The development of intelligent technologies for analyzing and classifying agricultural products plays a key role in Agriculture 4.0. This is particularly relevant for tomato crops, where substantial morphological variability and a high susceptibility to mechanical damage call for precise and consistent evaluation methodologies. This study proposes a robotic classification system that integrates computer vision, an XArm6 collaborative robot, a SoftGripper, and an RS D435i camera to enable reliable detection, classification, and damage-free manipulation of tomatoes. The perception module uses an RGB-D camera and a YOLO model specifically trained for tomato detection, enabling precise estimation of the fruit’s three-dimensional position. Ripeness is determined through HSV-space segmentation into four categories, while size is estimated from the apparent diameter combined with depth information. The end-effector, manufactured from Smooth-SIL® 940 food-grade silicone and validated through structural simulations in ANSYS, ensures soft and adaptive manipulation. The system achieved over 95 % accuracy in 8 of the 12 evaluated classes, demonstrating stable detection, classification, and grasping performance. Overall, these results highlight the potential of intelligent systems as an effective and scalable solution for tomato classification in modern agricultural settings.

This article presents the open-source hardware design, construction, and validation of a modular experimentation kit aimed at teaching robotics and automation concepts in secondary education. Addressing the limitations of expensive, proprietary educational tools, this work details the engineering of a replicable, low-cost platform based on the Arduino ecosystem and 3D-printed structural components. The kit comprises six distinct functional modules, ranging from basic environmental sensing to complex electromechanical automation, integrated with standard sensors (IR, RFID, DHT11) and actuators. The paper provides a comprehensive description of the hardware architecture, including mechanical CAD models, electronic schematics, and assembly instructions, ensuring full replicability by the open-source community. Validation was conducted through functional stress testing during a 6-hour workshop with 40 students, confirming the system's robustness and operational reliability. Furthermore, the pedagogical effectiveness of the hardware was assessed using a pre-test/post-test methodology ($p=0.01411$), demonstrating that this open-source design effectively bridges the gap between theoretical engineering concepts and practical application. All design files are provided as supplementary materials.

The STEM performance gap between public and private educational institutions in Ecuador represents a persistent challenge for equity. This study evaluated the impact of a 10-day hands-on robotics workshop in Cuenca, Ecuador, through a quasi-experimental design comprising three complementary studies. Study 1 (N=114) utilized a pre-test/post-test design with ANCOVA to measure changes in conceptual knowledge. Study 2 (N=60) employed a longitudinal analysis to observe the development of practical skills. Finally, Study 3 (N=113) analyzed parental perception surveys to externally validate the findings. Results from Study 1 demonstrated that an initially statistically significant gap (p < 0.001) was neutralized, with no significant differences observed in the post-test (p = 0.920). Study 2 revealed a convergence in practical performance, showing no significant differences in overall achievement (p = 0.568). Study 3 confirmed an overwhelmingly positive parental perception, with over 91\% reporting an increase in curiosity and 88.5% in skill development. It is concluded that short-term, hands-on STEM interventions are an effective tool for bridging the knowledge and skills gap, generating a measurable, observable, and perceived impact. This approach offers a replicable model for promoting educational equity in similar contexts.

Los algoritmos modernos de SLAM integran información semántica para mejorar la comprensión del entorno. La detección y segmentación de entidades características clave permiten una localización y un mapeo más precisos en entornos complejos como los que se enfrenta un vehículo parcial o totalmente automatizado. Los algoritmos de SLAM semántico actuales no aprovechan completamente las características de los sensores LiDAR 3D como la reflectividad. En este trabajo se presenta un sistema integral para la detección y seguimiento en tiempo real de entidades de alta reflectividad como letreros, matrículas y señales de tráfico, utilizando datos de nubes de puntos provenientes de sensores LiDAR 3D. El uso de esta información para filtrar y rastrear objetos con alta reflectividad ha sido poco explorado en la literatura. Integrar la reflectividad mejora la precisión en la detección de objetos en entornos complejos a un coste computacional relativamente bajo. El enfoque se fundamenta en procesar los datos de LiDAR para identificar y rastrear clústeres a lo largo del tiempo. Inicialmente, se aplica un filtrado a los datos de la nube de puntos basado en un umbral de reflectividad. Este proceso elimina los puntos que no tienen interés disminuyendo notablemente la densidad de la muestra original para el análisis a objetos de alta reflectividad, mejorando la eficiencia y precisión del procesamiento. Además, se emplea el algoritmo DBSCAN adaptado para funcionar en una segmentación regional para optimizar la identificación de clústeres en diversas zonas del espacio el cual se divide en regiones mediante umbrales de distancia, permitiendo ajustar dinámicamente los parámetros de clustering para mejorar la detección tanto de objetos cercanos como lejanos en los cuales la distancia y cantidad de puntos varían en función de la distancia al sensor. Para el seguimiento de objetos, el sistema asocia clústeres detectados en secuencias temporales basándose en la proximidad espacial. Se utiliza la marca de tiempo de la nube de puntos para determinar de manera precisa la diferencia de tiempo entre mediciones permitiendo estimar la velocidad instantánea de los objetos que han sido rastreados durante un número suficiente de escaneos LiDAR; esto permite determinar la persistencia de cada objeto, asegurando que solo los objetos relevantes sean considerados, eliminando falsos clústeres. Los resultados demuestran la efectividad del sistema en entornos dinámicos reales de carretera, siendo capaz de detectar y seguir múltiples objetos de alta reflectividad en tiempo real, demostrando ser eficiente y robusto al manejar correctamente los casos sin detecciones, evitando conflictos en la gestión de identificadores de clústeres. A su vez, tras esta identificación, se pueden plantear clasificaciones más finas para incrementar la precisión en las estimaciones de posicionamiento y mejorar la calidad de la reconstrucción del entorno.