Aprendizaje bioinspirado : Módulos para el TAM-WG

Abstract

En este proyecto se comienza estudiando el estado del arte respecto a aprendizaje bioinspirado y SLAM. Primero se estudia aprendizaje bioinspirado, centrándose específicamente en el problema de Spatial Learning (SL - navegación espacial). En base a este estudio, se propone realizar una implementación de uno de los modelos encontrados, el TAM-WG. Este modelo es combinación de otros dos llamados Taxon Affordance Model (TAM) y World Graph (WG). En ambos, se utilizan técnicas de aprendizaje por refuerzo (RL - reinforcemente learning) para hacer que un agente aprenda conductas de navegación espacial que imiten la forma en que aprenden los roedores. Debido a la complejidad encontrada para realizar dicha implementación, el alcance del proyecto se termina acotando a la resolución de algunos de los problemas encontrados. En particular, el proyecto se termina centrando en desarrollar un algoritmo de SLAM métrico y mecanismos que muestren cómo los resultados obtenidos, pueden ser utilizados para resolver el problema original. Más específicamente, se desarrollan dos algoritmos que generan polígonos convexos, que representen la región del espacio en la que se encuentre el robot. Para ello, uno utiliza únicamente la información censada en un momento en particular, mientras que el otro aprovecha además la información en el mapa, generando la partición del mismo en componentes convexas. Como los algoritmos de estados convexos solo pretenden ser una prueba de concepto, es necesario continuar desarrollándolos para que puedan ser usados correctamente. Los resultados obtenidos en el proyecto muestran cómo la obtención de estos polígonos podría ser utilizada para definir los estados y acciones en los algoritmos de RL en los modelos TAM y WG. A diferencia de los estados en los modelos originales, estos tendrían la ventaja de proveer un conjunto reducido de acciones posibles por estado, disminuyendo de esta forma el tiempo necesario para el aprendizaje.