Machine Learning para Robots, del Entrenamiento Virtual a la Tarea Real

  • Gabriel Sepúlvera Cervantes Instituto Politécnico Nacional
  • Eduardo Vega-Alvarado Instituto Politécnico Nacional
  • Edgar Alfredo Portilla-Floresa Instituto Politécnico Nacional
Palabras clave: Robotics, Machine Learning, Unity

Resumen

El aprendizaje automático de máquinas ha tomado fuerza en las últimas décadas debido al avance de la tecnología, logrando que sistemas relativamente pequeños realicen tareas tales como reconocimiento de personas, clasificación de imágenes, diagnósticos médicos hasta control de robots de manera autónoma. La principal limitación que tienen los sistemas de aprendizaje autónomo para robots reales es el tiempo de entrenamiento, ya que durante dicha fase el sistema está sujeto a condiciones físicas tales como la aceleración, la gravedad y las colisiones con el entorno, todas estas situaciones con tiempos de ocurrencia muy grandes comparados con los tiempos de cómputo. Por lo anterior, en este trabajo se presenta una opción para el ML utilizando ambientes virtuales donde la velocidad de interacción física puede alterarse ya que el comportamiento físico es calculado por el procesador de la computadora, logrando acelerar el proceso y reduciendo los tiempos necesarios para el entrenamiento.

Descargas

La descarga de datos todavía no está disponible.

Citas

Juliani, A.,2018. Unity: A General Platform for Intelligent Agents, arXiv preprint arXiv:1809.02627v1.

Macedo, B. 2015, Evolving Finite-State Machines Controllers for the Simulated Car Racing Championship, Brazilian Symposium on Computer Games and Digital Entertainment (SBGames)

Sita, E. 2017, ROS-Unity3D based system for monitoring of an industrial robotic process IEEE/SICE International Symposium on System Integration (SII)

Noble, F. 2017..A mobile robot platform for supervised machine learning applications, 24th International Conference on Mechatronics and Machine Vision in Practice

Morita K., 2017. Computer-aided diagnosis system for Rheumatoid Arthritis using machine learning, International Conference on Machine Learning and Cybernetics (ICMLC)

Xin, Y., 2018. Machine Learning and Deep Learning Methods for Cybersecurity, IEEE Access

Aggarwal, G., 2015. Characterization between child and adult voice using machine learning algorithm, International Conference on Computing, Communication & Automation.

Sutton, R. 2016, Reinforcement Learning: An Introduction, The MIT Press, Cambridge, Massachusetts, London, England

Lantz, B.,2015, Machine Learning with R, Birmingham-Mumbai: Packt Publishing

Abadi, M. 2016. TensorFlow: A System for Large-Scale Machine Learning. Proceedings of 12th USENIX Symposium on Operating Systems Design and Implementation. ISBN 978-1-931971-33-1

Yang, C.,2016, Unity 3D production and environmental perception vehicle simulation platform, International Conference on Advanced Materials for Science and Engineering

Ayad, S., 2018, Unity3D Based Control Method for a Robotic Ground Walking Platform in a Virtual Reality Environment, IEEE International Conference on Biomedical Robotics and Biomechatronics.

Achulman, J., 2017, Proximal Policy Optimization Algorithms, arXiv:1707.06347 v2.

ML-Agents, 2019, https://github.com/Unity-Technologies/ml-agents.

Publicado
2019-09-04
Cómo citar
Sepúlvera Cervantes, G., Vega-Alvarado, E., & Portilla-Floresa , E. A. (2019). Machine Learning para Robots, del Entrenamiento Virtual a la Tarea Real . Pädi Boletín Científico De Ciencias Básicas E Ingenierías Del ICBI, 7(Especial), 14-18. https://doi.org/10.29057/icbi.v7iEspecial.4785