Tecnologias Inteligentes em Robótica

•

Vicente Riva Palacio

Yoan Perez

1/5/2024

¡Estudia con miles de materiales!

Vista previa del material en texto

Alejandro Hossian, Lilian Cejas, Roberto Carabajal, César Echeverría, Verónica Olivera, Maximiliano Alveal
Proyecto de Investigación FRN - UTN
Plaza Huincul, Neuquén, Argentina
alejandrohossian@yahoo.com.ar, lcejas@frn.utn.edu.ar, rcarabaj@copelnet.com.ar, checesarito@yahoo.com,
verolivera@gmail.com, maximilianoalveal@hotmail.com

Abstract— La Inteligencia Artificial (IA) encuentra sus raíces
en distintos mitos y leyendas a lo largo de la historia de la
humanidad. De manera tal que con el transcurso del tiempo, la
IA se ha ido nutriendo de un variopinto espectro de tecnologías;
las cuales han sido y siguen siendo de suma utilidad en distintas
áreas disciplinares. A tal efecto, y este es el caso del presente
artículo, corresponde citar el área de estudio de la navegación de
robots móviles, cuyos tópicos de investigación constituyen un
aporte sustancial en distintos sectores del desarrollo (industriales,
medicinales, seguridad, aeroespacial, entre otros).
El presente trabajo centra su análisis en el comportamiento
que registran los robots móviles en ambientes de navegación
estructurados, en los cuales los obstáculos permanecen fijos
mientras el robot realiza las acciones requeridas por el usuario.
Los primeros experimentos tuvieron como soporte la aplicación
de las Tecnologías Inteligentes de las Redes Neuronales
Artificiales (RNA), los cuales se focalizaron en la implementación
del algoritmo de aprendizaje supervisado de retropropagación
del error (backpropagation). Actualmente, y con el propósito de
mejorar la performance del vehículo robótico con la tecnología
aplicada, se realizan experimentos mediante la aplicación de
algoritmos inteligentes de carácter deliberativo, los cuales se
orientan hacia la planificación de las tareas que el robot debe
realizar dentro de su entorno de operación.
Keywords: Artificial Intelligence (AI), Robotic Vehicle,
Artificial Neural Networks (ANR), Intelligent Algorithms
I. INTRODUCCIÓN
En un comienzo, las investigaciones en el campo de la
robótica se realizaban en base a ambientes de desarrollo con
células de trabajo fijas en sus posiciones para que el robot
desarrolle sus tareas, tal es el caso del robot ensamblador o
soldador en una planta de montaje.
Los avances tecnológicos fueron tan significativos en los
diferentes ambientes industriales, que constituyeron una de las
razones principales para dotar a los sistemas de robots de una
adecuada capacidad de desplazamiento, más allá de las
prestaciones que realizaban en sus células de trabajo. Es
entonces cuando esta disciplina dio en llamarse “robótica
móvil” y constituye uno de los mayores desafíos que aborda la
comunidad científica que trabaja dentro del rico y extenso
campo de la robótica.
Es importante señalar, que las sucesivas investigaciones
desarrolladas intentaron proporcionar a estos sistemas móviles
de un nivel de autonomía suficiente, que le permitan navegar
en su ambiente de operación y reaccionar ante situaciones que
no han sido consideradas en su programa de control [1].
La navegación permite guiar el curso de un robot móvil a
través de un entorno con presencia de obstáculos. Se conocen
diferentes esquemas para llevar a cabo esta tarea, pero todos
ellos tienen el objetivo común de dirigir el vehículo hacia su
destino de la manera más segura y eficiente posible. La
capacidad de reacción que pueda poseer el robot cuando se
encuentra ante situaciones inesperadas, debe constituir su
cualidad más distintiva para desenvolverse eficazmente en el
entorno donde éste deba operar, lo cual indica el grado de
autonomía que este posee.
Siguiendo esta línea, en la sección A se presentan los
principios fundamentales de las RNA; como así también los
experimentos realizados en el campo de la Robótica Móvil,
mediante la aplicación de aprendizaje supervisado del tipo
Backpropagation. En la sección B se hace referencia a las
características generales de los Algoritmos de Búsqueda, en
particular las correspondientes a las Técnicas no informadas o
a ciegas.
A. Experimentos realizados con Redes Neuronales
En la primera fase de este trabajo se presentan los
resultados obtenidos mediante la aplicación de técnicas de
navegación robótica basadas en redes neuronales con
aprendizaje supervisado de tipo Backpropagation,
representativo de las características más potentes del
paradigma reactivo concerniente a la navegación autónoma de
robots [2], [3]. Este trabajo se realiza en un marco un poco
más amplio considerado una evolución del paradigma
reactivo, que se denomina “Aproximación Basada en
Comportamientos” [4]. Esto es, los comportamientos
describen la forma en que se reacciona (en este caso un
sistema robótico) ante un determinado estado de sensores y
donde las actuaciones se determinan de manera más elaborada
que una simple consulta a una tabla de correspondencias,
realizando cálculos a los efectos de decidir qué acción se debe
llevar a cabo.
B. Algoritmos de búsqueda: principios y fundamentos
Los Algoritmos de Búsqueda constituyen una de las
tecnologías más importantes de la IA, cuyo objetivo principal
consiste en hallar una solución válida dentro del espacio de
estados. Entre otras técnicas que se pueden implementar con
estos algoritmos se conocen las de búsqueda no informada y
búsqueda con información. La primera debe su denominación
a que el problema que se pretende resolver no proporciona
ninguna información adicional que sirva de soporte para
encontrar una solución de forma más rápida. En tanto que la
Hossian, A Cejas, L., Carabajal, R., Echeverría, C., Olivera, V., Alveal, M. 2015. Aplicación de Tecnologías Inteligentes
para el Estudio de Conductas de Robots Móviles en Ambientes de Trabajo con Obstáculos Fijos
Revista Latinoamericana de Ingeniería de Software, 3(5): 197-205, ISSN 2314-2642
198
segunda técnica sí proporciona información que ayuda a guiar
la búsqueda.
En el presente artículo se utilizan técnicas de búsqueda no
informada, o también llamada búsqueda a ciegas. En primer
lugar se muestra un experimento relacionado con la Técnica
de búsqueda en profundidad, cuyo objetivo central es
encontrar una ruta entre el nodo raíz y el nodo objetivo; en
segundo término se hace uso de la técnica de búsqueda en
amplitud, la cual además de hallar una ruta entre el nodo raíz y
el nodo objetivo, encuentra la más corta. Cabe destacar a tal
efecto, que tanto el entorno estructurado como el nodo raíz y
destino son los mismos a la hora de implementar ambas
técnicas, a fin de poder medir la performance de cada uno de
ellos.
II. EL MODELO PROPUESTO
En la sección A se menciona brevemente el abordaje de la
navegación robótica con aprendizaje supervisado mediante la
aplicación de RNA de tipo Backpropagation. En la sección B,
se desarrolla el modelo de navegación robótica con algoritmos
de búsqueda en profundidad; y en la sección C, se aborda el
mismo problema propuesto en la sección anterior mediante la
aplicación de algoritmos de búsqueda en amplitud.
A. Modelo de aplicación de Red de tipo Backpropagation
La arquitectura de la red neuronal propuesta consta de una
capa de entrada, una capa oculta y una capa de salida [5]. De
esta manera, se intenta que el robot pueda realizar trayectorias
de mayor complejidad que para las que fue entrenado.
En el proceso de entrenamiento, el vehículo robótico
recibe información del ambiente en el cual navega; la cual es
volcada en un mapa sensor – motor, que permite esquematizar
tal ambiente con obstáculosdefinidos, y a través de un
software diseñado a tal efecto, se simula su interacción luego
de su entrenamiento para evaluar su performance bajo las
premisas del paradigma reactivo. Este mapa sensor-motor se
traduce en una matriz con la descripción sensorial en cada
posición de la grilla, que representa el entorno y los posibles
movimientos en respuesta a los estímulos sensados, conforme
a las políticas de proximidad y de movimiento [6].
De acuerdo al mapa sensor-motor y tras el entrenamiento
del robot con la tecnología inteligente de la red neuronal
escogida se evalúa el robot para diferentes ambientes de
operación. La combinación de rutas definidas para distintas
configuraciones del ambiente de navegación, constituyen las
diversas conductas de navegación que exhibe el robot [7].
La figura 1 describe el paradigma de red utilizado,
mientras que las figura 2 y 3 muestran el esquema de la
organización del ambiente donde navega el robot, consistente
en una grilla cuyas coordenadas (x, y) se encuadran dentro de
un eje cartesiano con dos trayectorias diferentes. Este entorno
visual brinda la información referida a la localización del
robot (proporcionada por las coordenadas X e Y, que en este
caso corresponden a 0 según X y a 6 según Y), su orientación
(dada por Norte, Sur, Este y Oeste), el ambiente propiamente
dicho, con la ubicación de sus obstáculos (casilleros con
cruces) y las opciones para entrenar la red, reiniciar el proceso
cuando sea necesario y simular los pasos de la trayectoria
seguida por el robot. Asimismo, estas últimas dos figuras
muestran tanto una trayectoria exitosa y una colisión para el
mismo entorno partiendo desde otro origen [8].
En fase de operación, se procede a presentarle al robot
otras trayectorias diferentes a las aprendidas para evaluar su
performance.

Fig. 1. Arquitectura de red de tipo Backpropagation

Fig. 2. Trayectoria exitosa de un robot entrenado con RNA.

Fig. 3. Trayectoria no exitosa partiendo desde un lugar distinto al
aprendido.
B. Modelo de aplicación de Algoritmo de Búsqueda
Los grafos de navegación permiten trabajar con una
abstracción del entorno real y son usados en la navegación
robótica cuando se conocen previamente las características del
ambiente.
El ambiente se expresa en una grilla donde los casilleros
oscuros representan los obstáculos y los casilleros libres
indican el espacio transitable, tal como se observa en la figura
4 En estos espacios libres se colocan nodos o vértices
nombrados con letras mayúsculas, como se muestra en la

Fig. 4. Entorno propuesto. Fig. 5. Distribución de los nodos.

Fig. 6. Diseño del grafo en el entorno.
El grafo de este caso estudio cuenta con dieciocho vértices
o nodos y veinte aristas. Se conoce como grafo de navegación
o navgraph y permite trabajar con una abstracción de robots
cuando se conoce previamente las características del entorno
[9].
A partir de la definición de estos elementos, se puede
entonces comenzar con la presentación de los modelos de
algoritmos propuestos.
Cabe destacar que estos algoritmos trabajan con cierta
información. Es decir, el algoritmo aplicado conocerá cuál es
el nodo objetivo al que se desea llegar y también puede
guardar información sobre cuáles nodos y aristas se han
visitado previamente.
a) Modelo de aplicación de Algoritmo de Búsqueda en
profundidad
El primer algoritmo que se analiza se conoce como Depth
First Search (DFS) o búsqueda en profundidad. La búsqueda
que realiza este algoritmo consiste en el descenso hasta el
máximo nivel de profundidad de la rama llegando hasta al
nodo más profundo y luego continuar con la siguiente rama.
Este algoritmo se inicia en un nodo del grafo, considerado
nodo raíz. A partir de ese punto, observa cuáles son los nodos
hijo y visita al primero. De este nuevo nodo, ve cuáles son los
hijos y visita al primero que encuentra. El proceso sigue hasta
hallar a una hoja, es decir, un nodo que no tenga hijos o a uno
que esté conectado a nodos que ya se hayan visitado
previamente. En ese momento, regresa al nodo padre
inmediato y visita al siguiente hijo del nodo. El proceso
continua hasta que se encuentra el nodo objetivo o se han
visitado todos los nodos del grafo. Esto puede observarse
detenidamente en el diagrama de flujo que se despliega en la
figura 7.
Este algoritmo expresado en el pseudocódigo descripto a
continuación garantiza encontrar una ruta entre el nodo raíz y
el objetivo, siempre y cuando el nodo objetivo exista y esté
conectado al grafo.

Fig. 7. Diseño del grafo en el entorno.

Fig. 8. Pseudocódigo del Algoritmo de Búsqueda en Profundidad.
Desde el punto de vista de la implementación, la búsqueda
en profundidad utiliza una pila LIFO (Last In First Out). Una
pila LIFO tiene dos operaciones: una para introducir un dato
en la pila y otra para extraer un dato de la pila. El dato que se
extrae de la pila es el último que se introdujo.
Teniendo en cuenta las consideraciones expuestas
precedentemente, el ejemplo propuesto tiene como objetivo
que el robot parta del nodo A y llegue al nodo R, es decir que
encuentre una ruta que pueda seguir. Paro ello es necesario
contar con una “pila o stack” que sea capaz de guardar las
aristas que faltan por visitar y además, un arreglo en el que se
registren los nodos y su nodo padre. Es importante al iniciar
este algoritmo, hacer una arista del nodo raíz a sí mismo para
poder iniciar y colocarlo en la pila. Esto se ilustra en la figura
9:
Hossian, A Cejas, L., Carabajal, R., Echeverría, C., Olivera, V., Alveal, M. 2015. Aplicación de Tecnologías Inteligentes
para el Estudio de Conductas de Robots Móviles en Ambientes de Trabajo con Obstáculos Fijos
Revista Latinoamericana de Ingeniería de Software, 3(5): 197-205, ISSN 2314-2642
200

Fig. 9. Grafo propuesto con un autolazo en el nodo A a fin de dar inicio al
algoritmo.

Fig. 10. Grafo propuesto con el registro de las aristas adyacentes al nodo A.
Luego se toma la primera arista de la pila y de esta manera
el robot se posiciona en el nodo D. Se verifica que este nodo
no sea el nodo destino. Su padre es el nodo A y se continúa
con los pasos del algoritmo de la manera que se ilustra en la
figura 11:

Fig. 11. El robot se posiciona en el nodo D. Se registra en la tabla a su
nodo padre que es A.
Entonces, se toma la primera arista de la pila y de esta
manera el robot se posiciona en el nodo E. Su padre es el nodo
D y se continúa con los pasos del algoritmo de la manera que
se ilustra en la figura 12. Se observa que desde E se
desprenden dos aristas: E-H y E-F.

Fig. 12. El robot se posiciona en el nodo E. Se registra en la tabla a su nodo
padre que es D.
Se escoge recorrer la arista que se encuentra primero en la
pila, es decir E-F y de esta forma el robot puede posicionarse
en el nodo F. Ahora bien, el vértice E es el padre de F y la
arista posible de ser recorrida es la arista F-G. Observe la
figura 13.

Fig. 13. El robot se posiciona en el nodo F. Se registra en la tabla a su nodo
padre que es E.
Siguiendo esta línea, el vehículo robótico llega al nodo G.
Se actualiza nuevamente la pila y el registro de los nodos
padres. Tal como se observa en la figura 14:

Fig. 14. El robot se posiciona en el nodo G. Se registra en la tabla a su
nodo padre que es F.
Se escoge la arista G-I, que es la primera en la pila y se
guarda en ella las aristas que aún quedan pendientes por
recorrer. Como en el paso anterior se registran los nodos
padres. De esta manera el robot continúa hacia elnodo I.

Fig. 15. El robot se posiciona en el nodo I. Se registra en la tabla a su nodo
padre que es J.
Desde el vértice I, y con el objeto de ilustrar esta
aplicación, se recorre hasta el vértice J. Se actualizan entonces
los registros tal como se observa a continuación:

Fig. 16. El robot se posiciona en el nodo J. Se registra en la tabla a su nodo
padre que es I.
Conforme se ha actualizado la pila, el robot se dirige hasta
el vértice O, siendo J su nodo padre. Observe la figura 17.

Fig. 17. El robot se posiciona en el nodo O. Se registra en la tabla a su
nodo padre que es J.
Se ha actualizado la pila y el robot se dirige hasta el vértice
N, siendo O su nodo padre, como se ilustra en la figura 18.

Fig. 18. El robot se posiciona en el nodo N. Se registra en la tabla a su
nodo padre que es O.
Se ha actualiza la pila nuevamente y el robot se dirige
hasta el vértice Q, siendo N su nodo padre, como se observa
en la figura 19.

Fig. 19. El robot se posiciona en el nodo Q. Se registra en la tabla a su
nodo padre que es N.
Conforme se ha actualizado la pila, el robot se dirige hasta
el vértice R, siendo Q su nodo padre. Aquí se verifica que R es
el nodo destino. En este caso concluye el algoritmo pues R es
el punto hasta donde el robot debía llegar. De esta manera, se
ha encontrado una ruta posible: A – D – E – F – G – I – J – O
– N – Q – R, tal como se muestra en la figura 20.

Fig. 20. El robot se posiciona en el nodo destino R.

Fig. 21. Diseño del grafo solución.
Este algoritmo ha permitido encontrar una ruta, que no
significa que sea la más corta. Esto queda representado,
además, en el grafo de la figura 21.
b) Modelo de aplicación de Algoritmo de Búsqueda en
Amplitud
Uno de los objetivos fundamentales de este algoritmo de
búsqueda consiste en la optimización de las vías que
comunican los puntos de paso obligado que deben ser
visitados por el vehículo robótico autónomo, redundando ello
en un importante ahorro de recursos, tales como tiempo,
combustible, desgaste de sus partes constitutivas, entre otros.
En especial, este algoritmo recorre el grafo por niveles. Es
decir, primero se visita el nodo raíz. Seguidamente se visitan
todos sus hijos y para cada hijo en el paso anterior se visitan
todos sus hijos y así sucesivamente. Este algoritmo verifica los
nodos del siguiente nivel antes de ir a él y hasta que no
finaliza un nivel de profundidad no pasa la siguiente. Esto
puede observarse detenidamente en el diagrama de flujo que
se despliega a continuación.
Hossian, A Cejas, L., Carabajal, R., Echeverría, C., Olivera, V., Alveal, M. 2015. Aplicación de Tecnologías Inteligentes
para el Estudio de Conductas de Robots Móviles en Ambientes de Trabajo con Obstáculos Fijos
Revista Latinoamericana de Ingeniería de Software, 3(5): 197-205, ISSN 2314-2642
202

Fig. 22. Diseño del grafo solución.
El pseudocódigo descrito a continuación permite encontrar
la ruta más corta entre el nodo raíz y el objetivo, siempre y
cuando el nodo objetivo exista y esté conectado al grafo.

Fig. 23. Pseudocódigo del Algoritmo de Búsqueda en Amplitud
Este recorrido se implementa en la práctica usando una
cola FIFO (First In First Out) para la lista de nodos
adyacentes. Una cola FIFO es una estructura de datos en la
que podemos hacer dos operaciones principales: almacenar un
dato y sacar un dato. La particularidad de las colas FIFO es
que cuando sacamos un dato, este se extrae en el mismo orden
en el que se almacenó.
La aplicación de este algoritmo garantiza la existencia de
una ruta óptima, es decir, la ruta más corta en términos de
aristas y vértices recorridos. Si hubiera más de una ruta con la
misma cantidad de nodos y aristas recorridos, la solución sería
la primera de ellas que se encuentre.
Tal como se desarrolló el algoritmo de búsqueda en
profundidad y considerando los elementos definidos en la
sección precedentemente, se proponemos la aplicación de este
algoritmo tal como se ilustra en la figura 24. Allí se muestran
las condiciones de inicio. Se crea un autolazo en el nodo A
para dar comienzo al algoritmo y se registra el nodo A como
visitado. Se recuerda que el objetivo es llegar al nodo R
transitando la ruta más corta.

Fig. 24. Condiciones iniciales. Registro de los nodos padres.
Se toma de la cola la arista, se coloca a A como padre del
nodo A, se adiciona la arista que sale del nodo A y se marca el
nodo que recibe a la arista como conocida. De esta manera, se
verifica que el nuevo nodo no es el objetivo. Observe la figura
25.

Fig. 25. El robot llega al nodo D. Se registran los datos en la cola.
Se toma la siguiente arista, A-D, se coloca a A como padre
de D y se registran las aristas que salen de D, como se muestra
en la figura 26.

Fig. 26. El robot llega al nodo E. Se registran los nodos padres.
Se toma la siguiente arista, D - E, se coloca a D como
padre de E y se registran las aristas que salen de E, E – H y E
– F, como se muestra en la figura 27. En este momento se
marcan los nodos H y F como conocidos.

Fig. 27. El robot llega al nodo F. Se registran los nodos padres.
Mientras no se encuentre el nodo objetivo se continúa con
la aplicación del algoritmo tal como se demostró para el caso
del algoritmo de búsqueda en profundidad. A modo de
ilustración, en las figuras 28 y 29, se observa la ruta más corta
encontrada tras la conclusión del algoritmo, como así también
el grafo resultante. La ruta más corta para este caso está dada
por el recorrido de los nodos: A-D-E-F-G-I-J-O-R.

Fig. 28. El robot llega al nodo destino R.

Fig. 29. Diagrama del grafo resultante.
III. LOS RESULTADOS
En la sección A se presentan los resultados que
oportunamente se obtuvieron mediante la aplicación del
Modelo de Red de tipo Backpropagation; mientras que en la
sección B, los obtenidos en base a la implementación de los
Algoritmos de búsqueda en profundidad y en amplitud
respectivamente.
A. Resultados de la aplicación de la Red de tipo
Backpropagation
Teniendo en cuenta que el paradigma es netamente
reactivo, basado en la filosofía de estímulo-reacción, los
resultados obtenidos por la aplicación de la tecnología de las
RNA de tipo Backpropagation en función del entorno, del tipo
de robot y su interacción, ha evidenciado las diferentes
conductas del robot. Las observaciones realizadas para
distintas orientaciones, distintos puntos de partidas, entre
otras, deja en evidencia que el modelo resulta suficiente para
algunos casos y limitada para otros. Asimismo, cuando el
mundo adquiere mayor complejidad, o bien, cuando se hace
partir al robot desde otro origen muy diferente al punto de
origen con el cual se ha entrenado, éste adquiere conductas
que le permiten resolver el problema a veces acertadamente y
otras terminan en una colisión o en el ingreso a un bucle del
que no logra salir.
Si bien el tiempo de ejecución es más rápido, puesto que
actúa en función de la información que le proveen los
sensores, no siempre resulta esto eficiente, puesto que se ha
observado que eventualmente no logra el objetivo aunque
actúe con mayor velocidad.
B. Resultados de la aplicación de Algoritmos de Búsqueda
Los experimentos realizados con algoritmos de búsqueda
garantizan la existencia de una ruta siempre y cuando el nodo
objetivoexista y esté conectado al grafo.
El algoritmo de búsqueda en profundidad ha permitido
encontrar una ruta que puede o no ser la más corta mientras
que el algoritmo de búsqueda en amplitud ha permitido
encontrar una ruta de navegación más corta en términos de
nodos visitados. La optimalidad de este algoritmo se basa en
función del objetivo que se ha definido para el problema en
cuestión; es decir que el robot parta de un nodo raíz y llegue a
un nodo destino [10].
Desde el punto de vista computacional, el algoritmo de
búsqueda en profundidad requiere mucho menos memoria
pues sólo debe guardar el camino actual.
El algoritmo de búsqueda en amplitud no se “pierde”
explorando caminos infructuosos que consumen mucho
tiempo sin llegar a una solución o de los que no se vuelve
nunca; pero computacionalmente, el requerimiento de
memoria es mayor, y en consecuencia si aumentara la
complejidad del entorno en términos de cantidad de nodos, la
situación sería comprometida.
IV. CONCLUSIONES
A. Sobre la aplicación de la Red Backpropagation
De acuerdo a las investigaciones y experimentos
realizados se puede concluir que el robot se desempeña bien
dependiendo del lugar de salida e intentando siempre hallar la
trayectoria de entrenamiento.
Es notable que el patrón de entrenamiento ha sido
suficiente para algunas trayectorias, aunque en ciertos casos
dicho patrón no resulta ser representativo del entorno en el
cual opera el robot, ya que la mayoría de las salidas de la red
correspondientes al movimiento de los motores del robot, es
avanzar y por ese motivo es que choca partiendo desde otras
posiciones. O bien, ingresa en un bucle sin poder resolver esa
situación, quedando inmóvil.
Para aminorar este problema, se aumenta el número de
patrones de entrenamiento utilizando varias trayectorias o más
largas, vigilando siempre la convergencia de la red para
Hossian, A Cejas, L., Carabajal, R., Echeverría, C., Olivera, V., Alveal, M. 2015. Aplicación de Tecnologías Inteligentes
para el Estudio de Conductas de Robots Móviles en Ambientes de Trabajo con Obstáculos Fijos
Revista Latinoamericana de Ingeniería de Software, 3(5): 197-205, ISSN 2314-2642
204
obtener mayor convergencia para los patrones de
entrenamiento y máxima generalización, para las nuevas
posibles situaciones.
En síntesis, se asume que el uso de las RNA como técnica
de navegación de características reactivas proporciona
resultados satisfactorios para ciertas trayectorias en la fase de
operación, tanto más en la medida que estas trayectorias
presenten mayor similitud con las que desarrolló en la fase de
entrenamiento; así es que se tendrá por caso, que el robot
buscará girar más para el lado que lo hace en la trayectoria de
entrenamiento que para el otro. A medida que las trayectorias
que se le proponen al robot son tanto más complejas que la
que este entrenó, este paradigma exhibe sus limitaciones
haciendo que la red no converja y se produzcan situaciones de
colisión o bucles en el ambiente de navegación. En otros
términos, se produce una incorrecta generalización de la red
neuronal para las nuevas situaciones que debe afrontar el
robot, las cuales no se encontraban presentes en las
trayectorias de entrenamiento.
La idea que subyace detrás de este objetivo central, es que
dichas mejoras puedan verse reflejadas en términos de
evitación de obstáculos, velocidad de respuesta, optimización
de las trayectorias y logro de los objetivos [4].
B. Sobre la aplicación de Algoritmo de Búsqueda
El experimento realizado con el algoritmo en profundidad
encontró un camino entre el nodo A y el nodo R cumpliendo
con el objetivo propuesto, no asegurando que ésta sea la ruta
con el cual el robot visita menos puntos de paso. El
experimento realizado con el algoritmo en amplitud encontró
un camino entre el nodo A y R cumpliendo no sólo con el
objetivo de llegar a destino sino que además ha visita menos
nodos a su paso. Por esa razón, ambos algoritmos se
consideran completos, dado que aseguran que aseguran la
existencia de una ruta entre el nodo raíz y el nodo destino.
La medida de la performance de ambos algoritmos, en
términos de los puntos de paso visitados por el robot en su
recorrido para desarrollar su trayectoria, deja ver que la
búsqueda en profundidad puede considerarse menos eficiente
(subóptima) que la búsqueda en amplitud (óptima). Dado que
para cubrir la misma trayectoria entre el mismo origen y el
mismo destino y la misma complejidad de mundo, la búsqueda
en amplitud necesitó visitar menos puntos en la trayectoria
realizada.
El algoritmo de búsqueda en profundidad ha permitido
recorrer todos los nodos del grafo de manera ordenada, pero
no uniforme mientras que el algoritmo de búsqueda en
amplitud recorre todos los nodos de un árbol de manera
uniforme y expande cada uno de los nodos de un nivel antes
de continuar con el siguiente por esta razón sólo asegura la
existencia de una ruta.
El algoritmo de búsqueda en profundidad es muy similar al
de búsqueda en amplitud, aunque poseen una diferencia
fundamental en cuanto a la estructura de datos usada en cada
caso para guardar el registro de las aristas.
A diferencia de las RNA, los algoritmos de búsqueda
conocen cuál es el nodo objetivo al que se desea llegar y
pueden guardar información sobre cuáles nodos y aristas se
han visitado previamente; mientras que las RNA actúan en
función de los estímulos que recibe y de los ejemplos con los
cuales ha sido entrenada, es decir que si es mayor el número
de ejemplos con el cual se entrena puede inferirse que
aprenderá mejor. En ambos casos deben tener un
conocimiento previo del entorno con el cual interactúan.
En este sentido, las redes neuronales no siempre
encuentran una ruta acertada de acuerdo a los requerimientos,
y los algoritmos de búsqueda, de acuerdo al tipo que se utilice,
no sólo entrega una ruta sino que puede incluso entregar la
ruta más corta en términos de puntos de paso visitados, los que
pueden traducirse en espacios de trabajo que el robot deba
visitar previamente antes de llegar a destino.
Por otro lado, dado que la arquitectura de la red
Backpropagation actúa en base a un sistema sensar-actuar de
características reactivas, esto le proporciona mayor velocidad
al vehículo robótico; como contrapartida, la implementación
de los algoritmos de búsqueda, de carácter deliberativo y
secuencial (desde el punto de vista de la programación), por lo
tanto es más lento, lo cual puede traducirse, en un mundo
complejo, en una desventaja en términos de tiempo, dinero,
consumo energético, entre otros.
V. FUTURAS LINEAS DE INVESTIGACION
En virtud de lo expuesto cabe considerar la consiguiente
investigación sobre el objetivo de mejorar el desempeño del
robot en lo que se refiere a sus conductas de navegación.
Complementando el concepto expresado en el punto
anterior, considerar la aplicación de técnicas de razonamiento
de alto nivel de tipo deliberativas (aprendizaje automático y
planificación autónoma de tareas entre otras) como
complemento de las técnicas reactivas; las cuales, si bien son
de menor velocidad de reacción que estas, también le permiten
al robot afrontar requerimientos de desempeño más complejos.
En este sentido, se propone como futura línea de
investigación el análisis de la performance del robot en
ambientes estructurados de mayor complejidad como así
también su desempeño en ambientes de operación de carácter
dinámico, en los cuales los obstáculos puede cambiar de
posición mientras el robot realiza su tarea.
Asimismo, y dado el objetivo planteado por los autores, se
considera la aplicación de algoritmos de búsqueda más
eficientes como nuevas técnicas para la resolución de este
caso de estudio. Esto es posible, pues el robot se desempeña
en un ambiente estructurado, es decir invariante en el tiempo.
Con lo cual y bajo estas circunstancias se plantean alternativas
como algoritmos de búsquedacon costos, como posibles
tópicos de análisis, como así también el abordaje de
algoritmos de búsqueda informada, tales como el Algoritmo
de Dijstra y el Algoritmo A*.
REFERENCIAS
[1] R. García Martínez, M. Servente, D. Pasquín. “Sistemas
Inteligentes”, Ed. Nueva Librería, Buenos Aires, Argentina,
2003.
[2] J. Santos, R. Duro, “Evolución Artificial y Robótica
Autónoma”, Ed. Alfaomega – Ra-Ma, México 2005.
[3] I. Harvey, “Artificial Evolution and Real Robots, Proceedings of
Internacional Symposium on Artificial Life and Robotics
(AROB)”, Masanori Sugisaka (Ed), Beppu, Japan, pp. 138-141,
1996.
[4] A. Ollero Baturone, “Robótica Manipuladores y robots
móviles”. Ed. Alfaomega – Marcombo, Barcelona España,
2007.
[5] J. R. Hilera, V. J. Martínez, “Redes Neuronales Artificiales.
Fundamentos, modelos y aplicaciones”, Ed. Alfaomega Ra-Ma.
Madrid, España, 2000.
[6] A. A. Hossian, L. A. Cejas, L. V. Olivera, “Estudio del
comportamiento de vehículos robóticos en ambientes
computarizados. Hacia un enfoque basado en conductas del tipo

Hossian, A Cejas, L., Carabajal, R., Echeverría, C., Olivera, V., Alveal, M. 2015. Aplicación de Tecnologías Inteligentes
para el Estudio de Conductas de Robots Móviles en Ambientes de Trabajo con Obstáculos Fijos
Revista Latinoamericana de Ingeniería de Software, 3(5): 197-205, ISSN 2314-2642
205
estímulo-respuesta”, IVº Jornadas de Enseñanza de la Ingeniería
JEIN - UTN – FRA, Buenos Aires, Argentina 2014.
[7] A. Scillato, D. Colón, J. Balbuena, “Técnicas de Navegación
Híbrida para Navegación de Robots Móviles”, Ed. Rama de
Estudiantes del IEEE. Tesis de grado para obtener el grado de
Ingeniero Electrónico. Universidad Nacional del Comahue
2005.
[8] A. A. Hossian, R. García Martínez, L. V. Olivera, “Robótica de
Navegadores. Un enfoque desde las Tecnologías Inteligentes”,
Ed. Nueva Librería, Buenos Aires 2014.
[9] N. Arrioja Landa Cosio, “Inteligencia Artificial”, Gradi, Buenos
Aires 2007.
[10] A. García Serrano, “Inteligencia Artificial. Fundamentos,
práctica y aplicaciones”, Alfaomega, México 2012.

Alejandro Armando Hossian. Es responsable de
formar recursos humanos en el área de
investigación y desarrollo dirigiendo tesis de
doctorado y maestría vinculadas a sus áreas de
especialización. Es Profesor Titular Regular de la
Facultad Regional Neuquén, Universidad
Tecnológica Nacional (UTN - FRN). Es Docente
Investigador, Director del grupo de investigación
de robótica cognitiva y Director de Posgrado de la misma casa de
altos estudios. Es Docente Investigador Categoría III del Ministerio
de Educación y Par Evaluador de la Comisión Nacional de
Evaluación y Acreditación Universitaria (CONEAU), República
Argentina. Acredita estudios universitarios de Ingeniero Civil por la
Universidad Católica Argentina, es Especialista en Ingeniería de
Sistemas de Expertos por el Instituto Técnico Buenos Aires (ITBA),
es Máster en Ingeniería de Software por la Universidad Politécnica
de Madrid (UPN), es Magister en Ingeniería de Software por el
Instituto Técnico Buenos Aires (ITBA) y es Doctor en Ciencias
Informáticas por la Facultad de Informática de la Universidad
Nacional de La Plata (UNLP).
Lilian. Cejas. Posee titulo de grado universitario
de Ingeniera Química, una Especialización en
Docencia Universitaria y Maestría en Docencia
Universitaria. Se ha capacitado en distintos cursos
afines a su desempeño profesional enfocado
principalmente al área educacional superior
universitario. Se ha desempeñado desde hace más
de veinticinco años en la Universidad Tecnológica Nacional,
Argentina. Es docente-investigadora en la modalidad presencial y
desde unos diez años en la modalidad virtual, como docente,
investigadora. Es Directora de Departamento de Ciencias Básica y
Directora de Carrera de la Licenciatura en Tecnología Educativa,
modalidad a distancia. Participa como docente invitada en la
modalidad virtual de la Universidad Autónoma del estado de
Hidalgo, México. Ha participado en numerosos congresos y
reuniones científicas nacionales e internacionales, tanto con
presentación de trabajos de investigación como organizadora, como
así también es miembro de comisiones científicas y tecnológicas.
Roberto Carabajal. Egresado como Ingeniero
Electricista orientación Automática, se ha
especializado en software para la administración y
control en la industria, con amplia experiencia en
redes, servidores y bases de datos. Ha trabajado
como proveedor de servicios en el área del
mantenimiento electrónico para informática. Fue
profesor en la carrera corta Técnico Superior en
Programación de la Facultad Regional del Neuquén, y actualmente se
desempeña como profesor en ingeniería química y electrónica de la
misma facultad. Está categorizado con Categoría “5”: Programa de
Incentivos a docentes e investigadores de Universidades Nacionales y
con Categoría “E”: Carrera de docente investigador de UTN. Ha
participado en diversas publicaciones científicas y en el grupo de
investigación Desarrollo de Métodos y modelos no convencionales
para la programación de comportamientos en robots. Es codirector de
la obra de diseño y puesta en marcha de la Planta Piloto-Unidad de
Destilación de Dos Componentes de la F.R.N.

Carlos César Echeverría. Ingeniero Electrónico
por la Universidad Nacional de La Plata. Docente
de la Universidad Tecnológica Nacional Facultad
Regional de Neuquén en las cátedras de Teoría de
Circuitos 2, Electrónica Aplicada 1 y Medidas
Electrónicas 1. Categorizado con Categoría “5” del
Programa de Incentivos a docentes e
investigadores de Universidades Nacionales y con Categoría “E” de
la Carrera de docente investigador de UTN. Profesor en Disciplinas
Industriales (PDI) - Profesor en Docencia Superior (PDS).
Diplomatura Superior en Enseñanza de las Ciencias. Especialización
en “Tecnología de antenas para uso Satelital”. Ha participado en
diversas publicaciones científicas y en el grupo de investigación
Desarrollo de Métodos y modelos no convencionales para la
programación de comportamientos en robots. Ha desarrollado varios
proyectos sobre la implementación de tecnología en las aulas de
enseñanza de Ingeniería y ciencias duras como la Física y la
Matemática.
Lorena Verónica Olivera. Trabaja en el grupo de
Investigación de Robótica de la Facultad Regional
del Neuquén de la Universidad Tecnológica
Nacional (UTN-FRN). Docente Investigador por la
Universidad Tecnológica Nacional. Ha participado
en la elaboración de artículos sobre automatización
y Robótica Cognitiva. Es Ayudante de la Cátedra
de "Tecnología de redes neuronales" en UTN -
FRN. Es Estudiante avanzado de Ingeniería Electrónica en la misma
casa de altos Estudios.
Emanuel Maximiliano Alveal – Becario de
investigación que desarrolla sus actividades en el
marco del Grupo de Investigación en Robótica de
Manipuladores de la Universidad Tecnológica
Nacional – Facultad Regional del Neuquén.
Estudiante avanzado de la Carrera de Ingeniería
Electrónica de la misma casa de altos estudios.

<<
/ASCII85EncodePages false
/AllowTransparency false
/AutoPositionEPSFiles true
/AutoRotatePages /All
/Binding /Left
/CalGrayProfile (Dot Gain 20%)
/CalRGBProfile (sRGB IEC61966-2.1)
/CalCMYKProfile (U.S. Web Coated \050SWOP\051 v2)
/sRGBProfile (sRGB IEC61966-2.1)
/CannotEmbedFontPolicy /Warning
/CompatibilityLevel 1.4
/CompressObjects /Tags
/CompressPages true
/ConvertImagesToIndexed true
/PassThroughJPEGImages true
/CreateJDFFile false
/CreateJobTicket false
/DefaultRenderingIntent /Default
/DetectBlends true
/DetectCurves 0.0000
/ColorConversionStrategy /LeaveColorUnchanged
/DoThumbnails false
/EmbedAllFonts true
/EmbedOpenType false
/ParseICCProfilesInComments true
/EmbedJobOptions true
/DSCReportingLevel 0
/EmitDSCWarnings false
/EndPage -1
/ImageMemory 1048576
/LockDistillerParams false/MaxSubsetPct 100
/Optimize true
/OPM 1
/ParseDSCComments true
/ParseDSCCommentsForDocInfo true
/PreserveCopyPage true
/PreserveDICMYKValues true
/PreserveEPSInfo true
/PreserveFlatness true
/PreserveHalftoneInfo false
/PreserveOPIComments false
/PreserveOverprintSettings true
/StartPage 1
/SubsetFonts true
/TransferFunctionInfo /Apply
/UCRandBGInfo /Preserve
/UsePrologue false
/ColorSettingsFile ()
/AlwaysEmbed [ true
]
/NeverEmbed [ true
]
/AntiAliasColorImages false
/CropColorImages true
/ColorImageMinResolution 300
/ColorImageMinResolutionPolicy /OK
/DownsampleColorImages true
/ColorImageDownsampleType /Bicubic
/ColorImageResolution 300
/ColorImageDepth -1
/ColorImageMinDownsampleDepth 1
/ColorImageDownsampleThreshold 1.50000
/EncodeColorImages true
/ColorImageFilter /DCTEncode
/AutoFilterColorImages true
/ColorImageAutoFilterStrategy /JPEG
/ColorACSImageDict <<
/QFactor 0.15
/HSamples [1 1 1 1] /VSamples [1 1 1 1]
>>
/ColorImageDict <<
/QFactor 0.15
/HSamples [1 1 1 1] /VSamples [1 1 1 1]
>>
/JPEG2000ColorACSImageDict <<
/TileWidth 256
/TileHeight 256
/Quality 30
>>
/JPEG2000ColorImageDict <<
/TileWidth 256
/TileHeight 256
/Quality 30
>>
/AntiAliasGrayImages false
/CropGrayImages true
/GrayImageMinResolution 300
/GrayImageMinResolutionPolicy /OK
/DownsampleGrayImages true
/GrayImageDownsampleType /Bicubic
/GrayImageResolution 300
/GrayImageDepth -1
/GrayImageMinDownsampleDepth 2
/GrayImageDownsampleThreshold 1.50000
/EncodeGrayImages true
/GrayImageFilter /DCTEncode
/AutoFilterGrayImages true
/GrayImageAutoFilterStrategy /JPEG
/GrayACSImageDict <<
/QFactor 0.15
/HSamples [1 1 1 1] /VSamples [1 1 1 1]
>>
/GrayImageDict <<
/QFactor 0.15
/HSamples [1 1 1 1] /VSamples [1 1 1 1]
>>
/JPEG2000GrayACSImageDict <<
/TileWidth 256
/TileHeight 256
/Quality 30
>>
/JPEG2000GrayImageDict <<
/TileWidth 256
/TileHeight 256
/Quality 30
>>
/AntiAliasMonoImages false
/CropMonoImages true
/MonoImageMinResolution 1200
/MonoImageMinResolutionPolicy /OK
/DownsampleMonoImages true
/MonoImageDownsampleType /Bicubic
/MonoImageResolution 1200
/MonoImageDepth -1
/MonoImageDownsampleThreshold 1.50000
/EncodeMonoImages true
/MonoImageFilter /CCITTFaxEncode
/MonoImageDict <<
/K -1
>>
/AllowPSXObjects false
/CheckCompliance [
/None
]
/PDFX1aCheck false
/PDFX3Check false
/PDFXCompliantPDFOnly false
/PDFXNoTrimBoxError true
/PDFXTrimBoxToMediaBoxOffset [
0.00000
0.00000
0.00000
0.00000
]
/PDFXSetBleedBoxToMediaBox true
/PDFXBleedBoxToTrimBoxOffset [
0.00000
0.00000
0.00000
0.00000
]
/PDFXOutputIntentProfile ()
/PDFXOutputConditionIdentifier ()
/PDFXOutputCondition ()
/PDFXRegistryName ()
/PDFXTrapped /False
/Description <<
/CHS <FEFF4f7f75288fd94e9b8bbe5b9a521b5efa7684002000500044004600206587686353ef901a8fc7684c976262535370673a548c002000700072006f006f00660065007200208fdb884c9ad88d2891cf62535370300260a853ef4ee54f7f75280020004100630072006f0062006100740020548c002000410064006f00620065002000520065006100640065007200200035002e003000204ee553ca66f49ad87248672c676562535f00521b5efa768400200050004400460020658768633002>
/CHT <FEFF4f7f752890194e9b8a2d7f6e5efa7acb7684002000410064006f006200650020005000440046002065874ef653ef5728684c9762537088686a5f548c002000700072006f006f00660065007200204e0a73725f979ad854c18cea7684521753706548679c300260a853ef4ee54f7f75280020004100630072006f0062006100740020548c002000410064006f00620065002000520065006100640065007200200035002e003000204ee553ca66f49ad87248672c4f86958b555f5df25efa7acb76840020005000440046002065874ef63002>
/DAN <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>
/DEU <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>
/ESP <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>
/FRA <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>
/ITA <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>/JPN <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>
/KOR <FEFFc7740020c124c815c7440020c0acc6a9d558c5ec0020b370c2a4d06cd0d10020d504b9b0d1300020bc0f0020ad50c815ae30c5d0c11c0020ace0d488c9c8b85c0020c778c1c4d560002000410064006f0062006500200050004400460020bb38c11cb97c0020c791c131d569b2c8b2e4002e0020c774b807ac8c0020c791c131b41c00200050004400460020bb38c11cb2940020004100630072006f0062006100740020bc0f002000410064006f00620065002000520065006100640065007200200035002e00300020c774c0c1c5d0c11c0020c5f40020c2180020c788c2b5b2c8b2e4002e>
/NLD (Gebruik deze instellingen om Adobe PDF-documenten te maken voor kwaliteitsafdrukken op desktopprinters en proofers. De gemaakte PDF-documenten kunnen worden geopend met Acrobat en Adobe Reader 5.0 en hoger.)
/NOR <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>
/PTB <FEFF005500740069006c0069007a006500200065007300730061007300200063006f006e00660069006700750072006100e700f50065007300200064006500200066006f0072006d00610020006100200063007200690061007200200064006f00630075006d0065006e0074006f0073002000410064006f0062006500200050004400460020007000610072006100200069006d0070007200650073007300f5006500730020006400650020007100750061006c0069006400610064006500200065006d00200069006d00700072006500730073006f0072006100730020006400650073006b0074006f00700020006500200064006900730070006f00730069007400690076006f0073002000640065002000700072006f00760061002e0020004f007300200064006f00630075006d0065006e0074006f00730020005000440046002000630072006900610064006f007300200070006f00640065006d0020007300650072002000610062006500720074006f007300200063006f006d0020006f0020004100630072006f006200610074002000650020006f002000410064006f00620065002000520065006100640065007200200035002e0030002000650020007600650072007300f50065007300200070006f00730074006500720069006f007200650073002e>
/SUO <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>
/SVE <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>
/ENU (Use these settings to create Adobe PDF documents for quality printing on desktop printers and proofers. Created PDF documents can be opened with Acrobat and Adobe Reader 5.0 and later.)
>>
/Namespace [
(Adobe)
(Common)
(1.0)
]
/OtherNamespaces [
<<
/AsReaderSpreads false
/CropImagesToFrames true
/ErrorControl /WarnAndContinue
/FlattenerIgnoreSpreadOverrides false
/IncludeGuidesGrids false
/IncludeNonPrinting false
/IncludeSlug false
/Namespace [
(Adobe)
(InDesign)
(4.0)
]
/OmitPlacedBitmaps false
/OmitPlacedEPS false
/OmitPlacedPDF false
/SimulateOverprint /Legacy
>>
<<
/AddBleedMarks false
/AddColorBars false
/AddCropMarks false
/AddPageInfo false
/AddRegMarks false
/ConvertColors /NoConversion
/DestinationProfileName ()
/DestinationProfileSelector /NA
/Downsample16BitImages true
/FlattenerPreset <<
/PresetSelector /MediumResolution
>>
/FormElements false
/GenerateStructure true
/IncludeBookmarks false
/IncludeHyperlinks false
/IncludeInteractive false
/IncludeLayers false
/IncludeProfiles true
/MultimediaHandling /UseObjectSettings
/Namespace [
(Adobe)
(CreativeSuite)
(2.0)
]
/PDFXOutputIntentProfileSelector /NA
/PreserveEditing true
/UntaggedCMYKHandling /LeaveUntagged
/UntaggedRGBHandling /LeaveUntagged
/UseDocumentBleed false
>>
]
>> setdistillerparams
<<
/HWResolution [2400 2400]
/PageSize [612.000 792.000]
>> setpagedevice