Teaching Hidden Markov Models Through Multidimensional Trajectory Learning: A Hands-On MATLAB Journey
DOI:
https://doi.org/10.17979/ja-cea.2026.47.13849Palabras clave:
Hidden Markov Models, Educaci´on, Ejemplos de Referencia, Algoritmos de AprendizajeResumen
Los modelos ocultos de Markov (HMM) son una herramienta ampliamente utilizada en robótica, procesamiento del lenguaje, reconocimiento de voz y procesamiento de señales. Sin embargo, su enseñanza en cursos de ingeniería sigue siendo un reto debido a la brecha entre el formalismo matemático y las aplicaciones realistas. Los recursos existentes se basan en derivaciones abstractas o en bibliotecas de software de tipo caja negra que ocultan el proceso de modelado, dejando a los estudiantes sin las herramientas conceptuales necesarias para adaptar los HMM a problemas novedosos. Este artículo presenta un tutorial de libre acceso en MATLAB LiveScript que guía a los estudiantes a través del proceso completo de los HMM para el aprendizaje de trayectorias: desde la generación de datos sintéticos y la adición de ruido, pasando por la simplificación geométrica y la codificación simbólica, hasta el entrenamiento del modelo y la reconstrucción basada en Viterbi. Cada etapa expone una capa conceptual de forma transparente, produciendo un resultado intermedio examinable.
Referencias
Bellas, F., Naya-Varela, M., Mallo, A., et al., 2024. Education in the AI era: a long-term classroom technology based on intelligent robotics. Humanities and Social Sciences Communications 11, 1425. DOI: 10.1057/s41599-024-03953-y
Blunsom, P., 2004. Hidden Markov models. Lecture Notes 15 (18–19), 48.
Galli, M., Barber, R., Garrido, S., Moreno, L., 2017. Learning robotics with ROS and MATLAB using real robotic platforms. In: Proceedings of ICERI2017. IATED, pp. 1519–1527.
Manrique-Cordoba, J., 2026. MultiDimensionalData HMM Implementation Example. MATLAB Central File Exchange, https://es.mathworks.com/matlabcentral/fileexchange/183205-multidimensionaldatahmmimplementationexample, accessed: June 2026.
Manrique-Cordoba, J., de la Casa-Lillo, M. A., Sabater-Navarro, J. M., 2025. N-dimensional reduction algorithm for learning from demonstration path planning. Sensors 25 (7), 2145. DOI: 10.3390/s25072145
MathWorks, 2024a. Create live scripts in the live editor — MATLAB & Simulink. https://es.mathworks.com/help/matlab/matlab_prog/create-live-scripts.html.
MathWorks, 2024b. Hidden Markov models (HMM) — MATLAB & Simulink. https://es.mathworks.com/help/stats/hidden-markov-models-hmm.html.
Prince, M., 2004. Does active learning work? A review of the research. Journal of Engineering Education 93 (3), 223–231.
Rossiter, J. A., Serbezov, A., Visioli, A., ˇZ´akov´a, K., Huba, M., 2020. A survey of international views on a first course in systems and control for engineering undergraduates. IFAC Journal of Systems and Control 13, 100092.
Sweller, J., 1988. Cognitive load during problem solving: Effects on learning. Cognitive Science 12 (2), 257–285.
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Juliana Manrique Cordoba, Marina Poveda Pérez, Miguel Ángel De La Casa Lillo, José María Sabater Navarro
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
