240AR056 - Aprendizaje Robot

(1)

Competencias de la titulación a las cuales contribuye 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) Responsable: CECILIO ANGULO BAHON

Unidad que imparte:

Curso:

Créditos ECTS:

707 - ESAII - Departamento de Ingeniería de Sistemas, Automática e Informática Industrial 2018

MÁSTER UNIVERSITARIO EN AUTOMÁTICA Y ROBÓTICA (Plan 2012). (Unidad docente Optativa) 4,5 Idiomas docencia: Inglés

Unidad responsable: 240 - ETSEIB - Escuela Técnica Superior de Ingeniería Industrial de Barcelona

Titulación:

Profesorado

Específicas:

Genéricas:

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.

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.

Objetivos de aprendizaje de la asignatura Metodologías que se emplean en esta asignatura:

Método expositivo/lección magistral

Aprendizaje basado en proyectos y problemas Metodologías docentes

(2)

Dedicación total: 112h 30m Horas grupo mediano:

Horas grupo pequeño:

Horas aprendizaje autónomo:

20h 15m 20h 15m 72h

18.00%

64.00%

Horas totales de dedicación del estudiantado

(3)

Contenidos

- Formas de aprendizaje de modelos para robots, tareas y entornos

- Niveles de representación: de la representación sensorimotora a la abstracción de tareas

- Aprendizaje en planificación y manipulación

- Aprendizaje de modelos de robot

Dedicación: 6h 40m

Grupo grande/Teoría: 1h 30m Grupo mediano/Prácticas: 1h 30m Grupo pequeño/Laboratorio: 0h 30m Aprendizaje autónomo: 3h 10m

Grupo grande/Teoría: 1h 30m Grupo mediano/Prácticas: 1h 30m Grupo pequeño/Laboratorio: 1h Aprendizaje autónomo: 3h 10m

Grupo grande/Teoría: 1h 30m Grupo mediano/Prácticas: 1h Grupo mediano/Prácticas: 1h 30m Aprendizaje autónomo: 3h 10m

Grupo grande/Teoría: 1h 30m Grupo mediano/Prácticas: 1h 30m Grupo pequeño/Laboratorio: 1h Aprendizaje autónomo: 3h 10m Adelante, Recurrente, refuerzo, Modelos probabilísticos

Descripción:

Actividades vinculadas:

Apuntes de clase

(4)

- Representación estructurada espacio-temporal diseñada para aprendizaje robot: primitivas motoras y aprendizaje motor

- Integración de aprendizaje en arquitecturas de control

- Aprendizaje por demostración, por imitación e interactivo

- Aprendizaje por refuerzo

Grupo pequeño/Laboratorio: 1h Actividades dirigidas: 0h 20m integración de movimientos de baja dimensión. Interacción conjunta del motos en el espacio temporal

Integración de control usuales en el aprendizaje en robots móbiles

Algoritmos asociados en el aprendizaje por demostración, por imitación e interacción Descripción:

Descripción:

(5)

- Métodos de inferencia probabilística a partir de información sensorial multimodal

(proprioceptiva, táctil, vision)

- Aprendizaje activo

- Robótica cognitiva y evolutiva

Clases teóricas: 15h Clases prácticas: 11h Clases de laboratorio: 15h

Trabajo autónomo (no presencial): 27h Trabajo en grupo (no presencial): 30h Grupo grande/Teoría: 1h 30m

Grupo mediano/Prácticas: 1h 30m Grupo pequeño/Laboratorio: 1h Aprendizaje autónomo: 3h 10m

Fusión de sensores en métodos de inherencia probabilística de información sensorial multimodal (propioceptiva, táctil, visión)

Algoritmos de aprendizaje activo y su relación con otros de muy conocidos

Sistemas dinámicos para la modelización cognitiva en robots Descripción:

Descripción:

(6)

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%) Sistema de calificación

Bibliografía

Básica:

Calinon, Sylvain. Robot programming by demonstration: a probabilitic approach. Lausanne: EPFL Press, 2009. ISBN 9781439808672.

Thrun, Sebastian; Burgard, Wolfram; Fox, Dieter. Probabilistic Robotics. Massachussets: The MIT Press, 2005. ISBN 0262201623.