240AR056 - Aprendizaje Robot

Transcripción

1 Unidad responsable: ETSEIB - Escuela Técnica Superior de Ingeniería Industrial de Barcelona Unidad que imparte: ESAII - Departamento de Ingeniería de Sistemas, Automática e Informática Industrial Curso: Titulación: 2018 MÁSTER UNIVERSITARIO EN AUTOMÁTICA Y ROBÓTICA (Plan 2012). (Unidad docente Optativa) Créditos ECTS: 4,5 Idiomas docencia: Inglés Profesorado Responsable: CECILIO ANGULO BAHON Competencias de la titulación a las cuales contribuye la asignatura Específicas: 3. El/la estudiante adquirirá un conjunto de conocimientos teóricos y prácticos a nivel básico y avanzado de la robótica móvil, poniendo especial énfasis en modelos probabilísticos aplicados a la robótica móvil. 4. El/la estudiante será capaz de seleccionar y programar métodos de reconocimiento de patrones y aprendizaje en función del tipo de problema, tras distinguir si es que la situación así lo requiere 5. El/la estudiante tendrá conocimientos para analizar, diseñar e implementar aplicaciones robóticas avanzadas. Genéricas: 1. Capacidad de realizar investigación, desarrollo e innovación en el ámbito de la ingeniería de sistemas, de control y la robótica, así como de dirigir el desarrollo de soluciones de ingeniería en entornos nuevos o poco conocidos, relacionando creatividad, innovación y transferencia de tecnología 2. Tener los adecuados conocimientos matemáticos, analíticos, científicos, instrumentales, tecnológicos, de información y de gestión. Metodologías docentes Metodologías que se emplean en esta asignatura: Método expositivo/lección magistral Aprendizaje basado en proyectos y problemas Objetivos de aprendizaje de la asignatura El alumno que haya cursado la asignatura deberá ser capaz de: Describir métodos de aprendizaje para modelar robots, tareas y entornos Distinguir entre diferentes niveles de representación: de la representación sensorimotora a la abstracción de tareas Aplicar aprendizaje en planificación de tareas Diseñar políticas de control por imitación y de aprendizaje por refuerzo Aplicar métodos de inferencia probabilística a partir de información sensorial multimodal (proprioceptiva, táctil, vision) Representar de forma adecuada la información estructurada espacio-temporal diseñada para aprendizaje robot Investigar los factores que permiten analizar la idoneidad de aplicación de un cierto método de aprendizaje Identificar estrategias de aprendizaje para la definición de estructuras de control en sistemas robóticos Utilizar aspectos de factores humanos para la mejora del funcionamiento de los sistemas robóticos Programar algoritmos de aprendizaje en un entorno de simulación robótica 1 / 6

2 Horas totales de dedicación del estudiantado Dedicación total: 112h 30m Horas grupo mediano: 20h 15m 18.00% Horas grupo pequeño: 20h 15m 18.00% Horas aprendizaje autónomo: 72h 64.00% 2 / 6

3 Contenidos - Formas de aprendizaje de modelos para robots, tareas y entornos Dedicación: 6h 40m Grupo pequeño/laboratorio: 0h 30m - Niveles de representación: de la representación sensorimotora a la abstracción de tareas - Aprendizaje en planificación y manipulación Grupo mediano/prácticas: 1h Adelante, Recurrente, refuerzo, Modelos probabilísticos Actividades vinculadas: Apuntes de clase - Aprendizaje de modelos de robot 3 / 6

4 - Representación estructurada espacio-temporal diseñada para aprendizaje robot: primitivas motoras y aprendizaje motor integración de movimientos de baja dimensión. Interacción conjunta del motos en el espacio temporal - Integración de aprendizaje en arquitecturas de control Integración de control usuales en el aprendizaje en robots móbiles - Aprendizaje por demostración, por imitación e interactivo Algoritmos asociados en el aprendizaje por demostración, por imitación e interacción - Aprendizaje por refuerzo Dedicación: 1h 20m Actividades dirigidas: 0h 20m Algoritmos asociados al aprendizaje de refuerzo 4 / 6

5 - Métodos de inferencia probabilística a partir de información sensorial multimodal (proprioceptiva, táctil, vision) Fusión de sensores en métodos de inherencia probabilística de información sensorial multimodal (propioceptiva, táctil, visión) - Aprendizaje activo Algoritmos de aprendizaje activo y su relación con otros de muy conocidos - Robótica cognitiva y evolutiva Dedicación: 105h 10m Clases teóricas: 15h Clases prácticas: 11h Clases de laboratorio: 15h Trabajo autónomo (no presencial): 27h Trabajo en grupo (no presencial): 30h Sistemas dinámicos para la modelización cognitiva en robots 5 / 6

6 Sistema de calificación Exámenes escritos (0%-20%) Cuestiones, tests, problemas, mini informes (0%-10%) Informes formales (20%-50%) Exposiciones orales (0-20%) Valoración del trabajo en equipo (0-15%) Re evaluación: Nuevo Examen escrito (80%) Informe formal (20%) Bibliografía Básica: Calinon, Sylvain. Robot programming by demonstration: a probabilitic approach. Lausanne: EPFL Press, ISBN Thrun, Sebastian; Burgard, Wolfram; Fox, Dieter. Probabilistic Robotics. Massachussets: The MIT Press, ISBN / 6