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.

Sensores y actuadores

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.