Incremental active learning of sensorimotor models in developmental robotics
Arturo Ribes Sanz · TDX (Tesis Doctorals en Xarxa) · 2015
La rapida evolucion de la robotica esta promoviendo que emerjan nuevos campos relacionados con la robotica. Inspirandose en ideas provinientes de la psicologia del desarrollo, la robotica del desarrollo es un nuevo campo que pretende proveer a los robots de capacidades que les permiten aprender de una manera abierta durante toda su vida. Hay situaciones donde los ingenieros o los disenadores no pueden prever todos los posibles problemas que un robot pueda encontrar. Tal como el numero de tareas que un robot debe hacer crece, este problema se vuelve mas evidente, y las soluciones de ingeneria tradicionales pueden no ser completamente factibles. En tal caso, la robotica del desarrollo proporciona una serie de principios y directrices para construir robots que tienen las herramientas cognitivas adecuadas a fin de adquirir el conocimiento necesario. Auto-exploracion, aprendizaje incremental, scaffolding social e imitacion. Todas son herramientas que contribuyen a construir robots con un alto grado de autonomia. Mediante la auto-exploracion internamente motivada, un robot descubre lo que su cuerpo es capaz de hacer. Las tecnicas de aprendizaje incremental permite que un robot tenga conocimiento listo al instante, a partir de construir estructuras cognitivas encima de otras mas viejas. El scaffolding o andamiaje social y las capacidades de imitacion permiten aprovechar lo que los humanos --- u otros robots --- ya saben. De esta manera, los robots tienen metas que perseguir y aportan, o bien un uso final para las habilidades aprendidas, o bien ejemplos de como lograr una determinada tarea. Esta tesis presenta un estudio de una serie de tecnicas, las cuales ejemplifican como algunos de esos principios, aplicados a robots reales, funcionan juntos, permitiendo al robot aprender autonomamente a ejecutar una serie de tareas. Tambien mostramos como el robot, aprovechandose de tecnicas de aprendizaje activo e incremental, es capaz de decidir la mejor manera de explorar su entorno a fin de adquirir el conocimiento que mejor le ayuda a lograr sus objetivos. Esto, anadido al descubrimiento autonomo de las limitaciones de su propio cuerpo, disminuye la cantidad de conocimiento especifico del dominio que es necesario poner en el diseno del sistema de aprendizaje. Primeramente, presentamos un algoritmo de aprendizaje incremental para Modelos de Mixtura de Gaussianas aplicado al problema de aprendizaje sensorimotor. Implementado en un robot movil, el objetivo es adquirir un modelo que es capaz de realizar predicciones sobre los estados sensoriales futuros. Este modelo predictivo es reutilizado como substrato representacional, el cual sirve para categorizar y anticipar situaciones tales como la colision contra un objeto. Despues de un periodo extendido de aprendizaje, y habiendo encontrado situaciones diferentes, observamos que los modelos adquiridos se terminan siendo bastante grandes. Sin embargo, nos dimos cuenta que, en un momento dado, solo una pequena porcion del mismo es utilizada. Ademas, estas areas son utilizadas consistentemente por un periodo relativamente largo de tiempo. Presentamos una extension para el algoritmo de Regresion basado en Mixturas de Gaussianas, el cual aprovecha este hecho a fin de reducir el coste computacional de la inferencia. Las tecnicas aqui presentadas fueron tambien aplicadas en un problema diferente y mas commplejo: la imitacion de una secuencia de notas musicales proporcionadas por un humano. Estas son producidas por un objeto musical virtual que es utilizado por un robot humanoide. El robot no solo aprende a utilizar este objeto, sino que tambien aprende sobre las limitaciones de su propio cuerpo. Esto le permite entender mejor que puede hacer y como puede hacerlo, subrayando la importancia de la influencia que el hecho de tener cuerpo tiene en la interaccion del robot con su entorno y el tipo de estructuras cognitivas que se forman como consecuencia de este tipo de interaccion.