1. Objetivos del curso

Estamos ante un nuevo método de enseñanza que puede tener dificultades de asimilarse por parte tanto del profesorado como del alumnado. Estamos en las puertas de un campus virtual donde el trabajo cooperativo se implementará mediante la mensajería electrónica que permitirá el trabajo coordinado alumno-profesor mejor que en universidades presenciales, si bien en las áreas tecnológicas todavía queda trabajo por conseguir el laboratorio virtual, el cual nadie todavía ha bien concebido. No es trivial como la cooperación de científicos puede funcionar sobre mensajería y web en internet.

Los cursos doctorales están orientados a la iniciación en investigación de futuros investigadores. Por lo tanto se insistirá mucho en el método de trabajo, el método científico, necesario para proceder a una investigación y generar conocimiento.

Se dará mucha importancia a la lectura de artículos, puesto que requiere de técnicas, paciencia y análisis orientados a captar la novedad de los artículos dentro de un espíritu crítico y analítico. La lectura de bibliografía es esencial en la formación doctoral puesto que la lectura de artículos científicos es más difícil que los libros especializados por contener conocimiento muy especializado y a menudo poco leíble para los no iniciados. En cambio debe ser minuciosamente leída y referenciada, en caso de ser utilizada de forma efectiva, en cada uno de los publicaciones que haga el investigador en formación.

Para leer bibliografía científica nos centraremos en la lectura de revistas científicas. Para todo trabajo de investigación la bibliografía debe ser abundante, variada y focalizada… y por ello debe tenerse algún hábito de lectura sistemático para la lectura científica.

• La selección de los artículos de revista se hace a menudo por título y resumen (abstract).
• Al leer cada artículo podemos hacer
• Primero, leer el abstract (resumen) y nos hacemos un esquema de la problemática que se quiere abordar y una ligera idea del método aplicado
• Cuando hemos entendido el resumen entonces leemos directamente las conclusiones (conclusions), puesto que éstas a menudo son como un resumen ampliado, con mayor concreción de los resultados presentado en el artículo y con una propuesta de trabajo pendiente y de futuro (future work).
• Una vez leídos el resumen y las conclusiones, y seguimos pensando que es artículo de nuestro interés, procedemos a una lectura de la introducción (introduction). La introducción habitualmente introduce la nomenclatura que se va a utilizar en el artículo, así como una enumeración de trabajos previos y problemas que motivan el presente trabajo. En este paso verificamos las referencias bibliográficas que nos ayudan a la comprensión del tema del artículo.
• A continuación leemos el cuerpo del artículo, consultando o verificando si es necesario las referencias bibliográficas.
• Para un investigador en formación la lectura superficial de un artículo puede ocupar 1 día, y una lectura profunda de una a dos semanas. Para un investigador introducido en la temática o senior la superficial puede llevarle un par de horas así como la profunda igualmente hasta una semana, incluso más.
• Por qué se toma tanto tiempo en una lectura profunda? Porque la lectura profunda requiere de comprender los ejemplos que se proponen en el artículo, reproducir algunos de los experimentos que se incluyen, compararlos con resultados que tenemos o que conocemos e incluir el estudio de las referencias bibliográficas propuestas en el artículo.


Los indicios de calidad del trabajo a menudo viene corroborado por, además de ser original y significativo, por tener resultados repetibles (base del método científico) y estar basados en sus referencias bibliográficas por una combinación acertada de revistas de prestigio (y accesibles mundialmente) con congresos que suelen ser de difusión más limitada (aunque con las modernas técnicas de web y CD se ha mejorado muchísimo).

Los index citation de las revistas son índices de impacto que reflejan el número de referencias que han recibido los artículos de dichas revistas desde otras publicaciones. A mayor citación se considera mayor impacto y por tanto mayor interés motivado por la calidad de la producción científica. Los científicos prefieren publicar en las revistas con mejores índices, y los artículos tienden a referenciar los trabajos publicados en revistas con mejores índices.

3. El método científico.

El método científico se basa en la repetitividad de los experimentos obteniendo los mismos resultados de investigación de forma sistemática.

• La publicación de la investigación se centra en métodos y resultados.
• Dichos resultados de investigación son utilizados por otros investigadores y citados en referencias bibliográficas.
• El análisis y la crítica son buenos en el método científico. Todo debe ser argumentable sobre el método científico.
• El método científico está orientado a la mejora de técnicas y ciencia anteriores: aumentar el conocimiento.

Sobre la lengua científica, actualmente predomina la inglesa, con lo que los futuros doctores deben ejercitarse en la lectura de artículos científicos en dicha lengua para familiarizarse con los términos, con la ayuda de los investigadores avanzados que les explicarán en su lengua vernácula.

Es importante producir ciencia en nuestra lengua para evitar su empobrecimiento. Pero al ya existir numerosa bibliografía en inglés hay que saber leer revistas y libros científicos en dicho idioma.

El método de evaluación se basará en una apreciación del nivel de interacción conseguido entre alumno e investigador, apreciado sobre los comentarios de trabajos que se van a ir entregando a lo largo del curso. En el caso concreto de esta asignatura se procederá a desarrollar agentes en el JAVASOCCER para apreciar el nivel de dominio en el diseño de sistemas inteligentes que el estudiante haya conseguido.

La valoración final será (no aprobado, aprobado, notable, o sobresaliente.)

• Razonamiento
• Deducción
• Analogía
• Generalidad
• Por defecto
• Temporal
• Por casos
• Ambigüedad
• Incertidumbre
• Imprecisión
• Incompletitud
• Vaguedad
• Incoherencia
• Lógica
• Aprendizaje (Adaptación)
• Emulación del Proceso Humano Inteligente.
• Problem Solving.
• Simbólico
• Percepción
• Lenguaje Natural.
• Heurística.
• Cooperación.
• Consciencia.
• Sentido Común!

Una posible definición de trabajo que particularmente me agrada es que todo sistema inteligente es aquel que es capaz de resolver de forma autónoma problemas en dominios poco estructurados.   El enfoque adecuado para hacer Ingeniería del Conocimiento es desarrollar "sistemas inteligentes" que serían programas que contienen una o varias de las características enumeradas aquí arriba para resolver problemas. Estos programas contienen "conocimiento" y por ésto se ha de explicar qué son los esquemas de representación de conocimiento.
 

6.2 Esquemas de Representación del Conocimiento.

Cuando queremos extraer el conocimiento del ingeniero experto (imaginemos un médico) lo podemos hacer a base de preguntas del tipo "Qué pasa si es presenta tal síntoma o indicio ?", "Que relación hay entre síntomas ?", "Si pasa esto que puedo hacer acto seguido ?", "Si la temperatura del paciente es pequeña y está sudando entonces deducir algo". Todas estas relaciones de evidencias, causas y efectos, para llegar al diagnóstico, se pueden codificar en forma de reglas. Las reglas son un tipo de esquema de representación del conocimiento del tipo lógica y que pueden ser encadenadas con un sistema deductivo. Los síntomas se pueden representar en forma de símbolos tales como temperatura y pequeña, se pueden cualificar mediante términos simbólicos, que son otro tipo de esquema de representación de conocimiento del tipo simbólico. El ordenador ha de poder utilizar un sistema informático que entienda el esquema de representación de conocimiento elegido para poder hacer razonamientos análogos a los que haría el experto humano que ha explicado su conocimiento, y que una persona llamada ingeniero de conocimiento, normalmente un informático, se ha d'encargar de codificar.

  Cada esquema de representación de conocimiento se especializa en un tipo de característica de la IA de las que hemos descrito la lista de antes. No existe el esquema de representación de conocimiento global que pueda combinar todas las características aisladas de la IA y, si existiese, no se conoce el motor de inferencia que se encargaría de ejecutarlo de forma que se comportase como un sistema auténticamente inteligente.

Qué es la Inteligencia Artificial (IA)? La emulació de la forma de trabajar humana es la inspiración primera que la IA intenta formalizar.

7. Motivación de la investigación en inteligencia artificial distribuida.
 

Las nuevas tendencias

Las capacidades de aprendizaje de las redes neuronales dan una puerta abierta a representar el conocimiento de los expertos en forma de ejemplos y de ensayo y error. Los sistemas expertos con fuzzy representan el conocimiento abstracto, lógico y aproximado de los expertos. Los agentes (la IA distribuida) como sistemas distribuidos permiten representar el know-how (conocimiento) sobre los métodos de cooperación de un colectivo de expertos. Finalmente, las nuevas técnicas informáticas, juntamente con el Java (lenguaje orientado a objetos que trabaja sobre World Wide Web –WWW– y Internet) juntamente con sistemas inteligentes que intenten solucionar la percepción (por ejemplo, la percepción visual así como la no visual) dan nuevas esperanzas en la solución del problema de la accesibilidad informática a las fuentes de información y a las de conocimiento.

Notemos que las nuevas técnicas pueden tener una gran difusión por mor de internet, el Web y el Java, los cuales generan muchísimas expectativas de gran alcance general. En este curso hacemos especial incidencia en los sistemas expertos (SE) basados en lógica difusa, y agentes (SE cooperantes).

Grupo de expertos trabajando de forma cooperativa

Aplicaciones

Aplicaciones a entornos distribuidos tanto espacialmente (dispersión geográfica) como funcionalmente (dispersión de expecialistas) como temporalmente (accesos asíncronos típicos del web y la telefonía).

Control de tráfico en redes telefónicas (France Telecom, etc).

Supervisión de transporte de energía eléctrica (IBERDROLA, etc)

Diseño de circuitos VLSI.

PDA (Personal Assistants).

WEB.

Control de tráfico en aeropuertos.

Aplicaciones médicas al diagnóstico.

Fábricas de fabricación flexible.

Robots autónomos…

La investigación en la DAI (Inteligencia Artificial Distribuida), en particular los agentes, está actualmente en auge explosivo en número de desarrollos, investigación práctica, aplicada, publicaciones y congresos.

8. Introducción intuitiva de agente.
 

Representación de Creencias
La creencia se basa en una afirmación como "yo sé aquello que me has explicado", es decir, que todo sistema cuando recibe información se construye un mundo que intenta representar el mundo exterior.

Por ejemplo,

Aquí vemos que A pide una información sobre el tiempo que hace. El agente A está al interior de la casa y no tiene ninguna ventana para comprobar el tiempo, entonces tiene que pedir esta información al agente B. El agente B le puede decir que hace_buen_tiempo, o bien que hace_mal_tiempo.

El agente A, cuando recibe esa información lo que tiene es una creencia que hace_buen_tiempo. Entonces este agente, construido como un SE, razona sobre esta creencia juntament con otras informaciones que contien en su base de conocimiento. Veamos entonces la diferencia que hay entre hacer una medida o inspección directa (de lo que puede ser información o evidencia como, por ejemplo, medir una temperatura, ponderar el buen tiempo, ver las nubes, etc) y una creencia.

Podriamos entonces decir, sin ser del todo general, que las medidas de sensores se podrían considerar evidencias, y en cambio las informaciones de otros agentes no se podrían considerar evidencias sinó creencias.

Desde el punto de vista de ingeniería del software
Desde el punto de vista de ingeniería del software se puede considerar que un agente es o bien un caso especial de objetos o bien un superobjeto.

La evolución en la ingeniería del software indica que el mayor grado de abstracción en el análisis y diseño de software produce mejor código informático. Luego, esta es la expectativa de los lenguajes orientados a agente, que se puede dar una idea intuitiva mediante la enumeración de la evolución de los lenguajes de programación, que es la que sigue:

Hardware con lógica cableada.

Hardware con lógica microprogramada (firmware).

Lenguaje binario a mayor nivel que el firmware.

Lenguaje Ensamblador.

Lenguaje científico procedural Fortran, RPG o declarativo LISP

Lenguaje estructurado Pascal / C / COBOL / otros.

Lenguaje orientados a objeto C++ / Smalltalk / CORBA / JAVA

Lenguaje orientados a agente AGENT0 / KQML / otros.

En esta evolución ha aumentado continuamente el nivel de abstracción y declaración de los lenguajes, separándoles progresivamente del hardware. Los lenguajes agentes se plantean como la nueva generación de lenguajes.

9. Introducción a agentes físicos y bibliografía del curso.
 
 

Este curso de doctorado busca la motivación en el estudio de agentes físicos. Entendemos por agente físico un agente software que tiene un fundamento físico, que a su vez lo entendemos como un sistema dinámico (ya sea mecánico, eléctrico, electrónico, térmico, químico, como otro soporte) de variable continua (tiempo y estado continuos) [Asada, 1997]. Dicho fundamento físico está regido por leyes de control automático (implementadas en la actualidad con la teoría de sistemas lineales principalmente) supervisado por un autómata secuencial (implementado en la actualidad con lógica secuencial o bien con sistemas basados en el conocimiento, como por ejemplo sistemas expertos), y que se coordina (compite o coopera) con otros sistemas físicos.

Los agentes físicos son excelentemente representados por robots móviles, especialmente cuando poseen autonomía suficiente (en decisión y ejecución) y deben desarrollar tareas que requieran de su cooperación. Esto justifica la coordinación con otros grupos de investigación cuya motivación sea más ligada a los aspectos tecnológicos de creación de robots móviles autónomos, como presentamos en este proyecto. Finalmente, cuando dichos robots deben desarrollar su actividad en entornos cambiantes y poco estructurados debido a la presencia de otros robots en el campo de trabajo o cuando los objetos que deben desplazar no están, por razones varias, en posiciones prefijadas o conocidas, toda esta complejidad que aparece en actividades industriales poco convencionales es la que representa a los agentes físicos de interés en este proyecto.

9.1 La IA distribuida

La inteligencia artificial distribuida (IAD) es una disciplina dirigida al desarrollo de métodos y técnicas para la solución de problemas complejos por medio del comportamiento inteligente de un sistema integrado por unidades llamadas agentes. Podemos distinguir dos líneas dentro de la IAD, la solución distribuida de problemas (SDP) y los sistemas multi-agente (SMA). La investigación dentro de la SMA está dirigida a buscar la solución de un problema dividiendo el problema entre un número de agentes cooperativos, y decidiendo cómo se debe compartir el conocimiento de manera que los agentes puedan trabajar conjuntamente. Los agentes pueden estar distribuidos desde un punto de vista geográfico, funcional o conceptual. Durante muchos años ésta ha sido la línea seguida dentro de la IAD [Durfee et al., 1989].

Por su naturaleza interdisciplinaria la IAD ha estado influenciada por áreas interesadas en la interacción entre grupos de individuos inteligentes. Muchas veces en la investigación sobre SMA el énfasis no se ha puesto en los problemas a resolver sino en los agentes que se verán implicados en la interacción que conduce a la solución de los mismos.

Existen distintas definiciones de la noción de agente dadas por diversos autores (véase [Wooldridge, 1995]), por lo que a continuación damos una lista de las características más habituales que aparecen en la bibliografía:

• Los agentes son entidades que relacionan percepciones de su entorno con acciones en su entorno, es decir, son reactivos.

• Son objetos computacionales con un grado variable de autonomía

• Los agentes toman iniciativas, es decir, no actúan simplemente en respuesta a su entorno sino que pueden actuar en base a unos objetivos propios.

• Interactúan y se comunican mediante un lenguaje de comunicación que incorpora actos de habla (speech acts) como informar, preguntar, prometer y requerir.

• Son racionales, es decir, actúan de "forma correcta", lo cual se interpreta como que el estado mental del agente es coherente con su comportamiento.

Estas características de los agentes pueden sugerir diferentes modelos de SMA, de mayor o menor complejidad. Por ejemplo, en informática, la idea de agente como un proceso software que se ejecuta de forma concurrente, que tiene una noción de estado y es capaz de comunicarse con otros agentes por pase de mensajes, es algo que se considera como un resultado natural del desarrollo del paradigma de programación concurrente orientada a objeto. Esta noción de agente es la que también se usa en la llamada "ingeniería de software basada en agentes", cuyos productos, llamados "software agents" o "softbots", son agentes que interaccionan con un entorno software mediante comandos que usan para obtener información o cambiar el estado del entorno.

En cambio, dentro de la IA, la noción de agente parece adecuarse más a un sistema computacional que además se conceptualiza usando nociones mentales, como pueden ser las nociones de conocimiento, creencia, intención u obligación. Así pues, dado que nuestro interés sobre los agentes se centra en el ámbito de la IA y los robots móviles autónomos y cooperantes, añadiremos a la lista anterior la siguiente característica:

• Los agentes son unidades que se pueden describir en términos de estados mentales: conocimientos, intenciones, creencias, deseos, etc...

Finalmente, cuando los agentes son aplicados en la industria aparece el concepto de agente físico que explicamos más en detalle en los siguientes apartados.

9.2 Estado Actual en Sistemas Multi-Agente

Para dar una visión más detallada de cual es el estado actual del tema haremos un repaso de las contribuciones más destacadas en los cuatro niveles a los que se puede hacer referencia cuando se trata de construir agentes, esto es: a nivel de teorías formales, a nivel de arquitecturas, a nivel de lenguajes de programación y a nivel de aplicaciones [Wooldridge, 95]:

i) Teorías formales sobre Agentes. Son básicamente especificaciones formales, es decir, estudios formales acerca de las propiedades de los agentes, su representación y cómo razonar sobre ellas. La principal línea de investigación que se ha seguido es la de considerar a los agentes como sistemas intencionales, atribuyéndoles creencias, deseos y comportamiento racional [Rosenschein, 1986] [Shoham, 1990]. La representación de objetivos y deseos ha tenido enfoques basados en la semántica de mundos posibles [Kripke, 1963]. En esta línea, uno de los trabajos más importantes es el de Cohen y Levesque [Cohen, 1990] sobre la formalización lógica de una teoría sobre intenciones, definidas a partir de dos primitivas básicas como son la creencia y los objetivos. Esta lógica ha sido también usada para análisis de conflictos y cooperación en sistemas multi-agente así como en resolución de problemas cooperativos.

• Para el agente ejecutar las tareas encomendadas, los espacios sensoriales y de actuación deben ser abstraídos dentro de los recursos del agente (memoria, potencia de proceso, controladores, etc.).

• Dicha abstracción depende de las interacciones del agente con el entorno.

• Fruto de la abstracción, cada agente tiene un modelo de representación del entorno.

• En el mundo real, tanto las interacciones inter-agentes como agentes-entorno son asíncronas, paralelas y arbitrariamente complejas. Los agentes físicos evolucionan de forma continuada a tiempo continuo.

• La complejidad natural de las interacciones físicas genera distribuciones fiables de datos para los algoritmos de aprendizaje de los agentes físicos, en comparación a los agentes software.

Los retos (challenges) que en investigación quedan por resolver en el caso de agentes físicos vienen expresados en [Asada, 1997], y se pueden resumir en:
 
• Percepción. Los agentes físicos deben tener capacidad de usar una percepción de amplio rango, discriminar otros agentes físicos, estimar sus posiciones y la suya propia, entre otras. La percepción es una aplicación básica que se extiende en las aplicaciones robóticas.
• Acciones. El agente físico ha de ser capaz de controlar su cuerpo físico. En el caso de robots móviles, ha de ser capaz de ejecutar trayectorias, seguir objetivos, los cuales no han de ser necesariamente estáticos.
• Situación y comportamiento. Aunque las tareas a realizar sean simples, casi infinitas situaciones aparecen debido a los continuados cambios del entorno, como por ejemplo los objetivos móviles, que otros agentes físicos se desplacen en el mismo entorno, etc.
• Tiempo real. Como que la situación cambia continuamente, hay restricciones de tiempo en la toma de nuevas decisiones, re-planificación de trayectorias, y adecuación de los controles.
• Plataforma. Debe decidirse cual es la plataforma de experimentación de los agentes físicos que facilite la investigación internacional e interdisciplinaria sobre dichos agentes.


9.6 Robots móviles autónomos y cooperantes

El grupo de investigación de la Universidad de Girona ha sido regularmente financiado por el Korean Advanced Institute of Science and Technology (KAIST) de Corea para la participación en la Micro-Robot World Cup Soccer Tournament que se celebró en dicho país los pasados 9-12 de noviembre de 1996, así como la edición de 1-5 de Junio de 1997. También la empresa SONY ha financiado para la participación de dicho grupo de investigación en RoboCup del 23 al 29 de Agosto de 1997. El éxito científico y tecnológico de dicho grupo de investigación en dichas conferencias que utilizan robots móviles autónomos y cooperantes, utilizando la demostración de los avances tecnológicos y de investigación en una emulación del juego de fútbol, fue muy alentador en el sentido de la viabilidad científica y la capacidad tecnológica de dicha universidad en la implementación de robots móviles autónomos. Aun mejor, se plantearon numerosos nuevos problemas y una plataforma ideal de demostración de resultados de investigación en ciencia y tecnología de naturaleza eminentemente compleja: el juego de fútbol, el cual, un colectivo de jugadores robóticos juegan en equipo (de forma cooperativa) un partido de fútbol en un campo de dimensiones reducidas a escala, y una reglamentación inspirada del fútbol (soccer) real. Dichos sistemas integran, en un volumen inferior a los 7,5³ cm³, sensorización, en especial visión, control automático, electrónica, informática industrial, e inteligencia artificial. Los robots (de 3 a 5 robots por equipo) evolucionan sobre un mismo terreno de aplicación a alta velocidad, persiguiendo objetivos móviles, uno de ellos es una pelota de golf que emula una pelota de fútbol. Las reglas que regulan dicho evento científico vienen enunciadas en [Kitano, 1997] y las referencias que se obtienen de dicho artículo.

Esta es una aplicación de control a nivel de control de aceleraciones, velocidades y posición con diversas restricciones de control y medida, control y planificación de trayectorias, supervisión y comportamiento inteligente eminentemente cooperativo para la consecución de un objetivo global. El entorno es impreciso e incierto al ser eminentemente variante a lo largo del tiempo y tener medidas con diferentes grados de precisión y repetitividad. La necesidad de combinar soluciones de control avanzado para los niveles básicos de control y planificación, así como la aplicación de la IA en los niveles de supervisión y comportamiento hacen de este ejemplo de desarrollo un ejemplo excelente de la complejidad de la integración control avanzado y sistemas inteligentes para resolver problemas poco estructurados que aparecen en aplicaciones poco convencionales. El impacto científico y social de dicho tipo de aplicaciones augura un alto nivel de incidencia de nuestra investigación que proponemos en este proyecto y que, de hecho, ya demuestra el hecho de tener un artículo publicado al Robotics & Autonomous Systems en Octubre de 1997 [de la Rosa, 1997], así como numerosas comunicaciones en medios de TV, radio y prensa escrita en España, Francia y Alemania.

Además, esta plataforma de demostración será compartida por otros grupos de investigación mediante técnicas de tele-operación basada en internet de tal forma que desde la UdG se gestionará la experimentación de los algoritmos de control, supervisores, y planificación que creen dichos grupos, ejecutará y retornará los resultados. Gracias a la uniformización que representa el desarrollar control y supervisión en la herramienta de prototipado MATLAB-SIMULINK se podrá implementar los algoritmos en el sistema micro-robótico con procedimientos estándar y funcionará la plataforma de experimentación como un servidor de experimentos.

Luego, dicha plataforma servirá metodológicamente para testear y demostrar que la tecnología generada como resultado de investigación está funcionando correctamente antes de acometer problemas industriales generales.

Bibliografía

En la memoria aparecen referenciadas y subrayadas para distinguirlas de otras más accesorias.