La robótica cognitiva es un subcampo de la robótica que se ocupa de dotar a un robot de comportamiento inteligente mediante una arquitectura de procesamiento que le permita aprender y razonar sobre cómo comportarse en respuesta a objetivos complejos en un mundo complejo. Puede considerarse la rama de ingeniería de la ciencia cognitiva corpórea y de la cognición corpórea integrada, abarcando la automatización robótica de procesos, la inteligencia artificial, el aprendizaje automático, el aprendizaje profundo, el reconocimiento óptico de caracteres, el procesamiento de imágenes, la minería de procesos, la analítica, el desarrollo de software y la integración de sistemas. A diferencia de las técnicas tradicionales de inteligencia artificial que a menudo se basan en representaciones simbólicas predefinidas, la robótica cognitiva enfatiza el aprendizaje y la adaptación mediante la interacción con el entorno físico o virtual.
Cuestiones fundamentales
Los enfoques tradicionales de modelado cognitivo han asumido esquemas de codificación simbólica como medio para representar el mundo, pero traducir el mundo a este tipo de representaciones simbólicas ha resultado problemático, si no insostenible. La percepción y la acción, junto con la noción de representación simbólica, son, por tanto, cuestiones fundamentales en la robótica cognitiva. Los robots deben procesar datos sensoriales brutos, como entrada visual o auditiva, y convertirlos en conocimiento accionable sin depender de símbolos codificados manualmente. Este desafío es central para diseñar arquitecturas que puedan operar en entornos no estructurados y dinámicos.
Punto de partida
La robótica cognitiva considera la cognición humana o animal como punto de partida para desarrollar el procesamiento de información robótico, en contraposición a las técnicas más tradicionales de inteligencia artificial. Las capacidades cognitivas robóticas objetivo incluyen el procesamiento de la percepción, la asignación de atención, la anticipación, la planificación, la coordinación motora compleja, el razonamiento sobre otros agentes y quizás incluso el razonamiento sobre los propios estados mentales del robot. La cognición robótica encarna el comportamiento de agentes inteligentes en el mundo físico (o en un mundo virtual en el caso de la robótica cognitiva simulada). En última instancia, el robot debe ser capaz de actuar en el mundo real, lo que requiere integrar percepción, toma de decisiones y control motor en un bucle continuo.
Técnicas de aprendizaje
Balbuceo motor
Una técnica preliminar de aprendizaje robótico llamada balbuceo motor implica correlacionar movimientos motores complejos pseudoaleatorios del robot con la retroalimentación visual y/o auditiva resultante, permitiendo que el robot comience a esperar un patrón de retroalimentación sensorial dado un patrón de salida motora. La retroalimentación sensorial deseada puede entonces utilizarse para informar una señal de control motor. Se considera que esto es análogo a cómo un bebé aprende a alcanzar objetos o a producir sonidos del habla. Para sistemas robóticos más simples donde la cinemática inversa puede usarse de manera factible para transformar la retroalimentación anticipada en salida motora, este paso puede omitirse.
Imitación
Una vez que un robot puede coordinar sus motores para producir un resultado deseado, se puede utilizar la técnica de aprendizaje por imitación. El robot supervisa el desempeño de otro agente y luego intenta imitar a ese agente. A menudo es un desafío transformar la información de imitación de una escena compleja en un resultado motor deseado para el robot. La imitación es una forma de comportamiento cognitivo de alto nivel, y no es necesariamente requerida en un modelo básico de cognición animal corpórea.
Adquisición de conocimiento
Un enfoque de aprendizaje más complejo es la adquisición autónoma de conocimiento, donde el robot explora el entorno por sí mismo, asumiendo típicamente un sistema de objetivos y creencias. Un modo de exploración algo más dirigido puede lograrse mediante algoritmos de curiosidad, como la Curiosidad Adaptativa Inteligente o la Motivación Intrínseca Basada en Categorías. Estos algoritmos generalmente implican dividir la entrada sensorial en un número finito de categorías y asignar un sistema de predicción (como una red neuronal artificial) a cada una. El sistema de predicción rastrea el error en sus predicciones a lo largo del tiempo; la reducción del error de predicción se considera aprendizaje. El robot entonces explora preferentemente categorías en las que está aprendiendo más rápido.
Otras arquitecturas
Algunos investigadores en robótica cognitiva han intentado usar arquitecturas como ACT-R y Soar como base para sus programas. Estas arquitecturas de procesamiento de símbolos altamente modulares se han utilizado para simular el desempeño de operadores y el desempeño humano al modelar datos de laboratorio simplistas y simbolizados. La idea es extender estas arquitecturas para manejar entrada sensorial del mundo real a medida que se desarrolla continuamente a lo largo del tiempo. Lo que se necesita es una forma de traducir el mundo a un conjunto de símbolos y sus relaciones, lo que sigue siendo un desafío abierto.
Véase también
- Inteligencia artificial
- Agente inteligente
- Arquitectura cognitiva
- Ciencia cognitiva
- Cibernética
- Robótica del desarrollo
- Ciencia cognitiva corpórea
- Robótica epigenética
- Robótica evolutiva
- Sistema inteligente híbrido
- iCub
- Control inteligente