Nuevo Método de Auto-Modelado Flexible para Robots

Abstract

En la actualidad, los sistemas de ingeniería tienen limitadas capacidades para adaptarse a una falla inesperada, y estas destrezas en general dependen de la habilidad del diseñador para prever dichas fallas. Sin embargo en los últimos años se han desarrollado algoritmos capaces de proveer a un robot de la capacidad de adaptarse a una falla inesperada (Bongard, Zykov y Lipson, 2006), (ZagalyRuiz-del-Solar, 2004), (Bongard y Lipson, 2004). Estos algoritmos se basan en el concepto de auto-modelado continuo, donde se actualiza el modelo interno que tiene un robot de sí mismo y el modelo de funcionamiento (controlador) que utiliza para lograr un objetivo. Este aprendizaje se logra gracias a una retroalimentación continua entre los datos que el robot recopila de sus sensores y un entorno de simulación física que selecciona modelos del robot que se ajusten al comportamiento registrado. Para el proceso de búsqueda de auto-modelos, es muy importante la utilización de una métrica para la comparación de señales entregadas por los sensores del robot. Esta métrica debe ser capaz de cuantificar cuan parecido es el comportamiento de un modelo candidato al del robot real. En trabajos anteriores, como en (Bongard, Zykov y Lipson, 2006) y (Bongard y Lipson, 2004), se han implementado con éxito algoritmos de auto-modelado utilizando las métricas Euclidiana y Rolling Mean Metric. Sin embargo estas métricas tienen algunas limitaciones en cuanto a robustez. En particular son muy sensibles a pequeños cambios en la posición inicial de un robot, así como a pequeños desfases entre las señales a comparar. En este trabajo se realiza un estudio comparativo de las métricas existentes y se presenta una nueva métrica llamada Discriminante de Kullback, de naturaleza estadística, que muestra considerables mejoras en cuanto a la robustez en la comparación de señales. También se expone la implementación de un algoritmo de auto-modelado incorporando la nueva métrica, obteniéndose buenos resultados en cuanto a la convergencia comparado con los resultados obtenidos con las métricas existentes. Otra limitación de los trabajos realizados hasta el momento, como en (Bongard, Zykov y Lipson, 2006), (Zagaly Ruiz-del-Solar, 2004), (Bongard y Lipson, 2004), tiene que ver con los espacios de búsqueda utilizados. En particular en cuanto a las características geométricas de partes individuales de un robot, donde solo se ha utilizado formas simples como: Cubos, cilindros, esferas o capsulas. En este trabajo se presenta una nueva representación genérica de robots, basada en un sólido amorfo definido por 6 puntos de control. Estos puntos son aproximados a través de una superficie de interpolación con splines cúbicos. Esta nueva representación amplía considerablemente el espacio de búsqueda para la geometría de partes individuales de un robot. Se expone en este trabajo, la incorporación de esta nueva representación en un algoritmo de auto-modelado, obteniéndose buenos resultados en la convergencia y buena precisión a la hora de encontrar los parámetros del auto-modelo de un robot.