• Save
Robotica - IA
Upcoming SlideShare
Loading in...5
×
 

Robotica - IA

on

  • 5,921 views

Clase de IA

Clase de IA

Statistics

Views

Total Views
5,921
Views on SlideShare
5,827
Embed Views
94

Actions

Likes
10
Downloads
0
Comments
0

6 Embeds 94

http://www.slideshare.net 41
http://juankasar.blogspot.com 20
http://hermesabanto.blogspot.com 16
http://rlmacas.blogspot.com 14
http://jhonathan-electronic.blogspot.com 2
http://juankasar.blogspot.com.es 1

Accessibility

Categories

Upload Details

Uploaded via as Microsoft PowerPoint

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment

Robotica - IA Robotica - IA Presentation Transcript

  • ESCUELA : PONENTES : BIMESTRE : CICLO : CIENCIAS DE LA COMPUTACIÓN II BIMESTRE ASTRID MEDINA ROMMEL MACAS CHRISTIAN MORA JUAN SARANGO RONALD SISALIMA ABRIL – AGOSTO 2008 ROBOTICA
  • 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
  • Como deben actuar los agentes inteligentes
    • 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
    • Un agente racional es aquél que realiza la acción correcta
    View slide
    • 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.
    View slide
  • 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
    • 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,
  • 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.
  • 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.
  • 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:
    • 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.
    • Formulación del problema: Decidir qué acciones y estados considerar.
    • Búsqueda: Decidir qué hacer examinando diferentes secuencias de acciones que llevan a estados objetivo y escogiendo la mejor.
    • Ejecución: Ejecutar las acciones recomendadas
  • 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.
  • 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
  • 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 ∞).
    • Algoritmos de clasificación por vecindad
    • Árboles de Clasificación
    • Redes Bayesianas
    • 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.
    • 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.
  • Redes Bayesianas
    • Son representaciones gráficas de dependencia de razonamiento probabilístico.
  • Redes Bayesianas
    • En la RB los nodos representan variables aleatorias y los arcos representan relaciones de dependencia directa entre las variables
  • Teorema de Bayes
    • Fue enunciado por Thomas Bayes en la teoría de la probabilidad
  • Definiciones
    • Grafo Acíclico
    X Y
    • Arco
    a b c e d
  • Redes Neuronales
  • 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.
  • Redes Neuronales
  • Ventajas de las Redes Neuronales
    • Aprendizaje Adaptativo.
    • Auto-organización.
    • Tolerancia a fallos.
    • Operación en tiempo real.
    • Fácil inserción dentro de la tecnología existente.
  • Función de entrada
    • La neurona trata a muchos valores de entrada como si fueran uno solo; esto recibe el nombre de entrada global.
  • 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.
  • 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}.
  • 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.
  • 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.
    • 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.
    Tres Capas
  • [email_address] [email_address] [email_address] [email_address] [email_address]
  •