Este documento presenta un resumen de un curso sobre robótica impartido en la Escuela de Ciencias de la Computación. El curso cubre temas como agentes inteligentes, resolución de problemas mediante búsqueda, clasificación, redes bayesianas, redes neuronales, arquitecturas de software y más. Los ponentes del curso son cinco estudiantes y el período es el segundo bimestre de abril a agosto de 2008.

1. ROBOTICA
ESCUELA: CIENCIAS DE LA COMPUTACIÓN
PONENTES: ASTRID MEDINA
ROMMEL MACAS
CHRISTIAN MORA
JUAN SARANGO
RONALD SISALIMA
II BIMESTRE
BIMESTRE:
ABRIL – AGOSTO 2008
CICLO:

2. Agentes Inteligentes
• Un agente:
• Un agente percibe su entorno a través de sensores y actúa sobre el mismo
mediante “efectores”.
• Humanos, robots y software pueden ser considerados agentes
• Vamos a estudiar el diseño de agentes que realicen un buen trabajo actuando en
sus entornos

3. Como deben actuar los agentes
inteligentes
• Un agente racional es aquél que realiza la acción correcta
• Acción correcta = acción que lleva al agente
a tener éxito en la realización de su tarea
• ¿Como evaluar esto? medida de desempeño
(performance measure):
• Estándar objetivo utilizado para determinar
el grado de éxito de un agente en el
desempeño de su tarea
• No existe una medida fija válida para
cualquier agente.
• ¿Cuándo evaluar el desempeño? durante
periodos largos de tiempo

4. • Un agente racional ideal es aquel que, para cada secuencia de
percepciones posible, actúa de manera que se maximice su medida de
desempeño, basándose en la secuencia de percepciones y en el
conocimiento incorporado.
• La autonomía es una característica importante de los agentes:
• Un agente es autónomo en la medida en que su comportamiento está
determinado por su propia experiencia y no sólo por el conocimiento que
le ha sido incorporado.
• Un agente autónomo es capaz de adaptarse a situaciones variadas, es
mas flexible.

5. Estructura de los agentes inteligentes
Agente = programa agente + arquitectura, donde:
• El programa agente será una función que implementara la transformación de secuencias de
percepciones en acciones.
• La arquitectura será un ordenador que se ocupara de que las percepciones lleguen al
programa y las acciones lleguen a los efectores.
• La IA se ocupa del diseño del programa agente.
• Antes de diseñar un programa agente tenemos que conocer los distintos elementos que
caracterizan al agente:
• Percepciones posibles
• Acciones posibles
• Medida de desempeño u objetivos que debe lograr
• Tipo de entorno en el que va a operar

6. • Agente reflejo simple: Almacena asociaciones entrada/salida frecuentes en forma
de reglas condición-acción (también reglas situación-acción o producciones).
• Agente reflejo con estado interno: En ocasiones no es posible tomar una decisión a
partir de una sola percepción porque los sensores no proporcionan toda la
información, Un agente reflejo con estado interno mantiene la información que
necesita para distinguir entre estados diferentes del mundo.
• Agente basado en objetivos: a veces no es posible tomar una decisión únicamente
a partir del estado actual del mundo, Un agente basado en objetivos utiliza una
descripción de las metas a alcanzar que le sirve para escoger entre las distintas
acciones posibles.
La toma de decisiones basada en objetivos ≠ la toma de decisiones basada en reglas
condición-acción:
– Tiene en cuenta el estado en el futuro
• Agente basado en la utilidad: Los objetivos únicamente no bastan para asegurar un
comportamiento ideal, Un agente basado en la utilidad utiliza un criterio para
estimar el grado de satisfacción de un estado para el agente que le sirve para
escoger entre distintas acciones válidas, La utilidad es una función que asocia a un
estado un número real, y debe considerar situaciones problemáticas,

7. Entornos
• Tipos de entorno:
• accesibles vs inaccesibles: En un entorno accesible los sensores proporcionan toda
la información relevante.
• deterministas vs no deterministas: En un entorno determinista el estado siguiente
puede obtenerse a partir del actual y de las acciones del agente.
• episódicos vs no episódicos: En un entorno episódico la experiencia del agente
está dividida en episodios independientes.
• estáticos vs dinámicos: Un entorno dinámico puede sufrir cambios mientras el
agente está razonando.
• discretos vs continuos: En un entorno discreto existe un número concreto de
percepciones y acciones claramente definidos.

8. Resolución de Problemas mediante
Búsqueda
• Los agentes reflejos simples tienen muchas
limitaciones
• Agente basado en objetivos: agentes para la
resolución de problemas
• Los agentes para la resolución de problemas
funcionan buscando secuencias de acciones
que conduzcan a estados deseados.

9. Agentes para la resolución de
problemas
• Los objetivos ayudan a dirigir el comportamiento del agente limitando las acciones
que intenta realizar.
• Las etapas de la resolución de problemas con objetivos:
1. Formulación de objetivos: A partir de la situación actual, definir los estados
objetivo y los factores que pueden influir en el grado de satisfacción de las
distintas maneras de conseguirlo.
2. Formulación del problema: Decidir qué acciones y estados considerar.
3. Búsqueda: Decidir qué hacer examinando diferentes secuencias de acciones que
llevan a estados objetivo y escogiendo la mejor.
4. Ejecución: Ejecutar las acciones recomendadas

10. Formulación de problemas de un solo
estado
• Un problema es el conjunto de información que el agente usa como entrada a su proceso de
decisión, e incluye.
– estado inicial
– operadores: descripción de las acciones que puede realizar el agente en términos de
como modifican el estado (otra descripción posible es una función sucesor.
• Ambos definen el espacio de estados, o conjunto de estados a los que se puede llegar desde
el estado inicial a través de cualquier secuencia de operadores. Un camino en dicho espacio
será una secuencia de operadores.
– test de objetivo: descripción de los estados objetivo, explícita o no
– coste del camino: función equivalente a la suma del coste de las acciones del camino.
• Una solución es un camino que conduce del estado inicial a un estado que satisface el test de
objetivo.

11. Búsqueda de soluciones
• La idea básica es explorar el espacio de estados a
partir del estado inicial, a través de secuencias
parciales de soluciones:
• Si el estado actual no es objetivo, consideraremos
otros estados sucesores (expansión del estado), y así
sucesivamente.
• Para decidir qué estado expandir y cuáles dejar para
su estudio posterior:
• Estrategia de búsqueda

12. Estrategias básicas de búsqueda
• Una estrategia queda definida por el orden en que se expanden los nodos
• Evaluamos las estrategias según cuatro aspectos:
• Completitud — ¿garantiza encontrar una solución si existe una?
• Complejidad temporal — ¿cuantos nodos deben expandirse?
• Complejidad espacial — ¿cuantos nodos deben almacenarse en memoria?
• Optimalidad — ¿garantiza encontrar la mejor solución si existen varias?
• Las complejidades temporal y espacial se miden en términos de
• b — máximo factor de ramificación del árbol de búsqueda
• d — profundidad de la solución de menor coste
• m — profundidad máxima del espacio de estados (puede ser ∞).

13. • Algoritmos de clasificación por vecindad
• Árboles de Clasificación
• Redes Bayesianas

14. • Para poder realizarse la tarea de clasificación,
se requiere un mecanismo que permita
identificar a que clase pertenece un nuevo
objeto; uno de los enfoques considera
diferentes medidas y reglas para
• evaluar las similitudes entre el nuevo
elemento a clasificar y los ya clasificados.

15. • Las medidas de distancia, son utilizadas
cuando se trabaja con variables cuantitativas,
pudiéndose aplicar diferentes algoritmos para
decidir a qué clase pertenece el nuevo
elemento.

16. Redes Bayesianas
• Son representaciones gráficas de
dependencia de razonamiento probabilístico.

17. Redes Bayesianas
• En la RB los
nodos
representan
variables
aleatorias y los
arcos representan
relaciones de
dependencia
directa entre las
variables

18. Teorema de Bayes
• Fue enunciado por Thomas Bayes en la
teoría de la probabilidad

19. Definiciones
Arco
X
Y
• Grafo Acíclico
a
b
c
d
e

20. Redes Neuronales

21. Redes Neuronales
• “Un nuevo sistema para el tratamiento de la
información, cuya unidad básica de procesamiento
está inspirada en la célula fundamental del sistema
nervioso humano: la neurona”.
• Capacidad de memorizar y de Asociar hechos.
• El hombre es capaz de resolver todos los problemas
que no son resolubles mediante algoritmos por
medio de la “Experiencia”.
• Son un componente simple que en conjunto poceen
un gran poder.

22. Redes Neuronales

23. Ventajas de las Redes Neuronales
• Aprendizaje Adaptativo.
• Auto-organización.
• Tolerancia a fallos.
• Operación en tiempo real.
• Fácil inserción dentro de la tecnología
existente.

24. Función de entrada
• La neurona trata a muchos valores de entrada
como si fueran uno solo; esto recibe el
nombre de entrada global.

25. Función de activación
• Una neurona biológica puede estar activa (excitada)
o inactiva (no excitada); es decir, que tiene un
“estado de activación”. Las neuronas artificiales
también tienen diferentes estados de activación;
algunas de ellas solamente dos, al igual que las
biológicas, pero otras pueden tomar cualquier valor
dentro de un conjunto determinado.
• La función activación calcula el estado de actividad
de una neurona.

26. Función de salida
• El último componente que una neurona necesita es la función
de salida. El valor resultante de esta función es la salida de la
neurona; por ende, la función de salida determina que valor
se transfiere a las neuronas vinculadas.
• Si la función de activación está por debajo de un umbral
determinado, ninguna salida se pasa a la neurona
subsiguiente.
• Normalmente, no cualquier valor es permitido como una
entrada para una neurona, por lo tanto, los valores de salida
están comprendidos en el rango [0, 1] o [-1, 1].
• También pueden ser binarios {0, 1} o {-1, 1}.

27. Arquitecturas de Software
• Es una metodología para estructurar
algoritmos.
• Una arquitectura incluye lenguajes y
herramientas para escribir programas.
• Las arquitecturas de software actuales deben
saber combinar entre control reactivo y
deliberativo.

28. Arquitectura de subsumpción
• Es una plataforma para ensamblar
controladores reactivos en autómatas finitos,
los nodos de estos autómatas pueden
contener chequeos para ciertas variables de
sensores, en cuyo caso la ejecución del
autómata finito esta condicionada por el
resultado de dicho chequeo.

29. Tres Capas
• Es una arquitectura híbrida ya que combina la
reacción con deliberación.
• Capa Reactiva: provee de control de bajo nivel
al robot.
• Capa Ejecutiva: sirve como unión entre la capa
reactiva y la deliberativa.
• Cada Deliberativa: genera soluciones globales
para tareas complejas utilizando planificación.

30. christmo99@gmail.com
rommelmacas@gmail.com
rasisalima@gmail.com
acmedinaj@gmail.com
jcsarango@gmail.com