Robótica del desarrollo - Enciclopedia

El robótica de desarrollo (DevRob), a veces llamado robótica epigenética, es un campo científico que tiene como objetivo estudiar los mecanismos de desarrollo, las arquitecturas y las restricciones que permiten el aprendizaje a lo largo de toda la vida y abierto de nuevas habilidades y nuevos conocimientos en máquinas encarnadas. Al igual que en los niños humanos, se espera que el aprendizaje sea acumulativo y de complejidad progresivamente mayor, y que resulte de la exploración autónoma del mundo en combinación con la interacción social. El enfoque metodológico típico consiste en comenzar con teorías de desarrollo humano y animal elaboradas en campos como la psicología del desarrollo, la neurociencia, la biología del desarrollo y la evolución, y la lingüística, para luego formalizarlas e implementarlas en robots, a veces explorando 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 de desarrollo también proporciona retroalimentación y nuevas hipótesis sobre las teorías del desarrollo humano y animal.

La robótica de desarrollo está relacionada con, pero se diferencia de la robótica evolutiva (ER). ER utiliza poblaciones de robots que evolucionan con el tiempo, mientras que DevRob está interesado en cómo la organización del sistema de control de un solo robot se desarrolla a través de la experiencia, con el paso del tiempo.

DevRob también está relacionada con el trabajo realizado en los dominios de la robótica y la vida artificial.

Antecedentes
¿Puede un robot aprender como un niño? ¿Puede aprender una variedad de nuevas habilidades y nuevos conocimientos no especificados en el momento del diseño y en un entorno parcialmente desconocido y cambiante? ¿Cómo puede descubrir su cuerpo y sus relaciones con el entorno físico y social? ¿Cómo puede desarrollar sus capacidades cognitivas continuamente sin la intervención de un ingeniero una vez que está "fuera de la fábrica"? ¿Qué puede aprender a través de interacciones sociales naturales con los humanos? Estas son las preguntas en el centro de la robótica de desarrollo. Alan Turing, así como varios otros pioneros de la cibernética, ya formularon esas preguntas y el enfoque general en 1950, pero solo desde el final del siglo XX que comenzaron a investigarse sistemáticamente.

Debido a que el concepto de máquinas inteligentes adaptables es central en la robótica de desarrollo, tiene relaciones con campos como la inteligencia artificial, el aprendizaje automático, la robótica cognitiva o la neurociencia computacional. Sin embargo, mientras que puede reutilizar algunas de las técnicas elaboradas en estos campos, se diferencia de ellos en muchas perspectivas. Se diferencia de la inteligencia artificial clásica porque no asume la capacidad de razonamiento simbólico avanzado y se centra en habilidades sensorimotoras 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. 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 de desarrollo se caracteriza únicamente por las siguientes tres características:

Apunta a arquitecturas y mecanismos de aprendizaje independientes de la tarea, es decir, la máquina/robot debe poder aprender nuevas tareas que el ingeniero desconoce;
Subraya el desarrollo abierto y el aprendizaje a lo largo de toda la vida, 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 todas) direcciones;
La complejidad de los conocimientos y habilidades adquiridos debe aumentar (y aumentar de manera controlada) progresivamente.

La robótica de desarrollo surgió en la intersección de varias comunidades de investigación, incluyendo la inteligencia artificial encarnada, la ciencia cognitiva dinámica y enactiva, y el conectivismo. Partiendo de la idea esencial 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 entender cómo esta autoorganización puede utilizarse para proporcionar aprendizaje a lo largo de toda la vida de habilidades independientes de la tarea de complejidad creciente, la robótica de desarrollo interactúa fuertemente con campos como la psicología del desarrollo, la neurociencia del desarrollo y cognitiva, la biología del desarrollo (embriología), la biología evolutiva y la lingüística cognitiva. Como muchas de las teorías procedentes de estas ciencias son verbales y/o descriptivas, esto implica una actividad de formalización y modelado computacional crucial en la robótica de desarrollo. Estos modelos computacionales no solo se utilizan como formas de explorar cómo construir máquinas más versátiles y adaptables, sino también como una manera de evaluar su coherencia y, posiblemente, explorar explicaciones alternativas para comprender el desarrollo biológico.

Direcciones de investigación


= Dominios de habilidades =

Debido al enfoque y la metodología general, los proyectos de robótica de desarrollo típicamente se centran en que los robots desarrollen los mismos tipos de habilidades que los infantes humanos. Una primera categoría que es importante investigar es la adquisición de habilidades sensorimotoras. Estas incluyen el descubrimiento del propio cuerpo, incluyendo su estructura y dinámica, como la coordinación mano-ojo, locomoción, y la interacción con objetos, así como el uso de herramientas, con un enfoque particular en el descubrimiento y el aprendizaje de las propiedades de acceso. Una segunda categoría de habilidades que los robots de desarrollo buscan son habilidades sociales y lingüísticas: la adquisición de juegos de comportamiento social simples como el cambio de turno, la interacción coordinada, léxicos, sintaxis y gramática, y la fundación de estas habilidades lingüísticas en habilidades sensorimotoras (a veces denominadas simbolismo de suelo). En paralelo, se investigan la adquisición de habilidades cognitivas asociadas, como la emergencia de la distinción entre sí mismo y el otro, el desarrollo de capacidades de atención, sistemas de categorización y representaciones de nivel superior de las propiedades de acceso o construcciones sociales, y la emergencia de valores, empatía o teorías de la mente.


= Mecanismos y restricciones =

Los espacios sensorimotor y social en los que viven los humanos y los robots son tan grandes y complejos que solo una pequeña parte de las habilidades potencialmente aprendibles pueden explorarse y aprenderse dentro de una vida. Por lo tanto, se necesitan mecanismos y restricciones para guiar el desarrollo y el control del crecimiento de la complejidad. Hay varias familias importantes de estos mecanismos y restricciones que se estudian en la robótica de desarrollo, todas inspiradas en el desarrollo humano:

Sistemas motivacionales, que generan señales de recompensa internas que impulsan la exploración y el aprendizaje, que pueden ser de dos tipos principales:
las motivaciones extrínsecas impulsan a los robots/organismos a mantener propiedades internas básicas específicas como el nivel de alimentos y agua, la integridad física o la luz (por ejemplo, en sistemas fototróficos);
las motivaciones intrínsecas impulsan a los robots a buscar la novedad, el desafío, la compresión o el progreso en el aprendizaje en sí, generando lo que a veces se denomina aprendizaje y exploración impulsados por la curiosidad, o alternativamente, aprendizaje y exploración activos;
La guía social: ya que los humanos aprenden mucho interactuando con sus pares, la robótica de desarrollo investiga los mecanismos que pueden permitir que los robots participen en interacciones sociales humanas. Al percibir e interpretar las señales sociales, esto puede permitir a los robots aprender de los humanos (a través de diversos medios como la imitación, la emulación, el aumento de estímulo, la demostración, etc.) y desencadenar una pedagogía natural. Por lo tanto, también se investiga la aceptación social de los robots de desarrollo;
Bienes inferencia estadísticos y el reciclaje acumulativo de conocimiento/habilidad: las sesgadas que caracterizan tanto las representaciones/encodings como los mecanismos de inferencia pueden mejorar considerablemente la eficiencia del aprendizaje y, por lo tanto, se estudian. Relacionado con esto, los mecanismos que permiten inferir nuevos conocimientos y adquirir nuevas habilidades mediante el reciclaje de estructuras aprendidas previamente también son un campo de estudio esencial;
Las propiedades de la encarnación, incluyendo la geometría, los materiales o los primitivos motores innatos/sinergias, a menudo codificados como sistemas dinámicos, pueden simplificar considerablemente la adquisición de habilidades sensorimotoras o sociales, y a veces se denominan computación morfológica. La interacción de estas restricciones con otras restricciones es un eje de investigación importante;
Restricciones de maduración: en los infantes humanos, tanto el cuerpo como el sistema nervioso crecen progresivamente, en lugar de estar completamente desarrollados ya al nacer. Esto implica, por ejemplo, que nuevas grados de libertad, así como el aumento del volumen y la resolución de las señales sensorimotoras disponibles, pueden aparecer a medida que se desarrolla el aprendizaje y el desarrollo. Traducir estos mecanismos en robots de desarrollo y entender cómo pueden obstaculizar o, por el contrario, facilitar la adquisición de nuevas habilidades complejas es una pregunta central en la robótica de desarrollo.


= De desarrollo bio-mimético a inspiración funcional. =

Mientras que la mayoría de los proyectos de robótica de desarrollo interactúan estrechamente con las teorías del desarrollo animal y humano, los grados 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 mucho. Mientras que algunos proyectos buscan modelar tanto la función como la implementación biológica (modelos neurológicos o morfológicos), como en la neurorobotica, otros proyectos solo se centran en el modelado funcional de los mecanismos y restricciones descritos anteriormente y pueden, por ejemplo, reutilizar técnicas en sus arquitecturas provenientes de campos como las matemáticas aplicadas o la ingeniería.


Preguntas abiertas

Como la robótica de desarrollo es un campo de investigación relativamente nuevo y muy ambicioso,还有很多基本挑战需要解决。

Primero que nada, las técnicas existentes están muy lejos de permitir que los robots reales de alta dimensión aprendan un repertorio abierto de habilidades cada vez más complejas a lo largo de un período de vida. Los espacios sensorimotoras continuos de alta dimensión constituyen una dificultad significativa que debe solucionarse. El aprendizaje acumulativo a lo largo de toda la vida es otra. De hecho, hasta la fecha, no se han establecido experimentos que duren más de unos pocos días, lo que contrasta fuertemente con el tiempo necesario para que los infantes humanos aprendan habilidades sensorimotoras básicas mientras están equipados con cerebros y morfologías que son muchísimo más poderosos que los mecanismos computacionales existentes.

Entre las estrategias para avanzar hacia este objetivo, se debe investigar más sistemáticamente la interacción entre los mecanismos y restricciones descritos en la sección anterior. De hecho, hasta ahora se han estudiado principalmente en aislamiento. Por ejemplo, la interacción entre el aprendizaje motivado intrínsecamente y el aprendizaje guiado socialmente, posiblemente restringido por la maduración, es un problema esencial que debe investigarse.

Otra importante dificultad es permitir que los robots perciban, interpreten y aprovechen la diversidad de señales sociales multimodales proporcionadas por humanos no ingenieros durante la interacción humano-robot. Estas capacidades son, hasta ahora, demasiado limitadas para permitir una enseñanza general de propósito eficiente por parte de los humanos.

Un problema científico fundamental que debe entenderse y resolver, que es aplicable igualmente al desarrollo humano, es cómo se forman y se aprovechan durante el desarrollo la composicionalidad, las jerarquías funcionales, los primitivos y la modularidad en todos los niveles de estructuras sensorimotoras y sociales. Esto está profundamente relacionado con el problema de la emergencia de símbolos, a veces denominado "problema de simbolismo de suelo" cuando se trata del aprendizaje del lenguaje. De hecho, la existencia y necesidad de símbolos en el cerebro están siendo cuestionadas activamente, y se están investigando conceptos alternativos que aún permiten la composicionalidad y las jerarquías funcionales.

Durante la epigenesis biológica, la morfología no es fija, sino que se desarrolla en constante interacción con el desarrollo de habilidades sensorimotoras y sociales. El desarrollo de la morfología plantea problemas prácticos obvios con los robots, pero puede ser un mecanismo crucial que debe explorarse, al menos en simulación, como en la robótica morfológica.

Otro problema abierto es entender la relación entre los fenómenos clave investigados por la robótica de desarrollo (por ejemplo, sistemas sensorimotoras jerárquicos y modulares, motivaciones intrínsecas/externas/sociales y aprendizaje abierto) y los mecanismos subyacentes del cerebro.

Del mismo modo, en biología, los mecanismos de desarrollo (operando en el escalón ontogénico) interactúan de cerca con los mecanismos evolutivos (operando en el escalón filogenético) como se muestra en la floreciente literatura científica "evo-devo".

Sin embargo, la interacción de estos mecanismos en organismos artificiales, especialmente en robots de desarrollo, sigue siendo enormemente subestudiada. Por lo tanto, la interacción de los mecanismos evolutivos, la morfología emergente y el desarrollo de habilidades sensorimotoras y sociales será un tema altamente estimulante para el futuro de la robótica de desarrollo.


Revistas principales


= IEEE Transactions on Cognitive and Developmental Systems (anteriormente conocido 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/ (las dos anteriores se han unido desde 2011)
Robótica de Desarrollo: http://cs.brynmawr.edu/DevRob05/
El taller financiado por la NSF/DARPA sobre Desarrollo y Aprendizaje se llevó a cabo del 5 al 7 de abril de 2000 en la Universidad Estatal de Míchigan. Fue la primera reunión internacional dedicada a la comprensión computacional del desarrollo mental en robots y animales. El término "por" se utilizó ya que los agentes son activos durante el desarrollo.


Ver también


= Robótica evolutiva y desarrollo =
Aprendizaje de robots


Referencias


Enlaces externos


= Comités técnicos =
Comité Técnico de IEEE sobre Sistemas Cognitivos y de Desarrollo (CDSTC), anteriormente conocido como Comité Técnico de IEEE sobre Desarrollo Mental Autónomo, [1]
Comité Técnico de IEEE sobre Robótica Cognitiva, https://www.ieee-ras.org/cognitive-robotics
Comité Técnico de IEEE sobre Aprendizaje de Robots, https://www.ieee-ras.org/robot-learning/


= Instituciones académicas y investigadores en el campo =
Grupo de Robótica de la Universidad de Lund, Ciencia Cognitiva
Laboratorio de Desarrollo Cognitivo, Universidad de Indiana, EE. UU.
Laboratorio de Inteligencia Encarnada, Universidad Estatal de Míchigan
Equipo FLOWERS, Inria y Ensta ParisTech, Francia: Exploración, interacción y aprendizaje en robótica de desarrollo
Laboratorio de Sistemas Inteligentes e Informáticos, Universidad de Tokio
Laboratorio de Robótica Cognitiva de Juergen Schmidhuber en IDSIA y Universidad Técnica de Múnich
LIRA-Lab, Universidad de Génova, Italia
CITEC en la Universidad de Bielefeld, Alemania
Laboratorio de Visión, Departamento de Psicología, Universidad de Illinois en Carbondale
FIAS (laboratorio de J. Triesch)
LPP, CNRS (laboratorio de K. Oregan)
Laboratorio de IA, SoftBank Robotics Europe, Francia
Departamento de Ciencias de la Computación, Universidad de Aberdeen
Laboratorio de Asada, Departamento de Sistemas de Máquinas Adaptativas, Facultad de Ingeniería, Universidad de Osaka, Japón
Laboratorio de Robótica Inteligente, Universidad de Texas en Austin, UTCS
Proyecto de Robótica de Desarrollo de Bryn Mawr College: proyectos de investigación por parte del personal y los estudiantes de Swarthmore y Bryn Mawr Colleges, Filadelfia, PA, EE. UU.
Proyecto Jean: Instituto de Ciencias de la Información de la Universidad del Sur de California
Robótica Cognitiva (incluida Buscando al Escondido) en el Laboratorio de Investigación Naval Archivado el 8 de agosto de 2010 en el Wayback Machine
Laboratorio de Robótica Perceptiva, Universidad de Massachusetts Amherst, Amherst, EE. UU.
Centro de Robótica y Sistemas Neurales, Universidad de Plymouth Plymouth, Reino Unido
Laboratorio de Neurociencia Computacional Embodied, Instituto de Ciencia Cognitiva y Tecnologías del Consejo Nacional de Investigaciones, Roma, Italia
Equipo de Neurocibernética