Sistemas Inteligentes en

Ingeniería

Antonio Morán, Ph.D.

IEEE Sección Perú

 Inteligencia Humana

Pensar Memorizar
Adaptarse
Aprender Decidir

Olvidar Sentir
Entender

Socializar Estimularse
Amar
Emocionarse Juzgar
 Cómo construir un sistema
inteligente con las mismas
capacidades del ser humano
 Qué es la Inteligencia?

Capacidad para realizar una

actividad en forma autónoma

La decisión y la acción se
realizan para lograr un objetivo
Los Robots Realizan Tareas más
Complejas

Antes: Qué hacer

Cómo hacer

Ahora: Objetivo final

Ve cómo lo haces
Los Robots Realizan Tareas más
Complejas

Aprender de la experiencia
Mejorar cada vez
Trabajar de manera cooperativa
Los Robots Realizan Tareas Complejas
de Manera Cooperativa

Dos brazos robot cooperan Dos robot móviles cooperan

Los Robots Realizan Tareas Complejas
de Manera Cooperativa
 Técnicas para el Diseño de
Sistemas Inteligentes

Redes Neuronales
Lógica Difusa
Naturaleza
Algoritmos Genéticos
Colonización Hormiga
Máquinas de Vector de Soporte
…….
 El Cerebro
Red Neuronal Natural

Millones de neuronas altamente interconectadas

 El Cerebro
Se comporta como un sistema
de entradas y salidas

Outputs
Inputs

Cerebro
Reconocimiento de Caras

María
Reconocimiento de Caras

María

Cerebro María
Manejo de un Automóvil

Posición actual
Posición deseada

Angulo del timón

Pedal de acelerador
 Manejo de un Automóvil
Un Problema de Control

Posición
deseada Timón Posición
actual
Conductor Vehículo

Acelerador
 Médico Anestesista

Presión Pulso Dosis de

sanguínea cardiaco medicina
 Médico Anestesista
Un Problema de Control

Niveles
Medicina Niveles
deseados
actuales
Médico Paciente
Modelo de Red Neuronal Artificial
Red Neuronal Natural

Modelo de Red Neuronal Multicapas

 Red Neuronal

x1 y1
x2 y2

y = Φ(x)
Reconocimiento de Caras

María

Cerebro María

y = Φ(x)
Regresión Lineal
y

x
y = ax + b

x
y = ax2 + bx + c
 Regresión Lineal
Datos y
x y y = ax + b
* * x
* *
* *
* *

J = 0.5 (y1-y1)2 + 0.5 (y2-y2)2 + ….. + 0.5 (yN-yN)2

Problema: Hallar a y b que minimzian J

Red Neuronal
Red Neuronal
Datos v11 w11
x1 x2 y1 y2 x1 y1

* * * * x2 y2
* * * * w32
v23
* * * *
* * * *

Función de costo a minimizar:

J = 0.5 (y(1)-y(1))T(y(1)-y(1)) + ….. + 0.5 (y(N)-y(N))T (y(N)-y(N))

y(k) = [ y1(k) y2(k) ]T

Reconocimiento de Caras

Red neuronal para

reconocer 10 caras
 Red Neuronal para
Reconocimiento de Caras
vij wjk

:
Entrada : Salida
:
:

Entrada: Cara
Salida: Código para cada cara
 Reconocimiento de Caras
Reduciendo el tamaño de la imagen

Monocromática
40 x 30
Escala de grises 1200 pixels
1826 x 1529
La cara ocupa la mayor
Full Color parte de la imagen
2808 x 2425
 Reconocimiento de Caras
Reduciendo el tamaño de la imagen

1213x1013 2644x2106 2854x2370 2446x2016 2507x2190

40x30 40x30 40x30 40x30 40x30

 Reconocimiento de Caras
Entrada de la Red Neuronal

00000000000000000000
00000000011000000000
00000000111100000000
00000011111110000000
: : : : :
Matriz 40x30 : : : : :
00001011111110010000
00001000000000110000
00000000000000000000

Transformar la matriz a vector

 Reconocimiento de Caras
Entrada de la Red: Convirtiendo matriz de 40x30
en vector de 1200 x 1
0
0
00000000011000000000 0
00000000111100000000 0
00000011111110000000 :
: : : : : 1
0
00001011111110010000 1
00001000000000110000 0
00000000000000000000
:
40x30 1
0
0
0 1200x1
Salidas de la Red Neuronal

1000000000 0000010000

0100000000 0000001000

0010000000 0000000100

0001000000 0000000010

0000100000 0000000001
Red Neuronal para Reconocer Caras

vij wjk

:
1200 : 10
Inputs Outputs
:
:

Entrenamiento
Validación
 Validación de la Red Neuronal

Cara de Cara de
entrenamiento validación
0 0.1
0 0.1
0 0.2
0 0.1
0 0.3
1 0.9
0 0.2
0 0.1
0 0.3
0 0.1
Resultados de la Validación de
la Red Neuronal

Para diez caras distintas

en una matriz de 40x30

La red neuronal puede soportar

hasta el 45% de cambio de
píxeles
Detección de Anomalías Cardiacas

Normal

Anomalía 1

Anomalía 2

Anomalía 3
 Entrenamiento de Red Neuronal

600 muestras en un periodo

1 0 0 0
600 0 1 0 0
Entradas 0 0 1 0
0 0 0 1

4 Salidas
Validación con Señales Ruidosas
 Resultados de la Validación de
la Red Neuronal
Diagnóstico correcto en señales con ruido bajo
Médico Humano 100%
Red Neuronal 100%

Diagnóstico correcto en señales con ruido medio

Médico Humano 85%
Red Neuronal 94%
Diagnóstico correcto en señales con ruido alto
Médico Humano 64%
Red Neuronal 86%
Robots Móviles Inteligentes
 Robot Móvil

Fin

Inicio
Problemas Fundamentales de la
Robótica

Planenamiento de Trayectoria
Trayectoria Deseada

Control de Dispositivos
Logro de la Trayectoria
 Planeamiento de Trayectoria

Fin

Inicio
 Logro de Trayectoria Deseada

Fin

Inicio
Logro de Trayectoria Deseada
Robot Móvil que Esquiva Osbtáculos
 Aprendizaje de Robots

Formación de Robots que

Siguen a un Líder
Formación de Robots que Siguen a
un Líder

Seguidor 1

Líder

Seguidor 2
 Formación de Robots que Siguen a
un Líder

Vuelo de
Gaviotas

Caminata de
Hormigas
Formación de Robots
Etapas de Diseño

Aprender a llegar una

posición deseada

Aprender a seguir una

trayectoria deseada
Alcanzar una Posición Deseada

Resolver un Problema de
Optimización

Trayectoria de Longitud Mínima

Trayectoria de Tiempo Mínimo
Esquivamiento de Obstáculos
………
 Red Neuronal
Representación artificial del
cerebro humano

x1 y1
x2 y2
 Lógica Difusa

Lógica Difusa Lógica Convencional

Valores linguísticos Valores numéricos
Vagos, ambiguos Exactos, precisos

Angulo del timón

I have to reach the parking
lot. Turn to left 15 degrees. d = +15 grados

I have to reach the parking d = Poco a la

lot. Turn a little to the left .
izquierda
 Colonización Hormiga

Encontrar trayectorias tal como hacen

las hormigas para buscar comida.
Logro de Posición Deseada
Posición Deseada

Obstáculos Obstáculos

Trayectoria
planificada

Posición
inicial
Trayectoria
real
 Tipos de Robot Móvil

Diferencial Tipo Carro

Mono
Cuerpo

Multi
Cuerpo
 Modelo del Robot

Ruedas d
Delanteras x
d
Robot y
f v f
L

y x(k+1) = x(k) + v Dt cos(f(k))

Ruedas
Posteriores y(k+1) = y(k) + v Dt sen(f(k))

x f(k+1) = f(k) – v/L tan(d(k))

Movimiento en retroceso
Velocidad < 3m/s - 12k/h
No desliza – No resbala
 Estructura de Control

Conductor
x* x
-+ d Robot y
f* Móvil f
-+

El conductor es una red neuronal

Dadas las características del problema, la
coordenada y no es necesaria
 Red Neuro-Difusa

Integra:
Conocimiento Reglas Si - Entonces (Fuzzy)
Datos Aprendizaje (Red Neuronal)
Trayectorias del Robot Móvil para
Alcanzar una Posición
Trayectorias del Robot Móvil para Seguir
una Pista
Formación de Robots que Siguen a
un Líder

Seguidor 1

Líder

Seguidor 2
Formación de Robots que Siguen a
un Líder

Líder:
Se desplaza hacia la
Seguidor 1 posición deseada

Líder Seguidor 1:
Sigue al líder
Seguidor 2

Seguidor 2:
Sigue al robot anterior
Video de Robots que
Cooperan
Experimental Mobile Robot
Gracias por su atención!

Antonio Moran, Ph.D.

amoran@ieee.org