Universidad Tecnolgica de Honduras

INTELIGENCIA ARTIFICIAL APLICADA A LA ROBOTICA INDUSTRIAL

Denis Sanchez Ulloa (201120060081)
Sanchez_093@hotmail.com
Luis Henriquez Valle Yanes (201210060115)
lyanes21@yahoo.es
Saul Montano (256112042)
Smontano111@gmail.com
como los marcos de referencias para la creacin de una
RNA.

RESUMEN: En este documento se hablar y

expondr el tema de la Inteligencia Artificial aplicadas a
la robtica Industrial, se plantearan algunos algoritmos
que se podrn implementar para la solucin de algunos
problemas aplicados a esta industria.

3.1 INTELIGENCIA ARTIFICIAL

La inteligencia artificial (IA) es un rea
multidisciplinaria, que a travs de ciencias como las
ciencias de la computacin, la matemtica, la lgica y la
filosofa, estudia la creacin y diseo de sistemas
capaces de resolver problemas cotidianos por s
mismos, utilizando como paradigma la inteligencia
humana
Inteligencia artificial es una acepcin acuada a
mediados del siglo XX, cuyo desarrollo se
ha
caracterizado por una sucesin de periodos alternativos
de xito y abandono de la misma. Al principio, la idea
intuitiva de la IA cre expectativas que no siempre han
sido cubiertas, y desde luego no en el grado que se
haba esperado, de manera un tanto ilusoria.
El campo de la IA se compone de varias reas de
estudio, las ms comunes e importantes son:
Bsqueda de soluciones
Sistemas expertos
Procesamiento del lenguaje natural
Reconocimiento de modelos
Robtica
Aprendizaje de las mquinas
Lgica
Incertidumbre y lgica difusa
Para nuestro estudio nos centraremos en el rea de la
Robtica, ms en especfico la Robtica Industrial.

1 INTRODUCCIN
Este documento pretende dar un panorama general
de lo que es una Inteligencia Artificial (desde ahora IA),
una Red Neuronal Artificial (desde ahora RNA) y
algunos algoritmos ms usados (Perceptron y
BackPropagation).
Se hablara de la actualidad de las redes
neuronales aplicadas a la industria de la robtica y se
dar una breve visin a futuro.

2 OBJETIVOS
Estos son algunos objetivos generales que se
pretenden

Entender el concepto de una IA.

Entender la ideologa de una red neuronal
artificial.
Entender la diferencia entre una IA y una RNA.
Explicar de manera simple el algoritmo de
Perceptron.
Explicar de manera simple el algoritmo de
backpropagation.
Explicar algunas aplicaciones a la robtica
industrial.

A lo largo de la historia se han adoptado los cuatro

enfoques que se aprecian en la tabla1. Desde luego
existe una tensin entre enfoques que se centran en lo
humano y los que se enfocan en la racionalidad. El
enfoque centrado en el comportamiento humano
constituye una ciencia emprica que entraa el empleo
de hiptesis y de su confirmacin mediante
experimentos, mientras que el enfoque racionalista
combina matemticas e ingeniera

3 NOCIONES TERICAS
El hombre se ha aplicado a s mismo el nombre
cientfico de hombre sabio (homo sapiens) como una
valoracin de la trascendencia de sus (nuestras)
habilidades mentales, tanto para la vida cotidiana como
para el propio sentido de identidad. Los esfuerzos de la
Inteligencia Artificial (IA), por su parte, se enfocan en
lograr la comprensin de entidades inteligentes. Por ello,
una de las razones de su estudio y anlisis es aprender
acerca de los propios seres humanos, pero a diferencia
de la Filosofa y de la Psicologa (que tambin se
ocupan de la inteligencia), los esfuerzos de la IA estn
encaminados tanto a la construccin de entidades
inteligentes, como a su comprensin .Mencionaremos
los fundamentos tericos en los cuales se basa la IA as

Como se mencion, existen varios elementos que

componen la ciencia de la IA, dentro de los cuales se
pueden encontrar tres grandes ramas:
Lgica difusa
Redes neurales artificiales
Algoritmos genticos

Tabla 1.

Universidad Tecnolgica de Honduras

.
Cada una consta de caractersticas especiales, as como
de una funcin especfica. Nuestro inters ser
orientado a las RNA.
En general Stuart Russell y Peter Norvig diferencian la
inteligencia artificial partiendo de los cuatro enfoques
antes vistos:

Sistemas que piensan como humanos. Estos

sistemas tratan de emular el pensamiento
humano; por ejemplo las redes neuronales
artificiales. La automatizacin de actividades que
vinculamos con procesos de pensamiento
humano, actividades como la toma de decisiones,
resolucin de problemas y aprendizaje.

Sistemas que actan como humanos. Estos

sistemas tratan de actuar como humanos; es
decir, imitan el comportamiento humano; por
ejemplo la robtica. El estudio de cmo lograr que
los computadores realicen tareas que, por el
momento, los humanos hacen mejor.

Figura1.ELEMENTOS NEURALES

de la clula (soma) y dos tipos de ramificaciones: el axn

y las dendritas. La neurona recibe
las seales
(impulsos) de otras neuronas a travs de sus dendritas y
transmite seales generadas por el cuerpo de la clula
a travs del axn. La figura1 muestra los elementos de
una red neuronal natural.

Sistemas que piensan racionalmente. Es decir,

con lgica (idealmente), tratan de imitar o emular
el pensamiento lgico racional del ser humano;
por ejemplo los sistemas expertos. El estudio de
los clculos que hacen posible percibir, razonar y
actuar.

Un modelo bsico se muestra en la Figura2 la

estructura del perceptrn, la ms simple en las RNA. Es
un discriminador binario lineal y puede ser entrenado
para mejorar su desempeo. Las entradas de la neurona
(5A), los pesos aleatorios (5B), la sumatoria de la
multiplicacin de los pesos por sus respectivas entradas
(5C) y la salida que es el clculo de todos los pesos y
sus entradas (5D).

Sistemas
que
actan
racionalmente
(idealmente). Tratan de emular de forma racional
el comportamiento humano; por ejemplo los
agentes inteligentes. Est relacionado con
conductas inteligentes en artefactos.

Para establecer una similitud directa entre la

actividad sinptica y la analoga con las redes neurales
artificiales podemos considerar que las seales que
llegan a la sinapsis son las entradas a la neurona; stas
son ponderadas (atenuadas o simplificadas) a travs de
un parmetro denominado peso, asociado a la sinapsis
correspondiente. Estas seales de entrada pueden
excitar a la neurona (sinapsis con peso positivo) o
inhibirla (peso negativo). El efecto es la suma de las
entradas ponderadas. Si la suma es igual o mayor que el
umbral de la neurona, entonces la neurona se activa (da
salida). Esta es una situacin de todo o nada; cada
neurona se activa o no se activa. La facilidad de
transmisin de seales se altera mediante la actividad
del sistema nervioso. Las sinapsis son susceptibles a la
fatiga, deficiencia de oxgeno y la presencia de
anestsicos, entre otros. Esta habilidad de ajustar
seales es un mecanismo de aprendizaje.

3.2 REDES NEURONALES ARTIFICIALES

Las redes de neuronas artificiales (denominadas
habitualmente como RNA) son un paradigma de
aprendizaje y procesamiento automtico inspirado en la
forma en que funciona el sistema nervioso biolgico. Se
trata de un sistema de interconexin de neuronas que
colaboran entre s para producir un estmulo de salida.
Los Las redes neurales artificiales son
aproximados no lineales a la forma en que funciona el
cerebro; por lo tanto no deben compararse directamente
con el cerebro ni confundir los principios que
fundamentan el funcionamiento de las redes neurales
artificiales y el cerebro, ni pensar que las redes neurales
se basan nicamente en las redes biolgicas ya que
slo emulan en una parte muy simple el funcionamiento
del cerebro humano. Adems se debe considerar que
las redes biolgicas son generadoras de procesos
neurobiolgicos en que se establecen relaciones de
complejidad muy alta, las cuales no se puede lograr con
redes mono capas ni con redes multicapas. Las RNA
pueden estudiarse como aproximados universales desde
el punto de vista matemtico.
Una neurona biolgica es una clula especializada
en procesar informacin. Est compuesta por el cuerpo

Figura2.Perceptron simple

Universidad Tecnolgica de Honduras

.
Los primeros modelos de redes neuronales datan
de 1943 por los neurlogos Warren McCulloch y Walter
Pitts. Aos ms tarde, en 1949, Donald Hebb desarroll
sus ideas sobre el aprendizaje neuronal, quedando
reflejado en la "regla de Hebb". En 1958, Rosenblatt
desarroll el perceptrn simple, y en 1960, Widrow y
Hoff desarrollaron el ADALINE, que fue la primera
aplicacin industrial real.
Figura 4.Perceptron clsico.

En los aos siguientes, se redujo la investigacin,

debido a la falta de modelos de aprendizaje y el estudio
de Minsky y Papert sobre las limitaciones del perceptrn.
Sin embargo, en los aos 80, volvieron a resurgir las
RNA gracias al desarrollo de la red de Hopfield, y en
especial, al algoritmo de aprendizaje de retro
propagacin (BackPropagation) ideado por Rumelhart y
McClelland en 1986 que fue aplicado en el desarrollo de
los perceptrones multicapa.

El algoritmo de aprendizaje del perceptrn funciona

para aprender funciones binarias linealmente separables, ya que de otra manera el algoritmo no
convergera ni producira la mejor solucin. Debido a que
las salidas son binarias, se emplean unidades lineales
de umbral. Cada unidad calcula la suma u con pesos de
las N entradas xj , j =1N, y genera una salida binaria y:

3.2.1 PERCEPTRON
En el machine learning, el perceptrn es un
algoritmo para la supervisin de aprendizaje de
clasificadores binarios: Funciones que pueden decidir si
una entrada (representada por un vector de nmeros)
pertenece a una clase u otra. Se trata de un tipo de
clasificador lineal, es decir, un algoritmo de clasificacin
que hace que sus predicciones basadas en una funcin
de predictor lineal que combina un conjunto de pesos
con el vector de caractersticas. El algoritmo permite el
aprendizaje en lnea, en la que se procesa elementos
del conjunto de entrenamiento uno a la vez.

Vase figura 4 para una mejor referencia.

El Perceptrn es limitado, se demostr que las
redes perceptrn eran incapaces de implementar ciertas
funciones elementales. No fue sino hasta la dcada de
los 80 que estas limitaciones fueron superadas con las
redes perceptrn mejoradas (multicapa) ver Figura3
asociadas con reglas de aprendizaje.

Cabe destacar que el perceptrn tambin puede

referirse a un tipo de red neuronal artificial desarrollado
por Frank Rosenblatt (Figura 2); La contribucin clave de
Rosenblatt fue la introduccin de una regla de
aprendizaje para la formacin de redes perceptrn para
resolver problemas de reconocimiento de patrones.
Demostr que su regla de aprendizaje siempre
convergir a los pesos correctos de la red, si existen
pesos que solucionan el problema. El Perceptrn puedo
incluso aprender cuando se inicializaba con valores
aleatorios de sus pesos y bias

Por Reglas de Aprendizaje nos referimos a un

procedimiento para modificar los pesos y bias de una red
(tambin conocido como algoritmo de entrenamiento). El
propsito de la Regla de Aprendizaje es entrenar la red
para realizar alguna tarea. Existen varios tipos de reglas
de aprendizaje de redes neuronales. Se dividen en tres
categoras: Aprendizaje Supervisado, Aprendizaje No
Supervisado y Aprendizaje por Reforzamiento.

Los perceptrones de una capa pueden clasificar

correctamente los conjuntos de datos que son
linealmente separables, esto es, que pueden ser
separados por un hiperplano. En dos dimensiones esto
puede verse como una lnea recta que separa dos
clases (figura 3).

Figura 3. Separacin lineal.

Figura 5. Perceptron Multicapa.

Universidad Tecnolgica de Honduras

Figura 6. Separacin lineal.

Figura 7.Modelo Backpropagation.

Existen varios tipos de reglas de aprendizaje el

diagrama de la Figura 6 nos muestra la clasificacin, se
destaca que los modelos ms utilizados son los
Supervisados, entre los cuales destacan el Perceptron y
el Backpropagation.

3.3 IA EN ROBOTICA
Los robots son agentes fsicos que realizan tareas
mediante la manipulacin fsica del mundo. Para realizar
dichas tareas estn equipadas con efectores como
piernas, ruedas, articulaciones y pinzas. Los efectores
tienen un nico propsito: transmitir fuerzas fsicas al
entorno. Los robots tambin estn equipados con
sensores, que les permiten percibir el entorno. Hoy en
da, los robots utilizan diversos tipos de sensores,
incluyendo cmaras y ultrasonidos para medir el
entorno, y giroscopios y acelermetros para medir el
propio movimiento del robot.
La mayora de los robots actuales se basan en una
de las siguientes tres categoras.

3.2.2 BACKPROPAGATION
La retropropagacin del error es un entrenamiento
supervisado que se emplea para redes multicapa, donde
se ajusta el valor de los pesos en funcin del error
generado. Esta tcnica es muy empleada ya que permite
tener un mtodo de optimizacin que se encuentra al
definir el gradiente del error y minimizarlo con respecto a
los parmetros de la red
Hay algunos principios para entrenar una red
multicapa empleando el algoritmo de retropropagacin
pero en este caso no ahondaremos en ello, tampoco en
su modelo matemtico, cabe mencionar que debido a su
importancias algunos software matemticos como ser
Matlab poseen funciones (newff crea una red de
neuronas de tipo feedforward) que facilitan el uso y la
implementacin de las redes neuronales.

Manipuladores, o brazos robticos estn

fsicamente anclados en su lugar de trabajo, por
ejemplo en una lnea de ensamblaje o en la
estacin espacial internacional. El movimiento de
los robots manipuladores normalmente requiere
un
desplazamiento
en
cadena
de
las
articulaciones para posicionar a los efectores en
cualquier lugar del entorno de trabajo. Los
manipuladores son los robots industriales ms
extendidos con ms de un milln de unidades
instaladas en el mundo.

La segunda categora son los robots mviles. Los

robots mviles se desplazan por su entorno
utilizando ruedas, piernas o mecanismos
similares. Estos han utilizado para distribuir
comidas en hospitales, mover contenedores a los
muelles de carga y tareas similares.

El tercer tipo es un hbrido: un robot mvil

equipado con manipuladores. Esto incluye a los
robots humanoides, cuyo diseo se asemeja al
torso humano. Los robots hbridos pueden aplicar
sus efectores en un campo ms amplio que los
robots anclados pero las tareas son ms
complejas porque no tienen la rigidez que el
anclaje proporciona.

En general el algoritmo funciona as:

Calcular la salida de la red a partir de uno de

los conjuntos de valores de prueba x.
Comparar con la salida correcta t y calcular el
error segn una frmula dado
Calcular las derivadas parciales del error con
respecto a los pesos que unen a la ltima capa
oculta con la de salida.
Calcular las derivadas parciales del error con
respecto a los pesos que unen la capa de
entrada con la oculta.
Ajustar los pesos de cada neurona para
reducir el error.
Repetir el proceso varias veces por cada par
de entradas-salidas de prueba.

Los robots reales normalmente suelen hacer frente a

ambientes que slo son observables parcialmente,

Universidad Tecnolgica de Honduras

.
estocsticos, dinmicos y continuos. Algunos de estos
ambientes son a la vez secuenciales y multiagente. Los
observados parcialmente y los estocsticos son el
resultado de interactuar con un entorno grande y
complejo. El robot no puede ver alrededor de las
esquinas, y las rdenes de movimiento estn sujetas a
la incertidumbre generada por el deslizamiento y la
friccin de los engranajes. Adems el obstinado mundo
real rechaza operar ms rpido que el tiempo real. En un
entorno simulado, es posible utilizar algoritmos sencillos
(como el algoritmo Q-learning) para aprender en unas
pocas horas de proceso realizando millones de pruebas.
En un entorno real dichas pruebas tardaran aos en
realizarse. Adems los fallos con un robot real pueden
ser peligrosos, cosa que en un sistema simulado no
pasa. Los sistemas robticos prcticos necesitan que se
incorpore conocimiento inicial sobre el robot, el ambiente
fsico y las tareas que el robot realizar para que el robot
pueda aprender de manera rpida y segura.

Como objetivo general la finalidad de la IA dentro

del rea de la robtica pretende que las maquinas
cuenten con la capacidad de simulacin del
comportamiento humano, sin embargo ya que la
inteligencia simulada es creada por el hombre sta no
supera (por el momento) la inteligencia del creador.

4 VISION ACTUAL Y A FUTURO

En la actualidad la IA ha tenido grandes avances,
los sistemas electrnicos que se desarrollan actualmente
permiten que este campo avance cada vez ms rpido.
Sistemas como AlphaGo impulsado por DeepMind nos
demuestra como una IA puede aprender y lograr vencer
a un humano (Lee Se-dol /marzo 2016) en su propio
juego. AlphaGo utiliza un algoritmo de aprendizaje por
reforzamiento.
Sistemas como el anunciado por Japn la cual
pretende para 2017 crear la primera granja de lechugas
operada casi en su totalidad por Robot, por el momento
ser automatizada pero en un futuro pretende
implementar la IA para la optimizacin y mejora de la
autonoma de la granja.

Actualmente la IA tiene un gran campo dentro de la

Robtica, reas como Vehculos Autnomos. Son una
amalgama de ramas como ser: robtica, aprendizaje de
mquina, sistemas expertos, visin, etc. para lograr que
una mquina inteligente pueda maniobrar en un espacio
fsico singular pero variable, de manera autnoma hasta
lograr el objetivo que se le asigne.

Otro sistema importante dentro de los avances

recientes es el Google driverless car, es un proyecto de
Google que consistente en el desarrollo de la tecnologa
necesaria para crear coches sin conductor, que circulen
de forma autnoma. Este coche es capaz de conducir
autnomamente por ciudad y por carretera, detectando
otros vehculos, seales de trfico, peatones, etc.
El estado estadounidense de Nevada aprob el 29
de junio de 2011 una ley que permite la operacin de
coches sin conductor. Google haba presionado para el
establecimiento de leyes para coches sin conductor. La
ley de Nevada entr en vigor el 1 de marzo de 2012, y el
Nevada Department of Motor Vehicles expidi la primera
licencia para un coche autnomo en mayo de 2012. Esta
licencia fue para un Toyota Prius modificado con la
tecnologa experimental driverless de Google.

Es evidente que la IA se relaciona directamente y

en un futuro ser indispensable para los Robots. reas
como la:

Percepcin: Reconocimiento de patrones,

deteccin y reconocimiento de objetos dentro del
entorno que rodea al robot, reconocimiento de
personas (amo), deteccin de posibles peligros y
actuacin ante estos.

Localizacin: Dotar al robot de sentido de

orientacin (saber Dnde estoy? Cmo
estoy? )

Planificacin del movimiento: Dotar al robot de

racionalidad en su movimiento, evitacin de
obstculos y optimizacin son algunos de los
problemas que una IA podra resolver.

El rea de la robotica industrial tampoco se queda

atrs, actualmente KUKA-Robotics proporciona una gran
cantidades de sensores al esqueleto del manipulador
robtico simulando de esta manera el funcionamiento de
una piel humana, tambin dota de varias cmaras
empotradas dentro del esqueleto lo que permite usar al
brazo en una gran cantidad de aplicaciones y dentro de
ellas la investigacin (figura8).

Las tres reas mencionadas anteriormente

requerirn de una racionalidad que solo una IA podr
proveer.
Lenguajes de programacin para robot como ser
Alisp es una extensin de Lisp. ALisp permite a los
programadores especificar puntos de eleccin no
deterministas. Sin embargo, en lugar de confiar en un
comprobador de teoremas para tomar las decisiones,
ALisp aprende inductivamente la accin correcta
mediante aprendizaje de refuerzo. De esta manera,
ALisp puede ser visto como un medio flexible para
incorporar conocimiento del dominio (especialmente
conocimiento acerca de la estructura jerrquica de los
comportamientos deseados) en un sistema de
aprendizaje por refuerzo. Hasta ahora ALisp slo ha sido
aplicado a problemas robticos en simulacin, pero
proporciona una metodologa prometedora para
construir robots que aprenden a travs de la interaccin
con el entorno.

Figura 8. Robot KUKA dotado de una piel

Universidad Tecnolgica de Honduras

5 CONCLUSIONES

No debemos confundir el termino Inteligencia

Artificial con Red neuronal Artificial, Inteligencia
artificial se refiere a la capacidad que tiene un
sistema para aprender (software); RNA se
refiere a la estructura o configuracin que
posee el sistema(Hardware), cabe destacar que
ambas son complementarias.
Con la inteligencia artificial aplicada a la
robtica podemos ver que se ha logrado crear
un asistente del hombre para el trabajo
prctico, el cual maneja las diversas
situaciones con ms precisin y sin temor a
equivocarse gracias a su programacin y las
diferentes capacidades que tenga para poder
interactuar con su operario.
Un robot puede estar diseado para tomar
decisiones, pero esto solo gracias a los
diferentes sensores y la respectiva
programacin insertada, lo cual lo limita a
dejarse guiar por aspectos fsicos, pero el
hombre el momento de tomar una decisin
puede percibir cosas esenciales ms all de lo
fsico y lo material lo cual hace que aun la
maquina este por debajo del hombre.

6 REFERENCIAS
[1] Dr. Ponce ,Inteligencia Artificial con Aplicaciones a la
Ingenieria,Primera Edicion. Alfaomega, 2010.
[2] S. Russell and P. Norvig, Inteligencia Artificial Un Enfoque
Moderno, Segunda Edicion. Pearson 2004.
[3] W.-K. Chen, Linear Networks and Systems (Book style).
Belmont, CA: Wadsworth, 1993, pp. 123135.
[4] Introduccin Informal a Matlab y Octave de Guillem Borrell i
Nogueras : http://iimyo.forja.rediris.es/
[5] Salichs, Miguel A.; Malfaz, Mara; Gorostiza, Javi F. (201010-01). Toma de Decisiones en Robtica. Revista
Iberoamericana de Automtica e Informtica Industrial RIA
[6] R. P. Dez, A. G. Gmez, and N. de Abajo Martnez.
Introduccin a la inteligencia artificial: Sistemas expertos,
redes neuronales artificiales y computacin evolutiva.
Universidad de Oviedo, 2001.
[7] Richard Sutton y Andrew Barto. Aprendizaje por refuerzo:
Una introduccin .MIT Press, 1998.
[8] DeepMind Technologies Investors. Consultado el 02 de
abril de 2016.