CapÃtulo 1 : Robótica en la nube
La robótica en la nube es un subcampo de la robótica que se centra en las ventajas de la infraestructura convergente y los servicios compartidos para la robótica. La robótica en la nube es un intento de hacer uso de las tecnologías en la nube, como la computación en la nube, el almacenamiento en la nube y otras tecnologías de Internet. Cuando se conectan a la nube, los robots pueden aprovechar los sólidos recursos informáticos, de almacenamiento y de comunicación de los centros de datos actuales en la nube. Estos centros son capaces de procesar y distribuir información de una variedad de robots o agentes, incluyendo otras máquinas, objetos inteligentes, humanos, etc. Mediante el uso de redes, los humanos también pueden externalizar tareas a robots que operan de forma remota. Las tecnologías de computación en la nube hacen posible que los sistemas robóticos tengan enormes capacidades y, al mismo tiempo, reduzcan los gastos mediante la utilización de la tecnología en la nube. Como resultado, es factible construir robots más inteligentes y de menor costo que sean livianos y tengan un "cerebro" inteligente que se almacena en la nube. El "cerebro" está formado por factores como el centro de datos, la base de conocimientos, los planificadores de tareas, el aprendizaje profundo, el procesamiento de la información, los modelos de entorno, el soporte de comunicación y otros componentes similares.
Cuando se trata de robots, una nube podría constar teóricamente de al menos seis componentes importantes:
Una estrategia conocida como "aprendizaje a lo largo de la vida". CAS ha propuesto la utilización del aprendizaje a lo largo de toda la vida con el fin de construir una nube para que los robots la utilicen como cerebro. El dilema de cómo hacer que los robots combinen y transmitan su experiencia para permitirles hacer un buen uso de los conocimientos existentes y adaptarse rápidamente a nuevas situaciones fue el impulso para el trabajo del autor. Los autores proponen una arquitectura de aprendizaje para la navegación en sistemas robóticos en la nube que denominan Lifelong Federated Reinforcement Learning (LFRL). Esta arquitectura está pensada para solucionar el problema. En su estudio, presentan un algoritmo para la fusión de conocimiento que puede utilizarse para mejorar un modelo compartido que se pone en funcionamiento en la nube. A continuación, se presentan estrategias de aprendizaje por transferencia que han demostrado ser efectivas en LFRL. Tanto el LFRL como la ciencia cognitiva humana son compatibles entre sí, y funciona bien con los sistemas robóticos en la nube. Con el propósito de la navegación robótica, los experimentos han demostrado que LFRL mejora significativamente la efectividad del aprendizaje por refuerzo. Además, la implementación del sistema robótico en la nube demuestra que LFRL es capaz de combinar información previamente adquirida.
El método se conoce como Aprendizaje Federado. En el año 2020, se predijo que los robots podrían estar equipados con un cerebro en la nube utilizando el aprendizaje de por vida. Aprender un nuevo comportamiento es algo que los humanos son capaces de hacer estudiando cómo otras personas practican la habilidad. Los robots, por otro lado, también son capaces de hacer esto a través del aprendizaje por imitación. Además, si los seres humanos reciben orientación de fuentes externas, serán capaces de comprender el nuevo hábito de manera más efectiva. Entonces, ¿cómo pueden los robots lograr esto? Los autores proporcionan un marco novedoso que han identificado como FIL para abordar el problema. En el caso de los sistemas robóticos en la nube, ofrece un marco para la fusión de conocimientos heterogéneos procedentes de varias fuentes. Después de eso, se sugiere un algoritmo de fusión de conocimiento en FIL como solución. En consecuencia, hace posible que la nube combine los diversos conocimientos de los robots locales y produzca modelos de guía para los robots que poseen solicitudes de servicio. A continuación, presentamos un mecanismo de transferencia de conocimientos que facilitará que los robots locales adquieran conocimientos de la nube. Con la ayuda de FIL, un robot es capaz de hacer uso de la información que ha aprendido de otros robots con el fin de mejorar la precisión y la eficiencia de su aprendizaje por imitación. En comparación con el aprendizaje por transferencia y el metaaprendizaje, FIL es una opción más aceptable para la implementación en sistemas robóticos en la nube. Están investigando una tarea que requiere que los robots (automóviles) se conduzcan solos. Los resultados de los experimentos muestran que el modelo compartido desarrollado por FIL genera un aumento en la eficiencia del aprendizaje por imitación para los robots locales que forman parte de los servicios robóticos en la nube.
El aprendizaje asistido entre iguales es el enfoque elegido. La UM propuso que se podría construir un cerebro en la nube para robots mediante la utilización del aprendizaje asistido por pares. Con la introducción de tecnologías de aprendizaje profundo basadas en datos, el área de la robótica está experimentando actualmente una revolución tecnológica innovadora. Sin embargo, el proceso de construcción de conjuntos de datos para cada robot local es engorroso. Por otro lado, las islas de datos existentes entre los robots locales impiden que los datos se exploten de forma colaborativa. El trabajo proporciona Aprendizaje Robótico Asistido por Pares (PARL) en robótica, que se inspira en el concepto de aprendizaje asistido por pares en psicología cognitiva y pedagogía. El propósito de este trabajo es abordar el tema que se ha presentado. En el marco de los sistemas robóticos en la nube, PARL se encarga de implementar la colaboración de datos. Después de completar su entrenamiento localmente y hacer computación semántica, los robots cargan tanto sus datos como sus modelos en la nube. Además de realizar el aumento, la integración y la transferencia, la nube se encarga de reunir los datos. Por último, pero no menos importante, perfeccione este conjunto de datos compartido más grande en la nube para que pueda ser utilizado por robots locales. Con el fin de poner en marcha el procesamiento de datos en PARL, también sugerimos utilizar la Red DAT, que significa Red de Aumento y Transferencia de Datos. El aumento de datos de varios robots locales es algo que se puede lograr utilizando DAT Network. Los autores están llevando a cabo experimentos sobre una versión simplificada del desafío de conducción autónoma para robots (automóviles). Dentro del ámbito de los escenarios de conducción autónoma, DAT Network ha realizado un avance considerable en términos de mejora. Además de esto, los hallazgos de los experimentos con vehículos autónomos también muestran que PARL es capaz de mejorar los efectos del aprendizaje a través de la colaboración de datos de robots locales.
RoboEarth recibió financiación del Séptimo Programa Marco para iniciativas de investigación y desarrollo técnico implementadas por la Unión Europea. El objetivo de esta financiación era investigar especialmente el tema de la robótica en la nube. El propósito de RoboEarth es hacer posible que los sistemas robóticos obtengan conocimiento de las experiencias de otros robots. Esto allanará el camino para rápidos avances en la cognición y el comportamiento de las máquinas y, en última instancia, para una interacción humano-máquina más matizada e inteligente. Una infraestructura de robótica en la nube es algo que RoboEarth proporciona. La base de datos que RoboEarth construyó al estilo de la World Wide Web incluye información que fue creada por humanos y robots en un formato que es legible por las máquinas. Los componentes de software, los mapas para la navegación (como las ubicaciones de objetos y los modelos del mundo), el conocimiento de las tareas (como las recetas de acción y los métodos de manipulación) y los modelos de reconocimiento de objetos (como las fotos y los modelos de objetos) son ejemplos de los tipos de datos que se almacenan en la base de conocimientos de RoboEarth. Hay soporte para robots móviles, vehículos autónomos y drones dentro del motor en la nube de RoboEarth. Este tipo de dispositivos exigen una cantidad significativa de procesamiento para poder navegar.
Un investigador de robótica de ETHZ desarrolló un marco de robótica de código abierto llamado Rapyuta. Está construido sobre el motor RoboEarth y fue creado por el investigador. En el marco, cada robot que está conectado a Rapyuta tiene el potencial de tener un entorno informático protegido, que está representado por cajas rectangulares. Esto les brinda la oportunidad de reubicar sus cálculos pesados en la nube. Además, los entornos informáticos están altamente conectados entre sí y tienen una conexión con el repositorio de conocimientos de RoboEarth que es capaz de ofrecer una enorme cantidad de ancho de banda.
Una de las extensiones del proyecto RoboEarth se conoce como KnowRob. Es un sistema de procesamiento de conocimiento que combina métodos para la representación y el razonamiento del conocimiento con técnicas para adquirir conocimiento y para anclar el conocimiento en un sistema físico. Además, tiene la capacidad de servir como un marco semántico común para la integración de información de una variedad de fuentes.
RoboBrain es un sistema computacional a gran escala que adquiere conocimientos mediante el uso de recursos que son accesibles para el público en general en Internet, simulaciones por computadora y experimentos con robots en vivo. Recopila toda la información relacionada con la robótica en una base de conocimientos completa e interconectada. La creación de...
