging technological advances. The improvement in the quantity and quality of information from robot sensors, along with increased computational capacities, has enabled the development of new algorithms to model the human environment in which the robot moves and interacts. This chapter will describe modelling techniques for scenes and objects that compose the environment, with the aim of generating an internal representation of the robot’s surroundings so it can navigate and perform manipulation tasks in shared environments with humans. Recent advances in environment modelling driven by deep learning and machine learning techniques, using sensor information, will be presented. Additionally, new trends in the generation of simulated environments, their elements, and synthetic databases will be studied. These trends aim to leverage advances in artificial intelligence to expand the quantity and variety of available data, facilitating the process of learning and understanding the environment.


  • Open Access

    Aprendizaje por demostración mediante datos sintéticos para tareas parametrizadas

    by Adrián Prados Carrasco, Alicia Mora Velasco, Alberto Méndez García, Santiago Garrido Bullón, Ramón Ignacio Barber Castaño

    El aprendizaje de tareas por demostración es una tarea desafiante. Uno de los principales desafíos es la extrapolación del conocimiento a partir de demostraciones del usuario. Generar un conjunto de situaciones diversas cubriendo todos los casos posibles es una tarea compleja. Por esto, surge la idea de utilizar la parametrización de tareas, que genera información relevante de puntos característicos de una tarea, permitiendo modelar una política con una menor cantidad de demostraciones. En este artículo, presentamos un algoritmo centrado en generar información sintética para la generalización de tareas parametrizadas. El algoritmo permite la generación autónoma de datos, produciendo demostraciones de características similares a las de los usuarios. Para ello, una métrica basada en la distancia de Wasserstein, que tiene en cuenta los datos probabilísticos de las trayectorias aprendidas, ha sido desarrollada. Se han realizado pruebas en simulación, comparando la eficiencia con dos algoritmos de Lfd y en un entorno real, para una tarea de barrido, realizada con el robot ADAM.

  • Open Access

    Everyday Objects Rearrangement in a Human-Like Manner via Robotic Imagination and Learning From Demonstration

    by Alberto Mendez, Adrian Prados, Elisabeth Menendez, Ramon Barber

    The rearrangement of objects is an essential task in daily human life. Subconsciously, humans break down such tasks into three components: perception, reasoning, and execution, which are automatically resolved. This process represents a significant challenge for robots, as they must apply complex logic to treat all the information and successfully execute the task. In this research, we propose a solution to perform this task in a human-like manner. For that purpose, we developed a modular framework that provides the capability to observe and understand the scene, imagine the best solution and execute it, following human-like reasoning. This is done by combining a zero-shot deep learning model for perception, a zero-shot large diffusion model to provide an ordered and realistic final scene and a Learning from Demonstration algorithm for execution. To test the performance, we conducted several experiments to check the correct resolution of 2D rearrangement tasks. For that purpose, we have tested the feasibility of the final generated scene, the ability to generate the trajectory by means of human demonstrations and, finally, we have carried out experiments with two different robots in a simulated and a real environment. The results obtained prove the adaptability of our framework to different environments, objects and robots. Moreover, the success rate of solutions provided and the error in the position and orientation demonstrate a significant advance in the accuracy and effectiveness of solving rearrangement tasks.


  • Open Access

    Extracción de modelos 3D basado en CNN y nubes de puntos para mapeado

    by Alberto Mendez, Alicia Mora, Ramon Barber

    La obtención de modelos 3D precisos es importante en robótica. Una amplia gama de aplicaciones como mapear objetos requieren de un conocimiento preciso de su forma y disposición. Sin embargo, puede ser difícil lograr una alta precisión, especialmente cuando se trata de datos reales que incluyen factores como oclusiones, desorden y ruido, influyendo en el resultado final. En el estado del arte, se combina deep learning en imágenes 2D con segmentación de nubes de puntos. Sin embargo, los estudios comparativos al respecto son muy limitados. En este trabajo, implementamos y comparamos varios métodos existentes, aplicando mejoras para que estos funcionen correctamente en entornos complejos. Analizamos cuatro formas de obtener modelos 3D, tres de ellos basados en detección por bounding box y un cuarto basado en la obtención de una máscara mediante instance segmentation. Se realiza una comparación tanto cualitativa como cuantitativa, presentando las fortalezas y los límites de cada método, además de un ejemplo práctico de uso.

  • Open Access

    Sensor Fusion for Social Navigation on a Mobile Robot Based on Fast Marching Square and Gaussian Mixture Model

    by Alicia Mora, Adrian Prados, Alberto Mendez, Ramon Barber, Santiago Garrido

    Mobile robot navigation has been studied for a long time, and it is nowadays widely used in multiple applications. However, it is traditionally focused on two-dimensional geometric characteristics of the environments. There are situations in which robots need to share space with people, so additional aspects, such as social distancing, need to be considered. In this work, an approach for social navigation is presented. A multi-layer model of the environment containing geometric and topological characteristics is built based on the fusion of multiple sensor information. This is later used for navigating the environment considering social distancing from individuals and groups of people. The main novelty is combining fast marching square for path planning and navigation with Gaussian models to represent people. This combination allows to create a continuous representation of the environment from which smooth paths can be extracted and modified according to dynamically captured data. Results prove the practical application of the method on an assistive robot for navigating indoor scenarios, including a behavior for crossing narrow passages. People are efficiently detected and modeled to assure their comfort when robots are around.