Hispanopedia WikiLa robótica del desarrollo ( DevRob ), a veces llamada robótica epigenética , es un campo científico que busca estudiar los mecanismos, arquitecturas y limitaciones del desarrollo que permiten el aprendizaje continuo y continuo de nuevas habilidades y conocimientos en máquinas encarnadas . Al igual que en los niños humanos, se espera que el aprendizaje sea acumulativo y de complejidad progresivamente creciente, y que resulte de la autoexploración del mundo en combinación con la interacción social . El enfoque metodológico típico consiste en partir de teorías del desarrollo humano y animal elaboradas en campos como la psicología del desarrollo , la neurociencia , la biología del desarrollo y evolutiva , y la lingüística , para luego formalizarlas e implementarlas en robots, explorando a veces extensiones o variantes de las mismas. La experimentación de estos modelos en robots permite a los investigadores confrontarlos con la realidad y, como consecuencia, la robótica del desarrollo también proporciona retroalimentación e hipótesis novedosas sobre las teorías del desarrollo humano y animal.
La robótica de desarrollo está relacionada con la robótica evolutiva (RE), pero se diferencia de ella. La RE utiliza poblaciones de robots que evolucionan con el tiempo, mientras que la robótica de desarrollo se interesa en cómo se desarrolla la organización del sistema de control de un solo robot a través de la experiencia, con el paso del tiempo.
DevRob también está relacionado con el trabajo realizado en los ámbitos de la robótica y la vida artificial .
Fondo
¿Puede un robot aprender como un niño? ¿Puede adquirir diversas habilidades y conocimientos nuevos, no especificados en la fase de diseño y en un entorno parcialmente desconocido y cambiante? ¿Cómo puede descubrir su propio cuerpo y sus relaciones con el entorno físico y social? ¿Cómo pueden sus capacidades cognitivas desarrollarse continuamente sin la intervención de un ingeniero una vez que sale de la fábrica? ¿Qué puede aprender mediante interacciones sociales naturales con los humanos? Estas son las preguntas centrales de la robótica del desarrollo. Alan Turing, así como otros pioneros de la cibernética, ya formularon estas preguntas y el enfoque general en 1950, [ 1 ] pero no fue hasta finales del siglo XX que comenzaron a investigarse sistemáticamente. [ 2 ] [ 3 ] [ 4 ]
Dado que el concepto de máquinas inteligentes adaptativas es fundamental para la robótica del desarrollo, guarda relación con campos como la inteligencia artificial, el aprendizaje automático, la robótica cognitiva o la neurociencia computacional . Sin embargo, si bien puede reutilizar algunas de las técnicas desarrolladas en estos campos, difiere de ellos desde muchas perspectivas. Se diferencia de la inteligencia artificial clásica porque no presupone la capacidad de razonamiento simbólico avanzado y se centra en las habilidades sensoriomotoras y sociales encarnadas y situadas, en lugar de en problemas simbólicos abstractos. Se diferencia de la robótica cognitiva porque se centra en los procesos que permiten la formación de capacidades cognitivas, en lugar de en estas capacidades en sí mismas. Se diferencia de la neurociencia computacional porque se centra en el modelado funcional de arquitecturas integradas de desarrollo y aprendizaje. En términos más generales, la robótica del desarrollo se caracteriza de manera única por las siguientes tres características:
- Se centra en arquitecturas y mecanismos de aprendizaje independientes de la tarea, es decir, la máquina/robot debe ser capaz de aprender nuevas tareas que el ingeniero desconoce;
- Hace hincapié en el desarrollo abierto y el aprendizaje permanente, es decir, la capacidad de un organismo para adquirir continuamente nuevas habilidades. Esto no debe entenderse como una capacidad para aprender "cualquier cosa" o incluso "todo", sino simplemente que el conjunto de habilidades que se adquiere puede extenderse infinitamente al menos en algunas (no en todas) direcciones;
- La complejidad de los conocimientos y habilidades adquiridos deberá aumentar progresivamente (y dicho aumento deberá controlarse).
La robótica del desarrollo surgió en la confluencia de varias comunidades de investigación, incluyendo la inteligencia artificial encarnada, la ciencia cognitiva de sistemas dinámicos y enactivos, y el conexionismo. Partiendo de la idea fundamental de que el aprendizaje y el desarrollo ocurren como resultado autoorganizado de las interacciones dinámicas entre cerebros, cuerpos y su entorno físico y social, y tratando de comprender cómo se puede aprovechar esta autoorganización para proporcionar un aprendizaje permanente e independiente de tareas de habilidades de complejidad creciente, la robótica del desarrollo interactúa fuertemente con campos como la psicología del desarrollo, la neurociencia cognitiva y del desarrollo, la biología del desarrollo (embriología), la biología evolutiva y la lingüística cognitiva . Dado que muchas de las teorías provenientes de estas ciencias son verbales y/o descriptivas, esto implica una actividad crucial de formalización y modelado computacional en la robótica del desarrollo. Estos modelos computacionales se utilizan no solo para explorar cómo construir máquinas más versátiles y adaptables, sino también para evaluar su coherencia y posiblemente explorar explicaciones alternativas para comprender el desarrollo biológico. [ 4 ]
Direcciones de investigación
Dominios de habilidades
Debido a su enfoque y metodología generales, los proyectos de robótica de desarrollo suelen centrarse en que los robots desarrollen el mismo tipo de habilidades que los bebés humanos. Una primera categoría importante que se investiga es la adquisición de habilidades sensoriomotoras. Estas incluyen el descubrimiento del propio cuerpo, incluyendo su estructura y dinámica, como la coordinación ojo-mano, la locomoción y la interacción con objetos, así como el uso de herramientas, con especial énfasis en el descubrimiento y el aprendizaje de las posibilidades de acción. Una segunda categoría de habilidades que buscan los robots de desarrollo son las habilidades sociales y lingüísticas: la adquisición de juegos sencillos de comportamiento social, como el respeto de turnos, la interacción coordinada, el léxico, la sintaxis y la gramática, y la integración de estas habilidades lingüísticas en las habilidades sensoriomotoras (a veces denominadas fundamentación simbólica). Paralelamente, se investiga la adquisición de habilidades cognitivas asociadas, como la aparición de la distinción entre el yo y el no-yo, el desarrollo de capacidades atencionales, de sistemas de categorización y representaciones de nivel superior de posibilidades de acción o constructos sociales, y la aparición de valores, empatía o teorías de la mente.
Mecanismos y limitaciones
Los espacios sensoriomotores y sociales en los que viven humanos y robots son tan amplios y complejos que solo una pequeña parte de las habilidades potencialmente aprendibles puede explorarse y adquirirse a lo largo de la vida. Por lo tanto, se necesitan mecanismos y limitaciones para guiar a los organismos en su desarrollo y controlar el aumento de la complejidad. Existen varias familias importantes de estos mecanismos y limitaciones que se estudian en la robótica del desarrollo, todas inspiradas en el desarrollo humano.
- Los sistemas motivacionales, que generan señales de recompensa internas que impulsan la exploración y el aprendizaje, pueden ser de dos tipos principales:
- Las motivaciones extrínsecas impulsan a los robots/organismos a mantener propiedades internas básicas específicas, como el nivel de alimento y agua, la integridad física o la luz (por ejemplo, en sistemas fototrópicos);
- Las motivaciones intrínsecas impulsan al robot a buscar novedad, desafíos, compresión o progreso de aprendizaje en sí mismos, generando así lo que a veces se denomina aprendizaje y exploración impulsados por la curiosidad, o alternativamente aprendizaje y exploración activos;
- Orientación social: dado que los humanos aprenden mucho interactuando con sus pares, la robótica del desarrollo investiga mecanismos que permitan a los robots participar en interacciones sociales similares a las humanas. Al percibir e interpretar señales sociales, esto podría permitir a los robots aprender de los humanos (a través de diversos medios como la imitación, la emulación, la mejora de estímulos, la demostración, etc.) y activar la pedagogía humana natural. Por lo tanto, también se investiga la aceptación social de los robots del desarrollo.
- Sesgos en la inferencia estadística y reutilización acumulativa de conocimientos/habilidades: los sesgos que caracterizan tanto las representaciones/codificaciones como los mecanismos de inferencia suelen permitir una mejora considerable de la eficiencia del aprendizaje y, por lo tanto, se estudian. En relación con esto, los mecanismos que permiten inferir nuevos conocimientos y adquirir nuevas habilidades mediante la reutilización de estructuras aprendidas previamente también constituyen un campo de estudio esencial.
- Las propiedades de la corporeidad, incluyendo la geometría, los materiales o las primitivas/sinergias motoras innatas, a menudo codificadas como sistemas dinámicos, pueden simplificar considerablemente la adquisición de habilidades sensoriomotoras o sociales, y a veces se las denomina computación morfológica. La interacción de estas restricciones con otras restricciones es un eje importante de investigación;
- Restricciones madurativas: En los bebés humanos, tanto el cuerpo como el sistema nervioso crecen progresivamente, en lugar de estar completamente desarrollados al nacer. Esto implica, por ejemplo, que nuevos grados de libertad, así como un aumento en el volumen y la resolución de las señales sensoriomotoras disponibles, pueden aparecer a medida que se desarrolla el aprendizaje y el desarrollo. Trasladar estos mecanismos a robots de desarrollo y comprender cómo esto puede dificultar o, por el contrario, facilitar la adquisición de nuevas habilidades complejas es una cuestión fundamental en la robótica del desarrollo.
Del desarrollo biomimético a la inspiración funcional.
Si bien la mayoría de los proyectos de robótica del desarrollo interactúan estrechamente con las teorías del desarrollo animal y humano, el grado de similitud e inspiración entre los mecanismos biológicos identificados y sus contrapartes en los robots, así como los niveles de abstracción del modelado, pueden variar considerablemente. Mientras que algunos proyectos buscan modelar con precisión tanto la función como la implementación biológica (modelos neuronales o morfológicos), como en el campo de la neurorrobótica , otros se centran únicamente en el modelado funcional de los mecanismos y las restricciones descritas anteriormente, y podrían, por ejemplo, reutilizar en sus arquitecturas técnicas provenientes de las matemáticas aplicadas o la ingeniería.
Preguntas abiertas
Dado que la robótica de desarrollo es un campo de investigación relativamente nuevo, aún quedan muchos retos fundamentales por resolver.
El primer desafío radica en que las técnicas existentes están lejos de permitir que los robots de alta dimensión del mundo real aprendan un repertorio abierto de habilidades cada vez más complejas a lo largo de su vida. Los espacios sensoriomotores continuos de alta dimensión constituyen un obstáculo importante que debe resolverse. El aprendizaje acumulativo a lo largo de la vida es otro obstáculo. No se han realizado experimentos que duren más de unos pocos días, lo que contrasta con el tiempo que necesitan los bebés humanos para aprender habilidades sensoriomotoras básicas, a pesar de contar con cerebros y morfologías muchísimo más potentes que los mecanismos computacionales actuales.
Entre las estrategias a explorar para avanzar hacia este objetivo, se debe investigar de forma más sistemática la interacción entre los mecanismos y las limitaciones descritas en la sección anterior. De hecho, hasta ahora se han estudiado principalmente de forma aislada. Por ejemplo, la interacción entre el aprendizaje intrínsecamente motivado y el aprendizaje socialmente guiado, posiblemente condicionado por la maduración, es un aspecto fundamental que debe investigarse.
Otro reto importante es lograr que los robots perciban, interpreten y aprovechen la diversidad de señales sociales multimodales que proporcionan los humanos no ingenieros durante la interacción humano-robot. Hasta ahora, estas capacidades son, en su mayoría, demasiado limitadas para permitir una enseñanza eficaz y de propósito general por parte de los humanos.
Un problema científico fundamental que debe comprenderse y resolverse, aplicable igualmente al desarrollo humano, es cómo la composicionalidad, las jerarquías funcionales, los elementos primitivos y la modularidad, en todos los niveles de las estructuras sensoriomotoras y sociales, pueden formarse y aprovecharse durante el desarrollo. Esto está profundamente vinculado con el problema de la aparición de símbolos, a veces denominado el " problema de la fundamentación simbólica " en lo que respecta a la adquisición del lenguaje. De hecho, la existencia y la necesidad misma de símbolos en el cerebro se cuestionan activamente, y se investigan conceptos alternativos que, sin embargo, permiten la composicionalidad y las jerarquías funcionales.
Durante la epigénesis biológica, la morfología no es fija, sino que se desarrolla en constante interacción con el desarrollo de las habilidades sensoriomotoras y sociales. El desarrollo de la morfología plantea problemas prácticos evidentes para los robots, pero podría ser un mecanismo crucial que debería explorarse con mayor profundidad, al menos mediante simulaciones, como en la robótica morfogenética.
Otro problema abierto es la comprensión de la relación entre los fenómenos clave investigados por la robótica del desarrollo (por ejemplo, los sistemas sensoriomotores jerárquicos y modulares, las motivaciones intrínsecas/extrínsecas/sociales y el aprendizaje abierto) y los mecanismos cerebrales subyacentes.
De manera similar, en biología, los mecanismos de desarrollo (que operan en la escala ontogenética) interactúan estrechamente con los mecanismos evolutivos (que operan en la escala filogenética), como se muestra en la floreciente literatura científica de la " evo-devo ". [ 5 ] Sin embargo, la interacción de estos mecanismos en organismos artificiales, en particular en robots de desarrollo, aún está muy poco estudiada. La interacción de los mecanismos evolutivos, el desarrollo de morfologías y el desarrollo de habilidades sensoriomotoras y sociales constituirá, por lo tanto, un tema sumamente estimulante para el futuro de la robótica de desarrollo.
Revistas principales
- IEEE Transactions on Cognitive and Developmental Systems (anteriormente conocida como IEEE Transactions on Autonomous Mental Development): https://cis.ieee.org/publications/t-cognitive-and-developmental-systems
Conferencias principales
- Conferencia Internacional sobre Desarrollo y Aprendizaje: http://www.cogsci.ucsd.edu/~triesch/icdl/
- Robótica epigenética: https://www.lucs.lu.se/epirob/
- ICDL-EpiRob: http://www.icdl-epirob.org/ (los dos mencionados anteriormente se unieron en 2011)
- Robótica del desarrollo: http://cs.brynmawr.edu/DevRob05/
El Taller sobre Desarrollo y Aprendizaje, financiado por la NSF/DARPA, se celebró del 5 al 7 de abril de 2000 en la Universidad Estatal de Michigan. Fue la primera reunión internacional dedicada a la comprensión computacional del desarrollo mental en robots y animales. El término «en» se utilizó porque los agentes están activos durante el desarrollo.
Véase también
Referencias
- ↑ Turing, AM (1950). "Máquinas de computación e inteligencia" (PDF) . Mind . LIX (236). LIX: 433–460 . doi : 10.1093/mind/LIX.236.433 .
- ^ Lungarella, M.; Metta, G.; Pfeifer, R.; Sandini, G. (2003). "Robótica del desarrollo: una encuesta". Ciencia de la conexión . 15 (4): 151– 190. Bibcode : 2003ConSc..15..151L . CiteSeerX 10.1.1.83.7615 . doi : 10.1080/09540090310001655110 . S2CID 1452734 .
- ↑ Asada, M.; Hosoda, K.; Kuniyoshi, Y.; Ishiguro, H.; Inui, T.; Yoshikawa, Y.; Ogino, M.; Yoshida, C. (2009). "Robótica cognitiva del desarrollo: una revisión". IEEE Transactions on Autonomous Mental Development . 1 (1): 12– 34. Bibcode : 2009ITAMD...1...12A . doi : 10.1109/tamd.2009.2021702 . S2CID 10168773 .
- 1 2 Oudeyer, PY. (2010). "Sobre el impacto de la robótica en las ciencias del comportamiento y cognitivas: de la navegación de los insectos al desarrollo cognitivo humano" (PDF) . IEEE Transactions on Autonomous Mental Development . 2 (1): 2– 16. Bibcode : 2010ITAMD...2....2O . doi : 10.1109/tamd.2009.2039057 . S2CID 6362217 .
- ↑ Müller, GB (2007). "Evo-devo: extending the evolutionary synthesis". Nature Reviews Genetics . 8 (12): 943– 949. doi : 10.1038/nrg2219 . PMID 17984972 . S2CID 19264907 .
Enlaces externos
Comités técnicos
- Comité Técnico de Sistemas Cognitivos y de Desarrollo del IEEE (CDSTC), anteriormente conocido como Comité Técnico de Desarrollo Mental Autónomo del IEEE,
- Comité Técnico de Robótica Cognitiva del IEEE, https://www.ieee-ras.org/cognitive-robotics
- Comité Técnico de Aprendizaje Robótico del IEEE, https://www.ieee-ras.org/robot-learning/
Instituciones académicas e investigadores en el campo
- Grupo de Robótica y Ciencias Cognitivas de la Universidad de Lund
- Laboratorio de Desarrollo Cognitivo, Universidad de Indiana, EE. UU.
- Universidad Estatal de Michigan – Laboratorio de Inteligencia Encarnada
- Equipo FLOWERS de Inria y Ensta ParisTech, Francia : Exploración, interacción y aprendizaje en robótica del desarrollo.
- Laboratorio de Sistemas Inteligentes e Informática de la Universidad de Tokio
- Laboratorio de Robótica Cognitiva de Juergen Schmidhuber en IDSIA y la Universidad Técnica de Múnich.
- Laboratorio LIRA , Universidad de Génova, Italia
- CITEC en la Universidad de Bielefeld, Alemania
- Laboratorio de Visión , Departamento de Psicología, Universidad del Sur de Illinois en Carbondale
- FIAS (Laboratorio de J. Triesch)
- LPP, CNRS (laboratorio de K. Oregon)
- Laboratorio de IA, SoftBank Robotics Europe, Francia
- Departamento de Informática, Universidad de Aberdeen
- Laboratorio Asada , Departamento de Sistemas de Máquinas Adaptativas, Escuela de Posgrado de Ingeniería, Universidad de Osaka, Japón.
- Laboratorio de Robótica Inteligente de la UTCS de la Universidad de Texas en Austin
- Proyecto de Robótica del Desarrollo del Bryn Mawr College : proyectos de investigación de profesores y estudiantes de los colegios Swarthmore y Bryn Mawr, Filadelfia, PA, EE. UU.
- Proyecto Jean : Instituto de Ciencias de la Información de la Universidad del Sur de California
- Robótica cognitiva (incluido el juego del escondite) en el Laboratorio de Investigación Naval. Archivado el 8 de agosto de 2010 en Wayback Machine .
- Laboratorio de Robótica Perceptual , Universidad de Massachusetts Amherst, Amherst, EE. UU.
- Centro de Robótica y Sistemas Neuronales , Universidad de Plymouth , Plymouth, Reino Unido
- Laboratorio de Neurociencia Corporal Computacional , Instituto de Ciencias Cognitivas y Tecnologías del Consejo Nacional de Investigación , Roma, Italia
- Equipo de neurocibernética , Laboratorio ETIS, ENSEA – Universidad de Cergy-Pontoise – CNRS, Francia
- Laboratorio de Percepción de Máquinas y Robótica Cognitiva , Universidad Atlántica de Florida, Boca Ratón, Florida.
- Grupo de Sistemas Adaptativos , Departamento de Informática, Universidad Humboldt de Berlín, Alemania
- Laboratorio de Robótica del Desarrollo Cognitivo (Laboratorio Nagai) , Universidad de Tokio, Japón
Proyectos a gran escala relacionados
- Proyecto RobotDoC (financiado por la Comisión Europea)
- Proyecto Italk (financiado por la Comisión Europea)
- Proyecto IM-CLeVeR (financiado por la Comisión Europea)
- Proyecto EXPLORERS , financiado por el Consejo Europeo de Investigación (ERC).
- Proyecto RobotCub (financiado por la Comisión Europea)
- Proyecto Feelix Growing (financiado por la Comisión Europea)
Cursos
Los primeros cursos de pregrado en Robótica del Desarrollo (DevRob) fueron impartidos en Bryn Mawr College y Swarthmore College en la primavera de 2003 por Douglas Blank y Lisa Meeden, respectivamente. El primer curso de posgrado en DevRob fue impartido en la Universidad Estatal de Iowa por Alexander Stoytchev en el otoño de 2005.
- Robótica
- Control de robots
- Aprendizaje automático