![](\"http:\/\/www.apie.com.ar\/Boletines\/boletin-59\/cyt-4_clip_image002.jpg\")
Basados en algoritmos de videojuegos, ingenieros del CONICET junto a investigadores escoceses logran mayor independencia para los robots en contextos no simulados.<\/p>\n\nBasados en algoritmos de videojuegos, ingenieros del CONICET junto a investigadores escoceses logran mayor independencia para los robots en contextos no simulados.<\/p>\n
Los mayores avances en Inteligencia Artificial (IA) suelen darse en videojuegos, en el plano virtual. Los programas demuestran que son inteligentes a medida que logran sortear obst\u00e1culos y cumplir objetivos en un entorno simulado, creado especialmente para ellos. Ahora, ingenieros argentinos junto a escoceses lograron desarrollar un algoritmo para que los robots hagan todo eso en el mundo real. La t\u00e9cnica que utilizan es el Deep Learning que en 2017 deslumbr\u00f3 al mundo de la tecnolog\u00eda cuando Google la utiliz\u00f3 para desarrollar el AlphaGo, El logro se alcanz\u00f3 en el \u00e1rea de la ingenier\u00eda subacu\u00e1tica donde se utilizan veh\u00edculos de operaci\u00f3n aut\u00f3noma (AUV por sus siglas en ingl\u00e9s) para todo tipo de exploraciones.<\/strong>\u00a0\u201cEn Ingenier\u00eda hay muy poco sobre esto, sobre todo en el \u00e1rea oce\u00e1nica. Todo lo que est\u00e1 hecho es en simulaci\u00f3n, pero en escenarios reales y en el agua, no hab\u00eda nada as\u00ed que decidimos llevarlo a la rob\u00f3tica a ver qu\u00e9 pod\u00edamos hacer\u201d<\/em>, explica el Doctor en Ingenier\u00eda Mariano De Paula, investigador asistente del CONICET en el INTELYMEC. El sistema, real o virtual, aprende del error y los \u2018premios\u2019 son n\u00fameros. De izq. a der.: Dr. Gerardo Acosta, Ing. Ignacio Carlucho y Dr. Mariano De Paula. Foto: gentileza INTELYMEC.En escenarios simulados, todos los obst\u00e1culos y los niveles de recompensa est\u00e1n premeditados por los programadores, pero en la realidad subacu\u00e1tica la incertidumbre lo complica todo. Corrientes, mareas, suelos inestables, salinidad, turbidez. No hay entrenamiento previo que permita prever todo lo que puede ocurrir ese d\u00eda, en ese minuto, en ese lugar. \u201cImaginemos por un momento que tenemos los ojos vendados y tenemos que conducir a una velocidad determinada, 30 kil\u00f3metros por ejemplo, pero solo sabemos a qu\u00e9 velocidad vamos y el rumbo que llevamos: 30 kil\u00f3metros por hora en l\u00ednea recta por ejemplo. Nosotros solo podemos acelerar o frenar y mover el volante (suponiendo que estamos en caja autom\u00e1tica, para hacerlo m\u00e1s simple). Y como gu\u00eda, solo puedo decirte \u2018m\u00e1s a la derecha, m\u00e1s a la izquierda, aceler\u00e1, fren\u00e1\u2019 pero en un terreno y un contexto que te va cambiando; las corrientes, las pendientes, subidas, etc. Y todo lo ten\u00e9s que ir aprendiendo en el momento\u201d, compara De Paula. El robot no sabe nada, pero aprende muy r\u00e1pido. Cuenta con sensores que captan las variables de comportamiento din\u00e1mico en el momento y aprende mientras trabaja,\u00a0\u201cpor eso al principio opera mal, pero a medida que aprende lo hace cada vez mejor\u201d<\/em>, advierte el doctor en Ingenier\u00eda quien aclara que el AUV s\u00f3lo recibe un m\u00ednimo entrenamiento previo\u00a0\u201cpara que no se rompa en el primer instante\u201d<\/em>.<\/p>\n La enorme inteligencia est\u00e1 en que aprende muy r\u00e1pido y con muy poco. Empieza sin saber qui\u00e9n es ni d\u00f3nde est\u00e1 y termina entren\u00e1ndose a s\u00ed mismo.\u00a0\u201cCon las t\u00e9cnicas que estamos probando nosotros, lo que buscamos es que ese comportamiento cambie y se pueda adaptar al medio. De manera que si se encuentra con corrientes pueda modificar su comportamiento y alcanzar de todas formas el objetivo\u201d<\/em>, explica Carlucho quien destaca la versatilidad del algoritmo que ayud\u00f3 a crear.\u00a0\u201cTodos los controles se deben adaptar al tipo de AUV que est\u00e1 trabajando porque no es lo mismo que tenga dos motores que seis. Buscamos que ciertos ajustes se hagan solos. Por ejemplo, si hay una variaci\u00f3n de peso, larg\u00e1s el veh\u00edculo, lo dej\u00e1s un rato andando y se da cuenta solo de que pesa m\u00e1s entonces se ajusta\u201d<\/em>, detalla.<\/p>\n Este avance es importante no solo para la ingenier\u00eda. Puede ofrecer grandes aportes a otros sistemas que trabajan con poca informaci\u00f3n del entorno o mucha incertidumbre, como el diagn\u00f3stico por im\u00e1genes y la medicina.<\/strong>\u00a0El doctor Gerardo Acosta, investigador independiente del CONICET y director del grupo INTELYMEC quien tambi\u00e9n trabaj\u00f3 en el desarrollo, celebra el avance.\u00a0\u201cEstos resultados experimentales sobre robots en el mundo real son muy importantes para nosotros, ya que los avances que ten\u00edamos en estos temas, y que fueron publicados en la conferencia OCEANS del 2015 en Washington, eran tambi\u00e9n sobre veh\u00edculos acu\u00e1ticos aut\u00f3nomos, pero funcionando en ambientes simulados o virtuales. Es otro peque\u00f1o paso para correr la frontera del conocimiento en este campo\u201d<\/em>.<\/p>\n El trabajo<\/a>, en el que intervinieron tambi\u00e9n los investigadores escoceses Yvan Petillot y Sen Wang, se public\u00f3 este mes en la revista cient\u00edfica especializada\u00a0Robotics and Autonomus Systems<\/a>\u00a0de la prestigiosa editorial Elsevier.<\/p>\n Ep\u00edgrafe portada: Robot subacu\u00e1tico \u00abICTIOBOT\u00bb. Foto: gentileza INTELYMEC. Publicado el Jueves 05 de Julio de 2018Fuente: CONICET<\/p>\n","protected":false},"excerpt":{"rendered":" Basados en algoritmos de videojuegos, ingenieros del CONICET junto a investigadores escoceses logran mayor independencia para los robots en contextos no simulados. Los mayores avances en Inteligencia Artificial (IA) suelen darse en videojuegos, en el plano virtual. Los programas demuestran que son inteligentes a medida que logran sortear obst\u00e1culos y cumplir objetivos en un entorno […]<\/p>\n","protected":false},"author":2,"featured_media":0,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"aside","meta":{"footnotes":""},"categories":[17],"tags":[],"_links":{"self":[{"href":"http:\/\/apie.com.ar\/index.php?rest_route=\/wp\/v2\/posts\/776"}],"collection":[{"href":"http:\/\/apie.com.ar\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"http:\/\/apie.com.ar\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"http:\/\/apie.com.ar\/index.php?rest_route=\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"http:\/\/apie.com.ar\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=776"}],"version-history":[{"count":1,"href":"http:\/\/apie.com.ar\/index.php?rest_route=\/wp\/v2\/posts\/776\/revisions"}],"predecessor-version":[{"id":777,"href":"http:\/\/apie.com.ar\/index.php?rest_route=\/wp\/v2\/posts\/776\/revisions\/777"}],"wp:attachment":[{"href":"http:\/\/apie.com.ar\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=776"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"http:\/\/apie.com.ar\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=776"},{"taxonomy":"post_tag","embeddable":true,"href":"http:\/\/apie.com.ar\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=776"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
\nun programa que logr\u00f3 ganarle 4 partidas de 5 al mayor campe\u00f3n mundial de Go, un juego de estrategia milenario de origen chino. Un hito mayor que el de la derrota del ajedrecista Garry Kasparov contra la \u2018supercomputadora\u2019 de IBM, Deep Blue, en 1997. Tanto, que el Go tiene 200 posibles configuraciones m\u00e1s que el ajedrez.
\nEl reciente desarrollo de la ingenier\u00eda supera en ese sentido al Deep Blue y al juego chino porque prepara a los robots para resolver infinitas situaciones reales.\u00a0\u201cTomamos los algoritmos de Deep Mind -la empresa de Google que desarroll\u00f3 el AlphaGo- y los usamos para rob\u00f3tica real. Entonces nos enfrentamos a otro tipo de problemas porque ellos tienen un simulador y las recompensas las obtienen directamente del simulador. Son ambientes muy limpios donde no hay ruidos y se puede prever todo lo que ocurre. Es como pasar de un laboratorio a la realidad\u201d<\/em>, compara el ingeniero electromec\u00e1nico y becario del Consejo Nacional de Investigaciones Cient\u00edficas y T\u00e9cnicas (CONICET), Ignacio Carlucho, quien justamente en 2017 (el a\u00f1o del furor del Deep Learning) pas\u00f3 seis meses en el Laboratorio de Ingenier\u00eda Oce\u00e1nica de la Universidad de Heriot-Watt, Escocia, para lograr este avance dentro del grupo de\u00a0Investigaci\u00f3n Tecnol\u00f3gica en Electricidad y Mecatr\u00f3nica<\/a>\u00a0(INTELYMEC) del Centro de Investigaciones en F\u00edsica e Ingenier\u00eda del Centro de la Provincia de Buenos Aires (CIFICEN, CONICET-CICPBA-UNCPBA) ubicado en la Facultad de Ingenier\u00eda de Olavarr\u00eda de la Universidad Nacional del Centro de la Provincia de Buenos Aires.<\/p>\n
\n![\"https:\/\/www.argentina.gob.ar\/sites\/default\/files\/ingenieria_robotica_2.jpg\"](\"http:\/\/www.apie.com.ar\/Boletines\/boletin-59\/cyt-4_clip_image004.jpg\")
Los valores se asignan en funci\u00f3n de los comportamientos que se espera que tenga. Si logra alcanzar las velocidades pretendidas, la recompensa es +1, pero si adem\u00e1s lo hace optimizando la energ\u00eda suma +2. Por el contrario, si gasta m\u00e1s energ\u00eda de la necesaria y no alcanza las velocidades, se lo penaliza con -2. Estos par\u00e1metros los define el usuario en funci\u00f3n de los objetivos que desea que alcance.<\/p>\n