12
REVISTA PERSPECTIVAS
VOL. 8, N˚2 / JULIO - DICIEMBRE 2026 / e-ISSN: 266-6688
Generación de Ambientes Virtuales
Utilizando un Robot Móvil Terrestre
Generation of Virtual Environments
Using a Mobile Terrestrial Robot
Facultad de Ciencias de la Computación
Benemérita Universidad Autónoma de Puebla
Puebla, México.
RESUMEN
Este trabajo aborda la generación de ambientes
virtuales a partir de los datos obtenidos por
un robot móvil terrestre. El sistema utiliza una
Raspberry Pi equipada con una cámara V2
de 8 megapíxeles y un sensor inercial (IMU)
MPU6050 para registrar el recorrido y las
condiciones del entorno. Con la información se
propone una metodología de procesamiento que
permite reconstruir de forma virtual el terreno
recorrido, mostrando cambios registrados por
el acelerómetro y con la cámara en tiempo real.
Además, plantea la creación de una base de datos
propia que facilite la preparación y entrenamiento
del sistema para futuros recorridos.
Palabras Clave: Robot móvil terrestre, ambientes
virtuales, Raspberry Pi, reconstrucción de
terreno y visión por computadora.
ABSTRACT
This work addresses the generation of virtual
environments based on data obtained by a
terrestrial mobile robot. The system uses a
Raspberry Pi equipped with an 8-megapixel V2
camera and an MPU6050 inertial sensor (IMU)
to record the route and environmental conditions.
A processing methodology is proposed using
this information to virtually reconstruct the
terrain traversed, showing changes recorded
by the accelerometer and camera in real time.
Furthermore, it proposes the creation of a custom
database to facilitate the preparation and training
of the system for future routes.
Keywords: Mobile terrestrial robot,
virtual environments, Raspberry Pi, terrain
reconstruction and computer vision.
Fecha de Recepción: 14 Mayo 2026 · Fecha de Aceptación: 30 Junio 2026 · Fecha de Publicación: 30 Julio 2026
María del Carmen Santiago Díaz
María Catalina Rivera Morales
Juan Carlos Cruz Armas
Daniel Isay López del Castillo
fiona.reynagad@alumno.buap.mx
cc202320271@alm.buap.mx
marycarmen.santiago@correo.buap.mx
maria.riveram@correo.buap.mx
juan.cruza@alumno.buap.mx
daniel.lopezddelcastillo@alumno.buap.mx
ana.zenteno@correo.buap.mx
gustavo.rubin@correo.buap.mx
Fiona Danaé Reynaga Díaz
iD
iD
iD
Dante Castelán Carpinteyro
iD
iD
Ana Claudia Zenteno Vázquez
iD
Gustavo Trinidad Rubín Linares
iD
iD
REVISTA PERSPECTIVAS
VOL. 8, N˚2 / JULIO - DICIEMBRE 2026 / e-ISSN: 266-6688
https://doi.org/10.47187/perspectivas.8.2.262
13
REVISTA PERSPECTIVAS
VOL. 8, N˚2 / JULIO - DICIEMBRE 2026 / e-ISSN: 266-6688
I. Introducción
El desarrollo de ambientes virtuales como
una herramienta educativa ha evolucionado
significativamente en los últimos años. Esto
permitió la creación de entornos de aprendizaje
interactivos y colaborativos y trascienden las
limitaciones espaciotemporales tradicionales.
Estas tecnologías promueven la formación de
estudiantes capaces de adaptarse a las demandas
educativas, laborales y sociales de la actualidad,
al integrar recursos digitales que favorecen
el proceso de enseñanza más dinámico y
significativo [1]. La utilización de ambientes
virtuales de aprendizaje colaborativo representa
una tendencia en crecimiento, potenciando
la comunicación, autonomía y construcción
conjunta del conocimiento mediante el apoyo de
plataformas tecnológicas.
Así también, la robótica móvil terrestre ha
adquirido un papel relevante como medio para la
experimentación y la interacción dentro de entornos
virtuales. Los vehículos terrestres no tripulados
(UGV, Unmanned Ground Vehicles) constituyen
una de las plataformas más empleadas, que
integran sistemas de locomoción, sensores, control
guiado y de comunicación, que permiten ejecutar
tareas de exploración, monitoreo y desplazamiento
autónomo [3]. La diversidad de mecanismos de
movilidad posibilita la adaptación a diferentes
condiciones de terreno, mientras su capacidad de
respuesta ante entornos no estructurados hace de
ellos una herramienta idónea para investigaciones
educativas, científicas y tecnológicas [15]. Entre las
técnicas más empleadas para dotar de autonomía
a los robots destaca el método de localización
y mapeo simultáneo (SLAM), el cual permite
que un robot construya un mapa del entorno
mientras determina su posición en tiempo real.
Esta técnica ha mostrado avances considerables,
destacando algoritmos robustos como ORB-
SLAM [7], que permiten el uso de cámaras como
sensores principales. El uso de estos sensores se
ha popularizado debido a su bajo costo, reducido
peso y elevada eficiencia energética, facilitando
su implementación en sistemas embebidos [2]. El
uso de visión computacional dentro del SLAM
ha permitido optimizar el reconocimiento de
características del entorno, mejorando la precisión
en la navegación autónoma.
Adicionalmente, el empleo de sensores
inerciales como acelerómetros ha demostrado
ser una alternativa viable para complementar
la estimación de posición en robots móviles.
Aunque presenten errores acumulativos por
deriva, su implementación de filtros de Kalman
o algoritmos de gradiente descendente como el
de Madgwick [10] permite compensar dichas
desviaciones y mantener una precisión adecuada
para desplazamientos de corta duración [4]. Estas
características hacen que los sensores inerciales
sean apropiados para aplicaciones donde se
requiere un seguimiento continuo del movimiento
o integración coherente entre entorno físico y
virtual. La fusión de datos visuales e inerciales
(VINS) se ha consolidado como una estrategia
estándar para mejorar la precisión en entornos
complejos [11].
Por otra parte, en [5] desarrollaron un sistema
de teleoperación basado en realidad virtual para
el control de múltiples robots móviles, tanto
terrestres como aéreos. Su enfoque permite
reconstruir el entorno en tiempo real mediante
cámaras de profundidad y transmitirlo al usuario
como un entorno virtual inmersivo, posibilitando
una visualización tridimensional del terreno y
la planificación de trayectorias intuitivas. Este
trabajo demuestra el potencial de combinar
reconstrucción 3D, sensores de percepción y
entornos virtuales para mapeo y exploración
remota, lo cual guarda una estrecha relación con
la generación de ambientes virtuales a partir de la
información capturada por el robot móvil terrestre.
Finalmente, la tendencia hacia los Gemelos
Digitales permite que la reconstrucción de
terrenos no sólo sea visual, sino funcional [12].
Investigaciones recientes han demostrado la
viabilidad de utilizar plataformas de bajo costo,
como Raspberry Pi, para tareas de navegación y
procesamiento en tiempo real [8], así como el uso
de técnicas de fotogrametría para el modelado
detallado de patrimonio y terrenos [13], [14].
Otros estudios amplían la noción de mapeo hacia
la caracterización física del terreno. En [16] se
14
REVISTA PERSPECTIVAS
VOL. 8, N˚2 / JULIO - DICIEMBRE 2026 / e-ISSN: 266-6688
II. Metodología
propone un método probabilístico para predecir el
costo energético del desplazamiento de un robot
terrestre mediante Gaussian Process Regression
(GPR), generando un mapa espacial del terreno
“off-road” basado en los datos capturados por el
propio robot. Con este enfoque permite obtener
una representación más rica del entorno útil
para la simulación, navegación autónoma y
reconstrucción virtual del espacio recorrido. Por
otra parte, se han desarrollado enfoques más
recientes que optimizan la exploración autónoma
del entorno. En [17] se presenta un sistema de
mapeo topológico multirresolución (MRTM) que
combina información de elevación, transitabilidad
y fronteras de exploración, alcanzando una
representación eficiente y detallada del entorno
mediante cómputo acelerado por GPU. Este
modelo permite cubrir áreas complejas,
seleccionar vistas óptimas de la exploración y
planificar rutas globales más eficientes en robots.
Estos avances resultan relevantes para proyectos
que buscan generar ambientes virtuales basados
en la información recolectada por un robot móvil
terrestre, ya que estos integran percepción en
3D, mapeo estructurado y toma de decisiones
autónoma.
En el presente trabajo se propone la creación
de entornos visuales generados a partir de
información recopilada directamente por un robot
móvil terrestre. Esta alternativa es una solución
viable para sistemas que requieren una respuesta
en tiempo real y que son el núcleo de la gran
cantidad de sistemas robóticos autónomos.
A. Plataforma de Adquisición
El sistema físico de recolección de datos está
constituido por una Raspberry Pi como unidad
central de procesamiento. Para la medición
de las fuerzas inerciales se integró el módulo
MPU6050, cuyo desempeño en la estabilización
y captura de orientación ha sido validado en
diversas aplicaciones de robótica móvil [9],
un dispositivo de 6 grados de libertad (6DoF)
que combina un acelerómetro de 3 ejes y un
giroscopio de 3 ejes, así como un sensor de
temperatura, comunicado a través del protocolo
I2C. Este sensor es el encargado de capturar las
variaciones de movimiento y orientación del
robot móvil terrestre.
Una vez establecida la plataforma hardware, el
desarrollo del sistema propuesto se llevará a cabo
con la siguiente metodología tecnológica virtual,
orientada a la adquisición de datos sensoriales,
procesamiento de la información y recreación
de ambientes virtuales a partir del recorrido
realizado por el robot terrestre (rover).
B. Generación de la base de datos
Se diseñó una base de datos propia para el registro
de información proveniente del desplazamiento
físico del robot móvil.
La base de datos almacena:
• Datos inerciales: valores de aceleración y
rotación experimentados en los ejes X, Y y Z.
• Datos visuales: secuencias de imágenes o
fotogramas del entorno real capturados por la
cámara.
• Datos de posición: coordenadas espaciales
estimadas con base en el procesamiento de los
sensores físicos.
Se partió de una base de datos generada por el
acelerómetro y que en general es la que brinda
cualquier sensor genérico, aunque muchos brindan
información de la velocidad y aceleraciones,
se prefiere solo la posición a fin de generar los
parámetros mencionados posteriormente a fin
de no cargar de procesos el microcontrolador.
En la Fig. 1 se presentan algunas de las gráficas
obtenidas con el dataset generado.
En la Fig. 2 se observa el desplazamiento
alrededor de la dirección X, además de contar con
cambios de velocidad generando un movimiento
acelerado, a diferencia de las mediciones en Y y
Z, donde se mantiene alrededor de sus posiciones
de equilibrio.
15
REVISTA PERSPECTIVAS
VOL. 8, N˚2 / JULIO - DICIEMBRE 2026 / e-ISSN: 266-6688
Fig. 1. Resumen de 25 datos de velocidad para el desplazamiento en:
a) X, b) Y, y c) Z.
c)
b)
a)
Fig. 2. Movimiento alrededor de la dirección X.
x(t)= -0.0006t2 + 0.0142t + 3E-05. (1)
En general, un desplazamiento presenta un
comportamiento de segundo orden, por lo cual
los primeros puntos se pueden se pueden utilizar
para ir generando la gráfica de la trayectoria
siguiendo la ecuación, lo cual nos permite
por superposición utilizar el mismo resultado
a los tres ejes y así generar una ecuación
tridimensional del desplazamiento R(t) como la
siguiente ecuación:
R(t)=x(t)+y(t)+z(t). (2)
Esto nos permite que el robot móvil sin importar
la trayectoria que seleccione dependiendo de
sensores que eviten la colisión con obstáculos, va
a generar mediciones de profundidad en base al
desplazamiento y las condiciones del escenario
en XYZ, mediante el siguiente diagrama de
bloques de la Fig. 3.
Fig. 3. Diagrama de bloques general del procesamiento de la
cámara y el acelerómetro para construir escenario virtual
La trayectoria del desplazamiento corresponde a
la siguiente ecuación:
16
REVISTA PERSPECTIVAS
VOL. 8, N˚2 / JULIO - DICIEMBRE 2026 / e-ISSN: 266-6688
Fig. 3. Topology of SDN-based drone
C. Procesamiento de datos
El procesamiento se orienta a la integración de
la información visual e inercial, siguiendo las
siguientes etapas:
1. Sincronización temporal de datos, donde cada
lectura del acelerómetro se asocia al instante de
captura de imagen correspondiente.
2. Estimación de movimiento, calculando la
trayectoria aproximada del robot a partir de la
integración de la aceleración y rotación en el
tiempo.
El resultado de esta fase es una trayectoria digital
que describe el movimiento físico del robot para
su proyección dentro del entorno virtual.
D. Reconstrucción del terreno virtual
A partir de los datos visuales y de movimiento,
se genera la representación tridimensional del
entorno, para lo cual se pueden utilizar 2 posibles
modelos, uno con Inteligencia Artificial y el
otro exclusivamente con la información de los
sensores, acelerómetro y detector de obstáculos,
como se muestra en la Fig. 4. Con todo esto el
sistema crea un entorno virtual que reproduce
los cambios de terreno y desplazamiento
experimentados por el robot físico.
E. Visualización y análisis del entorno
El entorno virtual resultante se despliega en el
modelo digital del rover. Este entorno permite:
• Observar el comportamiento dinámico del
rover.
• Analizar la relación entre los datos inerciales y
la topografía del terreno.
• Validar los algoritmos de reconstrucción.
F. Validación
Para validar el sistema, se realizaron
comparaciones entre las trayectorias estimadas
y las trayectorias teóricas predefinidas en el
entorno virtual.
Se evaluaron los errores de posición, la
consistencia del mapeo del terreno y la coherencia
visual entre la simulación y la reconstrucción
generada.
III. Resultados
En la Fig. 5 se observa el escenario de prueba
de navegación del robot móvil con un algoritmo
para librar obstáculos con giro a la izquierda (o
derecha). Se obtiene una matriz de profundidad
la cual en todo momento se compara con las
capturas de la imagen. El proceso es relativamente
sencillo, pero implica que ahora ya se tiene
un conocimiento de la profundidad de cada
elemento de la imagen y con ello una certeza del
desplazamiento. Con ello se obtiene información
de los elementos asociados en la imagen como se
muestra en la Tabla I.
Fig. 4. Diagrama a bloques para la reconstrucción de un ambiente
virtual utilizando IA o sensores.
17
REVISTA PERSPECTIVAS
VOL. 8, N˚2 / JULIO - DICIEMBRE 2026 / e-ISSN: 266-6688
IV. Resultados
El desarrollo del proyecto demostró el potencial
de mapear virtualmente terrenos a partir de
la recolección de datos realizada por un robot
móvil terrestre. La construcción de una base
de datos propia, el procesamiento sincronizado
de aceleraciones e imágenes y la aplicación
de técnicas de visión computacional hicieron
posible la reconstrucción tridimensional del
entorno recorrido.
Los resultados obtenidos validan que la
metodología propuesta es viable. Si bien existen
desafíos inherentes al uso de sensores inerciales
de bajo costo, la metodología planteada establece
una base sólida para futuras mejoras.
Finalmente, este trabajo contribuye al campo
de la robótica móvil y la recreación virtual al
proponer un sistema capaz de transformar datos
físicos en representaciones digitales. Esto abre
numerosas oportunidades para aplicaciones
educativas, experimentales y de investigación,
sirviendo como punto de partida para el desarrollo
de herramientas avanzadas de navegación,
mapeo y simulación en robots de exploración y
principalmente evitando el uso de Técnicas de
Inteligencia Artificial evitando un consumo de
recursos de procesamiento innecesarios.
[1] M. O. Arias, N. Ramírez, K. G. Salmerón,
“Ambientes virtuales como herramienta para
el aprendizaje”, Revista de Ciencias de la
Educación Academicus, vol. 1, pp 28, Julio-
Diciembre 2023.
[2] R. F. Munguía, A. Grau, “SLAM con
mediciones angulares: método por triangulación
estocástica”, Ingeniería, Investigación y
Tecnología, vol. 14, pp 257-274, April-Junio
2013.
[3] J. Figueroa, W. Montalvo, M. Bayas,
Cinemática y Dinámica de Robots Móviles con
Ruedas, 1st. ed. 2023, pp 30-33.
[4] H. Liu, G. Pang, Accelerometer for
mobile robot positioning in Conference Record
of the 1999 IEEE Industry Applications
Conference. Thirty-Fourth IAS Annual Meeting,
Phoenix, AZ, USA, 03-07 October 1999.
[5] A. Tikanmäki, J. Röning, and J. Mattila,
“A virtual reality teleoperation system for multi-
robot control,” Proceedings of the 2017 IEEE
International Conference on Mechatronics and
Automation (ICMA), Takamatsu, Japan, Aug.
6–9, 2017, pp. 607–612.
[6] C. Cadena et al., “Past, present, and
future of simultaneous localization and mapping:
Toward the robust-perception-age”, IEEE
Transactions on Robotics, vol. 32, no. 6, pp.
1309–1332, Dic. 2016.
[7] R. Mur-Artal y J. D. Tardós, “ORB-
SLAM2: An open-source SLAM system for
monocular, stereo, and RGB-D cameras”, IEEE
Transactions on Robotics, vol. 33, no. 5, pp.
Objeto Profundidad
relativa
Comentario
Piso (primer
plano)
0.00–0.05 Zona más
cercana al
punto de vista.
Escritorio
de madera
(izquierda)
0.10–0.20 Ligeramente
detrás del
primer plano.
Sillas plásticas
(derecha)
0.25–0.35 Similar al
garrafón, algo
más atrás.
Lockers (verde/
gris/café)
0.40–0.60 Fondo interior
del cuarto.
Puerta abierta
0.70–0.80 Más lejos que
los lockers.
Vegetación
exterior
0.90–1.00 Punto más
lejano visible.
Tabla I. Profundidad de los objetos captados
automáticamente por el algoritmo y robot
V. Referencias
18
REVISTA PERSPECTIVAS
VOL. 8, N˚2 / JULIO - DICIEMBRE 2026 / e-ISSN: 266-6688
1255–1262, Oct. 2017.
[8] S. Gupta y P. Kumar, “Real-time
navigation of mobile robot using Raspberry Pi
and ultrasonic sensors”, en 2021 6th Int. Conf.
on Communication and Electronics Systems
(ICCES), Coimbator, India, 2021, pp. 1261-
1265.
[9] A. S. Al-Araji, “PID controller for
2-wheel balancing robot based on MPU6050
sensor”, Al-Khwarizmi Engineering Journal,
vol. 16, no. 3, pp. 56-64, 2020.
[10] S. Madgwick, A. J. L. Harrison, y R.
Vaidyanathan, “Estimation of IMU and MARG
orientation using a gradient descent algorithm”,
2011 IEEE International Conference on
Rehabilitation Robotics, Zurich, Switzerland,
2011, pp. 1-7.
[11] G. Huang, “Visual-inertial navigation: A
concise review”, 2019 International Conference
on Robotics and Automation (ICRA), Montreal,
QC, Canada, 2019, pp. 9572-9582.
[12] M. Grieves y J. Vickers, “Digital
twin: Mitigating unpredictable, undesirable
emergent behavior in complex systems”, en
Transdisciplinary Perspectives on Complex
Systems, F.-J. Kahlen, S. Flumerfelt, y A. Alves,
Eds., Cham: Springer, 2017, pp. 85–113.
[13] F. Remondino, “Heritage recording and
3D modeling with photogrammetry and 3D
scanning”, Remote Sensing, vol. 3, no. 6, pp.
1104–1138, 2011.
[14] L. Qian et al., “Terrain reconstruction
and traversability analysis for off-road mobile
robots”, Robotics and Autonomous Systems, vol.
156, art. no. 104206, Oct. 2022.
[15] J. M. Angel-Fernandez y M. Vincze,
“Towards a definition of educational robotics”,
en Austrian Robotics Workshop, 2018.
[16] M. Quann, L. Ojeda, W. Smith, D.
Rizzo, M. Castanier, and K. Barton, “Off-road
ground robot path energy cost prediction through
probabilistic spatial mapping,” Journal of Field
Robotics, vol. 37, no. 3, pp. 421–439, 2020.
[17] R. Jia, T. Fan, V. Berenz, and F. Ramos,
“Unlocking Full Exploration Potential of
Ground Robots by Multiresolution Topological
Mapping,” IEEE Transactions on Industrial
Informatics, 2025.
