Desarrollo de algoritmos no supervisados para información sensorial en robótica autónoma

Abstract

[Resumen] Este trabajo de investigación pertenece al campo de la robótica autónoma y busca el desarrollo de algoritmos que, utilizando técnicas de clasificación no supervisada, permitan realizar un análisis previo de datos de información sensorial. Esta información será aportada por los agentes autónomos en lo que se vaya a integrar el sistema. Este proceso permitiría facilitar enormemente el actual proceso de aprendizaje de modelos existente en robots basados en MDB, los cuales aprenden modelos de mundo utilizando directamente algoritmos evolutivos sobre el conjunto de datos obtenidos de su entorno en tiempo real. El sistema realizaría una agrupación sobre los datos obtenidos, creando diferentes conjuntos de entrenamiento relacionados espacialmente. Estos conjuntos serían aprendidos posteriormente de forma paralela por el agente autónomo, el cual dispondría de un modelo específico para conjuntos de datos diferentes. Gracias a estos modelos el robot podría adaptarse de forma más eficiente a las diferentes situaciones que enfrente en su entorno. A lo largo de este documento se detallará como se han desarrollado las diferentes etapas y componentes que integran el proyecto y se realizará un análisis global de los resultados obtenidos para evaluar la utilidad de los elementos desarrollados.

[Abstract] This research work belongs to the field of autonomous robotics and seeks the development of algorithms that, using unsupervised classification techniques, allow a prior analysis of sensory information data. This information will be provided by the autonomous agents in which the system will be integrated. This process would greatly facilitate the current process of learning models existing in MDB-based robots, which learn world models directly using evolutionary algorithms on the set of data obtained from their environment in real time. The system would group the data obtained by creating different spatially related training sets. These sets would be subsequently learned in parallel by the autonomous agent, which would have a specific model for different data sets. Thanks to these models, the robot could adapt more efficiently to the different situations it faces in its environment. Throughout this document it will be detailed how the different stages and components that make up the project have been developed and a global analysis of the results obtained to evaluate the usefulness of the elements developed.