Resumen IA Parcial 2.pdf

lOMoARcPSD|5093609 Modulo 3 El aprendizaje, definido como el proceso de adquirir y modificar conocimientos, habilidades, destrezas, conductas y valores mediante la experiencia, estudio, razonamiento y observación, es esencial en seres humanos y animales. Se aborda desde diversas perspectivas, incluy...

lOMoARcPSD|5093609 Modulo 3 El aprendizaje, definido como el proceso de adquirir y modificar conocimientos, habilidades, destrezas, conductas y valores mediante la experiencia, estudio, razonamiento y observación, es esencial en seres humanos y animales. Se aborda desde diversas perspectivas, incluyendo la neuropsicología y la psicología educacional. Aunque las bases neurofisiológicas no son completamente comprendidas, se sugiere que la modificación de las conexiones sinápticas es fundamental. En el ámbito natural, el método de aprendizaje más común es el asociativo, destacando el condicionamiento clásico y operativo. En inteligencia artificial, el aprendizaje es crucial, pero actualmente es significativamente más limitado que en humanos. Por ejemplo, el reconocimiento de patrones representa un desafío para la inteligencia artificial en comparación con la habilidad humana. Se reconocen tres formas de aprendizaje: supervisado, no supervisado y por refuerzo. Se identifican tres formas de aprendizaje: 1. Aprendizaje supervisado: Implica aprender a reproducir una función a partir de ejemplos de entradas y salidas, siendo reconocido como inductivo en escenarios determinísticos. 2. Aprendizaje no supervisado: Se basa en aprender a partir de patrones de entradas sin especificar valores de salidas. 3. Aprendizaje por refuerzo: Implica aprender a partir del refuerzo, donde la palabra "refuerzo" se refiere a la recompensa. Los modelos basados en probabilidades, como las redes bayesianas, son ampliamente utilizados en problemas de clasificación y aprendizaje. El clasificador bayesiano ingenuo (CBS) es un modelo probabilístico simple utilizado en aplicaciones como reconocimiento de voz, reconocimiento del habla y procesamiento de imágenes. Este clasificador se basa en el teorema de Bayes y asume independencia total entre variables, aunque puede operar adecuadamente incluso cuando esta condición no se cumple completamente. Una extensión del CBS es el Clasificador Bayesiano Simple Dinámico (CBSD), diseñado para clasificar procesos dinámicos con relaciones temporales. El CBS utiliza el teorema de Bayes para establecer un modelo causa-efecto basado en probabilidad. La fórmula del teorema de Bayes se presenta como una expresión que calcula la probabilidad condicional de una causa dada la observación de un efecto. En casos con múltiples efectos independientes, la expresión se simplifica considerando la independencia y se reescribe para facilitar el cálculo. Descargado por Gabriel Rodriguez ([email protected]) lOMoARcPSD|5093609 El método destaca por su facilidad y rapidez en la predicción de clases, especialmente en problemas de clasificación binaria y multiclase. Funciona bien cuando se presume la independencia entre indicadores y supera a otros modelos con menos datos de entrenamiento. Además, la estimación de parámetros requerida para la clasificación se realiza de manera eficiente, incluso con cantidades mínimas de datos de entrenamiento. El desarrollo de métodos de aprendizaje basados en probabilidades se centra en la definición de parámetros con datos completos, lo que implica encontrar los valores numéricos para un modelo probabilístico con estructura predefinida. La tarea de aprendizaje de parámetros se simplifica cuando los datos son completos, es decir, cuando se tienen valores para cada variable del modelo. El aprendizaje por refuerzo es un tipo de aprendizaje en el cual un agente en un entorno dado busca identificar las acciones apropiadas para maximizar la recompensa. Este enfoque, inspirado en la corriente conductista de la psicología, tiene aplicaciones en diversas disciplinas como la teoría de control, la teoría de juegos y la optimización basada en la simulación, entre otras. En el aprendizaje por refuerzo, un agente pasivo tiene una política fija y debe aprender las utilidades de los estados o pares estados-acción. La utilidad de cada estado se calcula considerando su recompensa más la utilidad esperada de sus sucesores. En contraste, un agente activo debe decidir qué acciones tomar y aprender el modelo completo con salidas probabilísticas para todas las acciones. En este caso, encontrar un equilibrio entre la explotación para maximizar la recompensa y la exploración para un buen desempeño a largo plazo es crucial. La pregunta sobre la existencia de una política de exploración óptima es compleja y ha sido extensamente estudiada sin una respuesta rápida y sin condiciones claras. Hasta ahora, se ha considerado que las funciones aprendidas por los agentes son presentadas en forma tabular, con un valor de salida para cada combinación de entrada. Este enfoque es efectivo en espacios de estados de tamaño moderado, pero el tiempo de convergencia aumenta significativamente a medida que el espacio de estados crece. Esto no presenta dificultades en problemas de complejidad estándar, pero resulta impracticable en casos más comunes, como en juegos como el ajedrez y el backgammon, donde los espacios de estados contienen entre 10^50 y 10^120 estados, haciendo irrealizable visitar cada estado para asegurar un buen rendimiento del agente. Para abordar estos casos, se ha demostrado que es conveniente utilizar la aproximación de funciones. La principal ventaja de esta técnica no radica en la demanda de menos espacio, sino en la capacidad del agente para generalizar estados no visitados a partir de estados ya explorados. En otras palabras, la aproximación de funciones permite una generalización inductiva sobre los espacios de entrada. Tesauro (1992) destaca esta potencia al afirmar que examinando solo uno de cada 10^44 posibles estados del backgammon, es factible aprender una función de utilidad que permite que un programa juegue tan bien como los humanos. Descargado por Gabriel Rodriguez ([email protected]) lOMoARcPSD|5093609 Sin embargo, se señala que no se descarta la posibilidad de que no exista una función que aproxime lo suficientemente bien la función de utilidad real. La primera aplicación significativa del aprendizaje por refuerzo fue en el programa de ajedrez desarrollado por Arthur Samuel a partir de 1959. Utilizó una función lineal ponderada para evaluar posiciones, marcando el inicio de la aplicación de la teoría del aprendizaje por refuerzo en juegos. A lo largo de los 64 años de la inteligencia artificial, esta aplicación ha estimulado líneas de investigación que progresaron en el desarrollo de técnicas de aprendizaje eficaces para diversos campos. Otro campo relevante es el control, ejemplificado por el problema del "péndulo invertido sobre base móvil". Este desafío ha generado más de 2000 artículos sobre aprendizaje por refuerzo y teoría de control. A diferencia de problemas anteriores, las variables de estado son continuas, mientras que las acciones son discretas. El primer trabajo sobre este problema fue presentado por Michie y Chambers (1968), logrando mantener el péndulo vertical por más de una hora. La aplicación actual ha equilibrado una base móvil con un péndulo invertido de tres segmentos, superando las capacidades humanas. Para abordar las redes semánticas y la lógica descriptiva, nos enfocaremos en el razonamiento argumentativo y lógico. En el razonamiento argumentativo, la actividad mental se equipara con la actividad lingüística de argumentar, donde un argumento se reconoce como la expresión lingüística de un razonamiento. Se destaca que el estudio de los argumentos pertenece al ámbito de la lógica. En el razonamiento lógico, a través de un proceso lógico y partiendo de uno o más juicios, se deriva la validez, es decir, la veracidad o falsedad de otro juicio distinto. Los juicios que fundamentan un razonamiento suelen expresar conocimientos ya adquiridos o ser considerados como hipótesis. Las redes semánticas, una forma de representación del conocimiento lingüístico, pueden visualizarse como árboles cuando NO tienen ciclos. Iniciadas por Peirce en 1909 como "grafos existenciales," las primeras redes semánticas se atribuyen a Quillian (1968) y Shapiro (1971), siendo un recurso reciente de representación. Estas redes, compuestas por elementos semánticos y relaciones, son eficaces para representar mapas conceptuales. Aunque ha habido debates entre defensores de la lógica y las redes semánticas, estas últimas son, de hecho, una forma de expresión lógica. Las redes semánticas, formalmente definidas como G = (V, A), donde V es un conjunto de términos y A es un conjunto de relaciones semánticas, tienen la capacidad de recuperar información y relacionar conceptos. Son ampliamente utilizadas en inteligencia artificial para representar conocimiento y recuperar información de grandes bases de datos. Descargado por Gabriel Rodriguez ([email protected]) lOMoARcPSD|5093609 Las variantes de redes semánticas comparten una notación gráfica común y elementos básicos, como estructuras de datos en nodos que representan conceptos y procedimientos de inferencia que operan sobre esas estructuras. Estas redes están fuertemente vinculadas a los procesos mentales y al lenguaje, como señala Chomsky, ya que el lenguaje permite conocer y comprender procesos mentales. Además, constituyen un recurso empírico de acceso a la organización cognitiva de los significados, reflejando la relación entre el lenguaje y las estructuras cognitivas. En resumen, las redes semánticas permiten representar relaciones entre conceptos, siendo un modelo cercano al cerebro humano que facilita el razonamiento y la adquisición de conocimiento. Sin embargo, hay precauciones, como evitar heredar propiedades que causen inconsistencias. Ventajas de las Redes Semánticas: 1. Permiten la declaración explícita de importantes asociaciones. 2. La conexión directa entre nodos relacionados reduce significativamente el tiempo de búsqueda de información. Desventajas de las Redes Semánticas: 1. Falta de una interpretación normalizada para el conocimiento expresado por la red, dependiendo exclusivamente de los programas que la manipulan. 2. La dificultad de interpretación puede derivar en inferencias inválidas del conocimiento contenido en la red. 3. La exploración de una red asociativa puede resultar en una explosión combinatoria del número de relaciones a examinar para comprobar una relación, especialmente si la respuesta a una consulta es negativa. 4. No hay una manera eficiente de insertar reglas heurísticas para explorar la red. Hoy en día, se las denomina "redes asociativas," ya que se utilizan no solo para representar relaciones semánticas, sino también para asociaciones físicas o causales entre conceptos u objetos. Descargado por Gabriel Rodriguez ([email protected]) lOMoARcPSD|5093609 La lógica descriptiva se refiere a descripciones de conceptos utilizadas para describir un dominio, así como a la semántica que establece una equivalencia entre las fórmulas de lógicas de descripción y expresiones en lógica de predicados de primer orden. Destaca por poner énfasis en la maleabilidad de la inferencia, resolviendo problemas mediante descripciones y su inclusión en categorías posibles de solución. Este enfoque es crucial para la inteligencia artificial, ya que complementa el aprendizaje al permitir la adaptación de este último a las necesidades del entorno operativo. El desarrollo de las redes neuronales en la inteligencia artificial tiene sus raíces en el estudio anatómico y neurológico del cerebro. Inspirados por la estructura del cerebro, Warren McCullock y Walter Pitts crearon el primer modelo formal de neuronas en 1943. Sin embargo, este modelo carecía de capacidad de aprendizaje. Alan Turing, en 1950, propuso el famoso "Test de Turing" y principios del aprendizaje automático. Frank Rosenblatt, en 1958, presentó el Perceptrón, un clasificador binario basado en la estructura de las neuronas. Aunque Minsky y Papert demostraron limitaciones en 1969, el interés en las redes neuronales se revitalizó en los años 80 con propuestas innovadoras de investigadores como John Hopfield. En los modelos neuronales artificiales, similares a los sistemas biológicos, las unidades neuronales organizadas en capas realizan operaciones con valores de entrada y pesos sinápticos para producir valores de salida. La función de activación, con un umbral, modifica el resultado antes de propagarse. Un sistema neuronal consta de unidades, arquitectura, dinámica de activaciones, modo de aprendizaje y entorno de operación. Las unidades son simples calculadoras con funciones de activación, y la arquitectura define la topología y conexiones. La dinámica de activación puede ser síncrona o asíncrona. El aprendizaje puede ser supervisado, no supervisado, híbrido o reforzado. El entorno de operación es específico para cada red, diseñada y entrenada para una actividad precisa. Además de los elementos mencionados en los modelos neuronales artificiales, se reconocen cuatro modos de aprendizaje: 1. Supervisado: - Se presenta a la red un conjunto de patrones de entrada con sus correspondientes salidas deseadas. - Los pesos sinápticos se ajustan durante el entrenamiento hasta que la salida de la red coincide con las salidas deseadas. Descargado por Gabriel Rodriguez ([email protected]) lOMoARcPSD|5093609 - Es útil para problemas en los que se dispone de datos etiquetados y se busca entrenar la red para reproducir comportamientos conocidos. 2. No supervisado o autoorganizado: - Solo se presenta a la red el conjunto de patrones de entrada sin salidas deseadas. - La red identifica regularidades, realiza agrupamientos (clustering) o estabiliza su salida en torno a ciertas condiciones de entrada. - Adecuado para descubrir patrones emergentes y estructuras subyacentes en los datos sin etiquetas. 3. Híbrido: - Combina elementos de los modos supervisado y no supervisado. - Puede aplicarse en diferentes capas de unidades en una misma red. - Proporciona flexibilidad para abordar problemas complejos y aprovechar la complementariedad de ambos enfoques. 4. Reforzado: - Se encuentra en un punto intermedio entre los modos supervisado y no supervisado. - La red recibe retroalimentación en función de un índice de rendimiento en lugar de salidas deseadas. - Adecuado para situaciones en las que no se dispone de datos de entrenamiento completamente etiquetados, y la red aprende mediante la exploración del entorno y la retroalimentación sobre su desempeño. Estos modos de aprendizaje definen cómo se ajustan los pesos sinápticos y, por lo tanto, cómo la red se adapta a las condiciones de entrada para producir salidas específicas. La elección del modo de aprendizaje depende del problema a resolver y de la disponibilidad de datos de entrenamiento etiquetados. LECTURA 3, REDES SIMPLES DE UNA CAPA Y MULTICAPA Descargado por Gabriel Rodriguez ([email protected]) lOMoARcPSD|5093609 Las redes neuronales artificiales de aprendizaje no supervisado, también llamadas autoorganizadas, se caracterizan por entrenarse sin salidas-objetivos asociadas a cada patrón de entrada. Durante el aprendizaje, la red descubre por sí misma rasgos comunes, regularidades o correlaciones entre los datos de entrada, incorporándolos a su estructura interna mediante modificaciones en los pesos sinápticos y umbrales, exclusivamente en respuesta a sus propias entradas. Dos tipos destacados son las redes de Kohonen, conocidas por sus mapas autoorganizados, y las redes de Hopfield, clasificadas como redes totalmente recurrentes. Estos modelos encuentran aplicaciones en el agrupamiento de patrones, búsqueda e identificación de imágenes, reconocimiento de voz, optimización y resolución de problemas combinatorios. La red autoasociativa más característica es la de Hopfield, presentada por John Hopfield en 1982 para modelar el comportamiento de la mente humana, destacando su realimentación total de las salidas hacia las entradas. Con una única capa de células simétricas, la red de Hopfield es recurrente, logrando un estado de equilibrio en el que salida y entrada coinciden. Características adicionales incluyen la capacidad de memoria asociativa direccionable por contenido, unidades biestables, cálculo matricial de pesos, tolerancia a errores y ajuste de pesos para representar patrones deseados. El procedimiento de almacenamiento de imágenes implica establecer la dimensión, calcular los pesos sinápticos a partir de los patrones, incorporar sucesivas imágenes y enfrentar una limitación de cantidad. En la recuperación, se expone una parte de los datos de la imagen deseada, desarrollándose ajustes sucesivos hasta que la salida se estabiliza. Para un funcionamiento eficaz, la red debe ser globalmente estable y cumplir condiciones específicas, como simetría y definición positiva de la matriz de pesos. La cantidad de patrones almacenables depende de la forma de entrenamiento. LECTURA 4, APRENDIZAJE DE LA RED? MODELO HOPFIELD Descargado por Gabriel Rodriguez ([email protected]) lOMoARcPSD|5093609 MODULO 4 El módulo 1 comenzó con la idea de Hans Moravec sobre la posibilidad de que robots inteligentes sustituyan a los humanos en la evolución de las especies. Se destacó la relación entre robótica e inteligencia artificial desde los inicios de ambas disciplinas, y se exploraron los antecedentes históricos del concepto de robot desde la literatura y el cine. 1. El término "robot" proviene de la obra de Karel Capek en 1921 y se consolidó en la ciencia ficción de Isaac Asimov en los años 40. 2. La robótica, como vertiente antigua de la inteligencia artificial, abarca sistemas automáticos de complejidad variada. 3. La literatura y el cine han anticipado avances tecnológicos, a menudo considerados fantasiosos en su tiempo. 4. La robótica, tanto en la teoría de la computación como en la electromecánica, tiene vínculos con los trabajos conceptuales de Turing y Von Neumann. 5. En 1954, George Devol patentó el brazo de robot programable, y en 1961, se implementó el primer robot industrial en General Motors. 6. La robótica y la inteligencia artificial tuvieron caminos paralelos, pero las universidades influyeron en los diseños cuando hubo reducción de costos, avances en visión artificial y nuevas fuentes de financiamiento. 7. En 1969, se construyó Shakey, el primer robot móvil controlado por programas con razonamiento, marcando avances teóricos pero mostrando limitaciones. 8. La robótica ha experimentado una proliferación de artefactos sofisticados, especialmente diseñados para la exploración espacial. 9. La robótica fusiona la mecánica y la inteligencia artificial, evidenciando su propia identidad e historia en el estudio detallado. Descargado por Gabriel Rodriguez ([email protected]) lOMoARcPSD|5093609 Definiciones clave y clasificaciones en robótica: 1. Robot: Dispositivo electromecánico que puede percibir señales del entorno y actuar según pautas preestablecidas o su propio criterio. 2. Robótica: Disciplina que abarca el estudio, diseño, construcción y operación de robots. 3. Androide: Robot con apariencia, movimientos y algunas funciones humanas, con locomoción bípeda. 4. Autómata: Máquina programable capaz de realizar operaciones de manera autónoma y reemplazar a los humanos en algunas tareas. 5. Sensor: Interfaz que reconoce y mide señales específicas del entorno, como luz, sonido, temperatura, etc. 6. Sensores activos: Proporcionan energía y reciben señales emitidas, ejemplos incluyen barreras ópticas, láser y ultrasonido. 7. Sensores pasivos: Observan y capturan información, como nivel sonoro, desplazamiento o imágenes. 8. Estímulo: Señal externa percibida a través de sensores, afectando el comportamiento del robot. 9. Percepción: Capacidad de interpretar estímulos, principalmente a través de la visión y audición en robótica. 10. Acción: Manifestación que resulta en movimiento, cambio de estado o situación, aplicando energía al entorno. 11. Actuador: Dispositivo que ejecuta una acción de control basada en la percepción. 12. Efector: Dispositivo físico controlado por un actuador para aplicar acciones sobre el entorno. 13. Grados de libertad: Cantidad mínima de parámetros independientes necesarios para determinar posición y orientación de un objeto en el espacio. Descargado por Gabriel Rodriguez ([email protected]) lOMoARcPSD|5093609 Definiciones y clasificaciones en robótica avanzada: Configuraciones de Robots: 1. Robot Holonómico: - Grados de libertad efectivos = Grados de libertad controlados. - Ejemplo común en brazos manipuladores. 2. Robot No Holonómico: - Grados de libertad efectivos > Grados de libertad controlados. - Mayormente aplicado a robots móviles. 3. Control de Dirección Diferencial: - Aplicable a vehículos que controlan las velocidades de las ruedas de manera independiente para cambiar la dirección. 4. Estabilidad Estática: - Capacidad del robot para permanecer en equilibrio sin movimiento. 5. Estabilidad Dinámica: - Capacidad del robot para mantener el equilibrio mientras se desplaza. 6. Categorías de Robots: - Manipuladores: Brazos robotizados en un punto fijo. - Robots Móviles: Con capacidad de desplazamiento, generalmente con ruedas. - Robots Humanoides: Equipados con manipuladores y capacidad de desplazamiento. 7. Generaciones de Robots: - 1.ª Generación: Rudimentarios mecánica y controladamente. Descargado por Gabriel Rodriguez ([email protected]) lOMoARcPSD|5093609 - 2.ª Generación: Mayor perfección mecánica y de control, coordinación de movimientos precisa. - 3.ª Generación: Añaden capacidad limitada de percepción del entorno. - 4.ª Generación: Mejora percepción, capacidad de planificación o razonamiento. - 5.ª Generación: Androides con conductas inteligentes, aprendizaje y razonamiento. 8. Clasificación IFR (AFRI): - 1. Manipulador o comando remoto. - 2. Manipulador automático con ciclos preajustados. - 3. Dispositivo programable con trayectoria continua o "punto a punto". - 4. Dispositivo con percepción del entorno y capacidad de ajustar su conducta. 9. Tipos de Percepción: - Visión y Audición. 10. Clasificación de la Visión: - Señales (Tipo 1) e Imágenes (Tipo 2). - Desde identificación de presencia luminosa hasta comprensión de imágenes. 11. Clasificación de Imágenes: - Tipo de representación (vectorial o matriz de puntos). - Dimensiones (2D o 3D). - Color (B&W o color) con resolución cromática definida. - Representación de almacenamiento. 12. Clasificación de la Audición: - Reconocimiento de señales (Tipo 1) y Reconocimiento del habla (Tipo 2). - Niveles desde identificación de presencia sonora hasta interpretación en tiempo real. 13. Tipos de Acción: - Navegación y Manipulación. 14. Capacidad de Desplazamiento: Descargado por Gabriel Rodriguez ([email protected]) lOMoARcPSD|5093609 - Dirección diferencial, conducción sincronizada, locomoción bípeda, zoomórficos caminadores, zoomórficos no caminadores. 15. Tipos de Navegación: - Puntual (trayectoria) y Dimensional (posicional). 16. Tipos de Manipulación: - Insensible y Sensible. 17. Requerimientos de la Manipulación: - Trayectorias prescriptas, coordinación de movimientos, posicionamiento preciso, sujeción con esfuerzo apropiado. El uso de robots experimenta un continuo crecimiento en diversos campos como la industria, el comercio, el ámbito militar y médico. Su aceptación se fundamenta en la capacidad de realizar tareas con mayor precisión, a menores costos o en entornos inadecuados para los humanos. Actualmente, los robots desempeñan funciones en plantas de manufactura, ensamblaje, embalaje, transporte, laboratorios, ámbito militar, ámbito médico y producción masiva. Los escenarios favorables para los robots incluyen lugares inaccesibles o peligrosos para los humanos, como profundidades marinas, el espacio y áreas contaminadas. Las tres categorías principales son: 1. Robots Manipuladores o Poliarticulados: - Brazos robotizados operando en un punto fijo. - Variantes en grados de libertad, dimensiones y precisión. - Aplicaciones desde cirugía médica hasta ensamblaje en líneas de producción. 2. Robots Móviles: - Capacidad de desplazamiento, comúnmente con ruedas. - Variantes incluyen robots móviles con manipulador (híbridos). - Aplicaciones en transporte de materiales o en entornos hostiles para el ser humano. 3. Humanoides: - Robots móviles con manipuladores, también llamados androides. - Variantes en características humanas, comunicación, percepción y habilidades. - Aplicaciones abarcan actividades físicas e intelectuales, reemplazando al ser humano. Descargado por Gabriel Rodriguez ([email protected]) lOMoARcPSD|5093609 La selección adecuada de un robot requiere una especificación detallada de los requisitos funcionales y no funcionales, derivados de los servicios que debe brindar y las prestaciones esperadas, así como el tipo de actividad a desempeñar. En este módulo sobre robótica, se destaca la interrelación entre dos disciplinas, la mecánica y la inteligencia artificial, ambas fundamentales para el desarrollo de robots con aplicaciones prácticas. Se propone una búsqueda en la web sobre "Robótica educativa," "Robot Battle," o "Real Time Battle" para obtener una perspectiva diferente. Desafío y consignas: 1. Ensayar una definición propia de robot. - Proporcionar una definición personal de lo que significa un robot, considerando sus aspectos mecánicos e inteligencia artificial. 2. Identificar tres términos esclarecedores (excluyendo la definición presentada de robot). - Seleccionar tres términos del material proporcionado que se consideren más claros y fundamentales para comprender la robótica. 3. Identificar tres clasificaciones vinculadas a robots que se consideren necesarias y esclarecedoras. - Elegir tres clasificaciones relacionadas con robots que se perciban como esenciales para comprender y categorizar los diferentes tipos de robots. 4. Asociar niveles de inteligencia de los robots con los modelos de agentes de Russell y Nilsson según la clasificación de generaciones. - Relacionar los niveles de inteligencia de los robots, según la clasificación por generaciones, con los modelos de agentes presentados por Russell y Nilsson. 5. Identificar las capacidades de percepción y acción esenciales para la interacción mínima de un robot con los seres humanos. Descargado por Gabriel Rodriguez ([email protected]) lOMoARcPSD|5093609 - Seleccionar las capacidades de percepción y acción que se consideren esenciales para que un robot pueda interactuar de manera mínima con los seres humanos. La lectura aborda conceptos fundamentales en la mecánica de robots, en particular, cinemática y dinámica de mecanismos, junto con sus clasificaciones. A continuación, se presentan algunos términos clave: - Cinemática: Ciencia que estudia el movimiento sin considerar las fuerzas involucradas, abordando posiciones, velocidad, aceleración y sus derivadas respecto al tiempo. - Manipulador: Brazo conformado por vínculos casi rígidos conectados por articulaciones, base de los brazos robotizados. - Cinemática directa: Resuelve el movimiento final de un manipulador a partir de ángulos girados por sus articulaciones. - Cinemática inversa: Determina las rotaciones necesarias en las articulaciones para lograr una posición y orientación final deseada. - Punto operacional: Punto final del manipulador relevante para la función específica del robot. - Trayectoria: Lugar geométrico de posiciones alcanzadas por el punto operacional al realizar rotaciones en el espacio de articulaciones. - Dinámica: Ciencia que aborda las fuerzas necesarias para provocar movimientos, considerando fuerzas gravitatorias y de inercia. - Torque: Fuerza aplicada a cierta distancia de un eje, también conocido como momento. - Coordenadas: Conjunto ordenado de tres valores que define un punto en el espacio, adoptando un sistema de coordenadas cartesianas ortogonales. Descargado por Gabriel Rodriguez ([email protected]) lOMoARcPSD|5093609 - Posición: Ubicación de un punto en el espacio definida por tres coordenadas, reunidas en un vector posición. - Orientación: Requiere la posición de un punto y la orientación de tres ejes ortogonales asociados al sólido, expresados mediante cosenos directores. - Trama: Posición y orientación completas del extremo operativo de un manipulador. - Transformada homogénea: Matriz de orden 4 que incluye información de posición y orientación, funcionando como un operador de transformación. Además, se destaca la relación entre la mecánica del robot y sus requerimientos de desempeño, clasificándolos en robots preprogramados, con aprendizaje y autónomos, cada uno con diferentes enfoques de cinemática directa e inversa. LECTURA 2, ANALISIS CINEMATICO, ESTUDIO DE UN MANIPULADOR La cinemática, esencial en la robótica, forma la base de la manipulación y, en menor medida, de la navegación. Ambas capacidades, manipulación y navegación, implican la capacidad de acción física de un robot. La complejidad cinemática no está ligada al nivel de autonomía del robot. La robótica clásica planifica trayectorias y recorridos con anticipación para cumplir con requisitos clave: rapidez, confiabilidad y precisión. Aunque la mayoría de los robots son autómatas y operan según trayectorias predefinidas, existen excepciones. En entornos desconocidos o no estructurados, como fondos marinos o superficies desérticas, la incertidumbre dificulta la planificación anticipada. La incertidumbre también convierte tareas triviales en desafíos complejos. Los avances en robots humanoides, física e intelectualmente cercanos a los humanos, se deben al conocimiento consolidado en el desarrollo de robots manipuladores y móviles. Estos humanoides representan la culminación de la experiencia robótica. El desafío futuro plantea la convivencia humana con una variedad de robots, un tema que ha sido anticipado en la cultura y ahora se vuelve una realidad creciente. La reflexión sobre este cambio en la interacción humano-robot se presenta como un llamado a la reflexión. Los interrogantes planteados buscan estimular la reflexión del estudiante sobre el impacto de los robots en la sociedad y su evolución futura, con la sugerencia de consultar capítulos específicos en el libro de Russell para una mayor comprensión del tema. La percepción del entorno es esencial para la supervivencia, y los seres vivos han desarrollado sistemas sensoriales complejos a lo largo de millones de años. El cerebro Descargado por Gabriel Rodriguez ([email protected]) lOMoARcPSD|5093609 desempeña un papel crucial en procesar, relacionar y evaluar rápidamente los datos sensoriales para contribuir a la supervivencia. En la evolución, los seres vivos especializaron y perfeccionaron sus sentidos según su entorno y función, adaptándolos para contribuir a su supervivencia. Para los androides o robots humanoides, se propone dotarlos de sistemas sensoriales equivalentes a su función y capacidad de interacción con los humanos. La eficiencia en el procesamiento de la información sensorial implica un proceso de clasificación, donde se destacan las señales importantes y se descartan datos irrelevantes. La capacidad de distinguir lo útil de lo redundante es esencial, ya que la naturaleza solo conserva ejemplos exitosos. La percepción en seres vivos abarca diversas señales, como visión aguda, distinción cromática, señales eléctricas, audición fina (incluido el ultrasonido), olfato, velocidad y sensibilidad térmica. Aunque hay varias modalidades sensoriales, se enfoca en la visión debido a su importancia en la interacción ágil y natural entre humanos y máquinas. Este enfoque introductorio destaca la relevancia y posibilidades de la visión en la interacción hombre-máquina. La visión artificial, aunque con raíces en los años 50, experimentó un desarrollo práctico en los años 80 con aplicaciones industriales. La disciplina, influenciada por modelos neuronales, tiene tres aplicaciones clave: procesamiento y análisis de imágenes, generación de gráficos y reconocimiento de patrones. En las aplicaciones basadas en visión por computadora, se reconocen dos etapas y siete actividades. La información inicial sobre el problema por resolver es esencial y se perfecciona en cada actividad realizada. Las tres primeras actividades, de "bajo nivel", buscan seleccionar y procesar la imagen para definir características del problema. Las cuatro actividades restantes, de "alto nivel" o "análisis de imágenes", avanzan en la abstracción de las descripciones, enfocándose en el análisis de formas, reconocimiento y descripción de objetos. Las siete actividades son: 1. Adquisición de la imagen: Involucra fuente de luz, sensor de imagen y módulo de captura de la imagen. 2. Preprocesamiento: Corrige problemas de variaciones de intensidad, ruido o imágenes de bajo contraste. 3. Extracción de características: Detecta elementos presentes, como bordes, líneas, esquinas, texturas y movimientos. Descargado por Gabriel Rodriguez ([email protected]) lOMoARcPSD|5093609 4. Segmentación: Aísla o separa los objetos de interés de la escena. 5. Transformaciones morfológicas: Modifica la estructura o forma de los objetos, eliminando ruido. 6. Descripción de objetos: Proporciona valores numéricos para describir objetos identificados. 7. Reconocimiento o clasificación: Utiliza características para determinar qué objetos están presentes en la imagen mediante reconocimiento estadístico y funciones discriminantes. LECTURA 3, VISION ARTIFICIAL La navegación en robótica se refiere a la habilidad de guiar un vehículo a través de un entorno con obstáculos, con el objetivo de llegar a su destino de manera segura y eficiente. Según Martínez (1995), las tareas involucradas en la operación de un robot móvil se dividen en cuatro: 1. Planificación de trayectoria: Implica crear una ruta libre de obstáculos desde la posición inicial hasta el punto de destino, tomando decisiones estratégicas y describiendo la tarea utilizando el modelo o mapa del entorno. 2. Percepción del entorno: Utiliza datos de sensores externos para crear y actualizar un mapa o modelo del entorno donde se lleva a cabo la navegación. 3. Generación del camino: Se define una función continua que incluye la secuencia de objetivos parciales construida por el planificador, seguida de la discretización para generar el camino. 4. Seguimiento del camino: Basado en el camino generado y la posición actual, se define el movimiento del vehículo a través de los efectores, aplicando correcciones si son necesarias. Martínez (1995) destaca que la realización de una tarea de navegación para un robot móvil implica recorrer un camino desde una posición inicial hasta otra final, pasando por ciertas Descargado por Gabriel Rodriguez ([email protected]) lOMoARcPSD|5093609 posiciones intermedias, identificando cuatro etapas: planificación de ruta, generación del camino, percepción del entorno y seguimiento del camino. El seguidor de caminos en robótica se enfrenta a la complejidad de su operación, que puede variar según la consideración de imprevistos que deben ser resueltos durante la ejecución. En algunos casos, el seguidor de caminos también cumple la función de un módulo de planificación local, encargado de manejar novedades en el entorno durante la ejecución. Los métodos clásicos de planificación de caminos se basan en la construcción de un esquema sobre el espacio libre del entorno y la aplicación de algoritmos de búsqueda en el espacio de estados. A* es considerado el método más efectivo para esta tarea. Algunos métodos de la primera fase de planificación incluyen la planificación basada en grafos de visibilidad, la planificación basada en minimización de obstáculos (diagramas de Voronoi), la planificación basada en modelado del espacio libre, la planificación basada en descomposición en celdas y la planificación basada en campos potenciales. Después de la fase de planificación, se procede a la generación del camino, que se representa como una secuencia de comandos entregados al seguidor de caminos. Este camino se construye basándose en la ruta definida durante la planificación y debe estar libre de obstáculos, además de poseer cualidades que faciliten su ejecución por parte del seguidor de caminos. Un camino bien definido contribuye a que el seguidor pueda ejecutar la tarea de navegación con el menor error posible. El cierre de la lectura presenta la introducción de un trabajo realizado por Martin, Tucat y García (2004), quienes desarrollaron un equipo de fútbol de robots para competir en el campeonato mundial Robocup 2004. Los robots utilizan un sistema de visión global y dos motores para su desplazamiento. La experiencia destaca la importancia de minimizar errores en la percepción de objetos por parte del sistema de visión y en la ejecución de acciones utilizando los motores. Se mencionan problemas potenciales, como imperfecciones en el sistema de visión y variabilidad en la ejecución de acciones por parte de los robots. El desafío propuesto destaca la naturaleza polifacética de la robótica, que abarca una amplia gama de conocimientos respaldados por un fundamento matemático riguroso. Se reflexiona sobre la cantidad de conocimiento acumulado en el campo de la robótica y la brecha que aún existe para emular completamente las capacidades humanas. Se adelanta que la próxima y última lectura del curso abordará las arquitecturas del robot, los lenguajes de programación robóticos y los dominios de aplicación. La lectura aborda las arquitecturas de software en el contexto de la robótica, destacando la importancia de diseñar sistemas grandes y complejos que cumplan con exigencias de fiabilidad, eficiencia, calidad y facilidad de mantenimiento. Se enfoca en cómo las arquitecturas estabilizadas respaldadas por conocimiento y experiencia son fundamentales Descargado por Gabriel Rodriguez ([email protected]) lOMoARcPSD|5093609 en la ingeniería de software, especialmente en sistemas de control, embebidos o de tiempo real, y su aplicación en robótica. Las arquitecturas de software en robótica especifican la descomposición de los agentes en módulos que interactúan para lograr la funcionalidad deseada. Se presentan tres modelos arquitectónicos: deliberativos, reactivos y híbridos. Los deliberativos utilizan modelos simbólicos para la planificación, los reactivos se centran en entornos impredecibles sin razonamiento simbólico complejo, y los híbridos combinan aspectos de ambos. En robótica, la mayoría de las opciones arquitectónicas son híbridas, equilibrando el control reactivo y deliberativo para abordar problemas complejos. La identidad de cada propuesta radica en la combinación de estos extremos. La arquitectura de subsunción es presentada como una solución para robots que actúan en entornos impredecibles y altamente cambiantes. La necesidad de adaptarse rápidamente y replanificar dificulta la adopción de arquitecturas deliberativas. La arquitectura de subsunción se basa en la idea de autoorganización y propiedades emergentes, donde un sistema simple puede dar lugar a comportamientos complejos. Ejemplificada por los "anímatas" de Rodney Brooks, esta arquitectura opera mediante jerarquías de tareas de menor a mayor abstracción, definiendo un comportamiento reactivo. Brooks aboga por la reactividad directa basada en datos actuales y acciones sin necesidad de planificación a largo plazo. La arquitectura reactiva puede incluir relaciones entre acciones básicas, como compuertas AND o XOR, para decidir las acciones siguientes en función de la importancia de las funciones ejecutables en una situación dada. La arquitectura híbrida de tres capas combina elementos reactivos con deliberativos en la operación de robots. Las capas son: 1. Capa Reactiva: Encargada del control de bajo nivel, presenta un fuerte lazo de sensoracción con ciclos operativos muy cortos, del orden de milisegundos. 2. Capa Ejecutiva: Actúa como un puente entre las capas reactiva y deliberativa. Recibe directivas de la capa deliberativa y las transmite a la capa reactiva. También se encarga de incorporar la información de los sensores en un estado interno compartido con la capa deliberativa. Su ciclo operativo es del orden del segundo. 3. Capa Deliberativa: Genera soluciones globales para tareas complejas mediante la planificación. Toma decisiones a través de "modelos de decisión" e información del estado interno. Su ciclo operativo es de entre uno y varios minutos. El abordaje de los lenguajes de programación robóticos implica considerar los requisitos del programador y equilibrar la adopción de nuevos lenguajes con el conocimiento profundo de Descargado por Gabriel Rodriguez ([email protected]) lOMoARcPSD|5093609 estos. Los principales requisitos para un lenguaje de programación robótico incluyen ser compilable, expresivo, claro, combinar características de bajo y alto nivel, trabajar con temporizadores e interrupciones, ser independiente de recursos externos, tener capacidades visuales para interfaces gráficas, administrar proyectos y editar textos eficientemente, contar con un compilador efectivo y ofrecer buenas capacidades de debugging. Se plantea la dicotomía entre adoptar nuevos lenguajes y mantener un conocimiento profundo de estos, así como la elección entre el uso de componentes externos y el desarrollo de librerías propias. Ante estas consideraciones, surgen preguntas sobre la conveniencia de adoptar un nuevo lenguaje específico para la programación robótica, como CES o GRL, en comparación con la utilización de lenguajes más conocidos como C++. La robótica abarca una diversidad de aplicaciones en la actualidad, cubriendo distintos dominios de la actividad humana. Estos incluyen: 1. Industria: Inicialmente asociada a la Revolución Industrial, la robótica en la industria ha permitido aumentar la capacidad de trabajo, precisión y repetición de procedimientos, mejorando la producción y calidad, y reduciendo costos. 2. Agricultura: La robótica ha influido en el desarrollo de maquinaria agrícola, como excavadoras, sembradoras y cosechadoras, con el objetivo de aumentar la capacidad de producción y reducir la intervención humana. 3. Transporte: Desde dispositivos móviles en líneas de montaje hasta drones y vehículos aéreos, la robótica se aplica en diversas áreas del transporte, desde la carga y descarga en puertos hasta el traslado de pacientes. 4. Entornos peligrosos: La capacidad de reemplazar al ser humano en entornos peligrosos, tóxicos o radiactivos ha sido un argumento clave para la aplicación de la robótica, abarcando desde la desactivación de explosivos hasta la exploración en lugares inaccesibles. Descargado por Gabriel Rodriguez ([email protected]) lOMoARcPSD|5093609 5. Exploración: La robótica desempeña un papel crucial en la exploración espacial, con robots participando en misiones espaciales y móviles explorando la superficie de Marte. También se utiliza en la exploración submarina en ambientes inhóspitos. 6. Salud: Los robots de precisión son parte integral de equipos de cirugía, asistiendo y, en algunos casos, realizando intervenciones de alta precisión en áreas como el cerebro, ojos y corazón. 7. Prótesis humanas: Los robots se utilizan en diversas prótesis humanas, proporcionando soluciones completas y eficaces para mejorar la movilidad y salud de las personas. 8. Entretenimiento: La presencia de robots en juguetes y entretenimientos ha aumentado, destacando la sofisticación en diversas formas de entretenimiento. 9. Servicios personales: Los robots de servicios desempeñan roles colaborativos en tareas personales tanto en entornos empresariales como domésticos. 10. Educación: La robótica se ha incorporado en la educación, tanto como herramienta didáctica para el aprendizaje de diversos temas como un área de estudio por sí misma, fomentando la programación de estos dispositivos como parte de la formación informática. Al concluir las dieciséis lecturas del curso, se aborda brevemente el tema de los principios éticos de la inteligencia artificial desde dos perspectivas: la conducta ética de los seres humanos al diseñar y tratar con máquinas inteligentes, y el comportamiento ético de las propias máquinas al operar de manera autónoma. Este enfoque se integra en la rama emergente de la ética conocida como "roboética". El tema de la ética en la inteligencia artificial genera creciente preocupación, especialmente en relación con la posibilidad de que las máquinas, al aprender de los humanos, desarrollen "debilidades" humanas o que evolucionen indefinidamente mejorándose a sí mismas. La Unión Europea ha delineado siete principios éticos para la inteligencia artificial en un documento de abril de 2019: 1. Supervisión humana de la inteligencia artificial. 2. Resistencia y preparación para ataques externos en sistemas de inteligencia artificial. 3. Garantía de integridad y privacidad de los datos. Descargado por Gabriel Rodriguez ([email protected]) lOMoARcPSD|5093609 4. Transparencia en el rendimiento de la inteligencia artificial y la identificación clara de su naturaleza. 5. Ausencia de sesgos discriminatorios en la inteligencia artificial. 6. Consideración del impacto social y medioambiental, sostenibilidad y responsabilidad ecológica en el desarrollo tecnológico. 7. Rendición de cuentas de la inteligencia artificial y sus resultados ante auditores internos y externos. El curso, introductorio pero diverso en disciplinas y aplicaciones, destaca la inteligencia artificial como un campo vasto para la investigación y la actividad profesional. Se subraya que la inteligencia artificial puede ser tanto un fin en sí misma como un medio para mejorar el rendimiento en otras áreas, brindando ventajas estratégicas en el ámbito laboral para aquellos que la comprendan y aprovechen adecuadamente. La inteligencia artificial es un campo de estudio fascinante y multidisciplinario que abarca una amplia gama de temas, desde algoritmos de aprendizaje automático hasta arquitecturas de software y ética en la robótica. Al explorar los fundamentos de la inteligencia artificial, es crucial comprender la naturaleza de los sistemas de percepción y toma de decisiones, especialmente en el contexto de robots y vehículos autónomos. Uno de los aspectos esenciales en el estudio de la inteligencia artificial es el diseño de algoritmos de aprendizaje automático que permiten a las máquinas mejorar su rendimiento a través de la experiencia. Estos algoritmos se basan en modelos matemáticos complejos y técnicas estadísticas para analizar datos y realizar predicciones. Un método destacado en este campo es el algoritmo A*, ampliamente utilizado en la planificación de rutas para vehículos autónomos. Este algoritmo demuestra ser eficaz en la generación de caminos óptimos al considerar factores como la distancia y la complejidad del entorno. Descargado por Gabriel Rodriguez ([email protected]) lOMoARcPSD|5093609 La complejidad de los sistemas de inteligencia artificial, especialmente en el contexto de vehículos autónomos, resalta la importancia de la planificación local. Aquí, la capacidad de los robots para adaptarse a imprevistos en tiempo real se vuelve crucial. Métodos clásicos de planificación, como la planificación basada en grafos de visibilidad o la minimización de obstáculos, proporcionan la base para construir esquemas sobre el espacio libre y definir rutas efectivas. Una vez completada la fase de planificación, la generación del camino se convierte en una tarea clave. Los caminos deben ser no solo libres de obstáculos, sino también poseer ciertas cualidades que faciliten su ejecución por parte de los seguidores de caminos. La importancia de definir un camino con buenas propiedades radica en mejorar las posibilidades de ejecución con el menor error posible. El campo de la robótica también se nutre de experiencias prácticas, como el desarrollo de equipos de fútbol de robots que compiten en eventos como el Robocup. Los desafíos encontrados, desde la percepción de objetos hasta problemas en la ejecución de acciones básicas, resaltan la complejidad y la necesidad de abordar situaciones impredecibles. En el ámbito de las arquitecturas de software, se busca diseñar sistemas robustos que cumplan con exigencias severas de fiabilidad, eficiencia y facilidad de mantenimiento. La combinación de control reactivo y deliberativo en arquitecturas híbridas se presenta como una solución común, donde la planificación global y el control de bajo nivel interactúan para lograr la funcionalidad requerida. Descargado por Gabriel Rodriguez ([email protected])