Mecanismos Cognitivos

Las arquitecturas cognitivas constituyen el sustrato de todas las funcionalidades cognitivas como la percepción, la atención, la selección de acciones, el aprendizaje, el razonamiento, etc. Desarrollar una arquitectura cognitiva para un robot autónomo es una tarea muy compleja, y el GII lleva desde el año 2000 centrado en esta línea a través del Mecanismo Cognitivo Darwinista (MDB), que ha dado lugar a numerosas publicaciones de revista y en actas de congresos internacionales a lo largo de estos años.

El MDB se estructura en dos escalas de funcionamiento, una en tiempo real encargada de seleccionar la acción que el robot debe aplicar en función de sus motivaciones, y otro en tiempo de aprendizaje en la que se obtienen modelos que permiten realizar la selección de acciones de forma interna al mecanismo. Cada una de estas escalas lleva asociados diversos procesos complejos, que han dado lugar a numerosas sub-líneas. Por un lado, el aprendizaje de los modelos depende las muestras reales que el robot adquiere en su interacción con el mundo, por lo que se ha tenido que desarrollar una técnica de aprendizaje que permita dicho aprendizaje en tiempo real. Esta es una de las características originales del MDB, ya que se utilizan algoritmos evolutivos para el aprendizaje de los modelos. En concreto, ha desarrollado un nuevo algoritmo evolutivo, el PBGA (Promoter Based Genetic Algorithm), que obtiene la estructura y los parámetros de una red de neuronas de forma automática a partir de las muestras almacenadas en una memoria a corto plazo. Otro de los elementos básicos que se han desarrollado es el sistema de memorias, basado en una memoria a corto plazo y otra a largo plazo, que almacena los modelos que han resultado satisfactorios en su aplicación real para ser utilizados en el futuro.

En cuanto a la escala de tiempo real, se ha desarrollado un proceso de obtención de comportamientos en tiempo de aprendizaje que son transferidos a esta escala. Este concepto generaliza la simple selección de acciones y dota de mucha más generalidad al MDB. Los comportamientos son almacenados también la memoria a largo plazo de cara a ser reutilizados de forma directa si el robot se encuentra de nuevo con una situación ya aprendida.

El MDB ha sido aplicado con éxito en diversas tareas de aprendizaje con robots reales, tales como el Baxter, NAO, Robobo. BlueROV2 y KAI. En todas ellas el énfasis estaba en la capacidad del mecanismo para aprender en tiempo real de forma autónoma a partir de su experiencia o de su interacción con un profesor. Además, se realizaron experimentos de reutilización autónoma de la información aprendida y de adaptación en tiempo real a cambios en el entorno.

Esta es una línea de investigación con numerosas vías de desarrollo abiertas, con gran relevancia en el campo de la robótica cognitiva y donde el GII centra gran parte de sus recursos dado su gran potencial  

Proyectos asociados

• DREAM: Deferred Restructuring of Experience in Autonomous Machines
• Diseño coevolutivo de sensores y actuadores virtuales, morfología y arquitectura cognitiva en robot
• Using multisensor fusion and neuronal network techniques for robot control