La identificación de la ubicación es un aspecto fundamental de los sistemas avanzados de navegación de robots móviles, ya que permite establecer conexiones significativas entre objetos, espacios y acciones. Comprender las acciones humanas y reconocer con precisión sus posturas correspondientes desempeña un papel crucial en este contexto. En este documento, presentamos un enfoque basado en la observación que integra sin problemas algoritmos de detección de objetos, detección de posturas humanas y técnicas de aprendizaje automático para aprender y reconocer eficazmente las acciones humanas en entornos domésticos. Nuestro método implica entrenar modelos de aprendizaje automático para identificar las acciones comunes, utilizando un conjunto de datos derivado de la interacción entre la detección de posturas humanas y la detección de objetos. Para validar nuestro enfoque, evaluamos su efectividad utilizando un conjunto de datos diverso que abarca acciones típicas del hogar. Los resultados demuestran una mejora significativa en comparación con las técnicas existentes, con nuestro método logrando una precisión de más del 95% en la clasificación de ocho acciones diferentes dentro de entornos domésticos. Además, confirmamos la robustez de nuestro enfoque a través de pruebas rigurosas en entornos del mundo real, demostrando su capacidad para funcionar bien a pesar de los diversos desafíos de la recopilación de datos en tales entornos. Las implicaciones de nuestro método para aplicaciones robóticas son significativas, ya que una comprensión integral de las acciones humanas es esencial para tareas como la navegación semántica. Además, nuestros hallazgos revelan oportunidades prometedoras para futuras investigaciones, ya que nuestro enfoque puede ampliarse para aprender y reconocer una amplia gama de otras acciones humanas. Esta perspectiva, que destaca el potencial aprovechamiento de estas técnicas, proporciona un camino alentador para futuras investigaciones en este campo.