Editorial

Editorial
Director

Del Editor al Lector

Ing. Horacio D. Vallejo
Producción
José María Nieves (Grupo Quark SRL)

autor:
Varios (ver Editorial)
Selección y Coordinación:
Ing. Horacio Daniel Vallejo
EdiToRial QUaRK S.R.l.
Propietaria de los derechos en castellano de la publicación men-
sual SabER ElEcTRónica - San Ricardo 2072 (1273) - Capi-
tal Federal - Buenos Aires - Argentina - T.E. 4301-8804
administración y Negocios
Teresa C. Jara (Grupo Quark SRL)
Patricia Rivero Rivero (SISA SA de CV)
Margarita Rivero Rivero (SISA SA de CV)
Staff
Liliana Teresa Vallejo
Mariela Vallejo
Diego Vallejo
Luis Alberto Castro Regalado (SISA SA de CV)
José Luis Paredes Flores (SISA SA de CV)
Sistemas: Paula Mariana Vidal
red y Computadoras: Raúl Romero
Video y animaciones: Fernando Fernández
legales: Fernando Flores
Contaduría: Fernando Ducach
Técnica y Desarrollo de Prototipos:
Alfredo Armando Flores
atención al Cliente
Alejandro Vallejo
ateclien@webelectronica.com.ar
Internet: www.webelectronica.com.mx
Publicidad:
Rafael Morales
rafamorales@webelectronica.com.ar
Club Se:
grupo Quark Srl
luisleguizamon@webelectronica.com.ar
editorial Quark Srl
San Ricardo 2072 (1273) - Capital Federal
www.webelectronica.com.ar
La Editorial no se responsabiliza por el contenido de las notas
firmadas. Todos los productos o marcas que se mencionan son
a los efectos de prestar un servicio al lector, y no entrañan res-
ponsabilidad de nuestra parte. Está prohibida la reproducción
total o parcial del material contenido en esta revista, así como
la industrialización y/o comercialización de los aparatos o
ideas que aparecen en los mencionados textos, bajo pena de
sanciones legales, salvo mediante autorización por escrito de
la Editorial.
Impresión: Talleres Babieca - México
No caben dudas de que una de las disciplinas que está marcando tenden-
cias en la evolución de la electrónica es la robótica aplicada a la ciencia, la
salud y a la investigación. En los últimos dos años he sido partícipe de una
serie de eventos que me han hecho reflexionar sobre el rumbo que está
tomando la tecnología, y es por ello que nos propusimos la edición de una
serie de textos que traten estas nuevas tecnologías pero con el contenido cien-
tífico y matemático limitado como para que resulten atractivos para todos los
niveles.
Los primeros capítulos explican qué es la inteligencia artificial, cómo se
apoya en la denominada “lógica difusa” y de qué forma se pueden realizar
proyectos prácticos usando microcontroladores. El primer capítulo sienta las
bases para el desarrollo de la lógica difusa que se expresa en los capítulos 2 a
4. El autor de estos capítulos es Sergio Raúl Richter y colaboradores y el mail
de contacto es: sergioraulritchter@yahoo.com.ar.
Los siguientes capítulos están destinados a la robótica BEAM, ya que es
la rama de la robótica que mayor crecimiento a experimentado últimamente.
Para su edición se han tomado conceptos del muy conocido sitio en Internet:
www.uco.es, de los autores Antonio Luis Lora Silva y Edmundo Díaz
González. También se han visitado otros portales que permiten enriquecer el
texto. El capítulo 6, destinado a la construcción de robots con técnicas BEAM,
fue escrito por Fernando Remiro Domínguez, un viejo conocido de nuestra
querida Saber Electrónica.
La selección del material y la coordinación del texto han estado a cargo
de Horacio Daniel Vallejo, quien también posee cierta experiencia en el
campo de la robótica y las comunicaciones, sobre todo, en las modernas téc-
nicas de diagnóstico por imágenes, cuyo tema será objeto de un tomo próximo
de la colección Club Saber Electrónica.
¡Hasta el mes próximo!
Sobre loS 2 CDS y Su DeSCarga
Ud. podrá descargar de nuestra web 2 CDs: “Todo Sobre Robótica”
que posee un curso completo que comienza desde las bases e incluye a los
microcontroladores y “Proyectos de Robótica y Minirobótica” con gran
cantidad de circuitos para armar y sistemas para experimentar. Todos los
CDs son productos multimedia completos con un costo de mercado equi-
valente a 8 dólares americanos cada uno y Ud. los puede descargar GRA-
TIS con su número de serie por ser comprador de este libro. Para realizar
la descarga deberá ingresar a nuestra web: www.webelectronica.com.mx,
tendrá que hacer clic en el ícono password e ingresar la clave “elb294”.
Tenga este texto cerca suyo ya que se le hará una pregunta aleatoria sobre
el contenido para que pueda iniciar la descarga.

Editorial 1
Robótica BEAM, Inteligencia Artificial y Lógica Difusa
Robótica bEam, intELigEncia aRtificiaL
Lógica Difusa
sumaRio
Capítulo 1
la EvoluCión dE las Computadoras:
robótiCa E intEligEnCia artifiCial . . . . . . . . . . . .3
Inteligencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .4
¿Qué es la Inteligencia? . . . . . . . . . . . . . . . . . . . . . . . . . . . .4
¿Cómo se mide la inteligencia? . . . . . . . . . . . . . . . . . . . . . .5
Inteligencia Artificial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .7
¿Superarán las Máquinas al Hombre? . . . . . . . . . . . . . . . . .8
Spaun, una Simulación Cerebral Funcional . . . . . . . . . . . .11
Conclusión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .12
Capítulo 2
robótiCa y lógiCa difusa:
rEdEs nEuronalEs artifiCialEs . . . . . . . . . . . . .13
Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .14
Perceptrón Simple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .14
Algoritmo de Entrenamiento . . . . . . . . . . . . . . . . . . . . . . . .16
Práctica: Implementación de un
Perceptrón Simple en NePic . . . . . . . . . . . . . . . . . .17
El Sistema NePic . . . . . . . . . . . . . . . . . . . . . . . . . . . . .17
Capítulo 3
rEdEs nEuronalEs E intEligEnCia artifiCial:
implEmEntaCión dE un CErEbro
para robot móvil . . . . . . . . . . . . . . . . . . . . . . . .21
Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .21
El Perceptrón Multicapa (MLP) . . . . . . . . . . . . . . . . . . . . .22
Práctica: Implementación de un
Robot Móvil con NePic . . . . . . . . . . . . . . . . . . . . . .24
Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .24
Un Robot para Experimentar . . . . . . . . . . . . . . . . . . . .25
La Red que Usaremos . . . . . . . . . . . . . . . . . . . . . . . . .28
Regiones de Decisión . . . . . . . . . . . . . . . . . . . . . . . . .28
Primera Práctica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .30
Segunda Práctica . . . . . . . . . . . . . . . . . . . . . . . . . . . . .32
Capítulo 4
introduCCión al Control Con fuzzy logiC:
Control dE brazo robot
por sEñalEs ElECtromiográfiCas . . . . . . . . . . .33
2 Sumario
y
Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .34
Los Conjuntos Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .34
Diseño de un Control Fuzzy . . . . . . . . . . . . . . . . . . . . . . . .40
Las Señales Mioeléctricas . . . . . . . . . . . . . . . . . . . . . . . . .41
Práctica: Control de Brazo Robot
Mediante Señales EMG . . . . . . . . . . . . . . . . . . . . . .44
Introducción al Problema . . . . . . . . . . . . . . . . . . . . . . .44
Diseño del Sistema de Control Fuzzy . . . . . . . . . . . . .45
Implementación con PICAXE . . . . . . . . . . . . . . . . . . . .47
El Fuzzificador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .47
Desfuzzificador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .48
Software . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .48
Hardware . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .50
Funcionamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .51
Capítulo 5
basEs para la ConstruCCión dE
robots y mini-robots:
robótiCa y mini-robótiCa bEam . . . . . . . . . . . .53
Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .54
Microcore . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .54
Solar Engine . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .55
Robótica Clásica Vs Robótica BEAM . . . . . . . . . . . . . . . . .55
Historia y Evolución de la Robótica BEAM . . . . . . . . . . . . .56
práctica: Clasificación de la robótica bEam . . . .58
Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .58
Robots No Motrices . . . . . . . . . . . . . . . . . . . . . . . . . . .60
Robots Motrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .61
Aplicaciones de la Robótica BEAM . . . . . . . . . . . . . . .64
Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .65
Capítulo 6
armE un pEquEño robot dEsdE CEro:
ConstruCCión dE un miCrobot . . . . . . . . . . . . . .69
Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .69
Movilidad de Nuestra Estructura . . . . . . . . . . . . . . . . . . . . .71
Los Sensores del Microbot . . . . . . . . . . . . . . . . . . . . . . . . .72
El Sensor CNY70 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .73
El Sistema de Actuación: Control de Motores . . . . . . . . . .74
Control de Motores por Medio de Microcontrolador . . . . . .77
Montaje del Driver L293B con el Microcontrolador PIC . . .78
 C a p í t u lo 1

L a E voLución dE Las c omputadoras

r obótica E
i ntELigEncia a rtificiaL
Como una primera aproximación, podemos decir que la robótica es la ciencia y la tecno-
logía de los robots. Se ocupa del diseño, manufactura y aplicaciones de los robots La
robótica combina diversas disciplinas como son: la mecánica, la electrónica, la informá-
tica, la inteligencia artificial y la ingeniería de control. Otras áreas importantes en robó-
tica son el álgebra, los autómatas programables y las máquinas de estados. Desde los
comienzos de la implementación de automatismos en las máquinas, a mediados de la
década del 50 del siglo pasado, se han buscado diferentes técnicas que impriman cierta
autonomía en la toma de decisiones de estas máquinas frente a diferentes procesos lo
que ha llevado a la implementación de lógicas difusas y a la formulación de otras técni-
cas. En este capítulo veremos de qué manera el hombre sigue buscando mecanismos
que simulen el funcionamiento del cerebro con el objeto de encontrar respuestas a cier-
tas enfermedades que sirvan, además, para la implementación de robots independientes
que puedan realizar tareas sumamente riesgosas para el hombre.

Capítulo 1 3
Robótica BEaM, Inteligencia artificial y lógica Difusa
IntelIgencIa
La inteligencia es el término global mediante
el cual se describe una propiedad de la mente
en la que se relacionan habilidades tales como
las capacidades del pensamiento abstracto, el
entendimiento, la comunicación, el raciocinio,
el aprendizaje, la planificación y la solución de
problemas.
El diccionario de la Real Academia Española
de la lengua define la inteligencia (del latín inte-
llegentĭa), entre otras acepciones como la
"capacidad para entender o comprender" y
como la "capacidad para resolver problemas".
La inteligencia parece estar ligada a otras
funciones mentales como la percepción, o
capacidad de recibir información, y la memoria,
o capacidad de almacenarla.
La palabra inteligencia se define como la
capacidad que se tiene para razonar con el
objeto de solucionar problemas razonar y arti-
ficial se define como algo no natural.
Por lo tanto, y de manera más específica la
inteligencia artificial es la disciplina que se
encarga de construir procesos que al ser eje-
cutados sobre una arquitectura física producen
acciones o resultados que maximizan una
medida de rendimiento determinada, basán-
dose en la secuencia de entradas percibidas y
en el conocimiento almacenado en tal arquitec-
tura.
Hasta la fecha algunos de los sistemas de
algoritmos han podido superar al ser
humano como en las sumas, recupera-
ción y almacenamiento de datos etc.
pero las maquinas todavía no pueden
superar al hombre como las lenguas
usadas, el reconocimiento de formas , la
visión ,etc.
Definir qué es la inteligencia es siem-
pre objeto de polémica; ante un escena-
rio tan diversificado de opiniones
Vernon (1960) sugirió una clasificación
de las principales definiciones. La
misma se hizo en base a tres grupos:
las psicológicas, mostrando la inteligen-
cia como la capacidad cognitiva, de
aprendizaje, y relación; las biológicas,
que consideran la capacidad de adaptación a
nuevas situaciones; y las operativas, que son
aquellas que dan una definición circular
diciendo que la inteligencia es "...aquello que
miden las pruebas de inteligencia".
inteligencia"
Además, el concepto de inteligencia artificial
generó hablar de sistemas, y para que se
pueda aplicar el adjetivo inteligente a un sis-
tema, éste debe poseer varias características,
tales como la capacidad de razonar, planear,
resolver problemas, pensar de manera abs-
tracta, comprender ideas y lenguajes, y apren-
der.
Tal diversidad indica el carácter complejo de
la inteligencia, la cual sólo puede ser descrita
parcialmente mediante enumeración de proce-
sos o atributos que, al ser tan variados, hacen
inviable una definición única y delimitada,
dando lugar a singulares definiciones, tales
como: «la inteligencia es la capacidad de
adquirir capacidad», de Woodrow, o «la inteli-
gencia es lo que miden los test de inteligen-
cia», de Bridgman.
¿Qué es la IntelIgencIa?
La inteligencia es la capacidad de relacionar
conocimientos que poseemos para resolver
una determinada situación. Si indagamos un
poco en la etimología de la propia palabra
encontramos en su origen latino inteligere,

4 Capítulo 1
 Inteligencia artificial
compuesta de intus * Inteligencia
(entre) y legere lingüística-
(escoger). Por lo Verbal: Es la flui-
que podemos dez que posee una
deducir que ser persona en el uso
inteligente es saber de la palabra.
elegir la mejor Destreza en la utili-
opción entre las zación del len-
que se nos brinda guaje, haciendo
para resolver un hincapié en el sig-
problema. nificado de las
Por ejemplo, si a palabras, su orden
una persona se le sintáctico, sus
plantea subir al sonidos, ...
tejado de una casa,
la persona selec- Esta inteligencia
cionará los instru- nos capacita para
mentos que cree escribir poemas,
necesario para historias, ...
subir, pues con los
conocimientos que * Inteligencia
ya posee (lógicos, Visual-espacial:
matemáticos, ...) Es la habilidad de
ha ideado una crear un modelo
forma para ejecutar una acción que le permitirá mental de formas, colores, texturas, ... Está
subir al tejado. Unos dirán que con una esca- ligada a la imaginación. Una persona con alta
lera, otros con una cuerda, otros necesitarán inteligencia visual está capacitada para trans-
una serie de instrumentos. formar lo que crea en su mente en imágenes,
tal como se expresa en el arte gráfico. Esta
“Una persona más inteligente que otra esco- inteligencia nos capacita para crear diseños,
gerá una opción mejor que otra”. cuadros, diagramas y construir cosas.

¿Cómo se mide la inteligencia? * Inteligencia corporal-cinética: Es la

Tristemente la mayoría de los test que miden
la inteligencia de un ser humano sólo tienen en
cuenta las capacidades lógica-matemática y
lingüísticas. Según la teoría de las inteligencias
múltiples según Howard Gardner podemos dis-
tinguir tipos diferentes de inteligencia formal:
* Inteligencia lógica-Matemática: Es la
habilidad que poseemos para resolver proble-
mas tanto lógicos como matemáticos.
Comprende las capacidades que necesitamos
para manejar operaciones matemáticas y razo-
nar correctamente.
Nuestro procesamiento aritmético, lógico,
razonado, ... va ligado a ella.
habilidad para controlar los movimientos de
todo el cuerpo para realizar actividades físicas.
Se usa para efectuar actividades como depor-
tes, que requiere coordinación y ritmo contro-
lado.
* Inteligencia Musical: Es la habilidad que
nos permite crear sonidos, ritmos y melodías.
Nos sirve para crear sonidos nuevos para
expresar emociones y sentimientos a través de
la música.
* Inteligencia Interpersonal: Consiste en
relacionarse y comprender a otras personas.
Incluye las habilidades para mostrar expresio-

Capítulo 1 5
Robótica BEaM, Inteligencia artificial y lógica Difusa
nes faciales, controlar la voz y expresar gestos
en determinadas ocasiones. También abarcar
las capacidades para percibir la afectividad de
las personas.
* Inteligencia Intrapersonal: Es nuestra
conciencia. Entender lo que hacemos nosotros
mismos y valorar nuestras propias acciones.
* Inteligencia naturalista: Consiste en el
entendimiento del entorno natural y la observa-
ción científica de la naturaleza como la biolo-
gía, geología o astronomía.
Ejemplos donde la separación de las inteli-
gencias se manifiesta pueden encontrarse en
personas con trastornos mentales que sorpren-
dentemente poseen extraordinarias habilida-
des para realizar cálculos o componer música.
Como decía anteriormente, la mayoría de
los test que calculan el coeficiente intelectual
no hacen un estudio exhaustivo de todas las
distintas inteligencias que posee el ser
humano. Los resultados de la medida de las
múltiples inteligencias de una persona le puede
servir para su orientación profesional, pues
podría saber cuáles serían las actividades
dónde se desenvolvería mejor, o qué inteligen-
cia debería de desarrollar.
¿La inteligencia de una persona se puede
desarrollar?
Muchos dicen que no, que una persona
nace con una determinada inteligencia, incluso
rematando la faena afirmando que es heredita-
ria (en mi opinión eso es una burrada). Un pro-
fesor de biología una vez nos comentaba en
clase una anécdota:
“En una ocasión Albert Einstein conoció a
una exuberante actriz, la cual le propuso
casarse y tener hijos, pues con la inteligencia
de Einstein y la belleza de la actriz, tendrían
hijos tan guapos como ella y tan listos como él.
Lamentablemente la actriz no contempló la
opción que Einstein le respondió: ¿Y si nues-
tros hijos saliesen tan feos como yo y tan idio-
tas como tú?”.
6 Capítulo 1
Fue algo ameno en una clase de herencia
mendeliana.
En cambio, otros piensan que la inteligencia
se desarrolla durante el nacimiento y muerte de
la vida de un ser vivo.
Aún así está demostrado que muchos niños
aprenden más rápido que otros, aunque pienso
que la adquisición de conocimientos y técnicas
no es cuestión de inteligencia (aunque esté
relacionado).
También cabe mencionar la diferencia entre
una persona inteligente y una persona sabia.
¿Es lo mismo ser sabio que inteligente?
Pues no. La sabiduría es la posesión de
conocimiento, el saber cosas.
En la inteligencia se utiliza las cosas que
sabemos, aún así podemos saber muchas
cosas y no ser capaces de resolver un deter-
minado problema. Es el caso de mucha gente,
pueden saber mucho y ser unos auténticos
imbéciles.
Otro término que se confunde con la inteli-
gencia al igual que ocurre con la sabiduría es la
cultura.
¿Una persona culta es una persona inte-
ligente?.
Antes de nada tenemos que comprender
que significa cultura en el sentido de la refle-
xión que estamos tratando. Según la RAE
(Real Academia Española) un individuo culto
es una persona que posee un conjunto de
conocimientos.
Por lo tanto una persona culta, no implica
que sea más inteligente que otra inculta (sin
estudios, sin conocimientos culturales). Por
otro lado tampoco hay que confundir inteligen-
cia con memoria.
Existen muchas personas con grandes
capacidades mnemotécnicas y que pueden
recordar muchos conceptos, aunque sin la
necesidad de comprenderlos.
Aún así está comprobado que definir la inte-
ligencia es muy complicado, pues existen
muchas teorías y muchos puntos de vistas en
los que creer, algunos muy dispares. Sin
embargo, si no quieres calentarte el coco

demasiado cuando te pregunten ¿qué es la
inteligencia? responde sutilmente: una palabra.
IntelIgencIa artIfIcIal
Se denomina inteligencia artificial (IA) a la
rama de las ciencias de la Computación dedi-
cada al desarrollo de agentes racionales no
vivos.
Para explicar la definición anterior, entién-
dase a un agente como cualquier cosa capaz
de percibir su entorno (recibir entradas), proce-
sar tales percepciones y actuar en su entorno
(proporcionar salidas), y entiéndase a la racio-
nalidad como la característica que posee una
elección de ser correcta, más específicamente,
de tender a maximizar un resultado esperado.
De acuerdo al concepto previo, racionalidad
es más general y por ello más adecuado que
inteligencia para definir la naturaleza del obje-
tivo de esta disciplina. Por lo tanto, y de manera
Inteligencia artificial
más específica la inteligencia artificial es la dis-
ciplina que se encarga de construir procesos
que al ser ejecutados sobre una arquitectura
física producen acciones o resultados que
maximizan una medida de rendimiento determi-
nada, basándose en la secuencia de entradas
percibidas y en el conocimiento almacenado en
tal arquitectura.
Existen distintos tipos de conocimiento y
medios de representación del conocimiento, el
cual puede ser cargado en el agente por su
diseñador o puede ser aprendido por el mismo
agente utilizando técnicas de aprendizaje.
También se distinguen varios tipos de proce-
sos válidos para obtener resultados racionales,
que determinan el tipo de agente inteligente.
De más simples a más complejos, los cinco
principales tipos de procesos son:
* Ejecución de una respuesta predetermi-
nada por cada entrada (análogas a actos refle-
jos en seres vivos).
Capítulo 1 7
Robótica BEaM, Inteligencia artificial y lógica Difusa
¿Qué es la inteligencia artificial?
* Búsqueda del estado requerido en el con-
junto de los estados producidos por las accio-
nes posibles.
* Algoritmos genéticos (análogo al proceso
de evolución de las cadenas de ADN).
* Redes neuronales artificiales (análogo al
funcionamiento físico del cerebro de animales y
humanos).
* Razonamiento mediante una lógica formal
(análogo al pensamiento abstracto humano).
También existen distintos tipos de percep-
ciones y acciones, pueden ser obtenidas y pro-
ducidas, respectivamente por sensores físicos
y sensores mecánicos en máquinas, pulsos
eléctricos u ópticos en computadoras, tanto
como por entradas y salidas de bits de un soft-
ware y su entorno software.
8 Capítulo 1
Varios ejemplos se encuentran en el área de
control de sistemas, planificación automática,
la habilidad de responder a diagnósticos y a
consultas de los consumidores, reconocimiento
de escritura, reconocimiento del habla y reco-
nocimiento de patrones. Los sistemas de IA
actualmente son parte de la rutina en campos
como economía, medicina, ingeniería y la mili-
cia, y se ha usado en gran variedad de aplica-
ciones de software, juegos de estrategia como
ajedrez de computador y otros videojuegos.
¿superarán las MáQuInas al HoMbre?
¿Surgirá una inteligencia artificial que
supera a la humana?
Desde el surgimiento de la Cibernética cre-
ada por Norbert Wiener en 1948, los científi-
cos han venido haciéndose esta pregunta, al
principio como una especulación que ha ser-
Inteligencia artificial
Capítulo 1 9
Robótica BEaM, Inteligencia artificial y lógica Difusa
vido de tema a la ciencia ficción, luego como
una posibilidad algo lejana, más reciente-
mente como un hecho que se hará realidad en
poco tiempo, para algunos forma inevitable a
este hecho que según sus defensores debe
ocurrir en este siglo, le llaman la singularidad
tecnológica.
El primero en hablar sobre la singularidad
tecnológica, fue Vernor Vinge, matemático y
escritor de ciencia ficción, quien en 1993 escri-
bió un artículo anunciando el advenimiento de
una nueva era donde la tecnología superaba a
los humanos y en la que vaticinó que el surgi-
miento de entidades con inteligencia mayor a la
humana la cual será una realidad en un futuro
cercano, antes del 2030, y se podrá alcanzar
de diferentes modos:
1. Pueden desarrollarse computadoras
"conscientes" con una inteligencia equivalente
a la humana o superior.
2. Las grandes redes de computadoras con
sus usuarios asociados, pueden despertar
como entidades superinteligentes.
3. Las interconexiones entre humanos y
computadoras pueden llegar a tal nivel de pro-
fundidad que los que la usen actúen como
superinteligencias.
4. La ciencia biológica puede lograr métodos
que mejore el intelecto humano natural.
La idea de una singularidad, Vinge la sus-
tenta sobre la ley de Moore que dice que la
capacidad de los microchips de un circuito inte-
grado se duplicará cada dos años, lo cual
traerá un crecimiento exponencial de la poten-
cia del hardware de las computadoras y de
mantenerse este crecimiento acelerado, con-
ducirá inevitablemente a que las maquinas le
den alcance y luego superen la capacidad del
cerebro para procesar la información y según
un gráfico elaborado por Hans Moravec la pari-
dad entre el hardware y el cerebro se alcanzará
alrededor del 2020 (vea el gráfico sobre la evo-
lución de las computadoras) lo cual dará lugar
a las máquinas súper inteligentes.
Vinge define una máquina súper inteligente
como una equipo capaz de superar en mucho
10 Capítulo 1
todas las actividades intelectuales de cualquier
humano independientemente de la inteligencia
de éste y está convencido que esa inteligencia
superior será la que impulsará el progreso y
este será mucho mas rápido e incluso superará
a la actual evolución natural, por lo que apare-
cerán problemas miles de veces más deprisa
que la selección natural y afirma que estare-
mos entrando a un régimen radicalmente dife-
rente de nuestro pasado humano.
La singularidad se basa en las tendencias
actuales de priorizar el hardware sobre el soft-
ware, y se apoya sobre los siguientes concep-
tos:
• La evolución de las máquinas es más
rápida que la de los humanos, mientras las
máquinas siguen un crecimiento acelerado, la
evolución natural de los humanos esta prácti-
camente detenida.
• La aceleración de las tecnologías se
seguirá incrementando hasta llegar a un punto
que escapa a las capacidades de los humanos
(singularidad tecnológica).
• Las máquinas que se Irán auto constru-
yéndose a si misma, cada vez mas perfeccio-
nadas, mas veloces, mas memorias, dotadas
de mejores algoritmos podrán llegar a conver-
tirse en máquinas superinteligentes que
superen a los humanos.
• La inteligencia de las máquinas dada la
complejidad que Irán adquiriendo y las cone-
xiones internas (circuitos) o externas (redes)
podrá despertar como una entidad auto-cons-
ciente.
Ahora bien, me permito un pensamiento
bastante individual:
“Por más que las máquinas sigan evolu-
cionando y que mejoren las técnicas de inteli-
gencia artificial mediante el crecimiento de
fractales, la lógica difusa o implementaciones
complejas de redes neuronales, es imposible
que pueda –siquiera- acercarse al razona-
miento humano, por lo cual me resulta impo-
sible pensar que las máquinas puedan supe-
rar al hombre”.
 Inteligencia artificial
spaun, una sIMulacIón cerebral funcIonal (compuestas por unas 10.000 neuronas). Es un
proyecto a largo plazo cuyos resultados vere-
La simulación cerebral es un área fascinante mos en el futuro.
en la que se mezclan neurociencia y computa- IBM ha realizado la mayor simulación neuro-
ción de alto nivel. Periódicamente recibimos nal hasta la fecha. 500 mil millones de neuro-
noticias de nuevas y sorprendentes simulacio- nas y 100 billones de sinapsis. Sin embargo, es
nes. Con frecuencia las informaciones son con- un proyecto de computación, no de neurocien-
fusas y es importante colocar cada cosa en su cia. No simula nada parecido a un comporta-
sitio. Spaun es un simulador que por primera miento humano. El objetivo a largo plazo es
vez simula la funcionalidad de un cerebro com- construir novedosos chips neurosinápticos de
plejo. Es decir, trata de hacer lo que hace un arquitectura no Von Neumann.
cerebro real. Un camino muy prometedor. Un proyecto mucho menos ambicioso pero
Uno de los primeros intentos fue el proyecto más realista es OpenWorm. Trata de simular la
Blue Brain, que sigue en marcha aunque últi- conducta de C. Elegans, un gusano del que
mamente con pocas noticias. La idea es simu- conocemos su Conectoma, sus 302 neuronas y
lar cada una de las baldosas o ladrillos del sus sinapsis. Empezar por lo sencillo tiene sus
cerebro llamadas columnas neocorticales ventajas.
Juntar un montón de
Simulación Cerebral neuronas y esperar que
Funcional emerja algo interesante
no parece una vía plau-
sible para entender
cómo funciona algo tan
sofisticado como el
cerebro.
Spaun, el nuevo simula-
dor, es novedoso y muy
interesante. Junto con
OpenWorm está en la
línea de las simulacio-
nes funcionales. Esto
significa que pretende
simular tareas reales
que realizamos los
humanos.
Para ello, simula 2,5
millones de neuronas
agrupadas en áreas
cerebrales que real-
mente tenemos los
humanos. Subredes del
simulador se correspon-
den con áreas anatómi-
cas físicas como el área
visual en el lóbulo occi-
pital, el área motora,
funciones ejecutivas en
el lóbulo frontal y memo-

Capítulo 1 11
Robótica BEaM, Inteligencia artificial y lógica Difusa
ria de trabajo. También simula los ganglios
basales, corresponsables del movimiento com-
plejo (afectados en el párkinson).
El modelo recibe una imagen de 28×28
pixels como entrada, procesa la señal y genera
un output mediante un brazo simulado. Las
neuronas individuales se comunican por seña-
les eléctricas (potenciales de acción) y neuro-
transmisores. Aunque simplificado, el modelo
capta muchos aspectos de neuroanatomía,
neurofisiología y comportamiento psicológico.
Esto queda demostrado en 8 tareas diferen-
tes. Por ejemplo: copia un dibujo, reconoce los
números, los ordena, los cuenta, e incluso
completa una lista (2,3,4…). En la red hay dis-
ponibles vídeos que permiten conocer mejor a
Spaun. Algunas de las pruebas están extraídas
de test de inteligencia convencionales como el
test de matrices de Raven. Spaun puntúa casi
como un humano.
Hasta ahora la carrera era conseguir una
simulación del tamaño del cerebro humano. De
ahora en adelante, el reto es conseguir las
mayores funciones biológicas y comportamien-
tos animales. Por el momento, Spaun es el
ganador.
El comportamiento es similar al humano.
Reproduce errores similares y tiempos de res-
puesta parecidos (tareas más complejas llevan
tiempos de ejecución más complejos).
Si destruimos partes del modelo, podemos
ver qué comportamientos fallan. O podemos
cambiar el funcionamiento de los neurotransmi-
sores y ver cómo se correlaciona con el com-
portamiento. Así se puede observar qué ocurre
en la edad avanzada con el envejecimiento
celular.
Están trabajando en un programa que no
tiene instrucciones concretas sino recompensa
positiva o negativa. Este es un clásico ejemplo
de aprendizaje humano.
Aunque esperan que el rendimiento esté
cerca del tiempo de respuesta real, en la actua-
lidad un segundo tarda horas en simularse.
Spaun es un salto en la simulación. Los des-
lumbrantes ejercicios de supercomputación no
bastan.
“Queremos simular conductas reales”.
12 Capítulo 1
conclusIón
Quiero concluir comentando que en 1987
Martin Fischles y Oscar Firschein describieron
los atributos de un agente inteligente. Al inten-
tar describir con un mayor ámbito (no sólo la
comunicación) los atributos de un agente inteli-
gente, la inteligencia artificial (IA) se ha expan-
dido a muchas áreas que han creado ramas de
investigación enormes y diferenciadas. Dichos
atributos del agente inteligente son:
Tiene actitudes mentales tales como creen-
cias e intenciones.
Tiene la capacidad de obtener conoci-
miento, es decir, aprender.
Puede resolver problemas, incluso particio-
nando problemas complejos en otros más sim-
ples.
Entiende. Posee la capacidad de crearle
sentido, si es posible, a ideas ambiguas o con-
tradictorias.
Planifica, predice consecuencias, evalúa
alternativas (como en los juegos de ajedrez)
Conoce los límites de su propias habilidades
y conocimientos.
Puede distinguir a pesar de las similitud de
las situaciones.
Puede ser original, creando incluso nuevos
conceptos o ideas, y hasta utilizando analo-
gías.
Puede generalizar.
Puede percibir y modelar el mundo exterior.
Puede entender y utilizar el lenguaje y sus
símbolos.
La IA incluye características humanas tales
como el aprendizaje, la adaptación, el razona-
miento, la autocorrección, el mejoramiento implí-
cito, y la percepción modular del mundo. Así,
podemos hablar ya no sólo de un objetivo, sino
de muchos, dependiendo del punto de vista o uti-
lidad que pueda encontrarse a la IA. J
bibliografía
http://elrincondelacienciaytecnologia.blogspot.com.ar
http://titoquintino.blogspot.com.ar
http://www.puntomag.com
 C a p í t u lo 2

Robótica y L ógica D ifusa

R eDes N euRoNaLes
a RtificiaLes
De lo visto en el capítulo anterior se deduce que Inteligencia Artificial (IA) es el área
encargada de estudiar metodologías, procedimientos, arquitecturas, etc. que permitan
a una computadora (o a cualquier aparato con capacidad de procesar información)
implementar actividades que, por el momento, el hombre realiza mejor (adquirir cono-
cimientos, razonar y actuar). Algunos ejemplos de aplicación son: diagnóstico
médico, diagnóstico industrial, problemas de percepción (visión, habla), interpretación
de señales e imágenes, juegos, detección de virus en computadoras, navegación de
robots móviles, etc. Para que un robot pueda “emular” un sistema biológico suelen
emplearse algoritmos computacionales complejos denominados “redes neuronales
artificiales”. La unidad se denomina perceptrón y representa a las neuronas biológi-
cas, quienes poseen elementos especializados para recibir, integrar, conducir y trans-
mitir señales. El perceptrón simula matemáticamente una sola neurona y sus estudio
lo veremos a continuación.

Capítulo 2 13
Robótica BEaM, Inteligencia artificial y lógica Difusa
IntroduccIón
Una Red Neuronal Artificial es una estructu-
ra computacional inspirada en el estudio de los
circuitos neuronales biológicos. Es decir, la
emulación mediante software y hardware, de
neuronas y sus conexiones.
Hay muchos tipos diferentes de redes neu-
ronales artificiales, desde relativamente sim-
ples hasta muy complejas, así como también
existen muchas teorías sobre cómo trabajan
sus pares biológicas.
Comenzaremos estudiando una muy senci-
lla que recibe el nombre de perceptrón simple,
incluso no se trata de una red en sí, sino de
una neurona aislada. La utilidad de la misma es
muy limitada, pero su comprensión nos permi-
tirá luego avanzar en el entendimiento de otras
redes.
Per­ceP­trón SIm­Ple
Las neuronas biológicas poseen elementos
especializados para recibir, integrar, conducir y
transmitir señales, éstos son: las dendritas, el
cuerpo celular, el axón y los terminales del
axón (figura 1).
14 Capítulo 2
El perceptrón simple lo que pretende, es si-
mular matemáticamente una sola neurona.
Como vemos en la figura 2, posee entradas
y una función de transferencia de tipo umbral.
Las entradas a la red son las componentes del
vector de entrada X (las xi), la salida es Y y los
pesos (codificación de la intensidad de las si-
napsis) son el arreglo de números wi. Ya vere-
mos esto con más detalle.
Antes de proseguir veamos un poquito de
álgebra, a no asustarse, son sólo unas defini-
ciones elementales para facilitarnos la tarea, ya
que no es el propósito de este curso ahondar
en álgebra.
Entonces, se llama vector a un simple arre-
glo de números:
A x1,x2, x3 les llamamos las componentes
xi . Así decimos que la entrada X es el vector
“columna”, por la disposición de sus números,
es decir en varios renglones.
Y también tenemos el vector de “pesos”:
Figura 1

Tabla 1
Tabla 2
Que es un vector “renglón”. Ahora, volviendo
a la neurona artificial de la figura 2, veamos có-
mo ésta funciona. Cada entrada xi sería el equi-
valente a la señal, digamos un valor numérico,
proveniente de otra neurona o de un sensor ex-
terno. Cada entrada va a influir sobre el dispa-
ro de la neurona, cuánto influya va a depender
de la intensidad de esa sinapsis, o sea la “fuer-
Figura 3
Figura 4
Redes Neuronales artificiales
za” con que esa entrada está co-
Figura 2
nectada a la neurona, esto lo va
a determinar el valor de su res-
pectivo peso wi.
Así cada entrada se va a multipli-
car por su peso respectivo, y lue-
go el cuerpo neuronal “suma” to-
dos estos productos. Esta opera-
ción en álgebra se llama produc-
to escalar de vectores y se defi-
ne de la manera que vemos en la
fórmula de la tabla 1.
Ojo, las entradas pueden ser
más que tres o menos y por lo
tanto los componentes de cada
vector también más que tres, es-
to se simboliza poniendo la su-
matoria desde i=1 hasta n.
Bien, no era complicado ¿no?.
Después esa suma pasa luego
por una función de activación f,
que equivaldría a un umbral bio-
lógico, o sea si esta suma supe-
ra cierto valor, entonces la salida se pone en
alto. En este caso usaremos la siguiente f,
(figura 3).
Por otra parte si volvemos al esquema de la
neurona vemos otro valor: b1, este puede ser
cero o uno, se le llama bias y lo que hace, en
caso de no ser cero, es lo siguiente (figura 4).
Desplaza el umbral por b1*w0, a los fines
prácticos b1 se trata como una entrada más
que, o es siempre cero o siempre uno, según
deseemos o no desplazar el umbral, esto le da
un grado más de libertad a la región de deci-
sión. Vea la fórmula de la Tabla 2. De esto, el
modelo matemático final de neurona queda (al-
goritmo 1):
Y = 1 si
Y = 0 si
Capítulo 2 15
Robótica BEaM, Inteligencia artificial y lógica Difusa
Bueno, hasta aquí sabemos cómo calcular
la salida de una neurona frente a una entrada
determinada. Ahora sabemos que los sistemas
biológicos pueden aprender, entonces se plan-
tea la pregunta: ¿có­mo­ apren­de­ nues­tro­ per­-
cep­trón?
Y es allí donde volvemos a los pesos wi, son
éstos los que determinan el valor de la sumato-
ria ante una determinada entrada, y de allí que
se active o no la salida Y.
Entonces cabe la pregunta: ¿su­pon­ga­mos
que­ en­con­tra­mos­ la­ ma­ne­ra­ pa­ra­ que­ el­ va­lor
de­ los­ pe­sos­ cam­bie,­ adap­tán­do­se­ pa­ra­ dar
una­sa­li­da­de­sea­da­an­te­una­de­ter­mi­na­da­en­-
tra­da,­ en­ton­ces­ la­ red­ es­ta­ría­ apren­dien­do­ a
res­pon­der­fren­te­a­una­en­tra­da?
Y así es como nace el algoritmo de entrena-
miento, o sea lo que se hace computacional-
mente es mostrarle una determinada entrada
(digamos un grupo de valores de xi, o sea un
vector X) a la red y simultáneamente mostrarle
la salida que deseamos frente a esa entrada.
Los pesos se van modificando y de esa mane-
ra la información queda en la intensidad de las
sinapsis, codificada en los pesos, al igual que
en las neuronas biológicas.
Esto se lleva a cabo mediante un proceso
que se llama entrenamiento, y una vez conclui-
do, si fue exitoso, y por lo tanto la red aprendió,
ésta debe dar la salida deseada al “ver” la en-
trada correspondiente.
O sea, las neuronas tienen dos modos de
funcionamiento, uno que es mientras aprenden
y por lo tanto modifican sus pesos y otro cuan-
do habiendo aprendido se las usa con sus pe-
sos fijos para obtener la salida ante una entra-
da determinada, aquí es el momento útil de la
neurona.
Al­go­rIt­mo de en­tre­nA­mIen­to
En realidad, en el entrenamiento lo que se
tiene es un conjunto de entradas que represen-
tan distintas situaciones (patrones) y el conjun-
to de salidas deseadas correspondientes a ca-
da situación.
Ahora, en nuestra vida cotidiana, ¿Có­mo
16 Capítulo 2
apren­de­mos?­ Podemos observar que, desde
niños vamos aprendiendo en base a prueba y
error, digamos que nuestra guía en el aprendi-
zaje es el error. Por ejemplo, al leer vemos una
“a” y nos dicen que es una “a”, así la entrada es
“a”, la salida deseada es que pronunciemos “a”,
si decimos “e” nos corrigen, volvemos a inten-
tar, hasta que frente a una “a” decimos “a”, es-
te es un ejemplo muy simple, pero así es todo.
Fue esto lo que motivó a los primeros in-
vestigadores a pensar en el error entre la sali-
da deseada y la que la neurona proporciona
ante una entrada como la herramienta guía
para modificar los pesos. Así surge el algorit-
mo de entrenamiento para el perceptrón sim-
ple, que bien podemos ver esquematizado en
la figura 5.
Figura 5
Describimos a continuación este algoritmo
de entrenamiento (algoritmo 2):
1)­Ini­cia­li­zar­los­pe­sos­wi­con­va­lo­res­alea­to­-
rios­ me­no­res­ que­ 1,­ así­ la­ neu­ro­na­ co­mien­za
sin­“sa­ber”­na­da.
2)­Pre­sen­tar­al­Per­cep­trón­sim­ple­un­vec­tor
pa­trón­de­en­tra­das­y­la­sa­li­da­de­sea­da­D.
3)­Cal­cu­lar­el­error­en­tre­la­sa­li­da­Y­y­la­sa­-
li­da­de­sea­da­D­(e­=­D­-­y)
4)­ Ajus­tar­ los­ pe­sos­ de­ la­ red­ se­gún­ el­ si­-
guien­te­al­go­rit­mo:
Don­de­­wi­(t­+­1)­es­el­nue­vo­pe­so,­­­wi (t)­es
el­pe­so­“vie­jo”,­e­es­el­error­y­­­un­pa­rá­me­tro­de
apren­di­za­je­ge­ne­ral­men­te­con­va­lor­1,­es­to­se
rea­li­za­pa­ra­ca­da­pe­so­­­wi.
5)­Vol­ver­al­pa­so­2)­y­re­pe­tir­el­pro­ce­so.

Los patrones de entrenamiento, es decir los
vectores de entrada con su salida deseada se
van mostrando a la red en forma aleatoria, un
número determinado de veces, hasta que ésta
aprende. Una vez que la neurona aprendió, los
pesos no se modifican más y esta se puede
usar para cualquier situación dentro de las que
aprendió, o aún “nuevas” (esto se llama gene-
ralización y lo veremos más adelante).
Bueno, creo que por ahora es suficiente teo-
ría, así que mejor algo de práctica para afirmar
y comprender lo que hemos visto. A no preocu-
parse si pareció muy teórico o algo no quedó
claro, notaremos que al ver cómo se emplean
PrácTica:
implementación de un
Perceptrón Simple en NePic
el SIS­te­mA ne­PIc
Para realizar las prácticas, me pareció ade-
cuado crear un pequeño software para el entre-
namiento de neuronas y la generación del códi-
go que vamos a emplear en los microcontrola-
dores. Este software va ir creciendo con los ar-
tículos. Nuestra primer práctica va ser entrenar
Figura 6
Redes Neuronales artificiales
estas herramientas, todo se esclarece. Pronto
veremos lo satisfactorio que es comprender la
idea detrás de algo tan vigente como la IA (si-
glas de Inteligencia Artificial en inglés).
En el próximo capítulo estaremos entrenan-
do el “cerebro” de un robot para recorrer labe-
rintos, para lo cual necesitaremos varias neuro-
nas.
Primero, lo que vamos a hacer es la resolu-
ción de un problema sumamente sencillo, que
nos permitirá observar el funcionamiento de
una neurona. Pero antes de proseguir con esto,
veamos con qué vamos a trabajar:
un perceptrón simple mediante el software y
luego usarlo en un PI­cA­Xe, (ver Saber 205,
211 o consultar el sitio web www.rev-ed.co.uk
para saber más de éstos).
Vamos a enseñarle a un perceptrón a resol-
ver la función “OR”, este ejemplo es sumamen-
te simple, pero sirve para entender la idea, ade-
más por tradición, así como al aprender a pro-
gramar uno aprende a escribir “HELLO WORD”
en pantalla, en IA es la función “OR” el primer
ejercicio .
Veamos nuestro software (que Ud. lo puede
bajar gratuitamente de nuestra web: www­.we­-
be­lec­tro­ni­ca­.co­m.mx, haciendo clic en el íco-
no password e introduciendo la clave ne­pic), Al
ejecutar el programa aparecerá la imagen de la
figura 6 y al hacer clic en el botón “Perceptrón
para OR” aparecerá la imagen de la figura 7;
note que posee una tabla que deberemos com-
pletar para que la red “aprenda” que es una
compuerta OR.
Para cargar la tabla y entrenar la red proce-
demos como sigue, por ejemplo para cargar el
segundo renglón hacemos clic en In1 y Out, o
sea los encendemos, y luego damos clic sobre
“cargar”, así en patrones cargados queda tal
Capítulo 2 17
Robótica BEaM, Inteligencia artificial y lógica Difusa
como se muestra en la figura Figura 7
8. Y así proseguimos hasta
cargar toda la tabla, clickean-
do los botones con la confi-
Cargamos­la­tabla­“OR”
guración deseada y a conti-
para­que­la­red­la­aprenda
nuación “cargar”, hasta que
ingresemos todos los renglo-
nes, como vemos en la figura
9.
De esta manera le esta-
mos mostrando a la red las
entradas con que se va a en-
contrar y la salida que desea-
mos para cada una de ellas
(patrones de entrenamiento) Figura 8
y le decimos el número de
veces que queremos se ha-
ga esto: observe nuevamen-
te la figura 7.

Figura 9

Luego presionamos “entrenar” con lo que el
software ejecuta el algoritmo de entrenamiento
visto ( algoritmo 2), durante el número de veces
elegido y va modificando los pesos. Finalmen-
te se enciende el indicador “LISTO”, entonces
presionamos “Generar código BASIC”, ésto ge-
nera un código para PI­cA­Xe que se guardará
con el nombre de “C:\Archivos de programa-
\Nepic\ NeurOR.bas”, (se puede abrir con edi-
tor de textos).
El código BASIC generado es el que vemos
en figura 10.
El entrenamiento, lo que genera son los pe-
sos w11 y w12 (equivalentes a w1 y w2), que
son los que codifican la solución del problema.
El código en sí, no es más que el modelo ma-
temático de la neurona (algoritmo 1) que vimos
anteriormente implementado y ejecutado, vez
tras vez, en software. Y podríamos haberlo ge-
nerado mediante el editor de flujo de PICAXE
(en el “PICAXE Programming Editor”, se puede
bajar gratis de www.rev-ed.co.uk), y simularlo
con el simulador, de la forma que se ve en la fi-
gura 11.
En el problema de la figura 12 incluso “a ojo”
podríamos haber obtenido los pesos w1 y w2,

18 Capítulo 2

Figura 10
Figura 11
ya que por claridad resolvimos un ejemplo muy
sencillo, en el que incluso las entradas son bi-
narias, pero más adelante veremos que no es
así en problemas de mayor magnitud, donde
son muchos pesos y con números reales.
Ahora, para probar esto en hardware, debe-
Redes Neuronales artificiales
Figura 12
Figura 13
mos abrir este código con el “PICAXE Program-
ming Editor” y pasarlo a código ejecutable.
Bueno, no queda más que descargar el có-
digo ejecutable a un circuito experimental como
se ve en la figura 13, que podemos hallar en la
página www.rev-ed.co.uk, específicamente en:
www­.rev-ed­.co.uk­/doc­s/a­xe001_pcb.pdf­
Capítulo 2 19
Robótica BEaM, Inteligencia artificial y lógica Difusa
Recomiendo usar el PICA- Figura 14
XE 18X, para que nos sirva
para los códigos siguientes.
Armaremos este circuito y
nos servirá para todos los ex-
perimentos, en este experi-
mento le agregamos Led1
(será la salida y), s2 (será la
entrada x1) y s3 (será la en-
trada x2):
Y listo, podemos verificar
cómo los interruptores s2 y s3
responden según la tabla OR,
encendiendo y apagando el
Led1. Quizás parezca inútil
tanto proceso para una sim-
ple tabla OR, pero lo cierto es
que nuestro programa “apren- Figura 15
dió” a responder, y ése es el
camino hacia la IA.
Como dijimos, en la próxi-
ma parte veremos las verda-
deras redes, los “perceptro-
nes multicapa” y estaremos
entrenando el “cerebro” de un
robot para recorrer laberintos,
para lo cual necesitaremos de
varias neuronas.
Algunos de los proyectos
experimentales, en los que in-
tentaremos mostrar cómo se
utilizan estas herramientas,
serán: Figura 16

•­ Per­cep­trón­ sim­ple­ y­ per­-

cep­trón­ mul­ti­ca­pa­ (ca­paz­ de
apren­der­ la­ res­pues­ta­ a­ en­-
tra­das­sen­ci­llas).­(Ver­la­fi­gu­-
ra­14).
•­“En­tre­nar­el­ce­re­bro”­de­un
ro­bot­ pa­ra­ re­co­rrer­ la­be­rin­tos,
co­mo­se­ve­en­la­fi­gu­ra­15.
•­ Di­se­ñar­ un­ con­trol­ sim­-
ple,­ del­ mo­vi­mien­to­ de­ ro­ta­- Lista de Materiales: TB1: Conector­de­los­usados C1: 100µF­-­capacitor­elec-
ción­de­un­bra­zo­ro­bot,­a­par­- en­baterías­de­9V,­con­portapila trolítico
IC1: Picaxe18­-­Microcontrolador de­6V S1: miniature­push­reset­switch
tir­ de­ las­ se­ña­les­ de­ elec­tro­-
IC2: ULN2803A­-­C.­Integrado R1 a R6: 10kΩ­1/4W S2: switch­miniatura
mio­gra­fía­ de­ una­ per­so­na CT1: 3,5mm­­-­Conector R7: 22kΩ­1/4W S3: switch­miniatura
(figura­16).­J miniatura­estereo R8: 4k7­1/4W Led 1: diodo­emisor­de­luz

20 Capítulo 2
 C a p í t u lo 3

R edes N euRoNales e I NtelIgeNcIa a RtIfIcIal

I mplemeNtacIóN de uN c eRebRo
paRa Robot m óvIl
La navegación autónoma de robots en entornos desconocidos constituye uno de los mayo-
res retos tecnológicos en el campo de la robótica móvil . Se han realizado muchas investi-
gaciones centrando su atención en el desarrollo de técnicas de control y navegación de
robots. Entre varios enfoques para resolver este problema se encuentran las Redes
Neuronales. Aquí se emplean un tipo muy conocido de las mismas, llamadas “Perceptrones
Multicapa”, para un acercamiento a este problema. Los Perceptrones Multicapa son, quizás,
las redes neuronales artificiales más conocidas. Estos tienen la capacidad de “generaliza-
ción”, propiedad que los hace muy adecuados para su empleo en la navegación de robots
en entornos desconocidos. Estas redes permiten dotar a los dispositivos, además de la
posibilidad de aprender, de la habilidad para “tomar decisiones acertadas” ante situaciones
nuevas; por “analogía” con las ya conocidas. En este capítulo veremos cómo es posible
“diseñar” un cerebro virtual para dotar a un robot de cierta inteligencia.

In­tro­duc­cIón sos escogidos inicialmente en forma aleatoria.

En el capítulo anterior vimos nuestra prime-
ra “red” neuronal, el Perceptrón simple (PS).
Este consiste en una suma de las señales de
entrada, multiplicadas por unos valores de pe-
En una fase en la que éste aprende, la entra-
da es comparada con un patrón preestableci-
do para determinar la salida de la red. Si en la
comparación, la suma de las entradas multipli-
cadas por los pesos es mayor o igual que el

Capítulo 3 21
Robótica BEaM, Inteligencia artificial y lógica Difusa
patrón preestablecido, la salida de la red es operación lógica XOR (OR
Tabla 1
uno (1), en caso contrario la salida es cero (0). Exclusivo), para esto sólo
El Perceptrón es un dispositivo que, en su con- tendríamos que repetir el ex-
figuración inicial, no está en capacidad de dis- perimento del artículo ante-
tinguir patrones de entrada muy complejos, sin rior con la tabla 1.
embargo, mediante un proceso de aprendizaje Y notar que no la
es apto para adquirir esta capacidad. En esen- aprende. Bueno, veamos en-
cia, el entrenamiento implica un proceso de re- tonces qué se propuso frente a estas limitacio-
fuerzo, mediante el cual los pesos que codifi- nes.
can las sinapsis, se incrementan o se decre-
mentan. Esto dependiendo de si las dendritas
contribuyen o no a las respuestas correctas del El PEr­cEP­trón Mul­tI­ca­Pa (MlP)­­
Perceptrón. La red tipo Perceptrón fue inventa-
da por el psicólogo Frank Rosenblatt en el año Primero cabe mencionar, como es obvio, que
1957. Su intención era ilustrar algunas propie- para tener varias entradas y salidas, se pue-
dades fundamentales de los sistemas
inteligentes en general, sin entrar en
mayores detalles con respecto a con-
diciones específicas y desconocidas
para organismos biológicos concre-
tos. Al inicio del desarrollo de los sis-
temas de inteligencia artificial, se en-
contró gran similitud entre su compor-
tamiento y el de los sistemas biológi-
cos y en principio se creyó que este
modelo podía computar cualquier fun-
ción aritmética o lógica.
En 1969 Marvin Minsky y Seymour
Papert publicaron su libro: "Percep-
trons: An introduction to Computatio-
nal Geometry", el cual para muchos,
significó el final de las redes neurona-
Figura 1
les. En él se presentaba un análisis
detallado del Perceptrón, en términos
de sus capacidades y limitaciones, en
especial en cuanto a las restricciones
que existen para los problemas que
una red tipo Perceptrón puede resol-
ver; la mayor desventaja de este tipo
de redes es su incapacidad para solu-
cionar problemas que no sean lineal-
mente separables. Como dijimos, no
ahondaremos en álgebra, sino vere-
mos casos prácticos, así en el artícu-
lo anterior vimos cómo entrenar un
PS, para resolver la operación lógica
OR, ahora podemos verificar que éste
es incapaz de resolver por ejemplo la Figura 2

22 Capítulo 3
 Implementación de un Cerebro para Robot Móvil
Figura 3
den conectar Perceptrones simples como ve-
mos en la figura 1.
Pero con esto no se amplía el tipo de funcio-
nes que puede aprender la red. Así es como
nace la idea ( proveniente también de copiar
los sistemas biológicos), de hacer redes que
tengan más de una capa de neuronas, ver figu-
ra 2.
A partir de ahora, a cada neurona de la red,
algunas veces la llamaremos nodo.
Así, por ejemplo, a una red multicapa con
dos neuronas de entrada, dos ocultas y dos de
salida, la podemos graficar como sigue (figura
3).
El entrenamiento de esta red neuronal con-
sistirá, al igual que en el perceptrón simple, en
presentar las entradas, junto con las salidas
deseadas para cada una de ellas, y modificar
los pesos de acuerdo al error (diferencia entre
la salida deseada y la obtenida).
La principal dificultad en el entrenamiento
de redes de varias capas es encontrar los erro-
res asociados con las capas ocultas; es decir,
en las capas que no son la de salida (sólo se
tiene salida deseada en las capas de salida).
Esto es debido a que los errores son nece-
sarios para el aprendizaje, para saber cómo
modificar los pesos de las neuronas en las ca-
pas ocultas. Así se da origen a algoritmos muy
ingeniosos, el precursor y más conocido por su
simplicidad, es el que recibió el nombre de re-
tropropagación del error (backpropagation).
Así el funcionamiento de un PMC es
básicamente: se aplica una entrada
cuya salida se conoce, luego se cal-
cula primero la salida de las neuronas
de entrada, estas salidas son las en-
tradas de las neuronas de la capa
oculta, con estas entradas se calcula
la salida de las neuronas ocultas, y
con éstas como entrada para las neu-
ronas de salida, se calculan las sali-
das finales.
Esta es la fase hacia delante, por así
decirlo, en la red.
Luego se obtiene el error con respec-
to a la señal deseada y finalmente es-
te error se retro propaga (de atrás ha-
cia delante) modificando los pesos.
No trataremos la parte matemática de cómo
se hace esto, pero mencionaremos que las
neuronas de la capa oculta usan como regla de
propagación, la suma ponderada de las entra-
das con los pesos sinápticos wij y sobre esa
suma ponderada se aplica una función de
transferencia de tipo sigmoide (figura 4) (recor-
demos que en el PS, era simplemente un um-
bral), que es acotada en respuesta. Similar-
mente en la retropropagación, el error en los
nodos de las capas ocultas es proporcional a la
sumatoria de los gradientes de los nodos de la
capa siguiente pesados por los pesos de cone-
xión.
La aparición de una función de activación
del tipo sigmoide es debido a restricciones
analíticas en los algoritmos de entrenamiento.
Una función de activación de este tipo es:
1
y (p)­=­­––––––
1­-­e -p
donde x es la sumatoria de las entradas al
nodo pesadas por los pesos de conexión y y(p)
la salida del nodo correspondiente (o sea si re-
cordamos del artículo anterior):
Observe la figura 4.
Capítulo 3 23
Robótica BEaM, Inteligencia artificial y lógica Difusa
Figura 4
De todo esto, luego de algún trabajo mate-
mático, surge el algoritmo que se usa en el en-
trenamiento de la red.
al­go­rIt­Mo dE rE­tro­Pro­Pa­ga­cIón
1. Inicializar los pesos aleatoriamente y con
valores menores que 1.
2. Escoger un patrón del conjunto de entre-
namiento, calcular la salida (para esto se avan-
za neurona por neurona, capa por capa, hasta
llegar a la salida, al igual que en el PS) y el
error asociado en cada nodo de la capa de sa-
lida.
3.­Adaptar los pesos: empezando con la ca-
pa de salida, y “modificando hacia atrás”, de la
siguiente manera:
wij (k­+­1)­=­wij (k)­+­a­.­dij . Yij
donde Yij es la salida real de la capa ante-
rior, a es un parámetro de aprendizaje (gene-
ralmente 0.5) y dij es el gradiente cuya expre-
PrácTica:
implementación de un
robot Móvil con NePic
IntroduccIón
A grandes rasgos, el problema puede enun-
ciarse de la siguiente manera: un robot móvil
se encuentra situado en un determinado am-
biente, que contiene una serie de obstáculos y
una meta. Se trata de controlar el robot para
24 Capítulo 3
sión difiere según la capa que se esté adap-
tando (el subíndice i es la capa y el j es la neu-
rona de la capa).
Para nodos de la capa de salida:
donde dij es la respuesta deseada.
Para unidades en las capas escondidas:
n son las neuronas de la capa siguiente.
4. Volver al paso 2. y repetir el proceso has-
ta que los pesos converjan ( O sea el error en-
tre las salidas deseadas y las obtenidas sea
menor que un valor deseado).
Generalmente estos pasos (de 1 a 4) se
realizan un número determinado de veces, lla-
madas épocas de entrenamiento y luego se
observa si la red aprendió.
Este es un modo de entrenamiento, existen
otros, pero por ahora con éste es suficiente.
Una vez entrenada la red, se puede usar de
igual manera que vimos con el Perceptrón
Simple. No existe un límite para fijar la canti-
dad de capas de un PMC, pero se ha demos-
trado que un PMC con una capa oculta y con
el número suficiente de nodos, es capaz de so-
lucionar casi cualquier problema. Si se agrega
una capa oculta más, un PMC soluciona cual-
quier tipo de problemas y en forma más efi-
ciente que con una sola.
que navegue por el entorno, evitando los obs-
táculos y alcanzando la meta. Existe varios en-
foques para resolver este problema, y entre
ellos se encuentran las técnicas de IA como
son la Lógica Fuzzy y las Redes Neuronales.
Estas técnicas han permitido aproximarse a la
solución de muchos problemas de control debi-
 Implementación de un Cerebro para Robot Móvil
do a su capacidad de emular algunas caracte-
rísticas propias de los humanos. Ahora tratare-
mos de aprovechar la capacidad de generaliza-
ción de las redes neuronales, para resolver los
problemas que plantea la navegación de robots
en ambientes desconocidos.
Generalización en IA es el nombre que re-
cibe una característica de las redes neuronales
artificiales. Es decir, si una red neuronal se en-
trena con un número suficiente de patrones, y
luego frente a un patrón que no pertenece al
grupo con el que se la entrenó (una situación
nueva), da una salida correcta (que resuelve la
situación), entonces se dice que la red genera-
liza bien.
Para que un robot pueda navegar en un am-
biente desconocido, tiene que ser capaz de
efectuar unos movimientos tan intuitivos como
los que realizaría una persona que se encuen-
tra en su misma situación.
Los humanos no tenemos un mapa o un sis-
tema de coordenadas en base al cual navega-
mos, simplemente observamos el entorno y va-
mos decidiendo en cada instante la acción que
hemos de ejecutar para continuar avanzando
hacia nuestro objetivo. Lo que se pretende es
que el robot actúe de igual forma que una per-
sona, es decir, que capte información sobre su
entorno a través de los sensores y en función
de ella “decida” qué acción debe llevar a cabo
para continuar su camino.
Figura 5
No se puede pretender que el robot aprenda
todas las situaciones que posiblemente se va-
yan a presentar durante la navegación. A nivel
de memoria se recargaría el sistema con dema-
siada información que se puede considerar re-
dundante. Para resolver este problema las per-
sonas recurrimos al proceso de generalización,
que nos permite solucionar un caso particular,
cuando se asemeja a un caso general conoci-
do. Una de las principales características de las
redes neuronales es precisamente su capaci-
dad de generalización, por tanto, son una he-
rramienta ideal para proporcionar al robot la ca-
pacidad de decidir en cualquier situación, inclu-
so cuando dicha situación no se haya presenta-
do anteriormente.
un ro­bot Pa­ra Ex­PE­rI­MEn­tar
De forma experimental en nuestro proyecto
podemos montar un pequeño robot, para esto
debemos haber armado inicialmente la placa
del circuito experimental que les hablé en el ar-
tículo anterior, (que podemos hallar en la pági-
na www­.rev-ed­.co.uk, específicamente en
www­.rev-ed­.co.uk­/doc­s/a­xe001_pcb.pdf ).
Ya que, como dijimos vamos a usar los Pica-
xe para experimentar, (ver Saber 205 , 211 o
consultar el sitio web www­.rev-ed­.co.uk para
saber más de estos).
Recomiendo usar el PICAXE 18X, pa-
ra que nos sirva para otros experimen-
tos.
Así, teniendo la placa con el Picaxe 18,
ésta va ser el “cerebro” del robot, aho-
ra necesitamos la estructura física, y
como para que cualquiera pueda expe-
rimentar, vamos a usar, y ¿por que
no?, algunos elementos de desecho.
Por ejemplo, ¿quién no tiene CD-
ROMs viejos? Bueno vamos a sacrifi-
car dos de éstos.
Los materiales que vamos a necesitar
serán los que podemos observar en la
figura 5.
Bueno, vamos armar un robot experi-
mental, nuestro primer experimento
Capítulo 3 25
Robótica BEaM, Inteligencia artificial y lógica Difusa
será muy sencillo y le Figura 6
permitirá al robot mover-
se por el espacio. El
otro, que es más sofisti-
cado, lo simularemos en
parte, ya que requiere
realmente de algunos
materiales más, pero no
es imposible de realizar
y proporciona una clara
noción de la utilidad de
las redes.
En cuanto a los mate-
riales sólo mencioné las
características genera-
les, de manera que cada
uno pueda hacerlo con
lo que tenga en casa.
Sólo es conveniente que
las ruedas sean peque- Figura 7
ñas.
Los chinos dicen:
“Una imagen vale más
que mil palabras”, de
manera que en el en-
samblado procuraré va-
lerme más que nada de
esquemas.
Así el CD que irá en
la parte de abajo deberá
quedar como en la figura
6.
Como sensores en
este primer experimento
usaremos los interrupto-
res de contacto, éstos
deben ser de un tipo
muy común, lo que tene-
mos que lograr es que
se accionen con facili-
dad cuando contactan con algún objeto al cos- más o menos la relación que vemos en esa fi-
tado del robot. gura.
Para lograr esto, le colocaremos como una El CD superior deberá quedar como en la fi-
especie de “bigotes”, es decir le pegaremos gura 8:
unas barritas de plástico flexible. Entonces una vez armado, nuestro robot se
La disposición de estas barritas la podemos deberá ver como la figura 9.
observar en la figura 7 y su largo podemos ele- Es importante notar que la superficie en la
girlo experimentalmente, pero manteniendo que se moverá nuestro robot deberá ser com-

26 Capítulo 3
 Implementación de un Cerebro para Robot Móvil
Figura 8
pletamente lisa, de manera que los soportes no
se traben, por ejemplo un mesa con cubierta de
fórmica.
A continuación veremos cómo realizar las
conexiones, para esto nos guiaremos por la fi-
gura 10, los números dibujados sobre la placa,
nos señalan lo que hay que conectar en esos
pines marcados:
Figura 9
1- Cable del interruptor si-
tuado del lado izquierdo
del robot (ver figura 7).
2- El otro cable del inte-
rruptor situado del lado iz-
quierdo del robot (ver fi-
gura 7).
3- Cable del interruptor si-
tuado del lado derecho
del robot (ver figura 7).
4- El otro cable del inte-
rruptor situado del lado
derecho del robot (ver fi-
gura 7).
5- Negativo de la batería.
6- Positivo de la batería
(conviene interponer un
interruptor para comodi-
dad).
Es importante tener en
cuenta que si se trata de
motores de corriente continua, como es este
caso, depende como los conectemos, van a gi-
rar hacia un lado u otro.
Para asegurarnos de hacer bien las conexio-
nes lo mejor es, una vez puestos en su lugar,
probar con la fuente directamente como deben
ir conectadas las polaridades para que cada
motor gire en un sentido que provoque el avan-
ce del robot.
Una vez logrado esto, mar-
camos cada cable del mo-
tor según qué polaridad re-
ciba de la batería como + o
-. Entonces continuamos:
7- El cable marcado como
negativo del motor situado
del lado izquierdo del ro-
bot.
8- El cable marcado como
positivo del motor situado
del lado izquierdo del ro-
bot.
9- El cable marcado como
negativo del motor situado
del lado derecho del robot.
Capítulo 3 27
Robótica BEaM, Inteligencia artificial y lógica Difusa
10- El cable marcado como positivo del mo-
tor situado del lado derecho del robot. Observe
la figura 10.

la rEd quE usa­rE­Mos

Una red muy apropiada para el control del

robot es un perceptrón multicapa, ya que debi-
do a sus características es muy válido para re-
solver problemas de clasificación. Además pre-
senta una estructura comparativamente senci-
lla, que permite una relativa sencillez en la im-
plementación en un microcontrolador.
En la figura 11 vemos una de las estructu-
ras que emplearemos en este primer experi-
mento: Figura 10
Resta ahora ver cómo implementar y entre-
nar esta red con NePic, y así programar la pla-
ca “cerebro” de nuestro robot. Luego planteare-
mos y simularemos un caso más completo de
navegación de robots móviles, con más senso-
res de proximidad y un sensor de orientación,
lo cual permitirá alcanzar un objetivo deseado
en el laberinto en el que el robot se mueve. Una
vez realizados estos experimentos veremos
más claramente la utilidad de las redes neuro-
nales multicapa. Figura 11

el robot tal como lo dejamos en el artículo pa-

rE­gIo­nEs dE dE­cI­sIón sado (recomiendo tenerlo a mano). Con la con-
figuración que éste tiene, como vemos en la fi-
Bueno, vayamos a nuestro robot. En el pri- gura 12, no son demasiadas las opciones, tan-
mer experimento que realizaremos, usaremos to en lo relativo a la información que obtenga

Figura 12

28 Capítulo 3
 Implementación de un Cerebro para Robot Móvil
del ambiente, como las posibilidades de movi- ra usaremos el robot tal cual está, ya que nos
miento. servirá para analizar varios aspectos.
En esta figura podemos apreciar que si el El problema como está es muy sencillo, y se
robot hace contacto con un obstáculo con su puede solucionar con dos Perceptrones sim-
antena, el interruptor correspondiente envía ples. Esto nos permitirá entender lo que men-
una señal en alto. Para evadir el objeto el robot cioné en el artículo anterior: “para que un pro-
deberá apagar su motor derecho y mantener blema se pueda resolver con un perceptrón
encendido el izquierdo, hasta alejarse del obs- simple (PS), sus soluciones deben ser lineal-
táculo (girando a su derecha) , luego volver a mente separables”, ésta era la gran limitación
encender los dos. del PS.
Para lograr esto construimos una tabla con De manera que con una estructura como la
las opciones y los resultados esperados: siguiente (figura 13), estaría solucionado (a no
preocuparse, pronto veremos un PMC).
En­tra­das sa­li­das
X1=0 Y1=1
X2=0 Y2=1
X1=0 Y1=0
X2=1 Y2=1
X1=1 Y1=1
X2=0 Y2=0

En esta tabla, X1 es la señal proveniente del

Figura 13
interruptor 1 que ingresa en In1, X2 es la señal
proveniente del interruptor 2 que ingresa en
In2, y Y1, Y2 son las salidas hacia los motores Analicemos cada neurona por separado, y
izquierdo y derecho respectivamente. veamos su espacio solución.
Así, si ningún interruptor está cerrado (no Para la neurona 1 (figura 14), ésta deberá
hay contacto con objeto), el robot debe avanzar funcionar de manera que:
hacia adelante, para lo cual debe enviar alimen-
tación (nivel alto) a ambos motores. • X1=0, X2=0 => Y1=1
En el segundo caso el robot hace contacto • X1=0, X2=1 => Y1=0
con un objeto a su izquierda, entonces debe gi- • X1=1, X2=0 => Y1=1
rar a la derecha, para esto apaga el motor de-
recho (nivel bajo) y mantiene encendido el iz-
quierdo. Similarmente para un objeto a la iz-
quierda.
Cabe mencionar que suponemos que el ro-
bot no choca de frente con un objeto.
Debido al tipo de integrado al que se hallan
conectados los motores (un simple UL-
Figura 14
N2803A), éstos no podrán girar en reversa, así
los motores sólo pueden moverse hacia ade-
lante, lo cual es una limitación bastante grande, Esta información la podemos colocar toda
la opción para obtener reversa es usar el junta en un gráfico cartesiano, con X1 en las
L293D (para esto ver en la página www­.rev-ed­- abscisas, X2 en las ordenadas, Y1=1 marcado
.co.uk, específicamente en www­.rev-ed­- con “x” y Y1=0 marcado con “o”, como vemos
.co.uk­/doc­s/a­xe020.pdf) y colocarle interrup- en la figura 15.
tor frontal como una entrada más, pero por aho- Este gráfico recibe el nombre de región de

Capítulo 3 29
Robótica BEaM, Inteligencia artificial y lógica Difusa
Figura 15
decisión y en este caso vemos que para sepa-
rar los dos tipos de decisiones que tenemos
nos basta con una línea recta (figura 16), de
ahí que digamos que el PS sólo soluciona pro-
blemas linealmente separables.
Figura 16
También podemos ver en el caso de la tabla
“OR”, si nos tomamos el trabajo de graficar,
que su solución es una línea recta que pasa
por el origen, por lo que con un PS sin bias, lo
solucionábamos.
Cabe mencionar que la señal de bias lo que
hace es proporcionar una ordenada al origen a
la recta, por eso decíamos que le añade un
grado de libertad más a la
neurona (ver primer artícu-
lo). Como pasa en el caso
de la función “XOR”, ya no
basta con una recta para
separar las soluciones, así
también en problemas más
sofisticados; como por
ejemplo si se dispone de
imágenes de un equipo de
diagnóstico médico y se
quiere enseñar a una red a
detectar el cáncer, ya los
espacios soluciones pre-
sentan regiones de deci-
sión en formas complicadas
30 Capítulo 3
. En la figura 17 vemos, de acuerdo que forma
de región de decisión tengamos, qué estructu-
ra de neurona deberíamos usar.
No existe un límite para fijar la cantidad de
capas de un PMC, pero se ha demostrado que
un PMC con una capa oculta (total dos capas)
y con el número suficiente de nodos, es capaz
de solucionar casi cualquier problema. Si se
agrega una capa oculta más (total tres capas),
un PMC soluciona cualquier tipo de problemas
y en forma más eficiente que con una sola.
Bueno, por ahora llegamos hasta aquí.
Volviendo a nuestro caso del robot con dos
“antenas”, podemos ver que la neurona dos va
a funcionar similar, sólo que de manera diame-
tralmente opuesta.
Así, nuestro primer experimento será entre-
nar de esta forma simple a nuestro robot.
PrIMEra PráctIca
Para entrenar el circuito necesitamos la ver-
sión actualizada de NePic (se lo puede bajar
gratuitamente de nuestra web: www­.we­be­lec­-
tro­ni­ca­.co­m.mx, haciendo clic en el ícono
password e introduciendo la clave ne­pic2).
Una vez instalada esta aplicación ingresamos
en “Perceptrón completo”, desde la pantalla de
opciones, como vemos en la figura 18.
Luego procedemos al igual que con la fun-
ción “OR”, cargamos los patrones (tabla) me-
Figura 17
 Implementación de un Cerebro para Robot Móvil
Figura 20

Figura 18

Figura 19 BASIC”, (figura 19) esto genera un código para

PICAXE que se guardará con el nombre:

C:\Archivos de programa\Nepic\ Robot1.bas

Nota: se puede abrir con editor de textos).

diante el mismo método anterior, luego presio- en la figura 20 .
namos “entrenar” y finalmente “Generar código
Figura 21
El código BASIC generado es el que vemos
El entrenamiento, lo que genera son los pe-
sos w11, w12, w13 y w14 (equivalen-
tes a w1, w2, w3 y w4), que son los
que codifican la solución del proble-
ma. Nuevamente, al ser un problema
muy sencillo, los pesos son casi “in-
tuitivos”. Una vez más podríamos ha-
ber generado el código mediante el
editor de flujo de PICAXE (en el “PI-
CAXE Programming Editor”, se pue-
de bajar gratis de www.rev-ed.co.uk),
y simularlo con el simulador, de la
forma que vemos en la figura 21.
En la figura 22 se puede ver cómo se
configuran las variables de entrada y
de salida en el Editor de Programas
de PICAXE.
En la implementación en microcon-

Capítulo 3 31
Robótica BEaM, Inteligencia artificial y lógica Difusa
trolador, verán que utilicé la función de activa- Figura 22
ción f invertida (vea el capítulo 2), en este caso
fue por sencillez y por la imposibilidad de traba-
jar con números negativos con PICAXE, lo que
me llevó a cambiar esto, para lograr la pendien-
te negativa que tiene la recta que separa las
regiones de decisión. Más adelante, en poste-
riores experimentos posiblemente usaremos
algunos artilugios que nos permitan codificar
números negativos en Picaxes (con PICs co-
munes se emplean los números complemento
de dos, pero ya que aquí esto no es posible,
emplearemos otras estrategias). Como hemos
visto hasta ahora, las redes neuronales nos sir-
ven por ejemplo, para resolver problemas co-
mo el aprendizaje (en dispositivos más sofisti-
cados los mismos pueden estar dotados del al-
goritmo de aprendizaje). Pero esta flexibilidad
también implica un costo computacional más
elevado (es decir se emplea más recursos, por
ejemplo: memoria).
Volviendo a nuestro robot, no queda más
que abrir el código basic con el “PICAXE Pro-
gramming Editor” , pasarlo a código ejecutable
y luego descargar el código ejecutable al Pica- mos el sistema de sensores. De todas mane-
xe 18 del circuito experimental que hace de ras, sólo lo simularemos con NePic, mediante
“cerebro” del robot. Y listo!, ya puede empezar un pequeño módulo que le agregué, debido a
a funcionar. Hasta acá bien ¿y los PMC?, ¿qué que conseguir los sensores de ultrasonido que
pasó? En el siguiente experimento nos valdre- requiere y una brújula electrónica, junto a su
mos de éstos para plantear el diseño de un dis- acondicionamiento, puede ser algo caro y la
positivo, que actúe de manera más similar a idea es como dijimos, aprender en forma eco-
una persona en un ambiente desconocido. nómica.

Figura 23
sEgunda PráctIca

Ahora en este caso su-

pondremos un robot que
parte de una posición cual-
quiera en un laberinto y que
debe ser capaz de alcanzar
una determinada meta (fi-
gura 23).
Para que el robot tenga
más “percepción” del am-
biente y pueda moverse con
más soltura, sin colisionar
con los objetos, rediseña-

32 Capítulo 3
 Implementación de un Cerebro para Robot Móvil
De todas formas se Pero por ahora quedémonos con la idea.
pueden armar de Veamos, el ambiente donde navega el robot es
manera relativa- un cuadrado, en su interior se encuentran distri-
mente sencilla buidos en forma aleatoria varios obstáculos que
usando mouses en el robot deberá evitar.
desuso, ya que los Así, las variables de interés para el robot son
LEDs infrarrojos de la presencia de obstáculos y su orientación res-
Figura 24
éstos, con una pe- pecto a la meta. Entonces el robot está equipa-
do con cinco sensores de proximidad que
Figura 25 se encuentran uniformemente distribuidos
en la parte delantera (ver figura 24).
Estos sensores tienen la capacidad de de-
tectar la presencia de un obstáculo y me-
dir la distancia a la que se encuentra. En
este caso se ha considerado que única-
mente son de dos estados, de forma que
si se detecta un objeto se activará la señal
lógica 1 y si no la señal activa será un 0
(esto para facilitar la comprensión). El
campo de acción de los ultrasonidos lo su-
ponemos de un ángulo de unos 33º de
apertura y 22,5 cm de alcance.
También por simplicidad supondremos
que S5 y S4 así como S1 y S2 trabajan de
a pares como un solo sensor, así tenemos
el equivalente de 3 sensores a la entrada
(figura 25).
En cuanto a la brújula, nos dará un uno si
queña adaptación se pueden emplear de ma- el robot está dentro de los 0 y + 180 grados
nera muy satisfactoria como detectores de pro- apuntando hacia la meta y un cero si está en la
ximidad. dirección contraria (+180 y +360), ver figura 26.
Bueno, la red elegida es
Figura 26 un PMC, debido a que es-
te tipo de redes por sus
características, como ya
vimos, son muy válidas
para resolver problemas
de clasificación como el
que nos ocupa.
A esto cabe añadir que
presentan una arquitectu-
ra relativamente sencilla.
En la figura 27 se muestra
la estructura de la red em-
pleada compuesta por
cuatro entradas, cuatro
neuronas en la capa ocul-
ta y dos en la de salida; to-

Capítulo 3 33
Robótica BEaM, Inteligencia artificial y lógica Difusa
Figura 27 sus propios patrones de movimiento, esto nos
dará una idea experimental de cómo aprende
el robot, de todas formas en una aplicación real
son necesarias las funciones.
Lo que tenemos que hacer es imaginar to-
das aquellas situaciones con que se puede en-
contrar el aparato y de ahí extraer el valor que
nos entregarían los sensores (entrada de nues-
tra red) y lo que desearíamos a la salida.
Puede ver 2 ejemplos en figura 28.
das ellas con función de activación del tipo sig- De esta forma podemos generar conjuntos
moidal.
Una de las características
más destacables de las redes
neuronales, es que como vimos,
aprenden a partir de ejemplos.
Para poder llevar a cabo el pro-
ceso de entrenamiento, es nece-
sario recopilar una gran cantidad
de datos, los suficientes para
que la red pueda aprender a de-
sempeñar la tarea para la que
fue creada. En este caso, los
ejemplos (patrones) van a ser
una serie de trayectorias como
la que se muestra en la figura
23, a partir de las cuales se van
a extraer todos los parámetros
que componen los vectores de
entrada y salida de la red. Figura 28
Para generar estas trayecto-
rias, lo ideal sería poder captar
la secuencia de movimientos
que efectuaría una persona que
guiase el robot. Como esto no es
posible, hay que recurrir a otras
alternativas como utilizar alguna
serie de funciones programadas
en algún software con capaci-
dad de procesamiento numérico,
que permitan extraer los datos
de las trayectorias trazadas.
Como esto es algo complica-
do recurriremos a un método
manual que es más didáctico,
plantearemos un par de situacio-
nes y cómo crear los patrones y
dejaremos que el lector genere

34 Capítulo 3
 Implementación de un Cerebro para Robot Móvil

Figura 30

Figura 29

de patrones que luego cargaremos y entrenare-

mos. Por ahora el simulador sólo muestra los
dos ejemplos ya propuestos, en próximas edi-
ciones concluiré un módulo de entrenamiento
más avanzado y hablaremos de softwares gra-
tuitos disponibles en Internet. Esta vez ingresa-
mos en “Perceptrón Multicapa “ (figura 29) y
luego presionamos “Probar en simulador” (figu-
ra 30) donde luego de encender el robot, pode-
mos verificar que éste se comporte como le en-
señamos, encendiendo o apagando el motor
correspondiente, según las acciones que ejecu-
temos sobre sus sensores (sensores de ultra-
sonido y brújula), ver figura 31.
Veamos ahora un ejemplo más, de otra for-
ma en que podemos usar las redes para nave-
gación de robots. Supongamos que tenemos el
Figura 31 siguiente esquema (figura 32).

Figura 32

Capítulo 3 35
Robótica BEaM, Inteligencia artificial y lógica Difusa
Si por ejemplo la videocámara le
entrega a la red alguna de las for-
mas de la figura 33, la red debe re-
conocer cada una como pertene-
ciente a una forma determinada, sin
importar su posición y su grado de
nitidez. Cada una de ellas se repre-
senta por un vector de nueve ele-
mentos, donde cada componente
es el nivel de gris correspondiente a
cada píxel.
Para esto es útil, por ejemplo,
una red multicapa de 9 entradas,
capa oculta de 2 neuronas y 3 neu-
ronas de salida. Más adelante vere-
mos cómo podemos usar estas téc-
nicas en visión artificial, desarro-
llando un pequeño “Ojo artificial
electrónico” y luego entrenándolo Figura 33
con imágenes “corrompidas”.
Bueno, con esto es suficiente por ahora. Ya algo de control “fuzzy”, tendiente al mando de
tendremos oportunidad de ver más de redes la rotación de un brazo robot, a partir de las se-
En el próximo capítulo comenzaremos con ñales de electromiografía de una persona. J

36 Capítulo 3
 C a p í t u lo 4

I ntroduccIón al c ontrol con F uzzy logIc

c ontrol de B razo roBot
por S eñaleS e lectromIográFIcaS
Cuando se desea hacer control con las técnicas convencionales, nos encontramos con la
necesidad de obtener un modelo matemático del proceso a controlar. Además, se necesita
contar con un objetivo en el control, expresado en forma matemática precisa. Si el sistema
a controlar es algo complejo, no lineal y con un comportamiento temporal que varía, la tarea
de obtener el modelo matemático puede ser complicada. Mediante el empleo de técnicas de
lógica difusa se pueden implementar sistemas de control fácilmente, por medio de reglas
provenientes de la experiencia o el sentido común. Empleando estas técnicas es posible
comandar muchos dispositivos, los cuales por su naturaleza complicada sería muy difícil
gobernar de otra manera; el control de “neuroprótesis” es una clara aplicación. La imple-
mentación de un controlador fuzzy puede realizarse de muchas formas, en este capítulo
explicaremos cómo usar una técnica sencilla para la implementación de un brazo robot uti-
lizando técnicas de lógica difusa a señales eléctricas producidas por un músculo durante el
proceso de contracción y relajación (señales electromiográficas).

Capítulo 4 37
Robótica BEaM, Inteligencia artificial y lógica Difusa
In­tro­duc­cIón
¿Quién no ha escuchado en esta época ha-
blar de FUZZY LOGIC o Lógica Difusa?
Se­gu­ra­men­te­a­dia­rio­ve­mos­y­oí­mos­so­bre
la­va­rro­pas­ y­ te­le­vi­so­res­ con­ tec­no­lo­gía­ fuzzy,
soft­wa­re­ que­ jue­ga­ al­ aje­drez­ con­ téc­ni­cas
fuzzy,­sa­té­li­tes­con­con­trol­fuzzy,­etc.
Nues­tro­pro­pó­si­to­es­des­mi­ti­fi­car­es­ta­téc­ni­-
ca,­po­nién­do­la­en­tér­mi­nos­muy­sen­ci­llos­al­al­-
can­ce­de­cual­quier­afi­cio­na­do.
Pa­ra­co­men­zar­ten­dre­mos­que­re­pa­sar­al­-
go­muy­co­no­ci­do,­que­se­gu­ra­men­te­to­dos­he­-
mos­vis­to­al­gu­na­vez,­y­nos­re­fe­ri­mos­a­la­Teo­-
ría­de­Con­jun­tos.­Aun­que­aho­ra­tra­ta­re­mos­con
un­nue­vo­ti­po­de­con­jun­tos:­los­con­jun­tos­fuzzy
(di­fu­sos­o­bo­rro­sos).
En­rea­li­dad,­los­con­jun­tos­or­di­na­rios­no­son
más­que­un­ca­so­par­ti­cu­lar­de­los­con­jun­tos­di­-
fu­sos.­Al­gu­nos­au­to­res­pre­fie­ren­lla­mar­los­sub­-
con­jun­tos­di­fu­sos,­por­ra­zo­nes­teó­ri­cas­vá­li­das,
pe­ro­ no­so­tros­ di­rec­ta­men­te­ nos­ re­fe­ri­re­mos­ a
ellos­co­mo­con­jun­tos,­ya­que­el­ob­je­ti­vo­es­sim­-
pli­fi­car­la­teo­ría­pa­ra­fa­ci­li­tar­la­com­pren­sión­y
el­uso.
Los con­jun­tos Fuzzy
Su­pon­ga­mos­que­te­ne­mos­un­con­jun­to­A,­y
B­es­un­sub­con­jun­to­de­A.­En­teo­ría­con­ven­cio­-
nal­de­con­jun­tos­de­ci­mos­que­B ⊂ A­(B­es­tá­in­-
clui­do­en­A).­Y­pa­ra­in­di­car­que­un­ele­men­to­x
cual­quie­ra­per­te­ne­ce­al­con­jun­to­A­es­cri­bi­mos:
x ∈ A.
Aho­ra,­exis­te­otra­for­ma­pa­ra­ex­pre­sar­esa
no­ción­y­con­sis­te­en­el­uso­de­una­fun­ción­de
per­te­nen­cia.­Es­de­cir,­una­fun­ción­que­me­dian­-
te­ su­ va­lor­ nos­ in­di­que,­ si­ x
per­te­ne­ce­o­no­a­A.­Así,­si­lla­- Figura 1
ma­mos­µA(x)­a­di­cha­fun­ción,
po­de­mos­in­di­car:
µA(x)­=1­­­­­­­­si­x ∈ A
µA(x)­=0­­­­­­­­si­x ∉ A
Aquí­ es­ta­ría­mos­ fren­te­ al
ca­so­en­que­la­cues­tión­es­si
38 Capítulo 4
per­te­ne­ce­o­no­per­te­ne­ce­y­lis­to.­Pe­ro­ex­tra­po­-
le­mos­ es­to­ a­ la­ rea­li­dad­ y­ vea­mos­ que­ no­ es
tan­sen­ci­llo­en­la­vi­da­co­ti­dia­na.
Si­ por­ ejem­plo­ qui­sié­ra­mos­ cla­si­fi­car­ a­ las
per­so­nas­en­al­tas­y­ba­jas,­en­ton­ces­po­dría­mos
de­fi­nir­dos­con­jun­tos,­tal­como­se­muestra­en­la
figura­1.­­
Aho­ra­su­pon­ga­mos­que­im­po­ne­mos­la­con­-
di­ción­ que­ una­ per­so­na­ pa­ra­ ser­ “al­ta”­ tie­ne
que­te­ner­1,70­m­de­al­tu­ra.­Así,­si­to­ma­mos­co­-
mo­x­la­per­so­na:
µC(x) =1 si la persona tiene una estatura
igual o mayor a 1,70 m (o sea pertenece al con-
junto C).
µC(x) = 0 (caso contrario).
Co­mo­po­de­mos­apre­ciar,­es­te­mé­to­do­es­un
po­co­in­jus­to,­por­que­no­es­lo­mis­mo­de­cir­que
es­ba­ja­una­per­so­na­que­po­see­1,50­m­de­al­tu­-
ra,­que­­aque­lla­que­mi­de­1,69­m.­Ade­más,­¿es
realmente apreciable la diferencia entre 1,69 m
y 1,70 m?
Así­na­ce­la­idea­de­usar­fun­cio­nes­que­in­di­-
quen­ per­te­nen­cia­ a­ con­jun­tos,­ cu­yos­ re­sul­ta­-
dos­no­sean­ex­clu­si­va­men­te­unos­o­ce­ros,­si­no
que­ pue­dan­ va­riar­ li­bre­men­te­ en­ el­ in­ter­va­lo
[1,0].
Con­es­te­mé­to­do­po­de­mos­in­di­car­por­ejem­-
plo;­si­la­per­so­na­x­mi­de­1,69­m:­
µC(x) = 0,99 (tiene un 99% de pertenencia
al conjunto de altos).
y­ade­más:
µD(x)­=­0,01­(tie­ne­un­1%­de­per­te­nen­cia­al
con­jun­to­de­ba­jos).
 Control de Brazo Robot por Señales Electromiográficas
Figura 2
Co­mo­ ve­mos,­ for­mar­ par­te­ de­ un­ con­jun­to
no­ex­clu­ye­la­per­te­nen­cia­a­otro,­en­es­ta­teo­ría.
¿Para qué nos sirve esto?
Bue­no,­co­mo­to­dos­sa­be­mos,­en­la­vi­da­nor­-
mal­men­te­nues­tra­apre­cia­ción­de­la­rea­li­dad­no
es­un­sim­ple­Sí­/No.­Por­ejem­plo,­la­ma­dre­que
es­tá­a­pun­to­de­ba­ñar­a­su­be­bé,­tie­ne­la­ti­na
pre­pa­ra­da,­ in­tro­du­ce­ la­ ma­no­ y­ di­ce­ que­ el
agua­“es­tá­ca­lien­te”,­pe­ro­¿cuánto es caliente?,
¿exactamente 60 ºC?, ¿o más?
O­ cuan­do­ al­guien­ afir­ma­ que­ un­ ob­je­to­ es
ama­ri­llo, ¿es porque la longitud de onda que re-
fleja es exactamente de 555 nm?
La­ló­gi­ca­di­fu­sa­tie­ne­mu­cho­que­ver­con­la
pre­ci­sión.­ ¿Qué tan importante es ser preciso
en lo que uno dice?
Sur­ge­la­ne­ce­si­dad­de­ex­pre­sar­es­tas­ideas
en­ el­ cam­po­ de­ la­ téc­ni­ca­ de­ al­gu­na­ ma­ne­ra
sen­ci­lla­ y­ fá­cil­ de­ ma­ni­pu­lar.­ La­ Ló­gi­ca­ Di­fu­sa
se­pro­po­ne­co­mo­una­he­rra­mien­ta­pa­ra­sal­var
es­tas­am­bi­güe­da­des.­Ob­via­men­te­no­es­la­úni­-
ca­ma­ne­ra,­pe­ro­sí­la­más­sim­ple.
Así­ po­de­mos­ men­cio­nar­ al­gu­nas­ de­ sus
ven­ta­jas:
Figura 3
• Es fácil de entender conceptualmen-
te. Los conceptos matemáticos detrás
de ésta son muy simples. Lo que la
hace atractiva es la naturalidad con la
que uno puede expresar problemas
de cierta complejidad.
• Es flexible. Una vez diseñado un al-
goritmo fuzzy es fácil cambiar las re-
glas de comportamiento.
• Los datos pueden ser imprecisos y
sin embargo, el sistema funcionar
igualmente.
• Se pueden modelizar sistemas no-lineales
de complejidad arbitraria.
• El sistema fuzzy puede ser construido en
base a la experiencia de expertos. Esto es una
gran ventaja si lo comparamos con las redes
neuronales donde la red entrenada es como
una caja negra, en problemas complejos.
• Puede combinarse con técnicas de control
convencionales.
• Se basa en el lenguaje natural. Como vere-
mos en el diseño de los controladores, es sen-
cillo expresar las instrucciones como reglas
fuzzy.
En­ton­ces­la­Ló­gi­ca­Fuzzy­es­una­for­ma­pa­ra
con­se­guir­los­re­sul­ta­dos­de­sea­dos.­
Vol­vien­do­ al­ ejem­plo,­ po­de­mos­ ex­pre­sar­ el
con­jun­to­de­per­so­nas­ba­jas­co­mo­se­establece
en­la­figura­2.­Aquí­se­expresa­ca­da­ele­men­to
con­su­fun­ción­de­per­te­nen­cia­aso­cia­da,­se­gún
el­ejem­plo:
Con­jun­to­de­Per­so­nas­al­tas­=­
=­{1|(0,001)­;­1,50|(0,01)­;­1,60|(0,85)­;­1,64|(0,99)­;­1,80|(1)­;­1,90|(1)}­
Al­con­cep­to­ma­te­má­ti­co:­
C = {x1| (µC(x1)); x2|(µC(x2)); ...; xn|(µC(xn))}
Se­le­lla­ma­con­jun­to­fuzzy.
Exis­ten­va­rias­ope­ra­cio­nes­sen­ci­llas­y
muy­úti­les­que­se­pue­den­rea­li­zar­con
los­ con­jun­tos­ fuzzy.­ Ana­li­cé­mos­las
con­ mu­cha­ aten­ción,­ ya­ que­ son­ la
ba­se­pa­ra­el­di­se­ño­pos­te­rior.
Capítulo 4 39
Robótica BEaM, Inteligencia artificial y lógica Difusa
Los­con­jun­tos­fuzzy­pue­den­ser­re­pre­sen­ta­- Aho­ra­ al­ ex­pre­sar­ las­ fun­cio­nes­ de­ per­te­-
dos­ en­ for­ma­ grá­fi­ca­ muy­ fá­cil­men­te­ co­mo nen­cia­grá­fi­ca­men­te,­las­ope­ra­cio­nes­que­de­fi­-
queda­representado­en­la­fi­gu­ra­3.­O­sea,­pa­ra ni­mos­ an­te­rior­men­te­ tam­bién­ pue­den­ ex­pre­-
el­di­se­ño­de­con­tro­la­do­res­fuzzy,­los­con­jun­tos sar­se­en­for­ma­grá­fi­ca­(fi­gu­ra­7).
se­ re­pre­sen­tan­ con­ fi­gu­ras­ con­ve­xas­ (trián­gu­-
los­y­trián­gu­los­trun­ca­dos­son­una­ma­ne­ra­sen­-
ci­lla)­y­­nor­ma­les­(en­las­que­al­me­nos­uno­de
sus­ele­men­tos­ten­ga­va­lor­de­per­te­nen­cia­1,­y
nin­gu­no­ más­ que­ 1).­Así,­ por­ ejem­plo,­ su­pon­-
ga­mos­ que­ te­ne­mos­ una­ per­so­na­ que­ mi­de
1,60­ m;­ po­de­mos­ me­dian­te­ el­ grá­fi­co­ sa­ber
cuan­al­ta­y­cuan­ba­ja­es­(observe­la­fi­gu­ra­4).

Figura 4
Figura 7

La­ forma­ analítica­ de­ expresar­ un­ conjunto

fuzzy­ se­ muestra­ en­ la­ figura­ 8,­ donde­ se
expresa­la­correspondencia­entre­un­conjunto­y
los­subconjuntos­asociados.

Tam­bién,­ las­ fun­cio­nes­ de­ per­te­nen­cia­ po­-

drían­ser­co­mo­las­si­guien­tes­(fi­gu­ra­5).

Figura 5

Figura 8

dI­se­ño de un con­troL Fuzzy

Pe­ro­por­sim­pli­ci­dad,­a­la­ho­ra­de­im­ple­men­- ¿Cómo empleamos estos conocimientos?

tar,­es­co­ge­mos­fi­gu­ras­co­mo­és­tas­(fi­gu­ra­6). To­do­ pa­re­ce­ com­pli­ca­do.­ Bue­no,­ aho­ra­ ve­-
re­mos­que­to­da­es­ta­teo­ría­es­muy­útil.
Figura 6 En­ge­ne­ral,­en­to­do­pro­ce­so­de­con­trol­te­ne­-
mos­(fi­gu­ra­9).

Figura 9

40 Capítulo 4
 Control de Brazo Robot por Señales Electromiográficas
Exis­te­un­con­jun­to­de­sen­so­res­que­leen­los
da­tos­de­la­por­ción­del­mun­do­real­so­bre­la­cual
que­re­mos­ac­tuar,­le­en­vían­es­ta­in­for­ma­ción­a
un­con­tro­la­dor,­que­po­see­una­re­fe­ren­cia­acer­-
ca­ de­ que­ com­por­ta­mien­to­ se­ de­sea­ en­ es­te
pro­ce­so.­ El­ con­tro­la­dor­ in­flu­ye­ so­bre­ el­ pro­ce­-
so,­ba­sán­do­se­en­esa­re­fe­ren­cia­y­a­tra­vés­de
los­ac­tua­do­res­pro­cu­ra­lo­grar­el­com­por­ta­mien­-
to­es­pe­ra­do.
Lo­que­ha­re­mos­es­cons­truir­un­con­tro­la­dor,
pe­ro­ba­sán­do­nos­en­las­téc­ni­cas­que­nos­pro­-
por­cio­na­rá­la­ló­gi­ca­fuzzy.­Su­re­fe­ren­cia­se­rán
las­re­glas­fuzzy.­
Pa­ra­ es­tu­diar­ to­dos­ los­ pa­sos­ en­ el­ di­se­ño
de­es­te­ti­po­de­con­tro­la­do­res,­ve­re­mos­un­ca­so
prác­ti­co­ aplicado­ a­ señales­ eléctricas­ produci-
das­por­el­cuerpo­humano.
Las señaLes MIoeLéctrIcas
Las­ señales­ electromiográficas­ (EMG)­ son
señales­ eléctricas­ producidas­ por­ un­ músculo
durante­el­proceso­de­contracción­y­relajación.
Esta­ característica­ muscular­ se­ pretende
aprovechar­en­el­control­por­computadora­para
conseguir­ crear­ interfaces­ de­ comunicación
entre­el­usuario­y­la­máquina­alternativos­a­los
ya­ existentes,­ como­ son­ el­ teclado­ y­ el­ ratón.
Un­ interfaz­ de­ este­ tipo­ permitiría­ a­ cualquier
usuario­ controlar­ sistemas­ informáticos­ y/o
electrónicos­ mediante­ la­ contracción­ de­ deter-
minados­músculos.­
Pero­ más­ que­ para­ usuarios­ normales,­ un
sistema­ de­ este­ tipo­ es­ especialmente­ intere-
sante­para­individuos­que­padezcan­algún­tipo
de­ parálisis­ que­ dificulte­ sus­ actividades­ y­ su
interacción­ con­ el­ mundo­ que­ le­ rodea,­ ofre-
ciendo­ unas­ posibilidades­ hasta­ ahora­ inexis-
tentes­y­mejorando­su­calidad­de­vida.­
Una­de­las­aplicaciones­que­se­puede­llevar
a­cabo­consiste­en­usar­estas­señales­para­que
personas­ con­ un­ alto­ grado­ de­ discapacidad
física­ puedan­ desplazarse­ en­ silla­ de­ ruedas
controlados­ por­ ellos­ mismos.­ Esto­ es­ posible
siempre­que­el­paciente­disponga­al­menos­de
un­músculo­sano,­que­será­utilizado­para­con-
trolar­ la­ dirección­ de­ avance­ de­ la­ silla,­ así
como­la­parada­de­ésta­y­la­puesta­en­marcha.
También­es­posible­el­manejo­de­sistemas­soft-
ware­que­reproduzcan­palabras­de­un­menú­en
la­pantalla­de­un­ordenador­conectado­a­un­sis-
tema­ de­ adquisición­ de­ señales­ de­ este­ tipo.
Para­ esto­ sólo­ hay­ que­ asociar­ determinadas
señales­EMG­a­los­movimientos­de­un­puntero
en­la­pantalla­del­ordenador,­mediante­el­que­se
escoge­ la­ palabra­ adecuada­ para­ ser­ repro-
ducida.­ Otras­ aplicaciones­ son­ la­ determi-
nación­del­tiempo­de­activación­del­músculo,­la
estimación­de­la­fuerza­producida­por­una­con-
tracción­ muscular­ y­ la­ obtención­ de­ un­ índice
de­ la­ fatiga­ muscular.­ Estas­ últimas­ aplica-
ciones­ están­ muy­ indicadas­ en­ medicina
deportiva.­
Desgraciadamente­ también­ hay­ serios
inconvenientes,­ como­ la­ fatiga­ muscular.­ La
respuesta­ de­ un­ músculo­ en­ estado­ de­ fatiga
difiere­ de­ la­ respuesta­ del­ mismo­ músculo­ en
ausencia­de­este­estado;­esto­debe­ser­tenido
en­cuenta­durante­la­fase­de­utilización­de­este
sistema­ de­ control­ EMG.­ Otro­ inconveniente,
aunque­de­menor­trascendencia­es­el­hecho­de
que­se­requiere­un­periodo­de­aprendizaje­por
parte­ del­ usuario.­ Durante­ este­ tiempo­ el
paciente­debe­aprender­a­generar­la­respuesta
adecuada­para­el­manejo­de­un­sistema­de­este
tipo.­
Una­ cuestión­ importante­ es­ conocer­ el
número­ de­ señales­ distintas­ que­ puede­ pro-
ducir­un­músculo­y­que­sean­utilizables­por­un
sistema­ de­ control­ EMG.­ Actualmente­ se­ han
construido­ sistemas­ experimentales­ que­ han
conseguido­distinguir­entre­seis­señales­distin-
tas­en­músculos­concretos.­
¿Cómo se pueden utilizar estas señales en
beneficio de estas personas?
Podemos­ hacerlo­ con­ ayuda­ de­ orde-
nadores­ y­ sistemas­ electrónicos­ de­ control.
Utilizando­estas­tecnologías­es­posible­capturar
las­ señales­ electromiográficas­ producidas­ por
la­actividad­de­un­músculo­sano,­aplicarles­una
serie­ de­ transformaciones­ para­ obtener­ una
señal­ más­ adecuada­ para­ su­ almacenamiento
en­ ordenadores,­ y­ comparar­ las­ señales­ pro-
ducidas­por­el­usuario­con­otras­anteriormente
Capítulo 4 41
Robótica BEaM, Inteligencia artificial y lógica Difusa
tratadas­ y­ almacenadas­ en­ un usados­ en­ el­ diseño­ deben­ ser
ordenador,­ para­ que­ operen ciudadosamente­ seleccionados
como­comandos­sobre­sistemas para­minimizar­que­el­ruido­pre-
de­ control­ que­ realicen­ las­ fun- sente­en­todos­los­circuitos­elec-
ciones­ más­ importantes­ que­ el trónicos­ afecte­ a­ la­ señal­ de
usuario­ necesite,­ auxiliando­ a entrada.­ 
Una­ vez­ realizada­ la
éste­en­su­labor­diaria.­ amplificación,­ tenemos­ una
Pero­un­sistema­de­este­tipo, señal­equivalente­a­la­producida
no­ se­ reduce­ a­ colocar­ unos por­la­contracción­muscular­pero
electrodos­ en­ un­ individuo­ y de­ mayor­ amplitud.­ Es­ nece-
conectarlos­a­una­computadora, sario­ ahora­ eliminar­ algunas
sino­ que­ se­ necesitan­ circuitos componentes­ conocidas­ de
electrónicos­ muy­ sensibles­ y ruido­ en­ esta­ señal­ ya­ amplifi-
sofisticados­ para­ recoger­ este cada­ con­ objeto­ de­ eliminar
tipo­de­señales,­así­como­técni- información­ que­ puede­ estar
cas­ de­ tratamiento­ de­ señales ensuciando­la­original.­Para­ello
complejas.­ En­ la­ figura­ 10­ se se­la­hace­pasar­por­una­etapa
pueden­ ver­ las­ partes­ princi- de­filtrado,­en­concreto­se­elimi-
pales­de­las­que­se­compone­un Figura 10 nan­ las­ componentes­ de­ fre-
sistema­ de­ adquisición­ de cuencia­ de­ 50Hz­ 0­ 60Hz­ (red
señales­EMG. local).­Las­responsables­de­este­ruido­de­50Hz
En­el­músculo­elegido­para­ello,­se­colocan o­ 60Hz­ son­ las­ líneas­ de­ tensión­ domésticas
unos­ electrodos­ de­ superficie­ para­ capturar presentes­en­todas­las­instalaciones.­Hay­que
estas­señales.­Estos­electrodos­son­fundamen- tener­ en­ cuenta­ que­ existen­ otras­ fuentes­ de
tales­ para­ una­ buena­ captura,­ debiendo­ tener ruido­que­afectan­a­la­señal­y­que­no­es­posi-
buena­ superficie­ de­ contacto­ y­ gran­ adheren- ble­su­eliminación­total.­
Llegados­a­este­punto
cia.­Debido­a­que­la­piel­ofrece­una­resistencia se­ha­obtenido­una­señal­en­unos­márgenes­de
elevada,­se­hace­necesario­la­aplicación­de­un tensión­adecuados­y­se­ha­eliminado­ruido­en
gel­que­disminuya­dicha­resistencia­en­la­zona la­medida­de­lo­posible,­pero­esta­señal­no­está
aplicada,­contribuyendo­a­mejorar­la­ganancia en­ la­ forma­ adecuada­ para­ que­ los­ orde-
de­la­señal.­Estos­electrodos­se­aplican­direc- nadores­ actuales­ (digitales)­ puedan­ trabajar
tamente­a­la­entrada­de­un­amplificador­de­alta con­ella.­Por­tanto­se­hace­necesario­una­etapa
ganancia.­Esto­es­así­debido­a­que­las­señales de­ conversión.­ La­ señal­ original­ es­ de­ natu-
EMG­tienen­una­tensión­del­orden­de­milivolt­lo raleza­analógica,­es­decir,­entre­dos­instantes
que­la­hace­inapropiada­para­trabajar­con­ella, de­tiempo­cualesquiera­de­ésta­existen­infinitos
debiéndose­ por­ esta­ razón­ amplificarla­ hasta valores­ de­ la­ señal.­ Al­ no­ poder­ trabajar­ los
valores­en­los­que­los­circuitos­puedan­trabajar ordenadores­ con­ señales­ analógicas­ hay­ que
sin­ problemas.­ La­ etapa­ de­ amplificación­ es convertirlas­ a­ señales­ digitales­ o­ discretas
una­ de­ las­ etapas­ más­ críticas­ en­ todo­ el muestreando­ la­ señal­ analógica­ con­ una­ fre-
tratamiento­ a­ que­ se­ someten­ estas­ señales. cuencia­ adecuada­ para­ no­ perder­ ninguna
Los­ amplificadores­ deben­ diseñarse­ con información­relevante.­El­teorema­del­muestreo
extremo­ cuidado­ para­ evitar­ influir­ en­ la­ señal afirma­que­para­muestrear­una­señal­sin­perder
original­ y­ deben­ realizar­ una­ amplificación­ lo información­y­por­tanto­poder­reproducirla­per-
más­ fiel­ posible­ de­ la­ señal­ de­ entrada.­ En­ la fectamente­ partiendo­ de­ la­ señal­ discreta,­ se
práctica,­esto­es­complicado­debido­a­que­las debe­muestrear­a­una­frecuencia­de­al­menos
señales­EMG,­al­ser­tan­débiles,­son­fácilmente el­ doble­ de­ la­ frecuencia­ fundamental­ de­ la
sobremoduladas­por­otras­señales­que­aumen- señal­analógica.­Las­señales­EMG­tienen­una
tan­ el­ ruido­ de­ la­ señal­ original.­ Los­ circuitos frecuencia­ que­ oscila­ entre­ 50Hz­ y­ 150Hz,­ de

42 Capítulo 4
 Control de Brazo Robot por Señales Electromiográficas
lizan­ en­ casos­ específicos­ cuando­ la­ señal­ es
Figura 11
de­ difícil­ tratamiento.­ Es­ un­ método­ computa-
cionalmente­ eficiente­ puesto­ que­ existe­ un
algoritmo,­ llamado­ FFT­ (Fast­ Fourier
Transform)­ que­ reduce­ el­ número­ de­ opera-
ciones­ necesarias­ para­ realizar­ la­ conversión.

De­ las­ técnicas­ matemáticas­ para­ el­ análisis
univariante­de­series­temporales­se­utilizan­los
procesos­autoregresivos­AR,­que­se­basan­en
estimar­ el­ enésimo­ valor­ de­ la­ señal­ usando
una­combinación­lineal­de­un­número,­determi-
nado­ a­ priori,­ de­ valores­ anteriores.­ Existen
otros­ procesos­ como­ MA­ (Moving­ Average)­ o
procesos­ de­ media­ móvil,­ y­ combinación­ de
aquí­se­deduce­que­la­frecuencia­de­muestreo ambos­ en­ ARMA.­ 
La­ última­ técnica­ men-
adecuada­no­debe­ser­menor­de­300Hz,­figura cionada­ consiste­ en­ utilizar­ una­ red­ neuronal
11.­Quizás­se­pueda­pensar­que­una­frecuencia para­ determinar­ el­ grado­ de­ igualdad­ entre
de­ muestreo­ mayor,­ por­ ejemplo­ 600Hz,­ sea señales.­ Estas­ técnicas­ son­ muy­ recientes­ y
mejor,­pero­con­300Hz­se­obtiene­toda­la­infor- parecen­adaptarse­bien­a­este­tipo­de­señales
mación­fundamental­de­la­señal­y­se­minimiza en­ las­ que­ hay­ una­ componente­ fuerte­ de
el­ número­ de­ datos­ necesarios­ para­ manejar aleatoriedad.­ Presentan­ como­ inconveniente
las­señales­EMG­en­ordenadores.­ una­carga­computacional­elevada.­
Estos­méto-
A­ una­ frecuencia­ de­ 300Hz­ y­ muestreando dos­ son­ implementados­ mediante­ algoritmos,
durante­ un­ segundo­ se­ representa­ una­ señal programados­ lo­ más­ eficientemente­ posible,
EMG­ como­ un­ vector­ de­ 300­ elementos,­ un usando­ para­ ello­ estructuras­ de­ datos­ ade-
tamaño­ aceptable­ que­ permite­ un­ tiempo­ de cuadas­ y­ haciendo­ especial­ énfasis­ en­ la
cómputo­muy­bueno­en­un­ordenador­actual­de velocidad­ de­ ejecución­ de­ estos­ métodos,
prestaciones­medias.­
 puesto­que­un­sistema­de­este­tipo­debe­tener
Ya­ tenemos­ la­ señal­ producida­ por­ la­ con- características­de­tiempo­real­y­por­tanto­debe
tracción­ muscular­ de­ una­ persona­ en­ la­ com- acortar­el­tiempo­de­respuesta.­Una­vez­que­se
putadora­ de­ forma­ manejable­ y­ a­ la­ que­ se­ le reconoce­una­señal­procedente­del­músculo­del
pueden­aplicar­determinadas­operaciones.­Nos usuario,­ se­ realizan­ las­ acciones­ asociadas­ a
centramos­ahora­en­la­descripción­de­las­prin- esta­ señal.­ Estas­ acciones­ pueden­ ser­ muy
cipales­ técnicas­ matemáticas­ para­ la­ manipu- variadas,­desde­mover­el­puntero­del­ratón­en
lación­de­estas­señales.­Debido­a­la­naturaleza la­pantalla­del­ordenador,­hasta­activar­un­sis-
estocástica­de­estas­señales,­hay­que­recurrir­a tema­ motor­ que­ realice­ una­ acción­ mecánica.
técnicas­ específicas;­ en­ concreto,­ el­ que Las­ acciones­ a­ realizar­ por­ el­ sistema­ vienen
suscribe­está­utilizando­tres­métodos:­el­análi- determinadas­ por­ las­ necesidades­ de­ cada
sis­ espectral,­ ecuaciones­ autoregresivas­ y paciente,­ siendo­ prácticamente­ ilimitadas.­ Un
redes­neuronales.­
El­análisis­espectral­o­análi- sistema­ de­ este­ tipo­ es­ un­ claro­ ejemplo­ de
sis­de­Fourier­consiste­en­pasar­una­señal­del cooperación­ entre­ dos­ áreas­ de­ conocimiento
dominio­del­tiempo­al­dominio­de­la­frecuencia. que,­ aunque­ se­ encuentra­ aún­ en­ fase­ de
Obteniéndose­de­esta­forma­información­sobre desarrollo­y­hay­pocos­trabajos­en­este­campo,
las­componentes­en­frecuencia­de­la­señal­en esperemos­ que­ sea­ un­ campo­ en­ crecimiento
estudio.­Sólo­es­necesario­añadir­un­criterio­de constante,­pues­es­de­gran­potencia­y­utilidad,
distancia­para­determinar­la­igualdad­entre­dos sobre­todo­para­personas­con­parálisis,­lo­que
señales.­ Normalmente­ se­ usa­ la­ distancia conduciría­ a­ una­ mayor­ integración­ de­ estas
Euclídea,­pero­existen­otras­muchas­que­se­uti- personas­en­las­actividades­sociales.

Capítulo 4 43
Robótica BEaM, Inteligencia artificial y lógica Difusa
Práctica:
Control de Brazo Robot
Mediante Señal EMG
In­tro­duc­cIón aL Pro­bLe­Ma
En­ la­ ac­tua­li­dad­ exis­ten­ mu­chos­ in­di­vi­duos
con­ dis­ca­pa­ci­da­des­ sen­so­ri-mo­to­ras.­ Con­ el
ob­je­ti­vo­de­ayu­dar­a­la­me­jo­ra­de­la­ca­li­dad­de
vi­da­de­es­tas­per­so­nas­se­han­de­sa­rro­lla­do­nu­-
me­ro­sos­ sis­te­mas­ prác­ti­cos.­ Es­tos­ sis­te­mas
es­tán­ orien­ta­dos,­ en­ al­gu­nos­ ca­sos­ a­ fa­ci­li­tar
sus­fun­cio­nes­sen­so­ri-mo­to­ras,­ta­les­co­mo­ex­-
ten­der­la­ma­no,­to­mar­y­sos­te­ner­al­go,­pa­rar­se,
ca­mi­nar,­ etc.­ y­ en­ otros­ ca­sos­ di­rec­ta­men­te­ a
reem­pla­zar­los­me­dios­ori­gi­na­les­por­los­cua­les
se­lo­gra­ban­es­tas­ta­reas.
Un­ca­so­muy­co­mún­es­el­reem­pla­zo­de­las
fun­cio­nes­mí­ni­mas­de­un­miem­bro­su­pe­rior,­en
una­per­so­na­am­pu­ta­da,­me­dian­te­una­pró­te­sis
elec­tró­ni­ca­y­me­cá­ni­ca.
Aun­que­qui­zás­to­da­vía­nos­pa­rez­ca­un­pro­-
duc­to­de­la­cien­cia­fic­ción,­hoy­en­día­me­dian­-
te­ las­ téc­ni­cas­ de­ pro­ce­sa­mien­to­ de­ se­ña­les,
es­ fac­ti­ble­ el­ di­se­ño­ de­ “pró­te­sis­ in­te­li­gen­tes”.
Es­tas­ se­ co­nec­tan­ me­dian­te­ elec­tro­dos­ al­ pa­-
cien­te­y­le­per­mi­ten,­con­un­en­tre­na­mien­to­ade­-
cua­do,­con­tro­lar­di­cha­pró­te­sis.
Un­ejem­plo­con­ven­cio­nal­de­es­tos­dis­po­si­ti­-
vos­ es­ el­ “Utah­ARM2”,­ una­ pró­te­sis­ eléc­tri­ca
di­se­ña­da­ por­ “Mo­tion­ Con­trol”­ (Fi­gu­ras­ 12­ y
13).
Figura 12
44 Capítulo 4
Pa­ra­el­con­trol­ de­es­tas­pró­te­sis­se­ cuen­ta
con­las­se­ña­les­ge­ne­ra­das­en­los­mús­cu­los­por
las­ins­truc­cio­nes­que­el­ce­re­bro­les­en­vía­pa­ra
mo­ver­los.­Es­tas­se­lla­man­se­ña­les­elec­tro­mio­-
grá­fi­cas­(EMG).­En­nues­tro­ca­so,­pa­ra­sim­pli­fi­-
car,­su­pon­dre­mos­que­uti­li­za­re­mos­es­tas­se­ña­-
les­ ob­te­ni­das­ de­ una­ per­so­na­ sa­na,­ es­ de­cir,
de­mús­cu­los­nor­ma­les­e­in­tac­tos.
Enun­cia­re­mos­el­pro­ble­ma­en­ton­ces:
Su­pon­ga­mos­ que­ de­sea­mos­ con­tro­lar­ el
mo­vi­mien­to­de­ro­ta­ción­de­un­bra­zo­uti­li­zan­do
un­con­tro­la­dor­di­fu­so.
El­bra­zo­ro­bot­imi­ta­rá­el­mo­vi­mien­to­de­la­ar­-
ti­cu­la­ción­del­co­do­de­la­per­so­na.
Pa­ra­con­tro­lar­es­te­mo­vi­mien­to­sen­sa­re­mos
las­se­ña­les­de­elec­tro­mio­gra­fía­co­rres­pon­dien­-
tes­a­los­mús­cu­los­bí­ceps­y­trí­ceps.­Y­aquí­ca­-
be­una­acla­ra­ción.­Co­mo­no­es­el­pro­pó­si­to­de
es­te­ar­tí­cu­lo­ex­pli­car­los­re­que­ri­mien­tos­de­un
dis­po­si­ti­vo­ elec­tró­ni­co­ ca­paz­ de­ ad­qui­rir­ elec­-
tro­mio­gra­ma,­ sim­ple­men­te­ des­cri­bi­re­mos­ bre­-
ve­men­te­en­qué­con­sis­te­di­cho­apa­ra­to.
La­se­ñal­de­elec­tro­mio­gra­ma­es­tá­cons­ti­tui­-
da­­por­la­su­ma­to­ria­es­pa­cio­tem­po­ral­de­tre­nes
de­po­ten­cia­les­de­ac­ción­de­uni­da­des­mo­to­ras.
En­ pa­la­bras­ sen­ci­llas­ los­ ner­vios,­ al­ en­viar­le
se­ña­les­eléc­tri­cas­a­los­mús­cu­los­es­que­lé­ti­cos
pa­ra­ que­ se­ con­trai­gan,­ ge­ne­ran­ po­ten­cia­les
Figura 13
 Control de Brazo Robot por Señales Electromiográficas
Figura 14 eléc­tri­cos­que­pue­den­ser­ad­qui­ri­dos­en­la­su­-
per­fi­cie­del­mús­cu­lo­es­tu­dia­do,­me­dian­te­elec­-
tro­dos­de­su­per­fi­cie­(fi­gu­ra­14).
Es­tos­elec­tro­dos­re­gis­tran­esa­se­ñal­de­muy
pe­que­ña­am­pli­tud­y­la­in­gre­san­a­un­sis­te­ma­de
ad­qui­si­ción,­ el­ cual­ la­ am­pli­fi­ca­ con­si­de­ra­ble­-
men­te,­la­fil­tra­y­la­en­tre­ga­por­ejem­plo­con­un
ran­go­de­ex­cur­sión­de­0-5­vol­tios­(ver­fi­gu­ra15).
Co­mo­di­ji­mos­an­te­rior­men­te,­por­el­mo­men­-
to­su­pon­dre­mos­que­nues­tro­in­te­rés­es­tá­en­el
con­tro­la­dor­del­bra­zo­ro­bó­ti­co­y­por­lo­tan­to­no
nos­ preo­cu­pa­re­mos­ por­ el­ pro­ce­sa­mien­to­ que
re­ci­bi­rá­es­ta­se­ñal,­pa­ra­­lle­gar­a­ser­una­se­ñal
eléc­tri­ca­de­la­am­pli­tud­con­si­de­ra­da.
Figura 15 De­ ma­ne­ra­ que­ nues­tro­ con­tro­la­dor
es­ta­rá­ com­pues­to­ por­ dos­ ca­na­les
de­ ad­qui­si­ción­ co­mo­ el­ de­ la­ fi­gu­ra
15­(ver­fi­gu­ra­16).
Así,­ el­ con­tro­la­dor­ re­ci­be­ la­ se­ñal
pro­ve­nien­te­de­los­mús­cu­los­trí­ceps
y­bí­ceps.­
Aho­ra­vea­mos­en­ba­se­a­es­ta­fi­gu­ra
co­mo­de­be­rá­com­por­tar­se­el­con­tro­-
la­dor:
Si­la­con­trac­ción­del­bí­ceps­es­su­pe­-
rior­ a­ la­ que­ pre­sen­ta­ el­ trí­ceps,
nues­tro­ bra­zo­ ro­bó­ti­co­ de­be­rá­ mo­-
ver­se­en­sen­ti­do­an­ti­ho­ra­rio.
Su­pon­dre­mos­ que­ nues­tro­ sis­te­ma
de­acon­di­cio­na­mien­to­en­tre­ga­la­se­-
ñal­ en­ un­ vol­ta­je­ de­ 0-5V­ y­ ­ fil­tra­da
co­mo­ mues­tra­ la­ fi­gu­ra­ 17.­ Pa­ra­ si­-
mu­lar­el­com­por­ta­mien­to­de­un­mús­-
cu­lo,­la­se­ñal­pro­ce­sa­da­va­ría­en­un
ran­go­de­0V­a­5V­y­de­be­con­si­de­rar­-
se­de­“po­ca­im­por­tan­cia”­si­es­me­nor
a­1V,­“pe­que­ña”­si­se­en­cuen­tra­cer­-
ca­ de­ los­ 2V,­ “me­dia”­ cer­ca­na­ a­ los
3V­y­“al­ta”­si­es­ma­yor­a­los­4V.

Figura 16
dI­se­ño deL sIs­te­Ma
de con­troL Fuzzy

Pa­ra­ la­ so­lu­ción­ de­ es­te­ pro­ble­ma,

im­ple­men­ta­re­mos­ en­ un­ mi­cro­con­-
tro­la­dor­ Pi­ca­xe,­ un­ con­tro­la­dor
Figura 17 fuzzy.

Capítulo 4 45
Robótica BEaM, Inteligencia artificial y lógica Difusa
Figura 18
El­es­que­ma­tí­pi­co­de­un­sis­te­ma­de­con­trol
fuzzy­es­el­que­ve­mos­en­la­fi­gu­ra­18.
Co­mo­ ob­ser­va­mos­ en­ el­ es­que­ma,­ ini­cial­-
men­te­las­va­ria­bles­de­en­tra­da­rea­les­se­con­-
vier­ten­ en­ va­ria­bles­ lin­güís­ti­cas­ me­dian­te­ un
pro­ce­so­ de­ fuz­zi­fi­ca­ción.­ Usan­do­ esas­ va­ria­-
bles­se­eva­lúa­un­con­jun­to­de­re­glas­de­con­trol,
las­que­da­rán­co­mo­re­sul­ta­do­una­se­rie­de­va­-
lo­res­ lin­güís­ti­cos­ a­ su­ sa­li­da.­ Por­ úl­ti­mo,­ se
des­fuz­zi­fi­can­es­tas­va­ria­bles­ob­te­nién­do­se­los
va­lo­res­rea­les­de­sa­li­da.­
1)­Fuz­zi­fi­ca­ción: Me­dian­te­es­te­pro­ce­so­se
cal­cu­la­el­gra­do­de­per­te­nen­cia­de­la­en­tra­da­a
uno­o­va­rios­con­jun­tos­fuzzy,­di­ga­mos­el­gru­po
de­po­si­bles­con­jun­tos­a­los­que­pue­de­per­te­ne­-
cer­ la­ va­ria­ble­ de­ en­tra­da.­ Las­ fun­cio­nes­ de
per­te­nen­cia­se­de­fi­nen­a­par­tir­de­los­da­tos­y­el
sen­ti­do­ co­mún.­ Las­ mis­mas­ se­ re­pre­sen­ta­rán
grá­fi­ca­men­te­de­la­for­ma­vis­ta­an­te­rior­men­te.­
Figura 19
46 Capítulo 4
En­ton­ces,­ en­ el­ ejem­plo­ di­vi­di­mos­ el
ran­go­de­ca­da­va­ria­ble­(las­dos­se­ña­-
les­de­EMG)­en­cua­tro­con­jun­tos­di­fu­-
sos,­ tal­ como­ muestra­ la­ figura­ 19,­ a
los­que­lla­ma­re­mos:
PI: po­ca­im­por­tan­cia,­
P: pe­que­ña­im­por­tan­cia,­
M: me­dia­im­por­tan­cia,­
a: al­ta­im­por­tan­cia.­
Los­ po­si­bles­ mo­vi­mien­tos­ del­ mo­tor,­ tam­-
bién­ ten­drán­ sus­ fun­cio­nes­ de­ per­te­nen­cia­ y
se­rán­(figura­20):­
Ga: gi­ro­an­ti­ho­ra­rio,­
GH: gi­ro­ho­ra­rio,­
Q: quie­to.
Así,­tan­to­el­va­lor­de­la­se­ñal­del­bí­ceps,­co­-
mo­la­del­trí­ceps­to­ma­das­a­in­ter­va­los­re­gu­la­-
res­ de­ tiem­po,­ le­ asig­na­re­mos­ su­ per­te­nen­cia
al­con­jun­to­que­co­rres­pon­da.
2)­ eva­lua­ción­ de­ las­ re­glas­ de­ con­trol
(tam­bién­lla­ma­do­pro­ce­so­de­in­fe­ren­cia):
Con­ el­ ob­je­to­ de­ de­ter­mi­nar­ có­mo­ se­ va­ a
com­por­tar­ el­ sis­te­ma,­ se­ es­ta­ble­ce­ una­ se­rie
de­re­glas­de­la­for­ma­IF­(...)­tHen­(...) que­in­-
di­can­ la­ ac­ción­ a­ rea­li­zar­se­ se­gún­ a­ qué­ con­-
jun­to­per­te­ne­ce­la­en­tra­da.­
Eva­luar­las­re­glas­sig­ni­fi­ca­de­ter­mi­nar­cuá­-
les­de­ellas­se­ac­ti­va­rán­fren­te­a­un­sub­con­jun­-
to­ de­ va­lo­res­ de­ per­te­nen­cia­ a­ los­ con­jun­tos
fuzzy­del­do­mi­nio­de­en­tra­da.­Una­for­ma­prác­-
ti­ca­ de­ ex­pre­sar­ es­tas­ re­glas­ de­ una­ ma­ne­ra
com­pac­ta,­ es­ me­dian­te­ la­ ma­triz­ de­ me­mo­ria
aso­cia­ti­va­di­fu­sa­(FAM­de­sus­si­glas­en­in­glés).­
Figura 20
 Control de Brazo Robot por Señales Electromiográficas
tabla 1
Ba­sán­do­nos­ en­ el­ enun­cia­do­ del­ ejem­plo
da­do,­po­de­mos­ob­te­ner­las­re­glas­que­de­ter­mi­-
na­rán­el­com­por­ta­mien­to­del­sis­te­ma.­Es­tas­se­-
rán­las­que­ve­mos­en­la­ta­bla­1.
De­es­ta­ta­bla,­por­ejem­plo,­la­re­gla­1­se­po­-
dría­ex­pre­sar­se­gún­las­de­fi­ni­cio­nes­vis­tas­an­-
te­rior­men­te­co­mo:­
µGA(x)=­min­­{µA­B(EMG1),­µM­T(EMG2)}
Tam­bién­la­re­gla­9:­
µQ(x)=­min{µ­PI­B(EMG1),­µPI­T(EMG2)}
Y­así­to­das­las­res­tan­tes.
Po­de­mos­aho­ra­ar­mar­la­ma­triz­FAM­de­es­-
tas­de­ci­sio­nes­(ta­bla­2).
tabla 2
3)­des­fuz­zi­fi­ca­ción: La­en­tra­da­pa­ra­el­pro­-
ce­so­de­des­fuz­zi­fi­ca­ción­es­un­con­jun­to­fuzzy­y
la­ sa­li­da­ es­ un­ nú­me­ro­ real­ sim­ple.­ Qui­zás­ el
mé­to­do­más­po­pu­lar­de­­des­fuz­zi­fi­ca­ción­es­el
cál­cu­lo­del­cen­troi­de,­que­re­tor­na­el­cen­tro­del
área­ba­jo­la­cur­va.­Hay­por­lo­me­nos,
cin­co­mé­to­dos­pa­ra­cons­truir­la­sa­li­da
a­ par­tir­ de­ és­te,­ usa­re­mos­ uno­ de­ los
más­sen­ci­llos:
Don­de:
µi:­gra­do­de­per­te­nen­cia­al­con­jun­to­i-
ési­mo.
CEi:­cen­troi­de­del­con­jun­to­i-ési­mo.
En­nues­tro­ejem­plo­se­rá:
Con­el­di­se­ño­vis­to­lo­gra­re­mos­un­com­por­ta­-
mien­to­sua­ve­y­pro­por­cio­nal­a­to­das­las­com­bi­-
na­cio­nes­po­si­bles.
IMPLeMentacIón con PIcaXe
Aho­ra­ve­re­mos­de­una­ma­ne­ra­sim­pli­fi­ca­da
la­im­ple­men­ta­ción­de­un­control­en­un­PI­CA­XE.
El­ con­trol­ de­ los­ ac­tua­do­res­ elec­tro­me­cá­ni­cos
de­un­bra­zo­ro­bo­ti­za­do,­usan­do­só­lo­las­se­ña­-
les­de­elec­tro­mio­gra­fía­de­una­per­so­na,­pue­de
re­sul­tar­un­pro­ble­ma­más­que­in­te­re­san­te.­Pa­-
ra­ la­ im­ple­men­ta­ción­ en­ un­ mi­cro­con­tro­la­dor
sim­pli­fi­ca­re­mos­un­po­co­el­di­se­ño­que­vi­mos.
eL FuzzIFIcador
El­ principio­ del­ “fuzzificador”­ se­ observa­ en
la­figura­21,­aquí­hemos­­rea­li­za­do­las­si­guien­-
tes­mo­di­fi­ca­cio­nes:
• La función de pertenencia va de 0 hasta 5,
esto es debido a que los PICAXE no pueden
codificar decimales, así que no tendríamos más
Capítulo 4 47
Robótica BEaM, Inteligencia artificial y lógica Difusa
que dos datos si variase solo de 0 hasta Figura 21
1.
• Despreciamos el conjunto PI por ser
de poca importancia, de manera que
sean menos los cálculos y las variables
a almacenar.
• Todo esto lleva a disminuir las re-
glas (vea la tabla 3).
• Los valores de entrada pueden ser
de 0 a 254, que son los posibles valores
en los que puede codificar la señal de
entrada, el conversor AD del microcon-
trolador.
• Para la salida el rango de valores
será de 0 hasta 16 (figura 22), lo que nos
proporcionará dieciséis pasos posibles
en la velocidad del motor, como veremos
más adelante.

nota: Es­ imprescindible­ que­ haya

leído­la­nota­anterior­para­entender­este
artículo.­Si­no­la­tiene,­la­puede­bajar­de
nuestra­web­con­la­clave­“fuzzy”.­

des­Fuz­zI­FI­ca­dor tabla 3

Esta­ operación­ se­ establece­ según­ la­ fór- soFt­wa­re

mula:
Pa­ra­ crear­ el­ soft­wa­re­ só­lo­ ne­ce­si­ta­mos­ el
edi­tor­de­flu­jo­de­PI­CA­XE­(en­el­“PI­CA­XE­Pro­-
gram­ming­ Edi­tor”­ que­ se­ pue­de­ ba­jar­ gra­tis
desde­nuestra­web­con­la­clave­PIcaXe)­y­de
pa­so­nos­ser­vi­rá­pa­ra­si­mu­lar­con­el­si­mu­la­dor
La­lógica­de­“desfuzzificador”­don­de­CE­es
el­centroide geométrico (ver­fi­gu­ra­23),­o­sea Figura 23
,­ el­ va­lor­ nu­mé­ri­co­ co­rres­pon­dien­te.­An­tes­ de
ana­li­zar­ có­mo­ fun­cio­na,­ vea­mos­ la­ im­ple­men­-
ta­ción­de­es­te­con­tro­la­dor.

Figura 22

48 Capítulo 4
 Control de Brazo Robot por Señales Electromiográficas
Figura 24a
que­po­see. Figura 24b
El­dia­gra­ma­de
flu­jo­que­de­be­-
mos­ ge­ne­rar
se­rán­ los­ vis-
tos­en­las­fi­gu­-
ras­ 24a,­ b,­ c,
d,­e,­f­y­g.
En­la­fi­gu­ra­25
ve­mos­ có­mo
con­fi­gu­rar­ las
va­ria­bles.
Lue­go­ só­lo
nos­ que­da­ si­mu­lar­lo,­ no­tan­do­ có­mo­ cam­bia­ la
sa­li­da­del­puer­to­en­re­la­ción­con­la­en­tra­da.
Con­es­to­lo­gra­re­mos­que­se­gún­las­en­tra­das
0­y­1­en­ana­ló­gi­ca­va­ríen,­an­te­la­mo­di­fi­ca­ción

Figura 24c

Capítulo 4 49
Robótica BEaM, Inteligencia artificial y lógica Difusa

Figura 24 e

Figura 24 f

Figura 24 g

Figura 24 d

de­las­se­ña­les­que­le­lle­gan,­ob­-
ten­dre­mos­ dis­tin­tas­ sa­li­das­ en
los­bits­0,­1,­2­y­3­del­puer­to­C,
co­di­fi­can­do­en­bi­na­rio­los­nú­me­-
ros­de­0­a­6­que­es­pe­ra­mos­a­la
sa­li­da.

Hard­wa­re

Es­te­ soft­wa­re­ po­de­mos­ car­-

gar­lo­ aho­ra­ en­ un­ PI­CA­XE.­Así

50 Capítulo 4
 Control de Brazo Robot por Señales Electromiográficas
el­ hard­wa­re­ ten­ta­ti­vo­ pa­ra­ ma­ne­jar­ el
mo­tor­lo­ve­mos­en­la­fi­gu­ra­26,­es­to­no
quie­re­de­cir­que­el­lec­tor­no­pue­da­pro­-
bar­su­pro­pio­di­se­ño,­una­vez­en­ten­di­do
el­prin­ci­pio­de­fun­cio­na­mien­to.­
Así,­ el­ dia­gra­ma­ de­ blo­ques­ de­ es­te
con­tro­la­dor­­se­rá­el­que­vemos­en­la­fi­-
gu­ra­27.

Fun­cIo­na­MIen­to

Su­pon­ga­mos­ una­ en­tra­da­ de­ 110­ en

EMG1­y­de­150­en­EMG2,­es­tas­se­ña­les
se­rán­pro­ce­sa­das­se­gún­ve­mos­en­la­fi­-
gu­ra­28.­
Ese­ va­lor­ 6­ en­ bi­na­rio­ es­ con­ver­ti­do
por­el­DAC­y­lue­go­al­res­tar­le­un­vol­ta­je
de­re­fe­ren­cia­va­a­dar­un­va­lor­ne­ga­ti­vo,
in­di­can­do­ que­ el­ mo­tor­ de­be­ gi­rar­ en
Figura 25
sen­ti­do­an­ti­ho­ra­rio.­

Figura 26

Figura 27

Capítulo 4 51
Robótica BEaM, Inteligencia artificial y lógica Difusa
En­ton­ces­ve­mos­se­gún­si­el­va­lor­de­sa­li­da
es­me­nor­a­8­en­bi­na­rio,­el­mo­tor­gi­ra­rá­en­sen­-
ti­do­an­ti­ho­ra­rio,­si­es­8,­es­to­da­rá­un­vol­ta­je­ce­-
ro­a­la­sa­li­da­y­si­es­ma­yor­a­8­un­vol­ta­je­po­si­-
ti­vo­que­ha­ría­que­gi­re­en­sen­ti­do­ho­ra­rio.­
Con­es­to­nos­apro­xi­ma­mos­bas­tan­te­al­com­-
52 Capítulo 4
Figura 28
por­ta­mien­to­sua­ve­de­una­con­trac­ción­mus­cu­-
lar.
Con­clui­mos­es­ta­bre­ve­in­tro­duc­ción­al­te­ma
ló­gi­ca­ fuzzy,­ aun­que­ que­da­ mu­cho­ por­ co­no­-
cer.­Espero­que­el­tema­haya­sido­de­su­agrado
y­quedo­a­la­espera­de­su­consulta.­J
 C a p í t u lo 5

Bases para la C onstruCCión de roBots y M ini -roBots

roBótiCa y M ini -roBótiCa
BeaM
BEAM es un acrónimo de las palabras Biología (Biology), Electrónica (Electronics),
Estética (Aesthetics) y Mecánica (Mechanics).
Las técnicas BEAM son una forma alternativa de enfrentarse a la robótica, ya que analiza
ésta desde un punto de vista más analógico que digital. La mayoría de los robots BEAM
carecen de tecnología digital, salvo algunas excepciones que disponen de procesadores
muy simples, que se encargan de controlar su movimiento. Mark W. Tilden, ingeniero cana-
diense, que actualmente ejerce como investigador en el Laboratorio Nacional de Los Ála-
mos, en Nuevo México (EE.UU.), es considerado el padre de esta filosofía. Uno de los aspec-
tos fundamentales de la robótica BEAM es su bajo costo, derivado en la mayoría de las oca-
siones de la reutilización de componentes extraídos de aparatos electrónicos que han per-
dido su funcionalidad (juguetes infantiles, impresoras, computadoras viejas). Además tam-
bién se utiliza como fuente de alimentación la energía solar, que presenta claras ventajas
frente a las baterías ya que las células solares tiene una larga vida y no se requiere la cons-
tante recarga desde la red eléctrica o cambio de baterías.

Capítulo 5 53
Robótica BEaM, Inteligencia artificial y lógica Difusa
IntroduccIón
Antes de comenzar debemos definir algunos
conceptos básicos que nos pueden ayudar a
comprender mejor los fundamentos y preten-
siones de la robótica BEAM.
Empecemos haciendo una aclaración de los
conceptos que implica o reúne el acrónimo
BEAM: Biología (Biology), Electrónica
(Electronics), Estética (Aesthetics) y Mecánica
(Mechanics):
Ø Biología.- Un campo que lleva 4 mil mi-
llones de años de evolución. El mundo que nos
rodea es una gran fuente de inspiración y
aprendizaje. Por lo que la robótica BEAM
intenta imitar muchos de los comportamientos
propios de la madre naturaleza y todo aquello
que interviene en ella.
Ø Electrónica.- Es la base fundamental de
esta filosofía, ya que mediante componentes
electrónicos (LEDs, transistores, conden-
sadores, interruptores, resistencias, etc.), se
trata de implementar complejos comportamien-
tos con simples circuitos.
Ø Estética.- Tal y como la entendemos, los
circuitos deben seguir diseños claros, en los
que sea fácil distinguir todos sus componentes,
para facilitar las posibles modificaciones o
depuraciones en su diseño, modo de trabajo
pretendido en cualquier tipo de ingeniería.
Ø Mecánica.- El campo que introduce en
estos robots motores, sensores, etc. los cuales
permiten dinamizar los comportamientos que
se intentan imitar mediante los circuitos elec-
trónicos incorporados.
También hay que hacer una pequeña men-
ción de los términos analógico y digital, ya que,
como se tratará en apartados posteriores,
tienen su importancia dentro de la robótica
BEAM:
Ø Sistema Analógico.- Son sistemas que
utilizan información representada mediante
54 Capítulo 5
magnitudes cuyos valores se mueven en un
rango continuo.
Ø Sistema digital.- En este caso se utiliza
información representada mediante magni-
tudes cuyos valores se mueven en un rango
discreto (“0” ó “1”).
Los dos circuitos básicos a tener en cuenta
cuando hablamos de robótica BEAM son los
siguientes:
Microcore
Es un circuito simple inventado y patentado
por Mark W. Tilden, que controla los robots con
extremidades (patas) coordinando el
movimiento de estas. Es un circuito simple y
barato.
El funcionamiento básico de este circuito
consiste en ir activando los diodos LEDs de
forma ordenada según el movimiento que se
quiera conseguir. Sin contar con la presencia
de los circuitos auxiliares PNC (Circuito de
Neutralización de Proceso) y el PIN (Circuito
Iniciador de Proceso), la salida que se obten-
dría sería tal que no permitiría el correcto fun-
cionamiento de las extremidades del robot. Sin
embargo, combinando la acción de estos cir-
cuitos se consigue que el Microcore repro-
duzca los estados deseados para un
movimiento coordinado.
El principal cometido de mantener este con-
trol sobre el circuito principal es que no puedan
ser activados 2 diodos opuestos al mismo
tiempo, ya que supondría la incompatibilidad
de movimiento de las extremidades
pertenecientes a un mismo motor. Por tanto, si
activamos el PNC durante un par de segundos,
conseguimos encender un diodo de cada
extremo con un desfase que evita lo comen-
tado anteriormente. Si el periodo de fun-
cionamiento del PNC es superior a tres segun-
dos se logra la activación de un solo diodo en
cada instante de tiempo. Si activamos el PIN
invertimos el estado en el que se encontrara el
circuito.
El Microcore pretende acercarse a la idea
de red nerviosa o neuronal, considerándose de
 Robótica y Mini-Robótica BEaM
Figura 1 vital importancia en esta filosofía por parte de
sus investigadores. En la figura 1 se puede
observar un circuito básico de robot inspirado
en Microcore.

Solar Engine
Este simple circuito se muestra en la figura 2
y almacena energía, trasformada a partir de la
luz captada por una pequeña célula solar, que
es almacenada en un condensador o disposi-
tivo de almacenamiento. Esta energía es uti-
lizada por el motor o motores del robot para
hacerlo funcionar.
La célula solar se encarga, mediante tran-
sistores (física de semiconductores), de trans-
formar la luz captada en energía eléctrica.
La filosofía básica del funcionamiento de los
robots BEAM, partiendo de la base de los cir-
cuitos anteriores podría resumirse de la si-
guiente manera: los robots, mediante los recep-
tores de los que disponen (sensibles a la luz o
al contacto en su mayoría) actúan sobre su cir-
cuitería para que ésta sea la encargada de acti-
var o desactivar motores u otras fuentes de
energía (como puede ser un circuito solar como
el comentado anteriormente), que controlan los
actuadores del robot (patas, ruedas, etc). De
esta forma se consigue un com-
portamiento del robot adaptado al
medio con el que interactúa.

roBótIcA cláSIcA VS
roBótIcA BEAM

Al hablar de robótica en términos

muy generales podríamos decir
que es una rama de la ingeniería
que trata de hacer máquinas que
sean capaces de realizar dife-
rentes tareas, en condiciones que
en principio pueden ser desconoci-
das. Esto se asemeja al compor-
tamiento humano o animal que
estudia el entorno que lo rodea
para tomar decisiones. Como se
puede dilucidar hablar de “toma de
Figura 2 decisiones” implica algún tipo de

Capítulo 5 55
Robótica BEaM, Inteligencia artificial y lógica Difusa
inteligencia, otro de los campos abiertos en
este terreno, la búsqueda de la inteligencia arti-
ficial.
Al llegar a este punto de encuentro entre los
seres vivos y los robots que pretende encon-
trarse, es donde difieren más ambas ramas de
la robótica, ya que ponen sus bases en polos
opuestos.
Mientras que la robótica clásica busca un
modelo de inteligencia y de similitud con el
comportamiento humano y animal usando la
tecnología digital, los seguidores de la filosofía
BEAM, mantienen que estos comportamientos
no podrán representarse digitalmente nunca,
debido a los límites que presenta el mundo di-
gital, y por ello basa todas sus construcciones
en componentes analógicos.
La robótica BEAM deriva de las teorías del
profesor Chris Langton acerca de la Vida
Artificial, este científico estudia desde media-
dos de los 80 las bases de la vida natural para
sintetizar un modelo de vida artificial. Estas
teorías introducen los términos: propósito de
vida, supervivencia, autosuficiencia..., que son
atribuidos a los robots BEAM.
Mark W. Tilden afirma que sus robots tienen
vida propia, o vida artificial, aunque sea en un
grado muy pequeño, ya que son autosufi-
cientes y toman decisiones en base a su super-
vivencia, por ejemplo se abastecen ellos mis-
mos de la energía solar y además la buscan,
tienen un propósito de vida, que es seguir
vivos, y se adaptan al medio que los rodea para
mantener este propósito de vida, afirma que al
utilizar componentes electrónicos, que son
menos delicados que los digitales, sus robots
son mas robustos. Según estas teorías, una
vez conseguido este nivel de vida artificial, si
asignamos una tarea a un robot BEAM, el
propósito de vida de éste será llevarla acabo
mientras su supervivencia sea posible.
Todas estas teorías parecen perder fuerza
cuando las enfrentamos al trabajo y los
avances de la robótica clásica, frente a los que
la BEAM parece no ser mas que un
pasatiempo o una forma económica de ini-
ciación al mundo de la robótica. Es por ello que
esta filosofía parece haber perdido peso desde
56 Capítulo 5
su aparición a principios de los 90 para conver-
tirse en algo lúdico, son muchos los aficionados
que investigan en diseños y nuevas posibili-
dades, además celebran convenciones en
Canadá, la India, etc., pero en realidad no
parece haber estudios serios que avancen en
este campo.
HIStorIA y EVolucIón dE lA roBótIcA BEAM
Hablar de robótica BEAM es hablar de Mark
W. Tilden, figura 3, creador de esta forma de
entender la robótica a principios de los años
noventa del siglo pasado.
Figura 3
Mark W. Tilden nació en Inglaterra. Cursó
sus estudios de Ingeniería de Sistemas en la
facultad de Waterloo (Canadá). Al termino de
éstos hizo un master en Electrónica y trabajó
durante 7 años en la Facultad de Matemáticas
de dicha universidad como Ingeniero de
Robótica y Computadoras. Ha estado involu-
crado en muchos proyectos de investigación a
lo largo de su vida, tales como: maquinaria
industrial, electrónica de computadoras, sis-
temas de realidad virtual, diseño de satélites….
Actualmente ejerce como investigador en la
División de Biofísica del Laboratorio Nacional
de los Álamos (Nuevo México, EEUU). En
estos últimos años ha colaborado en investiga-
ciones con la Agencia de Desarrollo de
Proyectos Avanzados de Defensa (DARPA), la
NASA, el Instituto de Ciencias Físicas y la
Universidad de California.

Los inicios de la robótica BEAM datan del
año 1989, concretamente el 10 de Noviembre,
fecha en la que Tilden construye su primer
robot BEAM en el Laboratorio MFCF Hardware
de la Universidad de Waterloo, un simple
solaroller que fue capaz de recorrer 15 cm tras
20 minutos de “alimentarse de luz solar”.
Tras este primer paso surgieron otros robots
cuyo nexo de unión lo podemos encontrar en la
patente de Tilden (Adaptive Robotic Nervous
System and Control Circuits Therefor / 15 de
Junio de 1992), en la cual se hace referencia a
los circuitos básicos de estos robots, que son
los verdaderos cerebros de estas máquinas, a
las que Tilden quiere dotar de las teorías sobre
Vida Artificial, cuyo máximo exponente es el
profesor Chris Langton, investigador científico y
director del Programa de Vida Artificial del
Instituto de Santa Fe (Nuevo México, EEUU).
El número de robots construidos por Tilden
alcanza ya tal magnitud, que él mismo dice
poseer un “Parque Jurásico” de robots, figura 4,
que cuenta ya con casi 200 ejemplares.
Figura 4
Robótica y Mini-Robótica BEaM
El fruto de las investigaciones de Tilden en
esta forma de ver la robótica, que él mismo ha
iniciado, han sido diversas publicaciones
acerca de los avances que, junto con sus com-
pañeros de trabajo, han ido desarrollando en
este nuevo campo, y que demuestran que son
de las pocas personas que hacen una investi-
gación verdaderamente profesional de la mate-
ria:
Ø “LIVING MACHINES”. Hasslacher B. &
Tilden M. W. Robotics and Autonomous
Systems 15, 143 (1995).
Ø “BIOMORPHIC ROBOTS AS A PERSIS-
TENT MEANS FOR REMOVING EXPLOSIVE
MINES” Symposium on Autonomous Vehicles
in Mine Countermeasures, U.S. Naval
Postgraduate School, Milipitas, California, June
1995.
Ø “LIVING MACHINES AND THE ROBOT
JURASSIC PARK: PRIMITIVES TO PREDA-
TORS” Neuromorphic Workshop, Telluride,
Colorado, July 6, 1995, and Recursos
Smithsonian Group, Los Alamos, New Mexico,
July 14, 1995.
Ø “THEORETICAL FOUNDATIONS FOR
NERVOUS NETWORKS” NEC Research
Institute, Pittsburg, Pennsylvania, September
25, 1995, and NASA Neurons to Nanotech,
NASA Ames Research Center, Moffett Field,
California, October 18, 1995.
Ø “A CONCURRENT APPLICATION
RESEARCH PROPOSAL FOR THE DEVEL-
OPMENT OF LIVING MACHINE” NASA AIAA
Nanosat Meeting, Houston, Texas, November
1, 1995.
Ø “BIOMECH ROBOTICS: MACHINES
BUILT FOR THE HUMAN RACE” BEAM
Workshop, Los Alamos, New Mexico, April
18–20, 1996, and International BEAM Robot
Games, Southern Alberta Institute of
Technology, Calgary, Canada, May 24–26,
1996.
Capítulo 5 57
Robótica BEaM, Inteligencia artificial y lógica Difusa
Ø “AUTONOMOUS BIOMORPHIC
ROBOTS AS PLATFORMS FOR SENSORS”
DOE Office of Scientific and Technical
Information, Washington, D.C., August 1996.
Así como se han publicado todos estos
artículos y memorias, también existe un libro de
reciente edición, en el que Tilden junto con
David Hrynkiw, hacen una pequeña introduc-
ción a este mundo de la Robótica BEAM para,
posteriormente, analizar en detalle varios
proyectos de robots construidos mediante esta
filosofía:
Hrynkiw D. and Tilden M. W. JunkBots,
BUGBOTS, AND BOTS ON WHEELS:
BUILDING SIMPLE ROBOTS WITH BEAM
TECHNOLOGy. 1ª ED. McGraw-Hill Osborne
Media. 2002. 352 p. ISBN: 0072226013.
Hasta ahora sólo se ha hablado de Mark W.
Tilden porque es la única persona a la que
hacen referencia todos los que, de algún modo,
se han interesado por esta filosofía, y que, tal y
como se ha demostrado, es el verdadero impul-
sor de este movimiento. De ahí que, salvo cole-
gas de Tilden del laboratorio de Los Álamos,
como Brosl Hasslacher, no haya nombres rele-
Práctica:
Clasificación de la
Robótica BEAM
IntroduccIón
Como en otras disciplinas, en la robótica
BEAM puede recurrirse a diversos criterios
para elaborar una clasificación. La que se hace
a continuación es la que se suele aceptar como
más adecuada, y está realizada fundamental-
mente en base a su evolución.
Ø Solarollers
Estos dispositivos son los robots primogéni-
58 Capítulo 5
vantes, ya que el resto son más bien aficiona-
dos que “investigadores de la materia”. Aunque
esto nos es óbice para que la robótica BEAM
esté extendida por todo el mundo en lugares
tan distantes como la India, Europa Occidental
o América. Entre todos estos aficionados
podemos destacar algunos nombres, como:
Math Vos, Ian Bernstein, o Chiu-Yuan Fang,
que incluso poseen sus propias páginas web
donde muestran todas sus creaciones.
Los avances que se han ido produciendo
han sido consecuencia de las investigaciones
de Mark Tilden, mientras que sus seguidores
se han preocupado más de hacer sus propios
diseños en pos de su propio gozo personal.
Actualmente se sigue manteniendo esta
línea de trabajo que ralentiza en cierta manera
que esta filosofía alcance cotas más altas,
aunque el volumen de personas interesados
por la misma es tal, que sus aportaciones son
poco a poco más relevantes. Por tanto, al
hablar del estado del arte, no nos queda más
que hablar del “parque” de robots que existe en
la actualidad, al no haber material de trabajo
científico riguroso que pueda ser digno de men-
ción, exceptuando, claro está, los trabajos de
investigación realizados en las instalaciones
del Laboratorio Nacional de Los Álamos.
tos de la robótica BEAM. El primer solaroller,
construido por Mark W. Tilden, se terminó en
Noviembre de 1989 en la Universidad de
Waterloo (Ontario, Canadá).
Estos robots, como la mayoría de los robots
surgidos a partir de la filosofía BEAM, utilizan
como fuente de energía la luz solar, y su única
función es el movimiento en una sola dirección
mediante una o varias ruedas. Este movimiento
oscila entre unos cuantos milímetros hasta va-
rios centímetros. La figura 5 muestra un robot

de esta categoría, el Lunabot (César Blum
Silveira).
Figura 5
Ø Photovores
Básicamente, estos robots consisten en la
unión de dos motores a cada uno de los cuales
se le asocia un Solaroller (recién lo hemos visto).
El movimiento del robot dependerá del circuito
solar que reciba una luz mas intensa, girando
hacia el foco de dicha luz.
En la figura 6 podemos ver algunos diseños
de estos nanobots.
Figura 6
Ø Walkers
Actualmente son los robots BEAM más
implementados y complejos. Hay multitud de
robots BEAM de este tipo, que varían en fun-
ción del número de motores que utilizan para
mover las patas que tengan. Los más comunes
tienen 4 patas y dos motores que accionan
dichas extremidades, figura 7.
Robótica y Mini-Robótica BEaM
Figura 7
Además, hay que destacar que muchos de
estos robots abandonan en parte la filosofía
BEAM al no utilizar como fuente de energía la
luz solar y sí baterías (pilas generalmente).
A partir de estos tres tipos de robots BEAM
(principalmente de los Solarollers) se han
desarrollado otros muchos robots BEAM.
Basten como ejemplo los siguientes:
Ø Symets
Symet quiere decir “robot simétrico”. Su prin-
cipal característica es que carecen de sensores
que les indiquen si hay obstáculos en su
camino. Simplemente, se mueven en una direc-
ción que cambian cuando colisionan con un
obstáculo, figura 8.
Figura 8
Ø nocturnal robots
Estos robots almacenan energía durante el
día y cuando llega la noche comienzan a
moverse, emitiendo algún tipo de luz (mediante
leds) o sonido.
Ø Aquabots
Basándose en la arquitectura básica de un
solaroller, un aquabot es capaz de desplazarse
en el medio acuático.
Como se dijo al principio de este apartado,
hay muchas posibles clasificaciones para los
robots BEAM y se ha comentado brevemente la
más aceptada. Es posible realizar otra clasifi-
cación bastante extendida entre los seguidores
Capítulo 5 59
Robótica BEaM, Inteligencia artificial y lógica Difusa

Figura 9

de esta técnica, se basa en la motricidad o no su movimiento, figura 10. En general son

motricidad del robot, y, dependiendo de la mo-
tricidad, se incluye en un grupo u otro. Según
Bruce Robinson, los robots se clasifican en:
No motrices
Motrices
automatismos inteligentes.
1.b) Pummer: Son los llamados noctur-
nal robots, que almacenan durante el día la
energía que utilizan durante la noche para emi-
tir algún tipo de luz o sonido, figura 11.

A su vez, los “no motrices” pueden ser del Figura 11

tipo SITTER (Beacom, Pummer y Ornament) o
SQUIRMER (Magbot, Flagwaver y Head), tal
como veremos más adelante.
Los robots motrices pueden ser de dife-
rentes estilos y se pueden clasificar según el
cuadro mostrado en la figura 9.

roBotS no MotrIcES 1.c) Ornament: Básicamente son los

mismos robots que los dos anteriores, pero
1) Sitter: intentando conseguir un diseño atractivo como
No tienen partes que se muevan. Su único los mostrados en la figura 12.
cometido es realizar alguna función “intere-
Figura 12
sante” mediante la luz que emiten sus LEDs, o
también mediante sonidos. Los tres tipos son:

1.a) Beacon: Los destellos que emiten

sirven a otros BEAM robots para ayudarse en

2) Squirmer:
Son robots que, sin desplazarse, mueven
todo o parte de su cuerpo cuyo único fin es el
entretenimiento del usuario o creador.
Figura 10
Destacamos los siguientes:

60 Capítulo 5
 Robótica y Mini-Robótica BEaM
2.a) Magbot: Utilizan para el movimiento de roBotS MotrIcES
su cuerpo campos electromagnéticos. Algunos
de ellos poseen alas para darle mayor espec- 1) Slider:
tacularidad, figura 13. Como su propio nombre indica, son capaces
de desplazarse mediante el deslizamiento
sobre una superficie. En esta categoría enu-
meramos a los siguientes robots:

Figura 16 1.a) Snake: Su

movimiento se ase-
meja al de una ser-
piente, con desplaza-
miento ondulatorio
horizontal, figura 16.

1.b) Earthworm:
Estos robots se
Figura 13
mueven al estilo de
los gusanos, siguiendo un desplazamiento
ondulatorio de compresión longitudinal, figura
2.b) Flagwaver: Hacen uso de un motor 17.
para mover una bandera o algún otro objeto
similar, tal como se aprecia en la figura 14.
Figura 14

Figura 17

2.c) Head: Estos robots giran, depen-

diendo de su complejidad, ya sea en uno o en
dos ejes, en la figura 15 se puede apreciar un
robot beam de esta categoría.
2) crawler:
Se denominan así porque, su movimiento,
consiste en gatear a lo largo de la superficie
sobre la que se desplazan. Encontramos los
siguientes tipos:

2.a) Turbot: Normalmente se caracteri-

zan por tener
Figura 18 2 extremi-
dades que
rotan al
mismo tiempo
y en la misma
dirección,
Figura 15 figura 18.

Capítulo 5 61
Robótica BEaM, Inteligencia artificial y lógica Difusa
2.b) Inchworm: Estos robots dividen su
cuerpo en varias articulaciones, que proporcio-
nan al robot un movimiento similar al del
gusano (Slider) pero con la diferencia de que
estas articulaciones pueden moverse selectiva-
mente, mientras que el resto del cuerpo per-
manece en el suelo, figura 19.
Figura 19
2.c) Tracked: Son robots cuyo sistema
de movimiento y diseño es el propio de un
tanque, con cintas propulsadas por motores
como el de la figura 20.
Figura 20
3) Jumper:
Son aquellos robots cuyo movimiento está
basado en saltos.
Esta clase de robots no posee una subclasi-
ficación y suelen ser muy populares en los con-
cursos de minirobótica debido a la gran canti-
dad de variantes posibles (figura 21).
62 Capítulo 5
Figura 21
4) roller:
Son los más comunes y se desplazan uti-
lizando ruedas, motores, su propio cuerpo, etc.,
se emplea cualquier cosa que permita que rue-
den. Por su popularidad se dividen en:
4.1) Symet (“robot simétrico”): Estos
robots se mueven en una dirección que cam-
bian cuando colisionan con un obstáculo. Su
estrucutra suele ser de la más variada, como
muestran los diferentes casos reunidos en la
figura 22.
Figura 22
4.2) Solaroller: Se mueven en una sola
dirección y sin llegar a recorrer más de unos
pocos centímetros, suelen ser de muy pequeño
tamaño y hoy se han vuelto muy populares en
la creación de insectos robots (figura 23).
 Robótica y Mini-Robótica BEaM
5) Walker:
Son, junto con los roller, los más populares,
figura 26. Tienen varias extremidades, general-
mente cuatro, número que varía en función del
diseño, y que se mueven en secuencia para
proporcionar el desplazamiento del robot.

Figura 26

Figura 23

4.3) Popper: Utilizan varios motores y

diferentes sensores que guían al robot a su
destino, generalmente es una fuente de luz
(photopoppers) o de energía, figura 24.

6) Swimmer (a.k.a. aquabot):

Están diseñados para poder desplazarse
exclusivamente en un medio líquido, que suele
ser agua y se los divide en 2 categorías:

Figura 24 6.1) Boatbot: Se desplazan a través de

la superficie líquida en cuestión, como la lancha
mostrada en la figura 27.
4.4) Miniball: Tienen pequeñas ruedas
que accionan el movimiento de la bola que con- Figura 27
tiene el robot en sí y su estructura básica suele
ser como la que se muestra en la figura 25.

6.2) Subbot: Al contrario que los ante-

riores, éstos se desplazan bajo la superficie,
Figura 25 figura 28.

Capítulo 5 63
Robótica BEaM, Inteligencia artificial y lógica Difusa
Figura 28
7) Flier (a.k.a. aerobot):
Estos robots son capaces de desplazarse en
el medio aéreo mediante el uso de alas que son
propulsadas por pequeños motores, figura 29.
Figura 29
8) climber:
Su nombre puede llevar a engaño, ya que no
escalan obstáculos de ningún tipo. La denomi-
nación viene porque son capaces de seguir (y de
ahí lo de escaladores) una línea y, posterior-
mente, deshacer lo recorrido, figura 30.
Figura 30
64 Capítulo 5
APlIcAcIonES dE lA roBótIcA BEAM
Como ya se ha comentado, la robótica
BEAM es una materia relativamente reciente
(comienzos de los años noventa) lo que, unido
al cariz que están tomando sus desarrollos
(encaminados mas al hobby y al entrete-
nimiento que a fines provechosos para la
sociedad en general), nos llevan a comprobar
la carencia de resultados interesantes en
cuanto a aplicaciones reales se refiere.
Así, las pocas aplicaciones que se están
sacando de estas máquinas tienen que ver con
su peculiar fisonomía y estructura, que les per-
mite alcanzar lugares prácticamente inaccesi-
bles al ser humano y de ahí que se utilicen con
cierta frecuencia a tales efectos, ya que per-
miten realizar algún tipo de tarea sencilla que
las personas no pueden a causa de esta
imposibilidad de llegar al lugar mencionado.
Como prueba de ello, tenemos las conver-
saciones que mantuvieron el numerosamente
citado señor Tilden con compañías cercanas a
la propia NASA, para enviar algunos de sus
robots a la Luna con el propósito de recoger
rocas en lugares poco accesibles al ser
humano para su posterior estudio ya aquí en la
Tierra. Aunque sólo hay constancia de estas
conversaciones, y en ningún sitio se menciona
si dichos encuentros han llegado a buen puerto
y los robots de los que se habla se enviaran
finalmente a la Luna, figura 31.
Figura 31
Algunos robots BEAM se han utilizado
experimentalmente en la desactivación de
explosivos, aunque no queda claro en dichas
noticias de que los robots de los que se habla

sean propios de esta manera de construir
robots, hablamos del RoboLobster
(Northeastern University Marine Science
Center), figura 32.
Figura 32
Como hay poco que tratar con respecto al
tema de aplicaciones reales, vamos a estudiar
un poco en detalle algunos proyectos de parti-
culares que se han interesado en la materia.
concluSIonES
Una vez vistos los conceptos básicos de la
robótica BEAM y los desarrollos que se han
conseguido si pensamos que es una materia
que marca sus primeros pasos a principios de
Robótica y Mini-Robótica BEaM
los 90 no podemos decir que se haya avanzado
lo suficiente como para considerar que estemos
ante una nueva rama de la robótica capaz de
competir con la “robótica digital”.
La robótica BEAM es una forma económica
de acercarse a la construcción de robots y por
tanto más llamativa a la hora de introducirnos
en el desarrollo de pequeños robots, ya que
con costes muy pequeños podemos estar
probando y viendo los resultados, lo cual
resulta más atractivo.
Las teorías sobre las que se monta esta
filosofía de trabajo: supervivencia, autosuficien-
cia, propósito de vida, autocontrol (toma de
decisiones)… también resultan muy intere-
santes, pero parecen perder fuerza si vemos
los resultados reales de los robots BEAM, ya
que tampoco hay muchas aplicaciones que
desarrollen algo en el mundo real en estos
momentos, aunque podemos considerar que
como materia en vía de investigación en el
momento en el que esté consolidada las aplica-
ciones pueden ser inmediatas.
Por tanto y en resumen, las ventajas más
claras que presenta la robótica BEAM es el bajo
coste de desarrollo y la relativa simpleza de la
mayoría de los diseños y las piezas que los
componen que además son más robustas o
resistentes que los “delicados” sistemas digi-
tales, de modo que es muy sen-
cillo acceder a ellos. Sin embargo,
parece que a nivel profesional no
ha tenido mucha aceptación y por
consiguiente es una rama de la
robótica que está mas cerca de
ser un hobby que algo profesional,
exceptuando al pequeño grupo de
ingenieros que investigan lidera-
dos por Mark W. Tilden.
Hoy en día ninguna materia puede
ser subestimada, por lo que
seguiremos a la espera de que un
día la robótica BEAM nos sor-
prenda y nos muestre un robot
con vida e inteligencia artificial y lo
más sorprendente aún que lo
haga manteniendo su filosofía
analógica. J
Capítulo 5 65
 C a p í t u lo 6
Luego de haber definido qué es
la robótica BEAM, en este capí-
tulo vamos a montar un
pequeño mini-robot “desde
cero”, aprovechando los con-
ceptos vertidos tanto en este
texto como en diferentes edi-
ciones de Saber Electrónica.
Este desarrollo se ha expuesto
de diversas maneras en distin-
tas publicaciones y su funcio-
namiento es similar al “siguelí-
neas” que publicáramos en
Saber 212. Nuestro mini-robot,
al que hemos bautizado
MICROBOT , será armado teniendo en cuenta tres etapas: Estructura, Sensores y
Actuadores. Indicaremos cómo montar nuestra estructura, cuáles son los sensores
adecuados y daremos diferentes opciones para manejar a los motores (actuadores).

A rme un P equeño roBoT desde C ero

C onsTruCCión de un m iCroBoT
IntroduccIón pre­sa­ Mi­crosys­tems­ En­gi­nee­ring­ que­ se
mues­tra­en­el­co­pe­te­de­la­no­ta,­don­de­po­de­-
Pa­ra­ la­ cons­truc­ción­ de­ nues­tro­ mi­cro­bot mos­ver­có­mo­sus­di­se­ña­do­res­han­in­te­gra­do
po­de­mos­uti­li­zar­mu­chos­ti­pos­de­es­truc­tu­ras, há­bil­men­te­ la­ pla­ca­ de­ cir­cui­to­ im­pre­so­ de
que­de­pen­de­rán­de­la­fun­ción­que­que­rra­mos con­trol­en­la­es­truc­tu­ra­me­cá­ni­ca­y­jus­ta­men­-
rea­li­zar,­no­es­lo­mis­mo­di­se­ñar­un­ro­bot­bí­pe­- te­de­ba­jo­de­él­se­en­cuen­tra­alo­ja­da­una­ba­te­-
do­que­un­ras­trea­dor.­Unas­de­las­es­truc­tu­ras ría­de­plo­mo­de­12V­y­0,8mA/h.
más­uti­li­za­das­es­la­de­los­jue­gos­edu­ca­cio­na­-
les­ de­ cons­truc­ción­ ti­po­ Le­go,­ Me­ca­no­ o­ Ei­-
tech­in­te­re­san­tes­por­su­­fle­xi­bi­li­dad,­y­de­for­-
ma­un­po­co­más­“pro­fe­sio­nal”­la­es­truc­tu­ra­de
los­Fis­cher­tech­nik­que­fue­ron­di­se­ña­das­ori­gi­-
na­ria­men­te­ pa­ra­ apli­ca­cio­nes­ téc­ni­cas,­ tan­to
es­tá­ti­cas­co­mo­de­es­truc­tu­ras­me­cá­ni­cas­con
mo­vi­mien­to.
En­la­fi­gu­ra­1­ve­mos­la­es­truc­tu­ra­de­un­mi­-
cro­bot­ rea­li­za­do­ con­ una­ es­truc­tu­ra­ Fis­cher­-
tech­nik.
Una­ es­truc­tu­ra­ rea­li­za­da­ con­ un­ Me­ca­no
es,­por­ejem­plo,­el­ca­so­del­Pí­vot-1­de­la­em­- Figura 1

Capítulo 6 69
Robótica BEaM, Inteligencia artificial y lógica Difusa

Figura 2b Figura 2c

Figura 2a

Pa­ra­el­ca­so­de­nues­tro­ras­- uti­li­zan­do­ rue­das,­ po­de­mos

trea­dor,­ que­ no­ de­be­ sal­var
obs­tá­cu­los­ y­ que­ se­rá­ un­ mi­-
cro­bot­ ex­pe­ri­men­tal­ de­ ba­jo
cos­to,­po­de­mos­uti­li­zar­una­es­-
truc­tu­ra­más­sen­ci­lla,­co­mo­por
ejem­plo­un­tro­zo­de­me­ta­cri­la­-
to,­po­lies­ti­re­no,­PVC,­pla­ca­de
cir­cui­to­im­pre­so­o­in­clu­so­pue­-
de­ser­vir­nos­la­ca­ja­de­plás­ti­co
de­un­Com­pact­Disc.­En­nues­-
tro­ ca­so­ va­mos­ a­ uti­li­zar­ dos
pla­cas­ de­ po­lies­ti­re­no­ blan­co
de­ 180­ x­ 13,5­ mm,­ pe­ro­ pue­-
den­uti­li­zar­se­otras­me­di­das,­el­he­cho­de­uti­li­-
zar­dos­pla­cas,­es­porque­de­es­ta­ma­ne­ra,­co­-
mo­lue­go­se­ve­rá,­se­pue­den­po­ner­las­ba­te­rías
en­el­pi­so­in­fe­rior­y­el­cir­cui­to­de­con­trol­de­los
mo­to­res­y­sen­so­res­en­el­su­pe­rior.
A­la­ho­ra­de­di­se­ñar­la­trac­ción­del­mi­cro­bot
pen­sar­en­va­rias­op­cio­nes­que
po­de­mos­ uti­li­zar­ de­pen­dien­do
Figura 2d de­la­apli­ca­ción­que­se­le­quie­-
ra­ dar­ a­ nues­tro­ mi­cro­bot­ de
“in­ves­ti­ga­ción”.­Así­pues,­po­de­-
mos­ op­tar­ por­ una­ es­truc­tu­ra
for­ma­da­por­dos­rue­das­a­trac­-
ción­in­de­pen­dien­tes­y­una­rue­-
da­lo­ca­co­mo­la­que­se­mues­-
tra­en­el­dia­gra­ma­de­la­fi­gu­ra
2a,­ o­ por­ una­ ar­qui­tec­tu­ra­ de
tri­ci­clo,­co­mo­la­de­la­fi­gu­ra­2b,
for­ma­da­ por­ dos­ rue­das­ de
trac­ción­ y­ una­ de­ di­rec­ción­ in­de­pen­dien­tes­ o
por­una­es­truc­tu­ra­si­mi­lar­a­los­co­ches­tra­di­cio­-
na­les­ for­ma­da­ por­ dos­ rue­das­ trac­to­ras­ con
con­trol­ de­ la­ di­rec­ción­ y­ dos­ rue­das­ sin­ trac­-
ción,­co­mo­la­que­se­mues­tra­en­la­fi­gu­ra­2c.
En­ la­ fi­gu­ra­ 2d­ ve­mos­ la­ es­truc­tu­ra­ pa­ra­ el

Figura 3a.- Movimiento hacia delante, se
hacen girar los dos motores en la misma di-
rección hacia delante (sentido horario). Es-
to provoca un movimiento rectilínea supo-
niendo que los dos motores son exacta-
mente iguales.
Figura 3b.- Movimiento hacia atrás, se
hacen girar los dos motores en la misma di-
rección hacia atrás (sentido contrario a la
agujas del reloj). Esto provoca un movi-
miento rectilínea suponiendo que los dos
motores son exactamente iguales.
Figura 3c.- Movimiento de giro a la dere-
cha, se hacen girar el motor izquierdo en
sentido horario (hacia delante) y el motor
de la derecha en sentido antihorario (hacia
atrás). Esto provoca un movimiento de giro
a la derecha de la estructura.

70 Capítulo 6
 Construcción de un Microbot
di­se­ño­ de­ nues­tro­ mi­cro­bot. den­fa­bri­car­se­de­ma­de­ra­o­uti­-
Las­ “rue­das­ lo­cas”,­ de­ben­ ser li­zar­unos­dis­cos­com­pac­tos­es­-
ca­pa­ces­de­ro­dar­y­pi­vo­tar­so­- tro­pea­dos­ y­ por­ su­pues­to­ tam­-
bre­sí­mis­mas,­al­igual­que­las bién­ pue­den­ ­ com­prar­se­ en
rue­das­ mo­tri­ces­ de­be­rán­ de tien­das­ de­ mo­de­lis­mo,­ és­tas
ser­ca­pa­ces­de­adap­tar­se­a­los sue­len­ser­me­jo­res­pe­ro­mu­cho
obs­tá­cu­los­del­te­rre­no.­Su­mo­- más­ca­ras.
vi­mien­to­ al­re­de­dor­ del­ eje­ so­-
bre­ el­ que­ pi­vo­ta­ de­be­ ser­ lo
más­sua­ve­po­si­ble,­pa­ra­no­di­- Figura 3d.- Movimiento de giro a la iz- Mo­vI­lI­dad de nues­tra
fi­cul­tar­la­ro­ta­ción­del­mi­cro­bot, quierda, se hacen girar el motor izquierdo es­truc­tu­ra
de­ lo­ con­tra­rio­ es­ po­si­ble­ que en sentido antihorario (hacia atrás) y el mo-
tor de la derecha en sentido horario (hacia
se­blo­quee­y­pa­ti­ne­si­no­se­eli­- adelante). Esto provoca un movimiento de La­es­truc­tu­ra­que­he­mos­ele­gi­-
ge­de­for­ma­ade­cua­da.­Las­so­- giro a la izquierda de la estructura. do­ pa­ra­ nues­tro­ mi­cro­bot­ nos
lu­cio­nes­pa­ra­es­te­ti­po­de­rue­- per­mi­ti­rá­ rea­li­zar­ mo­vi­mien­tos
das­pue­den­ser­mu­chas,­no­so­- ha­cia­ade­lan­te,­ha­cia­atrás,­gi­ro
tros­he­mos­op­ta­do­por­una­rue­- a­la­de­re­cha,­gi­ro­a­la­izquierda,
da­ que­ gi­ra­ li­bre­men­te­ so­bre las­pla­cas­con­un­ro­tu­la­dor,­pa­-
su­eje,­gra­cias­a­una­pe­que­ña ra­po­der­lue­go­ta­la­drar­a­10­mm
pla­ta­for­ma­con­ro­da­mien­tos­de de­ ca­da­ es­qui­na.­ Es­to­ lo­ ha­re­-
las­que­po­de­mos­en­con­trar­ca­- mos­ sin­ qui­tar­ el­ plás­ti­co­ pro­-
si­ en­ cual­quier­ fe­rre­te­ría,­ ade­- tec­tor­ con­tra­ ara­ña­zos­ que­ lle­-
más­ hay­ un­ gran­ sur­ti­do­ de van­ pe­ga­das­ por­ en­ci­ma­ las
ellas­en­lo­re­fe­ren­te­a­ta­ma­ños. pla­cas­ de­ po­lies­ti­re­no,­ de­ es­ta
Otra­ op­ción­ po­dría­ ser­ uti­li­zar ma­ne­ra,­ des­pués­ que­da­rán­ to­-
la­bo­la­de­un­ro­lón­de­de­so­do­- tal­men­te­lim­pias­y­sin­ara­ña­zos,
Figura 3b.- Movimiento hacia atrás, se
ran­te,­ a­ la­ que­ se­ le­ adap­ten hacen girar los dos motores en la misma di- co­mo­mues­tra­la­fi­gu­ra­4.­
una­ pe­que­ñas­ es­cua­dras­ pa­ra rección hacia atrás (sentido contrario a las Una­ vez­ mar­ca­das­ las­ pla­cas,
fi­jar­la­a­la­es­truc­tu­ra.­Vea­en­la agujas del reloj). Esto provoca un movi- pa­sa­mos­ a­ ta­la­drar­ ca­da­ una
miento rectilínea suponiendo que los dos
figura­ 3­ las­ distintas­ opciones motores son exactamente iguales. de­las­pla­cas­uti­li­zan­do­un­ta­la­-
de­movimiento. dro­de­so­bre­me­sa.­Uti­li­za­re­mos
Res­pec­to­a­las­rue­das­mo­tri­ces­que­he­mos una­bro­ca­pa­ra­me­tal­de­3­mm,­ya­que­es­tos­ta­-
uti­li­za­do­ pa­ra­ la­ trac­ción­ del­ mi­cro­bot,­ son­ de la­dros­son­pa­ra­fi­jar­pos­te­rior­men­te­unos­se­pa­-
las­uti­li­za­das­en­ju­gue­tes­y­que­se­pue­den­en­- ra­do­res­me­tá­li­cos­de­los­uti­li­za­dos­pa­ra­fi­jar­las
con­trar­ fá­cil­men­te­ en­ las­ tien­das­ que­ ven­den pla­cas­de­cir­cui­to­im­pre­so­a­los­cha­sis­o­ca­jas.
ma­te­rial­a­los­cen­tros­de­edu­ca­ción­se­cun­da­ría Ver­fi­gu­ra­5.
pa­ra­la­asig­na­tu­ra­de­Tec­no­lo­gía,­tam­bién­pue­- En­es­te­pri­mer­mon­ta­je­uti­li­za­re­mos­dos­mo­-

Figura 4 Figura 5 Figura 6

Capítulo 6 71
Robótica BEaM, Inteligencia artificial y lógica Difusa
Figura 7 Figura 8
to­res­que­va­mos­de­co­rrien­te­con­ti­nua­con­ca­-
ja­re­duc­to­ra­de­17:1­con­do­ble­eje­que­tra­ba­ja
con­ ten­sio­nes­ de­ 1,5V­ a­ 12V,­ pre­via­men­te­ le
ha­re­mos­tam­bién­unos­ta­la­dros­de­3­mm­co­mo
los­que­se­mues­tran­en­la­fi­gu­ra­6­pa­ra­su­pos­-
te­rior­fi­ja­ción­a­la­pla­ca­ba­se­me­dian­te­tor­ni­llos.
Es­tos­mo­to­res­tie­nen­la­ven­ta­ja­de­su­ba­jo­pre­-
cio,­pe­ro­el­in­con­ve­nien­te­de­que­la­ve­lo­ci­dad
que­al­can­zan­es­gran­de­y­por­lo­tan­to­son­más
di­fí­ci­les­de­con­tro­lar.
An­tes­de­rea­li­zar­el­mon­ta­je,­se­re­co­mien­da
sol­dar­unos­ca­bles­fle­xi­bles­a­los­ter­mi­na­les­del
mo­tor,­ya­que­aho­ra­se­rá­mas­fá­cil­que­cuan­do
es­té­mon­ta­do.
Co­mo­ter­cer­pun­to­de­apo­yo­de­nues­tra­es­-
truc­tu­ra­ va­mos­ a­ uti­li­zar­ una­ “rue­da­ lo­ca”,­ de
las­que­se­pue­den­en­con­trar­prác­ti­ca­men­te­en
cual­quier­ fe­rre­te­ría,­ és­tas­ con­cre­ta­men­te,­ las
he­mos­com­pra­do­en­el­Ras­tro­Ma­dri­le­ño,­uti­li­-
za­re­mos­la­más­pe­que­ña­que­es­la­que­me­jor
se­adap­ta­ba­a­nues­tra­es­truc­tu­ra.­
Co­mo­ rue­da­ lo­ca­ pue­de­ in­clu­so,­ uti­li­zar­se
un­ro­lón­de­de­so­do­ran­te­con­la­opor­tu­na­adap­-
ta­ción­pa­ra­fi­jar­la­en­la­es­truc­tu­ra.­Ver­fi­gu­ra­7
El­ si­guien­te­ pa­so­ es­ fi­jar­ los­ mo­to­res­ y­ la
rue­da­lo­ca­a­nues­tra­es­truc­tu­ra­uti­li­zan­do­tor­ni­-
llos,­ es­ re­co­men­da­ble­ que­ to­dos­ los­ tor­ni­llos
sean­del­mis­mo­pa­so­por­ejem­plo­de­mé­tri­ca­3,
de­esa­for­ma­po­dre­mos­in­ter­cam­biar­los­y­ade­-
más­de­es­ta­for­ma­con­una­so­la­bro­ca­po­dre­-
mos­ha­cer­to­dos­los­ta­la­dros.­
En­ la­ fi­gu­ra­ 8­ ve­mos­ los­ mo­to­res­ con­ sus
rue­das­y­la­rue­da­lo­ca­fi­ja­das­a­la­es­truc­tu­ra­in­-
fe­rior­del­mi­cro­bot
Es­ta­mos­ya­pre­pa­ra­dos­pa­ra­mon­tar­el­pi­so
su­pe­rior.
Em­plea­mos­ se­pa­ra­do­res­ de­ los­ uti­li­za­dos
72 Capítulo 6
Figura 9
por­ los­ cir­cui­tos­ im­pre­sos­ pa­ra­ fi­jar­los­ a­ los
cha­sis­ me­tá­li­cos.­ Pa­ra­ con­se­guir­ una­ se­pa­ra­-
ción­de­30­mm­he­mos­uti­li­za­do­cua­tro­se­pa­ra­-
do­res­de­20­mm­y­otros­cua­tro­de­10­mm­y­los
co­rres­pon­dien­tes­tor­ni­llos­de­20­y­10­mm.
En­ la­ fi­gu­ra­ 9­ ve­mos­ las­ dos­ pla­ta­for­mas
mon­ta­das­y­pre­pa­ra­das­pa­ra­so­por­tar­la­ba­te­-
ría­o­ba­te­rías­del­mi­cro­bot­y­su­cir­cui­te­ría­elec­-
tró­ni­ca.
los sen­so­res del MI­cro­bot
Es­ta­eta­pa­o­ni­vel­es­tá­for­ma­da­por­el­con­-
jun­to­de­sen­so­res,­así­co­mo­los­sis­te­mas­bá­si­-
cos­pa­ra­su­ma­ne­jo.­Va­mos­a­cons­truir­un­sis­-
te­ma­de­con­trol­pa­ra­con­se­guir­un­mó­vil­reac­ti­-
vo,­que­no­es­tá­con­tro­la­do­por­un­mi­cro­con­tro­-
la­dor,­ pe­ro­ que­ nos­ ser­vi­rá­ co­mo­ pa­so­ pre­vio
pa­ra­ob­te­ner­co­no­ci­mien­tos­so­bre­có­mo­ha­cer
fun­cio­nar­es­tos­“ca­cha­rros”.
Co­men­za­re­mos­ de­ una­ ma­ne­ra­ sen­ci­lla
cons­tru­yen­do­ un­ cir­cui­to­ que­ de­pen­dien­do­ de
una­ se­ñal­ de­ en­tra­da­ “0”­ o­ “1”­ ha­ga­ gi­rar­ un
mo­tor­de­co­rrien­te­con­ti­nua­ha­cia­de­lan­te­o­ha­-
cia­atrás,­es­de­cir­en­sen­ti­do­ho­ra­rio­o­en­sen­-
ti­do­an­ti­ho­ra­rio.
El­cir­cui­to­que­uti­li­za­mos­pa­ra­el­pri­mer­ro­-
bot­reac­ti­vo­no­uti­li­za­nin­gún­mi­cro­con­tro­la­dor
y­lo­he­mos­di­se­ña­do­así­pa­ra­em­pe­zar­a­com­-
pren­der­ el­ fun­cio­na­mien­to­ de­ los­ sen­so­res­ de
in­fra­rro­jos­CNY70,­cu­yas­ca­rac­te­rís­ti­cas­se­in­-
clu­yen­ en­ es­te­ mis­mo­ nú­me­ro­ y­ el­ cir­cui­to­ de
con­trol­de­po­ten­cia­pa­ra­los­mo­to­res.
El­pri­mer­cir­cui­to­que­he­mos­uti­li­za­do­ha­si­-
do­ el­ de­ la­ fi­gu­ra­ 10,­ que­ no­ es­ más­ que­ un
puen­te­en­H­de­tran­sis­to­res­con­tro­la­do­por­los

sen­so­res­CNY70­y­unos­in­ver­so­res­Sch­mitt­Tri­-
gger,­que­se­en­car­gan­de­con­for­mar­las­se­ña­-
les­del­sen­sor­a­ni­ve­les­ló­gi­cos­más­es­ta­bles.
El Sensor CNY70
El­CNY70­es­un­sen­sor­de­in­fra­rro­jos­de­cor­-
to­al­can­ce­ba­sa­do­en­un­dio­-
do­ emi­sor­ de­ luz­ in­fra­rro­ja­ y
un­ re­cep­tor­ for­ma­do­ por­ un
fo­to­tran­sis­tor,­ am­bos­ apun­-
tan­do­en­la­mis­ma­di­rec­ción,
y­cu­yo­fun­cio­na­mien­to­se­ba­-
sa­ en­ la­ ca­pa­ci­dad­ de­ re­fle­-
xión­del­ob­je­to,­y­la­de­tec­ción
del­ra­yo­re­flec­ta­do­por­el­re­-
cep­tor.­El­dis­po­si­ti­vo­dis­po­ne
de­cua­tro­pi­nes­de­co­ne­xión.
Dos­ de­ ellos­ se­ co­rres­pon­-
Figura 10
Construcción de un Microbot
den­ con­ el­ áno­do­ y­ cá­to­do­ del­ emi­sor,­ y­ las
otras­dos­se­co­rres­pon­den­con­el­co­lec­tor­y­el
emi­sor­del­fo­to­tran­sis­tor,­que­ha­ce­las­ve­ces­de
re­cep­tor.­Los­va­lo­res­de­las­re­sis­ten­cias­son­tí­-
pi­ca­men­te­de­RT=10kΩ­­pa­ra­el­fo­to­tran­sis­tor,
mien­tras­ que­ pa­ra­ el­ dio­do­ emi­sor­ es
RD=220Ω,­sien­do­tí­pi­cos­los
Figura 11 dos­mon­ta­jes­que­se­in­di­can
en­la­fi­gu­ra­11.­
En­ el­ cir­cui­to­ por­ el­ que­ nos
he­mos­in­cli­na­do­en­el­di­se­ño
es­el­de­la­op­ción­“a”,­de­ma­-
ne­ra­ que­ cuan­do­ el­ sen­sor
es­té­ so­bre­ la­ lí­nea­ ne­gra­ la
luz­es­ab­sor­bi­da­y­el­fo­to­tran­-
sis­tor­ se­ man­tie­ne­ en­ cor­te,
por­lo­que­a­la­sa­li­da­el­cir­cui­-
to­ en­tre­ga­ un­ ni­vel­ ba­jo,
Capítulo 6 73
Robótica BEaM, Inteligencia artificial y lógica Difusa
mien­tras­ que­ cuan­do­ el­ sen­sor­ es­té­ so­bre­ el tabla­1
fon­do­blan­co­que­re­fle­ja­la­luz,­el­fo­to­tran­sis­tor Pa­rá­me­tro vdd­ Mí­ni­mo tí­pi­co Má­xi­mo uni­da­des
se­ sa­tu­ra­ y­ a­ la­ sa­li­da­ del­ cir­cui­to­ ob­te­ne­mos VT+­ 5.0­ 2.2­ 2.9­ 3.6­ V­
un­ni­vel­al­to.­El­fun­cio­na­mien­to­del­cir­cui­to­“b” 10­ 4.6­ 5.9­ 7.1­ V
es­ jus­ta­men­te­ al­ con­tra­rio,­ cuan­do­ el­ sen­sor 15­ 6.8­ 8.8­ 10.8­ V
es­tá­so­bre­la­lí­nea­ne­gra,­el­fo­to­tran­sis­tor­per­- VT-­ 5.0­ 0.9­ 1.9­ 2.8­ V
ma­ne­ce­en­cor­te­y­en­tre­gan­do­a­la­sa­li­da­un­ni­- 10­ 2.5­ 3.9­ 5.2­ V
vel­ al­to­ en­ el­ co­lec­tor,­ mien­tras­ que­ si­ se­ en­- 15­ 4.0­ 5.8­ 7.4­ V
cuen­tra­so­bre­un­fon­do­blan­co,­el­haz­in­fra­rro­-
jo­se­re­fle­ja­y­el­fo­to­tran­sis­tor­se­sa­tu­ra­en­tre­- ñal­V1­al­can­za­el­va­lor­VT+­la­sa­li­da­VO­bas­cu­-
gan­do­a­la­sa­li­da­del­cir­cui­to­un­ni­vel­ba­jo. la­a­un­ni­vel­al­to,­y­no­vuel­ve­a­to­mar­un­ni­vel
Pa­ra­ob­te­ner­se­ña­les­“di­gi­ta­les”­des­de­es­tos ba­jo­has­ta­que­la­en­tra­da­no­lle­gue­a­VT-.
sen­so­res­uti­li­za­mos­puer­tas­in­ver­so­ras­Sch­mitt
Trig­ger,­que­tie­nen­la­ven­ta­ja­de­que­en­el­mis­-
mo­chip­nos­en­con­tra­mos­con­seis­in­ver­so­res el sIs­te­Ma de ac­tua­cIón:­
(CD4016).­Es­tos­dis­po­si­ti­vos­tie­nen­una­ca­rac­- con­trol de Mo­to­res
te­rís­ti­ca­ de­ trans­fe­ren­cia,­ co­mo­ la­ ­ que­ se
mues­tra­en­la En­ nues­tro­ “Mi­cro­bot”,­ uno­ de­ los­ mo­to­res
Figura 12 fi­gu­ra­ 12.­ En es­tá­ con­tro­la­do­ por­ un­ puen­te­ en­ H,­ for­ma­do
es­ta­cur­va­se por­ cua­tro­ tran­sis­to­res­ de­ po­ten­cia­ mon­ta­dos
apre­cia­ que en­an­ti­pa­ra­le­lo.
si­ la­ ten­sión Los­ tran­sis­to­res­ tra­ba­jan­ en­ con­mu­ta­ción­ y
de­ en­tra­da se­ com­por­tan­ co­mo­ in­te­rrup­to­res­ con­tro­la­dos
a s ­c i e n ­d e por­la­se­ñal­que­les­lle­ga­des­de­el­sen­sor­a­tra­-
des­de­ 0V vés­ del­ in­ver­sor.­ Su­ fun­cio­na­mien­to­ es­ el­ si­-
has­ta­un­ni­vel guien­te:­ en­ la­ fi­gu­ra­ 14­ ve­mos­ el­ puen­te­ de
al­to,­la­tran­si­- tran­sis­to­res­con­tro­la­do­por­el­sen­sor­y­su­in­ver­-
ción­se­pro­du­ce­si­guien­do­la­cur­va­A­y­se­pro­- sor­aso­cia­do,­si­el­sen­sor­con­su­puer­ta­in­ver­-
du­ce­­pa­ra­el­va­lor­VT+­de­no­mi­na­do­um­bral­as­- so­ra­en­tre­ga­un­ni­vel­al­to,­a­la­ba­se­de­los­tran­-
cen­den­te.­Por­el­con­tra­rio,­si­la­en­tra­da­es­tá­a sis­to­res­TR3­y­TR2­(NPN­y­PNP)­les­lle­ga­res­-
un­ni­vel­al­to­y­se­va­dis­mi­nu­yen­do­has­ta­0V,­la pec­ti­va­men­te­ un­ ni­vel­ al­to­ y­ un­ ni­vel­ ba­jo,­ lo
tran­si­ción­ se­ pro­du­ce­ si­guien­do­ la­ cur­va­ B, que­les­ha­ce­en­trar­si­mul­tá­nea­men­te­en­sa­tu­-
cuan­do­se­al­can­za­el­de­no­mi­na­do­um­bral­des­- ra­ción­mien­tras­que­a­TR1­y­TR4­que­les­lle­gan
cen­den­te­VT-.­ las­mis­mas­se­ña­les­se­que­dan­en­cor­te­por­ser
Los­va­lo­res­de­VT+­y­de­VT-­pa­ra­las­puer­- de­sig­no­con­tra­rio­(PNP­y­NPN­res­pec­ti­va­men­-
tas­de­tec­no­lo­gía­TTL,­son­de­4,7V
y­ 0,9V­ res­pec­ti­va­men­te,­ pe­ro­ pa­ra Figura 13
el­ ca­so­ del­ 40106­ de­pen­de­ de­ la
ten­sión­de­ali­men­ta­ción­y­pue­de­to­-
mar­los­va­lo­res­de­la­ta­bla­1.
Es­tas­ com­puer­tas­ son­ de­ gran
uti­li­dad­ cuan­do­ se­ de­sea­ con­tro­lar
un­ cir­cui­to­ di­gi­tal­ con­ se­ña­les­ pro­-
ve­nien­tes­de­sen­so­res­co­mo­los­in­-
fra­rro­jos.­En­la­fi­gu­ra­13­se­mues­tra
có­mo­ac­túa­un­cir­cui­to­no­in­ver­sor,
el­cir­cui­to­fren­te­a­una­se­ñal­que­no
es­pu­ra­men­te­di­gi­tal.­Cuan­do­la­se­-

74 Capítulo 6
 Construcción de un Microbot
Figura 14 Figura 15a

Figura 15b Figura 16 son­ TR1­ y

TR4,­ mien­-
tras­ que­ los
que­ pa­san­ al
es­ta­do­ de
cor­te­ son
TR3­ y­ TR2,
co­mo­ pue­de
ver­se­en­la­fi­-
gu­ra­15b.
El­ pro­ble­ma
de­es­te­ti­po­de­cir­cui­tos­es­la­caí­da­de­ten­sión
real­ que­ hay­ en­ los­ tran­sis­to­res­ y­ que­ ha­brá
que­ com­pen­sar­la­ con­ la­ ba­te­ría,­ que­ por­ su­-
te),­ en­ es­tas­ con­di­cio­nes­ el­ mo­tor­ gi­ra­ en­ un pues­to­va­dis­mi­nu­yen­do­en­la­me­di­da­que­és­ta
sen­ti­do­ co­mo­ pue­de­ ver­se­ en­ la­ fi­gu­ra­ 15a. se­va­ago­tan­do.­Pa­ra­evi­tar­es­tos­pro­ble­mas­en
Cuan­do­cam­bian­el­va­lor­de­la­se­ñal­que­en­tre­- el­ di­se­ño­ fi­nal­ he­mos­ uti­li­za­do­ un­ puen­te­ in­te­-
ga­ el­ sen­sor,­ los­ tran­sis­to­res­ que­ se­ sa­tu­ran gra­do,­el­LM293B.­Es­te­cir­cui­to­es­un­dri­ver­de
4­ca­na­les,­ca­paz­de­pro­por­cio­nar­una
tabla­2 co­rrien­te­de­sa­li­da­de­has­ta­1A­por­ca­-
Pin­ nom­bre­ des­crip­ción
1­ Chip­Ena­ble­1­ Ha­bi­li­ta­ción­de­los­ca­na­les­1­y­2­
nal.­Ca­da­ca­nal­es­con­tro­la­do­por­se­-
2­ In­put­1­ En­tra­da­del­ca­nal­1­ ña­les­ de­ en­tra­da­ com­pa­ti­bles­ TTL­ y
3­ Out­put­1­ Sa­li­da­del­ca­nal­1­ ca­da­ pa­re­ja­ de­ ca­na­les­ dis­po­ne­ de
4­ GND­ Tie­rra­de­ali­men­ta­ción­ una­en­tra­da­de­ha­bi­li­ta­ción­que­des­co­-
5­ GND­ Tie­rra­de­ali­men­ta­ción­ nec­ta­las­sa­li­das­de­los­mis­mos.­El­cir­-
6­ Out­put­2­ Sa­li­da­del­ca­nal­2­ cui­to­ dis­po­ne,­ ade­más,­ de­ una­ pa­ti­ta
7­ In­put­2­ En­tra­da­del­Ca­nal­2­
pa­ra­la­ali­men­ta­ción­de­las­car­gas­que
8­ VS­ Ali­men­ta­ción­de­las­car­gas­
9­ Chip­Ena­ble­2­ Ha­bi­li­ta­ción­de­los­ca­na­les­3­y­4­ se­es­tán­con­tro­lan­do,­de­for­ma­que­di­-
10­ In­put­3­ En­tra­da­del­ca­nal­3­ cha­ali­men­ta­ción­es­in­de­pen­dien­te­de
11­ Out­put­3­ Sa­li­da­del­ca­nal­3­ la­ló­gi­ca­de­con­trol.­En­la­fi­gu­ra­16­se
12­ GND­ Tie­rra­de­ali­men­ta­ción­ mues­tran­su­en­cap­su­la­do­de­16­pi­nes,
13­ GND­ Tie­rra­de­ali­men­ta­ción­ y­en­la­ta­bla­2­su­dis­tri­bu­ción­de­pa­ti­-
14­ Out­put­4­ Sa­li­da­del­Ca­nal­4­ llas­y­la­des­crip­ción­de­las­mis­mas.
15­ In­put­4­ En­tra­da­del­Ca­nal­4­
En­ ba­se­ a­ las­ di­fe­ren­tes­ eta­pas­ des­-
16­ VSS­ Ali­men­ta­ción­del­C.I.­
crip­tas,­ el­ cir­cui­to­ fi­nal­ de­ nues­tro­ Mi­-

Capítulo 6 75
Robótica BEaM, Inteligencia artificial y lógica Difusa

Figura 17

cro­bot­si­guelí­neas­es­el­que­se­mues­tra­en­la­fi­- alu­mi­nio­ co­mo­ so­por­te­ pa­ra­ los­ sen­so­res

gu­ra­ 17­ que­ po­see­ el­ cir­cui­to­ de­ de­tec­ción CNY70­ y­ pa­ra­ su­je­tar­los­ he­mos­ uti­li­za­do­ una
(sen­so­res),­ las­ puer­tas­ Sch­mitt­ Trig­ger­ pa­ra cin­ta­ad­he­si­va­por­las­dos­ca­ras,­que­es­un­sis­-
con­for­mar­los­im­pul­sos­y­el­dri­ver­LM293­pa­ra
el­ con­trol­ de­ los­ mo­to­res.­ En­ las­ fi­gu­ras­ 18­ y
19,­se­mues­tra­el­cir­cui­to­mon­ta­do­so­bre­pla­ca
de­pro­to­ti­po­(ex­pe­ri­men­ta­dor­di­gi­tal)­y­el­mon­-
ta­je­fi­nal­de­nues­tro­mi­cro­bot,­en­el­que­pue­de
ver­se­ có­mo­ se­ ha­ co­lo­ca­do­ una­ es­cua­dra­ de

Figura 18 Figura 19

76 Capítulo 6
 Construcción de un Microbot
te­ma­ muy­ eco­nó­mi­co­ y­ sen­ci­llo­ de­ su­je­ción. tabla­3 dri­vers­ 1­ y­ 2.­ La­ se­ñal
Pa­ra­su­je­tar­la­pla­ca­del­cir­cui­to­y­las­ba­te­rías vInn voutn venn EN2­ac­ti­va­la­pa­re­ja­de
he­mos­uti­li­za­do­unas­go­mas­elás­ti­cas.­Las­ba­- H H H dri­vers­ 3­ y­ 4.­ Las­ sa­li­-
te­rías,­des­pués­de­to­mar­la­fo­to,­las­he­mos­me­- L L H das­ OUTn­ se­ aso­cian
ti­do­ en­tre­ las­ dos­ pla­cas­ de­ po­lies­ti­re­no­ pa­ra H Z L con­ las­ co­rres­pon­dien­-
que­no­es­tor­ben.­­Pa­ra­po­der­uti­li­zarlos­en­otros L Z L tes­INn.­Las­se­ña­les­de
mon­ta­jes­los­he­mos­co­nec­ta­do­a­tra­vés­de­un sa­li­da­son­am­pli­fi­ca­das
ca­ble­pla­no­a­un­co­nec­tor­­ti­po­pos­te­hem­bra­y res­pec­to­a­las­de­en­tra­da­tan­to­en­ten­sión,­co­-
en­la­pla­ca­he­mos­co­lo­ca­do­el­co­nec­tor­ma­cho mo­en­co­rrien­te­(má­xi­mo:­1A)­y­la­ta­bla­3­es­la
co­rres­pon­dien­te.­­­ de­ fun­cio­na­mien­to­ pa­ra­ ca­da­ uno­ de­ los­ dri­-
vers.

con­trol de Mo­to­res Por Me­dIo H= Nivel alto "1",

de MI­cro­con­tro­la­dor L= Nivel bajo "0",
Z = Alta Impedancia
Si­ cons­tru­yó­ el­ Mi­cro­bot­ ha­brá­ ob­ser­va­do
que­en­se­gui­da­to­ma­ve­lo­ci­dad,­ya­que­tie­ne­po­- En­la­ta­bla­4­se­des­cri­ben­los­va­lo­res­ab­so­-
co­ coe­fi­cien­te­ de­ re­duc­ción­ de­ los­ mo­to­res­ y lu­tos­má­xi­mos­del­dri­ver­L293B.
que­ca­be­cea­mu­cho­en­el­se­gui­mien­to­de­la­lí­-
nea­ne­gra­so­bre­fon­do­blan­co. tabla­4
Va­mos­a­ha­cer­un­aná­li­sis­de­ta­lla­do­del­fun­-
sím­bo­lo­ Pa­rá­me­tro­ va­lor­ uni­da­des­
cio­na­mien­to­del­dri­ver­L293­y­su­con­trol­a­tra­- VS Ten­sión­de­ali­men­ta­ción­pa­ra­las­car­gas 36 V
vés­de­un­mi­cro­con­tro­la­dor,­pa­ra­el­ma­ne­jo­de VSS Ten­sión­de­ali­men­ta­ción­de­la­ló­gi­ca 36 V
mo­to­res­de­co­rrien­te­con­ti­nua.­Cuan­do­ana­li­ce­- Vi­ Ten­sión­de­en­tra­da 7­ V­
Vinh­ Ten­sión­de­ha­bi­li­ta­ción 7 V
mos­ los­ mo­to­res­ pa­so­ a­ pa­so,­ ve­re­mos­ có­mo Iout­ In­ten­si­dad­de­pi­co­de­sa­li­da 2 A
uti­li­zar­lo­en­es­te­ti­po­de­mo­to­res.­Pa­ra­el­con­- Ptot Po­ten­cia­to­tal­de­di­si­pa­ción 5­ W­
Tstg,­Tj Tem­pe­ra­tu­ra­de­al­ma­ce­na­je­y­de­la­unión -40­a­+150 ºC
trol­del­mo­tor­he­mos­ele­gi­do­el­PIC16F84­pa­ra
ello.­El­L293B­es­un­dri­ver­de­4­ca­na­les­ca­paz
de­pro­por­cio­nar­una­co­rrien­te­de­sa­li­da­de­has­- En­ la­ ta­bla­ 5­ de­ la­ página­ siguiente­ ve­mos
ta­1A­por­ca­nal.­Ca­da­ca­nal­es­con­tro­la­do­por las­ ca­rac­te­rís­ti­cas­ eléc­tri­cas­ pa­ra­ ca­da­ ca­nal
se­ña­les­de­en­tra­da­com­pa­ti­bles­TTL­y­ca­da­pa­- pa­ra­los­si­guien­tes­pa­rá­me­tros:­
re­ja­de­ca­na­les­dis­po­ne­de­una­se­ñal­de­ha­bi­li­-
ta­ción­ que­ des­co­nec­ta­ las­ sa­li­das­ de­ los­ mis­- VS­=­24V,­VSS­=5V,­Tamb­=­25ºC.
mos.­Dis­po­ne­de­una­pa­ta­pa­ra­la­ali­men­ta­ción
de­las­car­gas­que­se­es­tán­con­tro­lan­do,­de­ma­- Vea­mos,­ se­gui­da­men­te,­ al­gu­nas­ for­mas­ de
ne­ra­ que­ di­cha co­nec­tar­ los­ mo­to­res­ de­ co­rrien­te­ con­ti­nua­ al
Figura 20 ali­men­ta­ción­ es dri­ver.
in­de­pen­dien­te­ de
la­ ló­gi­ca­ de­ con­-
trol. Giro de Dos Motores en un Único Sentido:
En­la­fi­gu­ra­20,­se En­la­fi­gu­ra­21­se­mues­tra­el­mo­do­de­fun­-
mues­tra­el­dia­gra­- cio­na­mien­to­de­dos­mo­to­res­de­co­rrien­te­con­ti­-
ma­ de­ blo­ques nua­que­gi­ran­en­un­úni­co­sen­ti­do:
del­L293B.­
La­ se­ñal­ de­ con­- • El motor M1 se activa al poner a nivel bajo
trol­1EN1­ac­ti­va­la la entrada de control A.
pa­re­ja­de­ca­na­les • El motor M2 se activa al poner a nivel alto
for­ma­da­ por­ los la entrada de control B.

Capítulo 6 77
Robótica BEaM, Inteligencia artificial y lógica Difusa
En­ la­ fi­gu­ra­ 21­ ve­mos
la­co­ne­xión­de­dos­mo­to­-
res­ de­ con­ti­nua,­ M1­ ac­ti­-
vo­ por­ “0”­ y­ M2­ por­ “1”.
En­ la­ ta­bla­ 6­ ve­mos­ el
mo­do­ de­ fun­cio­na­mien­to
del­ cir­cui­to­ de­ la­ fi­gu­ra
21.­­Los­dio­dos­D1­y­D2,
es­tán­ co­nec­ta­dos­ pa­ra
pro­te­ger­ el­ cir­cui­to­ cuan­-
do­ se­ ge­ne­ran­ los­ pi­cos
de­arran­que­de­los­mo­to­-
res.­ Si­ no­ se­ tra­ba­ja­ a
má­xi­ma­ po­ten­cia­ de­ tra­-
ba­jo,­ pue­den­ eli­mi­nar­se
del­cir­cui­to.­

Giro de Un Motor
en los Dos Sentidos:
El­ cir­cui­to­ de­ la­ fi­gu­ra
22­ per­mi­te­ con­tro­lar­ el
do­ble­ sen­ti­do­ de­ gi­ro­ del
mo­tor.­Cuan­do­la­en­tra­da
C­es­tá­a­ni­vel­ba­jo­y­la­D
a­ni­vel­al­to,­el­mo­tor­gi­ra
ha­cia­la­iz­quier­da.
Cam­bian­do­la­en­tra­da­C­a­ni­vel­al­to­y­la­D­a Mon­ta­je del drI­ver l293b­
ni­vel­Ba­jo,­se­cam­bia­el­sen­ti­do­de­gi­ro­del­mo­- con el MI­cro­con­tro­la­dor PIc
tor­ha­cia­la­de­re­cha.­­
Si­se­quie­re­pro­te­ger­el­cir­cui­to­con­tra­po­si­- Pa­ra­com­pro­bar­el­fun­cio­na­mien­to­del­dri­ver
bles­pi­cos­de­co­rrien­te­in­ver­sa­en­el­mo­men­to L293B­con­el­de­un­mi­cro­con­tro­la­dor,­va­mos­a
de­arran­que­del­mo­tor,­se­re­co­mien­da­co­nec­tar uti­li­zar­el­PIC16F84,­que­es­un­­ chip­que­to­dos
unos­dio­dos­tal­y­co­mo­se­mues­tra­en­la­fi­gu­ra nues­tros­lec­to­res­ya­co­no­cen­y­que­pue­de­ser
23.­En­es­te­ca­so­la­ta­bla­7­nos­mues­tra­el­mo­- reem­pla­za­do­ por­ un­ PIC16F627,­ si­ es­ que­ se
do­de­fun­cio­na­mien­to. to­man­los­re­cau­dos­en­la­in­clu­sión­de­una­pe­-
Figura 21 Figura 22

78 Capítulo 6
 Construcción de un Microbot
Figura 23 Figura 24 Figura 26

tabla­6 que­ña­ru­ti­na­en­el­pro­-
Vinh­ A­ Mo­tor­M1­ B­ Mo­tor­M2­ gra­ma,­tal­co­mo­ex­pli­-
H­ H Pa­ra­da­rá­pi­da­del­mo­tor H Gi­ro cá­ra­mos­ en­ Sa­ber­ Nº
H L Gi­ro L Pa­ra­da­Rá­pi­da­del­mo­tor 215,­ tam­bién­ usa­re­-
L X Mo­tor­des­co­nec­ta­do,­gi­ro­li­bre X Mo­tor­des­co­nec­ta­do,­gi­ro­li­bre mos­ un­ mo­tor­ de­ los
que­ya­he­mos­em­plea­-
do,­ un­ in­ver­sor­ ti­po­ Sch­mitt­ Trig­ger­ del­ ti­po
40106­y­nues­tro­dri­ver.
En­ la­ fi­gu­ra­ 24­ ve­mos­ el­ mo­tor­ pa­ra­ las
prác­ti­cas­con­el­mi­cro­con­tro­la­dor­y­el­dri­ver.­
Tam­bién­mon­ta­re­mos­el­cir­cui­to­de­la­fi­gu­ra
25,­que­mues­tra­el­es­que­ma­del­mon­ta­je­pa­ra
el­ con­trol­ de­ mo­to­res­ con­ el­ dri­ver­ L293B­ y­ el
PIC16F84.­Pa­ra­com­pro­bar­su­fun­cio­na­mien­to,
va­mos­a­es­cri­bir­el­pro­gra­ma­motor1.asm,­que
con­tro­la­el­dri­ver­del­mo­tor­de­ma­ne­ra­que­de­-
pen­dien­do­ del­ es­ta­do­ del­ con­mu­ta­dor­ RA0.­ Si
RA0­ce­rra­do­(“0”)­o­abier­to­(“1”),­el­mo­tor­se­pa­-
ra­o­gi­ra­res­pec­ti­va­men­te.­
El­ or­ga­ni­gra­ma­ del­ pro­gra­ma­ es­ el­ que­ se
mues­tra­ en­ la­ fi­gu­ra­ 26­ y­ el­ pro­gra­ma­ mo­to­-
r1.asm­se­re­pro­du­ce­en­el­cua­dro­1.­Si­de­sea,
Ud.­ pue­de­ ba­jar­ el­ pro­gra­ma­ de­ nues­tra­ web
con­la­cla­ve­Microbot.
Si­guien­do­ con­ el­ mo­do­ de­ fun­cio­na­mien­to
del­ dri­ver­ co­nec­ta­do­ al­ mi­cro­con­tro­la­dor,­ rea­li­-

tabla­7
vinh­ a­ b­ Mo­tor­
H­ L­ L Pa­ra­da­rá­pi­da­del­mo­tor
H­ H­ H­ Pa­ra­da­rá­pi­da­del­mo­tor
H­ L­ H­ Gi­ro­a­la­Iz­quier­da
H­ H­ L­ Gi­ro­a­la­de­re­cha
L X X Mo­tor­des­co­nec­ta­do,­gi­ro­li­bre
Cuadro 1

Capítulo 6 79
Robótica BEaM, Inteligencia artificial y lógica Difusa
Figura 25

za­mos­un­se­gun­do­ejer­ci­cio,­en­es­te­ca­so­con
el­ pro­gra­ma:­ ­ motor2.asm,­ que­ de­pen­dien­do
del­ es­ta­do­ del­ ­ in­te­rrup­tor­ RA0­ es­té­ ce­rra­do
(“0”)­o­abier­to­(“1”),­el­mo­tor­gi­ra­en­el­sen­ti­do
que­le­mar­ca­el­es­ta­do­de­con­mu­ta­dor­de­RA1.
Si­RA1=0­se­rea­li­za­el­gi­ro­a­la­de­re­cha­del­mo­-
tor,­si­por­el­con­tra­rio­RA1=1­el­sen­ti­do­de­gi­ro
del­mo­tor­es­ha­cia­la­iz­quier­da.­El­pro­gra­ma­se
mues­tra­en­el­Cua­dro­2.­El­sen­ti­do­de­gi­ro­­de
los­ pro­gra­mas,­ de­pen­de­rá­ de­ có­mo­ se­ ha­yan
rea­li­za­do­ las­ co­ne­xio­nes­ de­ las­ bor­nas­ de­ los
mo­to­res,­ si­ no­ coin­ci­den,­ in­ter­cam­biar­ las­ co­-
ne­xio­nes.­ El­ con­mu­ta­dor­ y­ la­ re­sis­ten­cia­ co­-
nec­ta­dos­a­la­en­tra­da­RA1,­po­de­mos­sus­ti­tuir­-
los­ por­ el­ cir­cui­to­ de­ la­ fi­gu­ra­ ­ 27,­ de­ ma­ne­ra
que­ cuan­do­ el­ sen­sor­ es­té­ so­bre­ un­ ob­je­to
blan­co,­el­haz­de­in­fra­rro­jos
se­ re­fle­ja,­ el­ tran­sis­tor­ se Figura 27
sa­tu­ra­y­en­RA1­se­ob­tie­ne
un­ni­vel­al­to,­mien­tras­que­si
se­ en­fren­ta­ el­ emi­sor­ a­ un
ob­je­to­ne­gro,­el­haz­de­in­fra­-
rro­jos­del­emi­sor­es­ab­sor­bi­-
do,­ por­ lo­ que­ el­ tran­sis­tor
no­con­du­ce­y­en­RA1­se­ob­-
ten­drá­un­ni­vel­ba­jo.­J Cuadro 2

80 Capítulo 6