Inteligencia artificial asistiva para la autonomía: visión artificial, reconocimiento de voz e interacción multimodal

Introducción: de las ayudas tradicionales a los sistemas asistivos inteligentes

Las ayudas técnicas tradicionales, como el bastón blanco, los perros guía y los dispositivos de comunicación aumentativa, reducen barreras concretas, pero dependen de la percepción residual, del aprendizaje del usuario o del apoyo de terceros. Las revisiones recientes describen una transición hacia sistemas capaces de captar información ambiental, interpretarla y producir respuestas adaptadas mediante audio, tacto o interfaces alternativas (Abidi et al., 2024; Okolo et al., 2024). En este marco, la inteligencia artificial asistiva no constituye una herramienta única, sino una arquitectura que combina sensores, modelos de aprendizaje automático, procesamiento lingüístico y mecanismos de actuación.

La autonomía debe entenderse como capacidad para iniciar, orientar y completar actividades con menor dependencia, no como sustitución completa de la decisión humana. Los prototipos actuales se concentran en movilidad, reconocimiento de objetos, comunicación y control del entorno (Giansanti & Pirrera, 2025). Esta literatura muestra avances técnicos claros, aunque también revela que la precisión del modelo no equivale por sí sola a autonomía cotidiana. El análisis siguiente examina qué pueden aportar la visión artificial y el reconocimiento de voz, y qué condiciones limitan su uso seguro.

Visión artificial para la movilidad segura y la percepción del entorno

La visión artificial asistiva convierte imágenes captadas por cámaras en información sobre objetos, obstáculos, texto, superficies y trayectorias transitables. Su utilidad depende de que la salida sea comprensible, oportuna y compatible con las decisiones que la persona debe tomar. Las revisiones distinguen sistemas basados en imágenes, datos no visuales, mapas y sonido tridimensional, junto con soluciones que combinan sensores ultrasónicos, LiDAR, teléfonos inteligentes y sistemas de localización (Abidi et al., 2024). Esta diversidad indica que la visión artificial funciona mejor como componente de una cadena perceptiva que como sustituto aislado del bastón o de otras ayudas.

Reconocimiento de obstáculos, objetos y señales en tiempo real

Los sistemas recientes identifican objetos y obstáculos mediante modelos de detección profunda, y traducen los resultados en advertencias auditivas o señales táctiles. AI-SenseVision integra cámara, sensores y un procesador de placa única para reconocer objetos, advertir sobre obstáculos, contar elementos y operar en modos interiores y exteriores (Joshi et al., 2024). AIris amplía esa función con descripción de escenas, lectura de texto, reconocimiento facial, conteo de dinero, escaneo de códigos de barras y toma de notas mediante una interfaz de procesamiento de lenguaje natural (Brilli et al., 2024). En ambos casos, la contribución principal no es solo detectar, sino seleccionar información que pueda utilizarse durante una actividad.

La detección de obstáculos también se ha incorporado a dispositivos móviles y portátiles. Un sistema basado en YOLOv8 instalado en Raspberry Pi identificó nueve tipos de obstáculos con una exactitud media del 91,70 %, además de estimar distancia, orientación y humedad de la superficie (Okolo et al., 2025). En un conjunto específico de senderos táctiles de Dhaka, YOLOv8s alcanzó un mAP de 0,974 y un F1 de 0,934; la cuantificación redujo el tamaño del modelo un 49,53 % y conservó el 98,97 % del mAP original (Chowdhury et al., 2024). Estas cifras pertenecen a tareas y bases de datos distintas, por lo que no permiten establecer una jerarquía general entre dispositivos.

La percepción de caídas representa otra aplicación de la visión artificial en entornos residenciales. DFFCV-FDC combina filtrado de ruido, características de MobileNet, DenseNet y ResNet, selección de hiperparámetros y un autoencoder para clasificar eventos de caída en una base de datos de referencia (ALMUKADI et al., 2024). Este enfoque desplaza la asistencia desde la movilidad individual hacia la detección de incidentes y la respuesta de cuidadores. Su principal limitación es que el resultado descrito corresponde al rendimiento sobre una base de datos, no a una reducción demostrada de lesiones o a una mejora de autonomía en residencias reales.

Navegación asistida mediante razonamiento espacial, sensores portátiles y computación en el borde

La detección aislada de objetos no indica necesariamente por dónde desplazarse. Los sistemas más avanzados añaden razonamiento espacial, segmentación de zonas transitables y reglas para convertir posiciones relativas en instrucciones. En el sistema para senderos táctiles, un algoritmo heurístico de búsqueda en anchura genera direcciones libres de obstáculos y las transmite mediante una aplicación móvil con salida de voz (Chowdhury et al., 2024). SightMate combina YOLOv8, segmentación semántica Fast-SCNN, análisis de zonas izquierda-centro-derecha, filtrado del movimiento y evaluación de estabilidad entre fotogramas (R et al., 2026). La secuencia funcional puede representarse así:

La computación en el borde reduce la dependencia de una conexión continua y puede disminuir la exposición de imágenes personales. AI-SenseVision procesa los datos en un único dispositivo de bajo coste (Joshi et al., 2024), mientras que SightMate ejecuta inferencia local mediante TensorFlow Lite en un teléfono (R et al., 2026). Otro sistema portátil basado en Raspberry Pi y cámara realizó detección de objetos y reconocimiento óptico de caracteres sin conexión a internet, con un tiempo de respuesta medio de 1,2 a 1,5 segundos y una exactitud de reconocimiento de objetos del 88-90 % (A et al., 2026). Estas implementaciones favorecen la portabilidad, aunque la respuesta temporal descrita todavía debe relacionarse con la velocidad de marcha, la densidad peatonal y el riesgo de colisión.

La tensión entre bajo coste, precisión algorítmica y funcionamiento en entornos dinámicos

El bajo coste exige equilibrar capacidad de cómputo, autonomía energética, tamaño, conectividad y precisión. La cuantificación del modelo en el estudio de Dhaka muestra que la reducción de tamaño puede conservar el rendimiento dentro de una tarea delimitada (Chowdhury et al., 2024). En cambio, los resultados de prototipos con Raspberry Pi, cámaras y sensores deben interpretarse con cautela porque suelen proceder de escenarios seleccionados y conjuntos de obstáculos conocidos (A et al., 2026; Okolo et al., 2025). Las revisiones señalan que los entornos interiores y exteriores requieren combinaciones diferentes de sensores, mapas y retroalimentación (Okolo et al., 2024).

Los escenarios dinámicos introducen peatones, iluminación cambiante, superficies irregulares, oclusiones y movimiento de la propia cámara. La estabilidad de fotogramas y el filtrado de movimiento de SightMate responden a una parte de este problema (R et al., 2026), pero el resumen no demuestra seguridad durante periodos prolongados ni en poblaciones amplias. Por ello, la precisión de detección debe distinguirse de la prevención de accidentes. La movilidad autónoma requiere validaciones con usuarios, métricas de falsas alarmas, tiempo de reacción, carga cognitiva y recuperación ante errores, aspectos que preparan el análisis de voz y comunicación.

Reconocimiento de voz y comunicación adaptada a distintas discapacidades

El reconocimiento automático del habla puede producir subtítulos, comandos, síntesis de voz o control de dispositivos, pero su rendimiento cambia según el hablante, el entorno y la finalidad comunicativa. En personas con habla alterada, la diferencia entre leer frases y conversar espontáneamente constituye una fuente específica de error. En la ELA, además, el deterioro progresivo obliga a reconsiderar cuándo y cómo personalizar el modelo. La comunicación asistiva debe evaluarse por la conservación del significado y la participación en la interacción, no solo por la tasa de palabras reconocidas.

Reconocimiento automático del habla conversacional, habla disártrica y comunicación en la ELA

En 27 personas con distintos trastornos del habla, los modelos personalizados y no adaptados mostraron una brecha entre habla leída y conversacional; la complejidad lingüística explicó buena parte de esa diferencia, mientras que las características atípicas del habla también influyeron (Tobin et al., 2024). La inclusión de muestras conversacionales en el entrenamiento mejoró el reconocimiento, lo que respalda una personalización basada en situaciones reales y no exclusivamente en frases controladas (Tobin et al., 2024). El resultado cuestiona las evaluaciones que utilizan únicamente lectura en voz alta para representar la comunicación cotidiana.

La experiencia de tres personas con ELA que emplearon subtitulado personalizado durante conversaciones de hasta doce meses fue menos favorable que la expectativa técnica: todas percibieron una exactitud inferior a la esperada y consideraron útil el sistema solo en ciertos contextos (Cave, 2024). Los participantes valoraron el subtitulado en directo, pero necesitaron formación sobre personalización, límites del sistema y uso práctico. La atribución errónea de los fallos al hablante puede afectar al bienestar psicológico y a la participación conversacional (Cave, 2024). Así, la personalización debe incluir apoyo humano, adaptación temporal al deterioro y procedimientos para corregir errores sin interrumpir continuamente la conversación.

Sensores cutáneos, procesamiento del lenguaje natural y reconocimiento de lenguas de signos

Los sensores cutáneos ofrecen una vía alternativa cuando el sonido ambiental o la producción vocal dificultan el reconocimiento. Un sensor acústico flexible adherido a la piel captó vibraciones de los órganos vocales y movimientos cutáneos, y alcanzó una exactitud superior al 96 % en clasificación de rasgos laríngeos; en frases cotidianas, el sistema comunicó una exactitud del 99,8 % en participantes del estudio (Liu et al., 2025). La arquitectura combinó transductores PMUT, encapsulado flexible y una red ResNet, con aplicaciones de interacción persona-máquina en entornos acústicos adversos (Liu et al., 2025). Estos resultados son prometedores, aunque proceden de una demostración tecnológica y no establecen todavía utilidad comunicativa sostenida en usuarios con discapacidad del habla.

Para personas con discapacidades vocales y auditivas, otro sistema empleó una red neuronal convolucional para reconocer lengua de signos india y signos personalizados, y después convirtió los gestos en comandos de voz mediante procesamiento de lenguaje natural. La red convolucional alcanzó una exactitud del 90 %, frente al 80 % de SVM, el 81 % de Random Forest y el 76 % de XGBoost (Gandhi et al., 2025). La comparación muestra una ventaja dentro de ese conjunto experimental, pero no permite concluir que el sistema generalice a todas las variantes regionales, velocidades gestuales o usuarios con movilidad manual diferente. La comunicación adaptada requiere, por tanto, modelos que incorporen vocabulario individual, contexto conversacional y modalidades de entrada alternativas.

Interacción multimodal y ampliación de la autonomía más allá de la navegación

La interacción multimodal combina señales que se complementan cuando una sola modalidad resulta ambigua o inaccesible. Voz, visión, postura, expresión facial, tacto y movimiento pueden distribuir la carga de control entre el usuario y el sistema. Esta ampliación permite pasar de advertir obstáculos a interpretar intenciones, controlar dispositivos domésticos, pedir asistencia y apoyar tareas motoras. La evidencia, no obstante, sigue concentrada en prototipos y tareas acotadas.

Fusión de voz, postura deíctica y visión artificial para interpretar la intención

En interacción persona-robot, la voz especifica una acción y la postura deíctica ayuda a identificar el objeto referido. Un marco experimental procesó la escena con detección de objetos, estimó cajas mediante profundidad y alineó esas cajas con comandos convertidos de voz a texto; un modelo de lenguaje grande generó secuencias de acción bajo restricciones sintácticas destinadas a reducir alucinaciones (Lai et al., 2025). La evaluación con un manipulador UR3e mostró mejor precisión y robustez que los enfoques unimodales descritos por los autores (Lai et al., 2025). El diseño ilustra una condición necesaria para la asistencia: la salida generativa debe estar limitada por la percepción espacial y por reglas de control verificables.

Esta lógica puede trasladarse a usuarios con dificultades para producir sintaxis compleja, ejecutar gestos convencionales o seleccionar objetivos visuales. La visión aporta el contexto, la voz aporta la intención y la postura resuelve la referencia. Sin embargo, una fusión multimodal también introduce nuevos puntos de fallo: el sistema puede detectar correctamente un objeto y asociarlo con un comando incorrecto. La evaluación debería separar errores de reconocimiento, errores de referencia y errores de ejecución, porque cada uno exige una intervención distinta.

Interfaces faciales, exoesqueletos y asistencia inteligente para personas con dependencia motora

Las interfaces faciales ofrecen control cuando las manos y la voz no son opciones fiables. En un grupo de 11 participantes con discapacidades motoras graves, una interfaz reconoció gestos faciales con una exactitud del 100 %, respondió en menos de un segundo y permitió controlar luces, televisores y solicitudes de ayuda; la evaluación mediante System Usability Scale obtuvo puntuaciones superiores a 90 en la mayoría de participantes (Tapia & Rivera, 2025). El mismo estudio identificó dificultades para personalizar comandos en personas con movilidad facial más limitada (Tapia & Rivera, 2025). La alta exactitud en condiciones de validación no elimina la necesidad de calibración individual ni demuestra efectos sostenidos sobre la independencia cotidiana.

Los exoesqueletos y exotrajes añaden actuación física a la percepción de intención. La revisión sobre estos dispositivos describe usos del aprendizaje automático para reconocer intención, sincronizar el movimiento, valorar al paciente y controlar tareas, además de aprendizaje por refuerzo apoyado en gemelos digitales (van der Kooij et al., 2025). Los autores señalan que hacen falta datos específicos de cada paciente y gemelos digitales más precisos para validar el uso clínico (van der Kooij et al., 2025). Esta cautela es relevante: una asistencia motora puede aumentar la capacidad de acción, pero también puede producir fatiga, movimientos no deseados o dependencia de una calibración difícil.

Síntesis crítica y brechas de la evidencia sobre autonomía asistida

La evidencia converge en una arquitectura recurrente: sensor, modelo de interpretación, decisión contextual y salida accesible. La siguiente comparación muestra que los resultados más altos proceden de tareas y poblaciones diferentes, por lo que no deben ordenarse como una escala común de autonomía.

Patrones metodológicos: prototipos tecnológicos, revisiones narrativas y validaciones con usuarios

Predominan los prototipos tecnológicos evaluados mediante exactitud, mAP, F1, tiempo de respuesta o usabilidad. Las revisiones de navegación y de integración de IA organizan familias de dispositivos y describen oportunidades, pero no sustituyen ensayos comparativos de autonomía (Abidi et al., 2024; Giansanti & Pirrera, 2025). Las validaciones con usuarios existen, aunque suelen incluir muestras pequeñas o poblaciones muy específicas, como ocurre con la interfaz facial y el estudio longitudinal de ELA (Cave, 2024; Tapia & Rivera, 2025). Esta combinación permite valorar factibilidad, pero ofrece poca información sobre adopción, abandono, seguridad acumulada y efectos en la vida diaria.

Brechas de generalización, accesibilidad, personalización y evaluación de la autonomía real

La generalización sigue limitada por bases de datos locales, repertorios de objetos reducidos y condiciones experimentales. La personalización mejora el reconocimiento del habla disártrica cuando incorpora conversación real (Tobin et al., 2024), pero requiere tiempo, datos y soporte técnico. La accesibilidad económica mejora con teléfonos, Raspberry Pi y modelos cuantificados, aunque el coste total también incluye mantenimiento, formación, conectividad y sustitución de componentes (A et al., 2026; Chowdhury et al., 2024). La evaluación futura debe medir decisiones completadas, errores evitados, esfuerzo cognitivo, confianza calibrada y control percibido, además del rendimiento algorítmico.

Conclusión: hacia sistemas asistivos integrados, personalizados y centrados en la persona

La visión artificial y el reconocimiento de voz amplían el acceso a información que antes dependía de la percepción visual, de la producción vocal o de la ayuda de otra persona. Los sistemas actuales ya detectan obstáculos, describen escenas, leen texto, convierten signos en voz, subtitulan habla disártrica y controlan dispositivos mediante gestos faciales (Gandhi et al., 2025; Joshi et al., 2024; Tapia & Rivera, 2025). Su valor asistivo depende de la relación entre precisión, latencia, interpretabilidad, coste y capacidad de adaptación.

La siguiente etapa debe priorizar plataformas multimodales que funcionen localmente cuando sea posible, incorporen preferencias individuales y permitan confirmar o corregir las decisiones del sistema. La autonomía real exige estudios prolongados con usuarios diversos, escenarios cotidianos y resultados centrados en la actividad, no únicamente en métricas de clasificación. También requiere abordar privacidad, alfabetización digital, estandarización y regulación, problemas identificados en la revisión de integración de IA en tecnologías asistivas (Giansanti & Pirrera, 2025). El objetivo no es automatizar la vida de la persona, sino ampliar su margen de decisión con sistemas previsibles, ajustables y subordinados a sus necesidades.

References

• A, G. C., A, A. S., A, G., M, M., Harini, & R, K. (2026). A real-time multi-modal assistive system for the visually impaired using computer vision. In International Conference on Intelligent Computing and Control Systems (ICICCS) (pp. 1771–1774). https://doi.org/10.1109/iciccs67901.2026.11502716
• Abidi, M. H., Siddiquee, A. N., Alkhalefah, H., & Srivastava, V. (2024). A comprehensive review of navigation systems for visually impaired individuals. Heliyon, 10(11), e31825. https://doi.org/10.1016/j.heliyon.2024.e31825
• ALMUKADI, W. S., Alrowais, F., Saeed, M. K., Yahya, A. E., Mahmud, A., & Marzouk, R. (2024). Deep feature fusion with computer vision driven fall detection approach for enhanced assisted living safety. Scientific Reports, 14(1), 21537. https://doi.org/10.1038/s41598-024-71545-6
• Brilli, D. D., Georgaras, E., Tsilivaki, S., Melanitis, N., & Nikita, K. S. (2024). AIris: An AI-Powered wearable assistive device for the visually impaired. In 2022 9th IEEE RAS/EMBS International Conference for Biomedical Robotics and Biomechatronics (BioRob) (pp. 1236–1241). https://doi.org/10.1109/biorob60516.2024.10719976
• Cave, R. (2024). How people living with amyotrophic lateral sclerosis use personalized automatic speech recognition technology to support communication. Journal of Speech Language and Hearing Research, 67(11), 4186–4202. https://doi.org/10.1044/2024_jslhr-24-00097
• Chowdhury, R. I., Anjom, J., & Hossain, Md. I. A. (2024). A novel edge intelligence-based solution for safer footpath navigation of visually impaired using computer vision. Journal of King Saud University – Computer and Information Sciences, 36(8), 102191. https://doi.org/10.1016/j.jksuci.2024.102191
• Gandhi, K. I., Jawahar, P. K., & Kannan, G. (2025). AI-NLP powered assistive technology system for individuals with vocally and hearing impairments. Assistive Technology, 1–11. https://doi.org/10.1080/10400435.2025.2571782
• Giansanti, D., & Pirrera, A. (2025). Integrating AI and assistive technologies in healthcare: Insights from a narrative review of reviews. Healthcare, 13(5), 556. https://doi.org/10.3390/healthcare13050556
• Joshi, R. C., Singh, N. K., Sharma, A. K., Bürget, R., & Dutta, M. K. (2024). AI-SenseVision: A low-cost artificial-intelligence-based robust and real-time assistance for visually impaired people. IEEE Transactions on Human-Machine Systems, 54(3), 325–336. https://doi.org/10.1109/thms.2024.3375655
• Lai, Y., Yuan, S., Nassar, Y. M., Fan, M., Gopal, A., Yorita, A., Kubota, N., & Rätsch, M. (2025). Natural multimodal fusion-based human–robot interaction: Application with voice and deictic posture via large language model. IEEE Robotics & Automation Magazine, 33(2), 29–38. https://doi.org/10.1109/mra.2025.3543957
• Liu, T., Zhang, M., Li, Z., Dou, H., Zhang, W., Yang, J., Wu, P., Li, D., & Mu, X. (2025). Machine learning-assisted wearable sensing systems for speech recognition and interaction. Nature Communications, 16(1), 2363. https://doi.org/10.1038/s41467-025-57629-5
• Okolo, G. I., Althobaiti, T., & Ramzan, N. (2024). Assistive systems for visually impaired persons: Challenges and opportunities for navigation assistance. Sensors, 24(11), 3572. https://doi.org/10.3390/s24113572
• Okolo, G. I., Althobaiti, T., & Ramzan, N. (2025). Smart assistive navigation system for visually impaired people. Journal of Disability Research, 4(1). https://doi.org/10.57197/jdr-2024-0086
• R, D., Harmithaa, S, G., & Gnanapriya. (2026). SightMate: A vision-based assistive navigation system for the visually impaired. In Zenodo (CERN European Organization for Nuclear Research). https://doi.org/10.5281/zenodo.19533366
• Tapia, C., & Rivera, G. (2025). Human-Machine interface for the assistance and care of elderly people with motor dependence: A transformative proposal based on computer vision. In World Physiotherapy Congress Archive. https://doi.org/10.82161/ga4p-a459
• Tobin, J., Nelson, P., MacDonald, B., Heywood, R., Cave, R., Seaver, K., Desjardins, A., Jiang, P.-P., & Green, J. R. (2024). Automatic speech recognition of conversational speech in individuals with disordered speech. Journal of Speech Language and Hearing Research, 67(11), 4176–4185. https://doi.org/10.1044/2024_jslhr-24-00045
• van der Kooij, H., van Asseldonk, E. H. F., Sartori, M., Basla, C., Esser, A., & Riener, R. (2025). AI in therapeutic and assistive exoskeletons and exosuits: Influences on performance and autonomy. Science Robotics, 10(104), eadt7329. https://doi.org/10.1126/scirobotics.adt7329