9. Robótica

Modelos de inteligencia artificial

Introducción

• La robótica es una rama de la tecnología dedicada al diseño y la construcción de robots.
• Los robots permiten a nuestros modelos de inteligencia artificial interactuar con el mundo real.
• La robótica es una disciplina multidisciplinar que combina conocimientos de ingeniería, informática, matemáticas, física, biología, etc.

Robots

• Un robot es un dispositivo programable que realiza tareas manipulando su entorno.
• Para ello, los robots utilizan actuadores para interactuar con el mundo real.
• Los cambios pueden ser físicos (mover objetos) o digitales (enviar información).

Sensores

• Los sensores son dispositivos que permiten a los robots percibir su entorno.
• Hay muchos tipos de sensores. Los grupos más importantes son:
  • Medir el estado del entorno: cámaras, radares, ultrasonidos, etc.
  • Medir el estado del robot: acelerómetros, giroscopios, encoders, etc.

Operaciones

• Para maximizar su eficiencia, los robots deben ser capaces de tomar decisiones.
• Las decisiones pueden ser simples (moverse hacia un objetivo) o complejas (conducir un coche), siempre con el objetivo de realizar una tarea.
• Podemos reducirlo a un problema de optimización: aplicar las fuerzas adecuadas para maximizar el objetivo.
• Problema: ¿cómo hacerlo de manera eficiente?

Entorno

• En los problemas de optimización que hemos visto hasta ahora, el entorno era virtual, observable y determinista.
• En el mundo real, el entorno es no observable, no determinista y no estático.
• Esto hace que los problemas de robótica sean mucho más complicados que los problemas de optimización tradicionales.
• También se dificulta el aprendizaje: no se puede retroceder en el tiempo para probar distintas acciones ni acelerarlo.

Inteligencia artificial

• Todo lo que hemos visto hasta ahora nos lleva a que la robótica integra muchos conceptos estudiados durante el curso.
• Algunos de los conceptos estudiados encuentran en la robótica una aplicación práctica. Por ejemplo, los robots autónomos utilizan redes neuronales para procesar la información de los sensores y tomar decisiones.
• Otros conceptos se verán ampliados: por ejemplo, los algoritmos de optimización deben adaptarse para funcionar en entornos no deterministas.

Hardware de robótica

• Hasta ahora hemos supuesto que la forma de interactuar con el mundo real era a través de la pantalla.
• Con la robótica, esta interacción se realiza mediante sensores y actuadores.
• No solo podemos programar el comportamiento del robot: también debemos diseñar el hardware que nos permitirá interactuar con el mundo real.
• La selección de sensores y actuadores determinará cómo funcionará en las tareas que deberá realizar.

Tipos de robots según su hardware

• Robots antropomórficos: imitan la forma humana. También se conocen como robots humanoides. Son los más populares, pero también muy complejos y costosos.
• Brazos robóticos: pueden mover objetos. También se conocen como robots manipuladores. Son los más comunes, especialmente en la industria.
• Robots móviles: pueden desplazarse por su entorno. Pueden ser terrestres, acuáticos o aéreos. Son los más comunes en robótica autónoma.

Tipos de sensores

• Activos: emiten una señal y miden la respuesta. Suelen utilizarse para medir distancias.
  • Necesitan una fuente de energía. Son más precisos, pero también más caros y complejos.
  • radares, ultrasonidos.
• Pasivos: miden la radiación que reciben. Suelen utilizarse para medir la luz o el sonido.
  • No necesitan una fuente de energía. Son económicos y fáciles de utilizar.
  • cámaras, micrófonos.

Sensores de distancia

Permiten a los robots medir la distancia a los objetos.

• Ultrasonidos: emiten ondas sonoras y miden el tiempo que tarda en recibirse el eco. Son versátiles y económicos.
• Radares: emiten ondas electromagnéticas y miden el tiempo que tarda en recibirse el reflejo. Se utilizan mucho en robots aéreos.
• LIDAR: utiliza láser para medir con gran precisión la distancia a los objetos. Se emplea mucho en vehículos autónomos terrestres.

LIDAR

Sensores de localización

Permiten a los robots conocer su posición en el entorno.

• GPS: permite a los robots conocer su posición en un mapa. Sus equivalentes ruso y chino son GLONASS y BeiDou. Solo funciona al aire libre.
• Balizas: emiten una señal que permite a los robots conocer su posición en un espacio conocido. Se utilizan mucho en robótica de interiores.
• Wi-Fi: la intensidad de la señal permite sustituir a las balizas en entornos con cobertura.

Propiocepción

Es la capacidad de los robots para conocer su posición y orientación en el espacio.

• Sensores inerciales: acelerómetros y giroscopios que permiten a los robots conocer su orientación.
• Encoders: permiten a los robots conocer su posición en un eje.
• Odometría: permite a los robots conocer su posición en un plano. Utiliza encoders y giroscopios.
• SLAM: permite a los robots conocer su posición en un entorno desconocido. Utiliza cámaras y LIDAR.

Otros

• Sensores de temperatura, humedad, presión, etc.: permiten medir variables ambientales.
• Sensores de fuerza: permiten medir la fuerza que ejercen.
• Sensores de color: permiten medir el color de los objetos.
• Sensores de luz: permiten medir la luz ambiental.
• Sensores de sonido: permiten medir el sonido ambiental.

Actuadores

• Los actuadores son los componentes que permiten al robot moverse e interactuar con su entorno. Los más comunes son:
  • Servomotores: permiten moverse en un eje. Se utilizan mucho en robots manipuladores.
  • Motores de corriente continua (DC): permiten moverse en un eje. Se utilizan mucho en robots móviles.
  • Motores paso a paso: permiten moverse en un eje con gran precisión.
  • Actuadores hidráulicos: permiten mover cargas con mucha fuerza. Se utilizan mucho en robots industriales.

Programación de robots

• La programación de robots es mucho más compleja que la programación de software tradicional.
• Como no conocemos por completo el estado del entorno, debemos plantear las tareas del robot como un problema de optimización y buscar la mejor secuencia de acciones para alcanzar un objetivo.
• Veremos cómo aplicar a la robótica los conceptos de programación e inteligencia artificial estudiados hasta ahora.

Percepción

• La percepción es la capacidad del robot para percibir su entorno.
  • Consiste en convertir los datos de los sensores en una representación interna.
• Es un problema complejo, porque los sensores pueden ser muy ruidosos e inexactos.
  • Necesitamos filtrar y procesar los datos de los sensores para obtener una representación fiable del entorno.
  • Tendremos que construir un modelo del entorno completo, fácil de actualizar y eficiente.

Localización

• Localización: determinar la posición de los objetos (incluido el robot) en el entorno.
• Incluso en entornos conocidos, localizarse es complejo porque los sensores pueden ser muy inexactos.
• A partir de una posición inicial y de las acciones realizadas, la posición final del robot se representa mediante una distribución de probabilidad.
  • Monte Carlo Localization (MCL) vs Extended Kalman Filter (KF): MCL es más preciso, pero más lento. EKF es más rápido, pero menos preciso.
  • Ambos se basan en la teoría de la probabilidad.

Mapeo

• Mapeo: construir un mapa del entorno a partir de los datos de los sensores.
• Es un problema complejo: es difícil localizarse sin un mapa, pero también construir un mapa sin saber dónde se está.
• Simultaneous Localization and Mapping (SLAM): resolver simultáneamente los problemas de localización y mapeo.
  • SLAM visual: utiliza cámaras para localizarse y construir un mapa.
  • SLAM con LIDAR: utiliza LIDAR para localizarse y construir un mapa.

Otros tipos de percepción

• En robótica también son importantes otros tipos de percepción, como la temperatura, la luz o el olor.
• Percibir variables ambientales es importante en muchas tareas robóticas.
• Por ejemplo, un robot que limpia una habitación necesita detectar la suciedad.
• Este tipo de percepción puede realizarse con sensores especializados.
• Podemos aplicar un enfoque similar al de la percepción visual o un enfoque reactivo.

Comportamiento reactivo

• Los robots reactivos toman decisiones basadas en los datos de los sensores en tiempo real.
• Es una estrategia sencilla, pero eficaz para muchas tareas robóticas.
• Los robots reactivos son rápidos y eficientes, pero no siempre pueden resolver tareas complejas.
• Podemos combinar los robots reactivos con otras estrategias para resolver tareas más complejas.
• El ejemplo más sencillo es el de los vehículos de Braitenberg.

Vehículos de Braitenberg

• Valentino Braitenberg propuso un modelo sencillo de vehículos autónomos que muestran comportamientos sorprendentes.
• Los vehículos de Braitenberg tienen sensores y actuadores que siguen reglas sencillas. Normalmente conectan directamente los sensores con los actuadores.
• Muestran comportamientos complejos, como seguir la luz o evitar obstáculos.
• Son representativos de la robótica BEAM (Biology, Electronics, Aesthetics, Mechanics).

Seguimiento de líneas

• El seguimiento de líneas es una tarea habitual en robótica móvil.
• Consiste en seguir una línea en el suelo utilizando sensores infrarrojos o cámaras.
• Los robots seguidores de líneas utilizan un algoritmo sencillo para determinar en qué dirección deben moverse.
• En su forma más sencilla, el robot gira hacia la línea cuando la detecta y corrige su trayectoria cuando la pierde.

Máquinas de estados finitos

• Las máquinas de estados finitos son una herramienta muy útil para programar robots.

  • Suponen un paso más que los robots reactivos en complejidad y flexibilidad.

• Modelo matemático que describe el comportamiento de un sistema como una serie de estados y transiciones, donde cada estado representa una situación en la que puede encontrarse

• Robots reactivos: las decisiones se toman según el estado actual.

• FSM: en función de las entradas actuales y del estado en el que se encuentra el robot.

Ejemplo de máquina de estados finitos (I)

• Un ejemplo sencillo de uso de una máquina de estados finitos es buscar un objetivo.

• En este caso, hay cuatro estados:

  • Izquierda: el robot gira a la izquierda mientras busca el objetivo.
  • Derecha: el robot gira a la derecha mientras busca el objetivo.
  • Adelante: el robot avanza.
  • Objetivo: el robot ha encontrado el objetivo y se detiene.

Ejemplo de máquina de estados finitos (II)

• Las transiciones entre estados dependen de los datos de los sensores:
  • Si el robot supera +45°, pasa al estado Derecha.
  • Si el robot supera -45° en sentido negativo, pasa al estado Izquierda.
  • Si el robot detecta el objetivo, pasa al estado Adelante y empieza a moverse hacia él.
  • Cuando llega al objetivo, pasa al estado Objetivo y se detiene.

Estado del algoritmo

• Casi todos los algoritmos de robótica mantienen un estado.
  • Necesitan guardar información sobre el estado actual del robot.
• Esta información puede ser muy sencilla (como en una máquina de estados finitos) o muy compleja.
• Las FSM son una herramienta muy útil para introducir el estado en los algoritmos de robótica.
  • Para algoritmos más complejos necesitaremos herramientas más avanzadas.

Redes neuronales

• Las redes neuronales son una herramienta muy potente para resolver problemas de robótica.
• Como las redes neuronales pueden aproximar funciones, podemos utilizarlas para controlar un robot.
• Las redes neuronales feedforward son las más comunes en robótica porque son sencillas y eficientes.
  • Serían equivalentes a un sistema reactivo.
• Las redes neuronales recurrentes son más complejas, pero más potentes.
  • Serían equivalentes a un sistema basado en FSM.

Aprendizaje (I)

• Para entrenar redes neuronales podemos utilizar técnicas de aprendizaje supervisado o no supervisado.
  • Supervisado: proporcionamos datos de entrada y salida, y la red aprende a partir de ellos.
    • Recopilaremos datos de sensores y actuadores para entrenar la red.
    • Si queremos que el robot siga una línea, recopilaremos datos de los sensores de línea y de los actuadores de movimiento.
    • Una vez entrenada la red, el robot podrá seguir la línea sin necesidad de programar explícitamente cada movimiento.

Aprendizaje (II)

• Aprendizaje por refuerzo: las redes aprenden mediante la interacción con el entorno.
  • Definiremos una recompensa para las acciones deseadas y un castigo para las no deseadas. El robot probará distintas acciones y aprenderá cuáles son mejores a partir de las recompensas recibidas.
• Neuroevolución: utilizar algoritmos evolutivos para hacer evolucionar redes neuronales.
  • Crearemos una población de redes neuronales y las haremos competir. Las redes más eficaces se reproducirán y evolucionarán.

Conclusiones

• La robótica es una disciplina multidisciplinar que combina conocimientos de ingeniería, informática, matemáticas, física, biología, etc.
• Los robots permiten a nuestros modelos de inteligencia artificial interactuar con el mundo real.
• La robótica es una herramienta potente para resolver problemas complejos en entornos no deterministas.
• Hemos visto cómo aplicar a la robótica los conceptos de programación e inteligencia artificial estudiados hasta ahora.