La estimación de estado en robots con patas sigue siendo uno de los retos técnicos más exigentes dentro de la automatización avanzada. En entornos donde los contactos son parciales, dinámicos o incluyen deslizamientos direccionales, los enfoques tradicionales basados en estados binarios (contacto sí/no) resultan insuficientes para modelar la incertidumbre real del sistema. Recientemente, técnicas que combinan filtros invariantes con redes neuronales ligeras han demostrado que es posible aprender covarianzas de velocidad de contacto continuas, modulando la confianza del filtro según la calidad del contacto. Este tipo de innovación no solo mejora la precisión en la estimación de velocidad lineal, sino que también proporciona consistencia en maniobras complejas como bailes o interacciones con el suelo. En el ámbito empresarial, integrar estos avances requiere un enfoque de software a medida que adapte los algoritmos a cada plataforma robótica y a los requisitos específicos de la operación. En Q2BSTUDIO desarrollamos aplicaciones a medida que incorporan inteligencia artificial para resolver problemas de estimación y control en robótica móvil, aprovechando nuestra experiencia en servicios cloud aws y azure para escalar el entrenamiento de modelos y desplegar soluciones en entornos reales. Además, aplicamos técnicas de ciberseguridad para proteger los datos sensibles de telemetría y los modelos entrenados. Nuestros proyectos también integran servicios inteligencia de negocio con power bi para visualizar la calidad de las estimaciones en tiempo real, y exploramos el uso de agentes IA que toman decisiones autónomas basadas en la incertidumbre del contacto. Esta convergencia entre robótica, ia para empresas y desarrollo de software personalizado permite que sistemas complejos como los robots bípedos ejecuten movimientos antes imposibles, abriendo nuevas posibilidades en logística, inspección y entretenimiento. La clave está en diseñar arquitecturas de estimación que, como el enfoque de covarianzas aprendidas, sepan cuándo confiar en los sensores y cuándo corregir las predicciones del modelo, un equilibrio que conseguimos gracias a un profundo conocimiento del dominio y a herramientas de inteligencia artificial de última generación.