Agente BASTIN
Upcoming SlideShare
Loading in...5
×

Like this? Share it with your network

Share

Agente BASTIN

  • 2,394 views
Uploaded on

El presente artículo contiene el estudio y análisis de un agente inteligente mediante un bastón integrado para personas no videntes; al que hemos denominado BASTIN “bastón inteligente”; con el fin......

El presente artículo contiene el estudio y análisis de un agente inteligente mediante un bastón integrado para personas no videntes; al que hemos denominado BASTIN “bastón inteligente”; con el fin de brindar una propuesta que contribuya a las investigaciones y aportes similares aplicados en la inteligencia artificial mediante el campo de la medicina cognitiva. A través de dispositivos, herramientas, etc. que faciliten el diario vivir de las personas invidentes.

More in: Education , Technology
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Be the first to comment
No Downloads

Views

Total Views
2,394
On Slideshare
2,389
From Embeds
5
Number of Embeds
1

Actions

Shares
Downloads
38
Comments
0
Likes
1

Embeds 5

http://www.slideshare.net 5

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
    No notes for slide

Transcript

  • 1. ESTUDIO Y ANÁLISIS DE LA INTELIGENCIA ARTIFICIAL EN UN AGENTE RACIONAL APLICADO A LA CIENCIA COGNITIVA
    BASTIN “Bastón Inteligente integrado para personas no videntes”.
    Susana Guasha msguasha@utpl.edu.ec
    Nina R. Caraguay nrcaraguay@utpl.edu.ec
    Juan C.Ordoñezjcordonez1@utpl.edu.ec
  • 2. Análisis del BASTIN en la IA
    Estructura del agente
    Heurísticas
    Algoritmo implementado
    Base del conocimiento
    Tripletas RDF
  • 3. Análisis del BASTIN en la IA
  • 4. DESCRIPCION DEL PROBLEMA
    BASTIN es un agente híbrido, basado en la utilidad. Donde la resolución del problema se mide en las acciones de los actuadores , frente al sonido, tacto, imagen, e interacción frente a una ruta medido en el coste del tiempo consumido al percibir y actuar; luego realiza el procesamiento multi-sensorial de alta semántica para los contenidos de la heurística representado en las tripletas RDF.
    Objetivo:
    Analizar la aplicabilidad de la inteligencia artificial en un agente racional con el fin de determinar su utilidad en las personas no videntes, y la implementación de heurísticas mediante el algoritmo LRTA* para la toma de decisiones en la percepción del entorno.
  • 5. DESCRIPCION DEL PROBLEMA
    Con el fin de brindar una propuesta que contribuya al estudio de la Inteligencia Artificial, presentamos BASTIN “bastón inteligente” como propuesta de un agente inteligente para personas no videntes. Como medio de guía donde interactúan componentes, actuadores, sensores, y valores heurísticos para obtener la búsqueda basado en objetivos.
    El agente inteligente reduce la incertidumbre del usuario al proporcionar mayor seguridad a lo largo del trayecto, mediante actuadores que interactúan en tiempo real para determinar costes de rutas, bajo la percepción subjetiva de la imagen, evasión de obstáculos, aprendizaje de rutas y acciones frecuentes captada en diferentes entornos y representadas en RDF. Todo ello para el aprendizaje de rutas, tomas de decisiones de los actuadores previo a heurísticas implementadas en el algoritmo LRTA*.
  • 6. AGENTE
    Agente = arquitectura + programa
    [Ec 1]: [Russell Stuart . 2004] p.51
    En cada posible percepción, un agente BASTIN aprende acciones que maximiza su medida de rendimiento.
    Para la implementación consideramos el algoritmo LRTA*, donde se lleva una planificación al seleccionar el próximo estado y la ejecución al moverse a ese estado.
    Como funciona el agente:
    El BASTIN, aprende a partir de un entorno competitivo, en el contexto de utilizar sus recursos para resolver una tarea concreta, mediante actuadores y procedimientos de inferencia, racionalidad descritos en su base de conocimiento.
  • 7. SENSORES
    DGPS sistema de posicionamiento geográfico distribuido.
    Sobre el equipo de procesamiento, para la percibir datos de entrada de posicionamiento (latitud, longitud) del nodo origen, desde donde aprendiendo las rutas .
    Sensor DGPS
    Sobre el equipo de procesamiento, para la percibir datos de entrada de posicionamiento (latitud, longitud) del nodo origen. Que son procesadas por el algoritmo para ir aprendiendo las rutas.
    Sensores digitales de imagen:
     Por elementos fotosensibles a la luz, que modifican la señal eléctrica según su intensidad de la luz. Su configuración es matricial para la imagen bidimensional. Mediante tecnología CMOS, responde al requerimiento de percibir solo contornos asociados a un patrón de grises.
  • 8. SENSORES
    [fig.2] matriz de reconocimientos de patrones grises; como puntos alineados en una imagen binarizada.
    solo contornos asociados a un patrón de grises.
  • 9. Como aprende el AGENTE
    MEDIANTE BASE DEL CONOCIMIENTO
    Mediante reglas lógicas, y tripletas de sujeto-predicado, objeto. A nivel simbólico: Interpretación secuencial de los percepciones; representamos a través de RDF, mediante los URI, evitando ambigüedades, en términos de propiedades simples y valores. Representadas en las tripletas, validadas mediante: http://www.w3.org/RDF/Validator
  • 10. Como aprende el AGENTE:
    Seguridad: Guiado por mapa urbanístico registrado e interpretado desde el GPS, sensores, actuadores.
    Entorno: Obstáculos, texturas, mapa urbanístico, holofonía.
    Actuadores: Intensidad de las vibraciones sonoras que miden intensidad, distancia, resolución de patrones de grises para contornos de la imagen.
    Sensores: GPS, sensor de imagen, acústico.
    Propiedades: Reactivo (responde a cambios del ambiente). Orientado a objetivos y de aprendizaje (cambia su comportamiento en base a la experiencia).
    Fig.1 Heurísticas para la toma de decisiones basadas en el conocimiento, para utilizar una arquitectura híbrida.
  • 11. Medidas de rendimiento:
  • 12. MEDIDAS DE RENDIMIENTO:
    En base a las heurísticas empleadas al implementar el algoritmo LRTA*:
    Completitud:  Todos los nodos visitados, son percibidos por los sensores, y resuelven su naturaleza por holofoníasy lectura de contornos asociados a patrones de grises.
    Óptimo: Al determinar rutas frecuentes, que convergen a rutas óptimas sobre varias exploraciones del espacio de búsqueda.
    Complejidad en tiempo: El algoritmo mejora la información de los estados que ya se han visitado con la información que se obtiene mientras se realiza la búsqueda.
    Complejidad en espacio: La mejora del tiempo tiene mayor relevancia si el agente recorre una heurística con menor valor asociado al espacio; en un conjunto de estados conectados cuyo costo heurístico estimado, es menor o igual al de todos sus estados vecinos.
  • 13. ACTUADORES:
    Auriculares (Holofonía)
    Bastón (niveles de vibración)
    Naturaleza de movilidad del usuario.
    [figura 3] Gafas y auriculares con sensores.
    [figura 2] Grafo de visibilidad para encontrar el camino óptimo.
  • 14. Gestión de comportamientos
    Cuando encuentran bordes asociados
     el sensor de imagen, capta contornos en base al HIS y no solo en RGB.
     HIS (tono, saturación e intensidad).
     HIS resulta apropiada para tener información independientemente de las condiciones de iluminación. A lo cual se agrega detección del movimiento que consiste en convertir de RGB a escala de grises, donde se aplica:
    Que corresponde al filtro de los contornos de la imagen, que serán el entorno que luego se transforma en vibraciones en el bastón del usuario.
    I = R+G+B
    GRAY = 0,299 . R + 0,587 . G + 0,114 . B.
  • 15. Gestión de comportamientos
    La profundidad de campo
    A través de la segmentación para separar objetos de fondo. Se rige por el umbral, si supera o no al valor original cuando transforma la imagen a binaria en la profundidad de 3 a 8m, mas cerca los contornos se refractan y mas lejos pierden alcance.
  • 16. Resolución mediante Búsqueda
  • 17. RESOLUCION MEDIANTE BÚSQUEDA
    El algoritmo que más se ajusta a nuestro agente es el LRTA*, donde el coste para alcanzar el nodo g(n), y el coste para ir al nodo objetivo trazado en la ruta a seguir es:
    Función objetivo: Representado en la ruta mas óptima, obtenida de los costes del camino mas los obstáculos.
     Estado: Cualquier punto donde se encuentra el no vidente, tomado como punto origen, hasta el punto o nodo destino.
     Obtención de datos: Los sensores resuelven sonido, tacto, imagen, para comunicar la primera mejor ruta, medida en el coste del tiempo consumido al percibir y actuar en espacio-temporal para el procesamiento semántico en los contenidos representado en la ontología.
    f(n)= g(n)+h(n)
    H(n) Búsqueda local. h(n)
  • 18. Implementación LRTA*
  • 19. Implementación LRTA*
    El agente aprende la función heurística admisible, para estimar el costo del camino hacia el objetivo. Y dispone de h 0 en todos los nodos, para comenzar el proceso de aprendizaje.
     Inicia una búsqueda A*.
     Conoce el coste correspondiente al movimiento detectado desde el nodo captado en tiempo-on-line a sus nodos sucesores.
     -Expande n(i) que es el nodo origen, para generar sucesores S(n(i) obstáculos y/o rutas.
     Para el nodo objetivo h(n(i)), en base al coste de movimiento desde nodo origen n(i) al nodo objetivo n(j)
    Ec.2: Heurística para mejorar el rendimiento en la búsqueda heurística de tiempo real.
  • 20. Heurísticas
    • La medición de obstáculos local se genera por la estimación de las vibraciones generalmente mayores de 20 Db, que determina la distancia del radio admitido como libre de obstáculos.
    • 21. La función heurística h(n) ruta visitada y h’(n) ruta actualizada, siempre que esta sea admisible. No así cuando es 0, el algoritmo se comportaría como una búsqueda de anchura, porque aun no hay coste del camino recorrido.
    • 22. Complejidad espacio temporal de LRTA* es su almacenamiento en la tabla de valores heurísticos de todos los estados de la ruta inicial al estado objetivo. Dado en:
    Ec.2: Heurística para mejorar el rendimiento en la búsqueda heurística de tiempo real.
  • 23. Implementación LRTA*
    Calculo de rutas:
    Con el menor coste, el sensor de GPS lee las coordenadas de latitud y longitud de este objetivo (ni,nj) y el coste del operador que permite pasar de un nodo a otro.
    Expansión del Árbol:
    Se expande por la admisibilidad en las heurísticas h’, para saber si se encontrará o no la solución.
    Limite de expansión:
    Por la búsqueda limitada, en la profundidad máxima de la ruta. El espacio del estado es corto, y necesita una respuesta rápida de la mejor acción para el próximo mejor nodo a evaluarse.
  • 24. Implementación LRTA*
    Tiempo que tarda en recorrer de acuerdo a la fórmula: Almacenamiento de los costes bajo f(n)+g(n)+h(n), para obtener el coste del camino mínimo que pasa por f’(n)+g(n)+h’(n) que indica el próximo nodo a explorar.
    Proceso del peor al mejor: Cuando hay demasiados nodos captados por el exceso de variación de ruido en el entorno. El costo será O(rp). donde p es el factor de ramificación de variación de ruido
    El mejor caso: Cuando se cumple h’, es decir actualiza las mejores rutas.
  • 25. Implementación LRTA*
    El algoritmo de aprendizaje en tiempo real (Learning Real-Time A*) es parte de los algoritmos de búsqueda heurística en tiempo real y se refiere a un método de búsqueda heurística de tiempo real que bajo ciertas condiciones, siempre encuentra una solución a un problema y converge a soluciones óptimas cuando lo resuelve repetidas veces.
    Fig.4 En cada iteración vuelve a evaluar el camino mediante heurística
    Fig.5 Coste de los tiempos
  • 26. Implementación LRTA*
    Algoritmo en pseudocódigo
    S = Estado
    Si = Estado inicial.
    Sobj = estadoobjetivo.
    H(s) = heuristic aplicada a ese estado.
    Max = maximización de la función
    Min = minimización de la función.
    Succ(s) = sucesores de s->(S’)
    argMin = minimo valor de un dominio.
    s:= si.
    Si s=sobj, entonces detener con éxito.
    h(s):=max(h(s),min s’’succ(s)(c(s,s’’)+h(s’’))).
    s’:=argmins’’succ(s)(c(s,s’’)+h(s’’)).
    Solucionar empates aleatoriamente.
    s:=s’.
    Go to 2
    Fig.5 Clases pertenecientes al paquete creado, funciones y librerías que se encuentran implementadas en la página del autor del libro.
    Hemos agregado la heurística de Manhattan como base para implementar herencia y poder derivar la heurística LRTA*
  • 27. Ontología de la base del conocimiento
  • 28. Ontología de la base del conocimiento
  • 29. Ontología de la base del conocimiento
  • 30. Ontología de la base del conocimiento
  • 31. Ontología de la base del conocimiento
  • 32. Ontología de la base del conocimiento
    Con conocimiento específico.
    Estimado en el coste del camino total, si la estimación es menor a la ruta actual se refleja un camino con una solución mejor.
    x
  • 33. Ontología de la base del conocimiento
    x
  • 34. Implementación del algoritmo LRTA*
  • 35. Ontología de la base del conocimiento
  • 36. Tripletas RDF
  • 37. RDF
    ResourceDescription Framework
    Representadas formalmente usando tripletas, compuesta de: sujeto, predicado y objeto. Sin embargo otra forma de notación para mostrar las sentencias es mediante grafos dirigidos, de nodos y arcos, que representan los recursos,  propiedades y valores.
    Page 35
  • 38. ESQUEMA RDF
    Las clases principales de BASTIN
  • 39. ESQUEMA RDF
  • 40. Conclusiones:
  • 41. Conclusiones:
    • Un agente racional definido en la utilidad está en la capacidad de utilizar el sistema de control integrado y una serie de sensores de distancia para detectar presencia o ausencia de obstáculos en una distancia predeterminada, y características mediante algoritmos heurísticos para obtener la búsqueda de objetivos.
     
    • Para obtener mejores resultados dividimos la búsqueda en dos, una general para datos de ruta óptima y otra local para interacción con el entorno de los obstáculos las dos utilizando el algoritmo LRTA*.
    • 42. En la búsqueda que hace el agente con el espectro, se puede decir que una estrategia es que depende del objetivo para alcanzar una solución buena, factible y óptima.
  • Conclusiones:
    • Una alternativa en el alcance del objetivo, son los algoritmos genéticos, porque el clasificar las mejores rutas obtenidas de la población antecesora, evita que tengamos similares cadenas de exploración.
    • 43. Al aplicar el algoritmo LRTA* se considera que cada iteración vuelve a consultarse, ello ocasiona la probabilidad de cambiar las rutas.
    • 44.  
    • 45. Mientras mayor sea el número de obstáculos distribuidos al azar en el espacio de estados, mayor efectividad al aplicar la estrategia LRTA*.
  • BIBLIOGRAFIA
    [1] [Russell Stuart, 2004] Peter Norving. INTELIGENCIA ARTIFICIAL. UN ENFOQUE MODERNO]. Pearson Educación. 2da. Edición. Madrid.
    [2] [Rodriguez Jorge. 2008]. INTRODUCCIÓN A LOS SISTEMAS DE VISIÓN ARTIFICIAL]. Disponible en http://www.scribd.com/doc/8343510/Vision-Artificial último acceso. Úlitmo acceso 30/01/2010.
    [3]Artificial Intelligence: A Modern Approach. [ Disponible en: http://aima.cs.berkeley.edu
    [4][Mira José, 2001] Delgado Esperanza, etc. ASPECTOS BÁSICOS DE LA INTELIGENCIA ARTIFICIAL. Editorial Sanz y Torres. Madrid.
    [5]Burns Alan, Wellings Andy. 2003]. SISTEMAS DE TIEMPO REAL Y LENGUAJES DE PROGRAMACIÓN. 3ra. Edición. Pearson Educación S.A. Madrid.
    [6] Malagón Constantino. 2003] SISTEMAS BASADOS EN CONOCIMIENTO. February 17, 2003. Disponible en: http://www.nebrija.es/~cmalagon/inco/Apuntes/sistemas_basados_en_conocimiento.pdf Úlitmo acceso 27/01/2010.
    [6] http://www.bloggadgets.es/1455/eye-stick-el-baston-para-no-videntes-con-sensor/
    [7]Hernandez Carlos, 2007]. Mejorando la convergencia en búsqueda heurística de tiempo real. Disponible en http://www.iiia.csic.es/~chernan/hernandezcarlos.doc Ültimo acceso 2/02/2010.
    [8] http://www.w3.org/RDF/Validator/