Lucia Lishan

Lucia Lishan

Auto-generated profile, based on publicly available information

Lucia Lishan

Universidad Carlos III de Madrid

Research Focus & Metrics

Academic Career Length

1Year (2026-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
28 May 2026 in Simposios del Comité Español de Automática (CEA)
Verified
Journal Article
Open access
PDF file
GEGonzalo Espinoza
Gonzalo Espinoza
LLLucía Lishan
Lucía Lishan
AMAlberto Mendez
Alberto Mendez
Adrian PradosAdrian Prados
Adrian Prados
Ramon BarberRamon Barber
Ramon Barber
LMLuis Moreno
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.

28 May 2026 in Simposios del Comité Español de Automática (CEA)
Verified
Journal Article
Open access
PDF file
LLLucia Lishan
Lucia Lishan
FPFergus Proctor
Fergus Proctor
Alicia Mora VelascoAlicia Mora Velasco
Alicia Mora Velasco
AMAlberto Mendez
Alberto Mendez
Santiago GarridoSantiago Garrido
Santiago Garrido
Ramon BarberRamon Barber
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.

1 September 2026 in Jornadas de Automática
Verified
Journal Article
Open access
PDF file
Adrian PradosAdrian Prados
Adrian Prados
LLLucia Lishan
Lucia Lishan
AMAlberto Mendez
Alberto Mendez
Santiago GarridoSantiago Garrido
Santiago Garrido
Ramon BarberRamon Barber
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.