Cuando la Tecnología Enseña: Realidad Aumentada en la Industria 4.0

Juan Manuel Fortuna-Cervantes, David Antonio, Elizabeth Rivera Bravo, Norma Orocio Castro

Resumen


Este artículo presenta un primer acercamiento sobre el uso de la Realidad Aumentada (RA) con el enfoque a la enseñanza y capacitación técnica dentro del contexto de la Industria 4.0. Se aborda la problemática de los métodos tradicionales de formación y se propone una solución basada en tecnologías disruptivas, capaz de optimizar la retención de conocimiento y reducir errores operativos. A través del desarrollo e implementación de aplicaciones con el uso de herramientas como Unity y Vuforia, se diseñan escenarios interactivos que permiten simular entornos industriales reales para mejorar los procesos de enseñanza y aprendizaje. Por lo tanto, se desarrollan dos aplicaciones, una para el entrenamiento sobre el cambio de llantas y otro para la enseñanza de la robótica industrial. Los resultados obtenidos muestran que el uso de RA no solo facilita una comprensión más profunda de los procedimientos técnicos, sino que también permite una adaptación más eficiente a entornos industriales modernos, marcando un avance significativo hacia entornos de capacitación más inteligentes, inmersivos y accesibles.

Texto completo:

pdf_V02N02_art02

Referencias


Akçayır, M., & Akçayır, G. (2017). Advantages and challenges associated with augmented reality for education: A systematic review of the literature. Educational research review, 20, 1-11.

Bacca, J., Baldiris, S., Fabregat, R., & Graf, S. (2014). Augmented reality trends in education: a systematic review of research and applications.

Bay, H., Tuytelaars, T., & Van Gool, L. (2006). Surf: Speeded up robust features. Computer Vision–ECCV 2006: 9th European Conference on Computer Vision, Graz, Austria, May 7-13, 2006. Proceedings, Part I 9.

Brüggemann, H., Stempin, S., & Meier, J.-M. (2020). Consideration of digitalization for the purpose of resource efficiency in a learning factory. Procedia Manufacturing, 45, 140-145. https://doi.org/https://doi.org/10.1016/j.promfg.2020.04.085

Chu, C.-H., & Liu, Y.-L. (2023). Augmented reality user interface design and experimental evaluation for human-robot collaborative assembly. Journal of Manufacturing Systems, 68, 313-324.

Fischler, M. A., & Bolles, R. C. (1981). Random sample consensus: a paradigm for model fitting with applications to image analysis and automated cartography. Communications of the ACM, 24(6), 381-395.

Lowe, G. (2004). Sift-the scale invariant feature transform. Int. J, 2(91-110), 2.

Moro, C., Štromberga, Z., Raikos, A., & Stirling, A. (2017). The effectiveness of virtual and augmented reality in health sciences and medical anatomy. Anatomical sciences education, 10(6), 549-559.

Muja, M., & Lowe, D. G. (2009). Fast approximate nearest neighbors with automatic algorithm configuration. VISAPP (1), 2(331-340), 2.

Rublee, E., Rabaud, V., Konolige, K., & Bradski, G. (2011). ORB: An efficient alternative to SIFT or SURF. 2011 International conference on computer vision.