1. Introducción

La propuesta que presentamos se centra en el estudio de desarrollo 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.

La investigación en el diseño de agentes físicos la orientaremos en cuatro aspectos.

Un primer aspecto es el estudio de herramientas de ayuda al diseño de agentes físicos, que lo trataremos desde el punto de vista de herramientas CACSD (Computer Aided Control Systems Design).  En las CACSD, las herramientas que disponen los ingenieros para el análisis, diseño e implementación de controladores de cada agente físico se les incorporará herramientas de análisis, diseño e implementación del aspecto de coordinación (cooperación) con otros agentes físicos, permitiendo la encapsulación del conocimiento local sobre la propia estructura, capacidades y limitaciones del sistema físico.  Este conocimiento útil de las características del sistema de control diseñado para el sistema físico será posible de codificar mediante la inclusión de lenguajes basados en el paradigma agente en los CACSD [de la Rosa, 1997].  En este proyecto se utilizará trabajo previo existe en nuestro grupo en colaboración con el Laboratoire d’Automatique et Analyse des Systèmes (LAAS-CNRS), donde sistemas desarrollados conjuntamente en creación de CASSD (Computer Aided Supervisory Design) desde 1994.

Un segundo aspecto es la representación de la cooperación adaptativa dentro de una comunidad de agentes físicos, lo que entendemos como aprendizaje a nivel de cooperación.  Este aprendizaje se centra en el aspecto de creencias que es la forma de representar conocimiento mediante el paradigma agente.  Estas creencias pueden carecer de proyección a nivel físico y sensorial (sin mediciones de sensores ni ejecución mediante actuadores) 1997 [Kitano, 1997].  Dicho aprendizaje  consistiría en aprender la representación del mundo cooperativo en términos de creencias en capacidades, compromisos, y creencias de otros agentes físicos.  Dicha representación puede ser simbólica (mediante un lenguaje de representación de conocimiento basado en agentes AOP – Agent Oriented Programming) o bien pueden utilizarse esquemas basados en el conexionismo (redes neuronales) para representar conocimiento (creencias) parametrizado sobre el mundo cooperativo.   Este trabajo esta contextualizado dentro de la investigación de la Universidad Carnegie Mellon CMU en conexionismo para el aprendizaje de agentes [Stone, 1997], con una cooperación que se extiende desde 1996 en sucesivas participaciones conjuntas a los eventos MIROSOT (en 1996) y RoboCup (en 1997), que ha originado trabajos en común que ha permitido presentar proyectos conjuntos de colaboración para 1998 y 1999, dentro de programas de cooperación USA-España.

Un tercer aspecto es la supervisión. El diseñar agentes físicos como un paradigma agente, que es un software que opera sobre un sistema físico guiado con controladores, requiere de una interface entre los controladores (altas restricciones en tiempo de respuesta, variables de control numéricas en forma de sensores y actuadores) y el agente.  El agente es diseñado con un lenguaje que trabaja con símbolos que tienen una representación física pero que contienen un elevado grado de abstracción.  Dichos dos niveles requieren de un nivel intermedio que plenamente justifica su inclusión en los entornos industriales,  que es el nivel de supervisión.  Dicha supervisión tendrá encomendadas las tareas de vigilar que los controladores ejecutan correctamente las consignas, calcular trayectorias óptimas (planificación) e interpretar los símbolos que se utilizarán a nivel de creencias en el lenguaje agente, de forma que las decisiones serán convertidas en trayectorias, y la ejecución de trayectorias y otras informaciones sensoriales serán proveídas en forma de símbolos al nivel agente.  Para ello, se aplicará investigación en abstracción de información, diseño de supervisores basados en el conocimiento dentro de entornos CASSD (Computer Aided Supervisory Systems Design) y sistemas  híbridos.  Los sistemas híbridos parecen mejor adaptados a su aplicación en sistemas físicos gobernados por agentes dadas sus características de autómatas de transición dirigida por modelos dinámicos, y en este proyecto se discutirá su validez 1997 [Varaiya, 1995].  Esta apartado se entiende como una parte de la cooperación entre nuestro grupo con el LAAS-CNRS francés mencionado anteriormente para la creación de herramientas CASSD mediante CACSD, y la tecnología de la Universidad de California a Berkeley, con quienes mantenemos en la actualidad contactos regulares al utilizar el SHIFT, simulador de sistemas híbridos, tanto en Toulouse como en Girona.  Dicha cooperación será estable en los próximos 2-3 años.  La experiencia de nuestro grupo en sistemas de supervisión se acredita con la ejecución de proyectos relacionado con la supervisión de sistemas dinámicos desde 1993 hasta la actualidad.

Un cuarto y último aspecto es la comparación con enfoques centralizados. Es un esfuerzo que debe acometerse la comparativa del beneficio de los enfoques descentralizados (basados en agentes) ante los enfoques centralizados (optimización, planificación, etc.), o bien heurísticas diseñadas sin capacidades de aprendizaje 1997 [Kitano, 1997].  Como que desde el punto de vista de la ingeniería del software, el hecho que el paradigma agente represente una generalización del paradigma objeto crea grandes expectativas en su capacidad de representación y solución de problemas auténticamente complejos.  Dichas expectativas, que ya se están convirtiendo en realidad con los agentes software –véase el world wide web como un ejemplo- , se exportan ahora al mundo de las tecnologías avanzadas de la producción mediante los agentes 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.

A lo largo de esta memoria se analiza, en los siguientes apartados se inciden en antecedentes de inteligencia artificial distribuida, agentes, agentes físicos y sistemas de supervisión.   En el apartado 3 se apunta la coincidencia de la investigación a nivel de otros grupos en España, así como las nuevas corrientes en Europa, donde la UdG juega un papel activo (para más información consúltese en http://songoku.udg.es/~crego/webeurobots/eurobot).  Por  último, en el apartado 4 se da la lista de referencias bibliográficas seleccionadas para este proyecto.

1.1 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.

1.2 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.
ii) Arquitecturas de Agente.  Representan el paso de las especificaciones del punto anterior a las implementaciones, es decir, cómo construir sistemas computacionales reales que den cuenta de teorías o modelos particulares de agentes. A este respecto han habido :
Arquitecturas Deliberativas: son arquitecturas que contienen un modelo simbólico, explícitamente representado, del entorno, en el cual las decisiones se toman mediante razonamiento (pseudo-) lógico, basado en manipulaciones simbólicas.  Una arquitectura en esta línea es [Jennings, 1993]. Ésta es una arquitectura estratificada donde los agentes se dividen en dos partes: un sistema a nivel de dominio y un sistema de cooperación y control. El sistema de control se encarga de coordinar las actividades del agente a nivel de dominio con las de los otros agentes de la comunidad. El sistema de cooperación especifica cómo el agente ha de interactuar en el marco de una resolución cooperativa de tareas.
Arquitecturas Reactivas: son arquitecturas que no incluyen ningún tipo de representación simbólica del mundo y no usan razonamiento simbólico, y han sido propuestas como una alternativa para evitar los serios problemas que plantea la IA simbólica [Steels, 1990; Maes, 1989]. Por ejemplo, Patti Maes ha desarrollado una arquitectura en la cual un agente se define como un conjunto de módulos, siendo cada módulo determinado por una serie de pre y post condiciones y por un nivel de activación, que indica el grado de relevancia del módulo en una situación particular, y por tanto el grado en que dicho módulo va a influir en el comportamiento del agente. Finalmente, dichos módulos se integran en una red de activación, donde los módulos se interconectan de acuerdo a sus pre y post condiciones.
iii) Lenguajes de Agentes. Un lenguaje de agentes es un sistema que permite programar sistemas computacionales, software o hardware, en términos de algunos conceptos desarrollados en teorías o modelos formales de agentes. Los predecesores de estos lenguajes son los lenguajes concurrentes orientados a objeto, tales como "Actor model" [Hewitt, 1977; Agha, 1986]. El primero que propuso un nuevo paradigma para la programación de agentes fue Shoham [Shoham, 1990]. La idea principal es la de programar agentes directamente en términos de nociones mentalistas e intencionales. Shoham propone un paradigma de programación orientado a agente basado en tres componentes: un sistema lógico para definir estados mentales, un lenguaje de programación interpretado, y un proceso de "agentificación" para compilar programas de agente en sistemas ejecutables de bajo nivel. Algunos intentos de desarrollar lenguajes para agentes son Agent0 [Shoham, 1990] y Concurrent METATEM [Fisher, 1994].
iv) Aplicaciones. Las principales áreas en las cuales se han aplicado la tecnología de sistemas multi-agente son
Resolución Cooperativa de Problemas e Inteligencia Artificial Distribuida: existen algunas aplicaciones en dominios como gestión de plantas eléctricas, control de tráfico aéreo, recuperación inteligente de documentos y gestión de redes de telecomunicación, por ejemplo ARCHON [Wittig 91; Corera 96; Jennings 96].

Agentes Interfaz: sistemas que emplean técnicas de inteligencia artificial para proporcionar ayuda a usuarios de una aplicación determinada. Existen muchas aplicaciones a nivel de prototipo, por ejemplo el sistema NEWT [Maes, 1994].

Agentes Especializados en Información y Sistemas de Información Cooperativos: sistemas que tienen acceso a fuentes de información y que son capaces de sintetizar y manipular la información obtenida de estas fuentes para dar respuesta a los requerimientos de usuarios y otros agentes. Ejemplo de tales sistemas puede ser IRA [Voorhess, 1994].

1.3 Problemática en la aplicación de agentes

Una posible explicación de la dificultad de implantación de las técnicas de IAD y en especial en el área de robótica móvil es la constatación de la imposibilidad de realizar investigación en inteligencia artificial en robótica móvil de forma aislada.  Los trabajos se entienden actualmente como elementos del área más amplia del control automático e IA. Por lo tanto, los investigadores en IAD conocen un área más amplia y están dispuestos a trabajar en su integración con otros sistemas informáticos (en nuestro proyecto proponemos integrar el paradigma agente en herramientas CACSD [de la Rosa, 1997?).  La tendencia es en la definición de herramientas, o componentes de programa, que permitan desarrollar aplicaciones robóticas a través de un entorno amigable.  Un proyecto Europeo (HELIOS-2, AIM A2014) propone un entorno basado en objetos que permite la integración de diferentes servicios: de tratamiento de imágenes, de procesamiento de lenguaje natural, de sistemas de soporte a la decisión, etc.

Recientemente han aparecido propuestas de arquitecturas como ARCHON [Wittig, 1991, Corera, 1996; Jennings, 1996? en aplicaciones de distribución de energía eléctrica, ejecutado como un sistema experto distribuido que supervisa la operación de la red eléctrica a nivel de subestación (media-alta tensión). Dicho proyecto ha sido sufragado con financiación ESPRIT junto con la empresa IBERDROLA, y es el auténtico referente a nivel internacional de la aplicación real de agentes en entornos industriales complejos distribuidos.  A pesar de estas iniciativas, son escasos los trabajos que adoptan una aproximación basada en sistemas multi-agente en todas sus consecuencias debido a la dificultad de aplicar los agentes software sobre sistemas reales, que los entendemos como sistemas físicos.  Este nuevo tipo de agentes se discute en el punto 1.5.

1.4 Los Sistemas Computer Aided Control Systems Design (CACSD)

El sistema de supervisión contiene un conjunto de reglas de identificación de estados de operación anormal y de generación de acciones correctivas. La misión del sistema de supervisión puede ser, además, la de generar conjuntos de valores de consigna para los controladores locales.  Los sistemas de supervisión actuales se caracterizan por su escasa generalidad y su limitado dominio de aplicación al propio sistema para el cual fue concebido. La implantación de sistemas dotados de IA en los entornos industriales de producción, hasta el momento, se ha reducido a pequeñas aplicaciones de control (controladores fuzzy) o al desarrollo de complejos sistemas expertos (SE) para el diagnóstico de procesos muy concretos (aplicaciones hechas a medida) de difícil mantenimiento. En ambos casos, pero especialmente en el caso de los SE, son soluciones a problemas concretos, cerrados, de difícil reconfigurabilidad y que carecen de una visión global de los problemas de automatización debido a la difícil funcionalidad integrada. Sin embargo, continuar trabajando con la IA junto con los soportes informáticos que la permiten en proyectos de automatización es un aspecto justificado científicamente. A partir de un diseño de un supervisor debe procederse a una implementación funcional en un tiempo razonable.

Por consiguiente, al igual que ha sucedido con los entornos de ayuda al diseño de sistemas de control (CACSD), se ha hecho necesario disponer de un entorno de ayuda al desarrollo e implantación de sistemas de supervisión que permitiese la integración de diferentes herramientas de forma abierta, y que permita diseñar sistemas de control y sistemas de supervisión como un todo en proyectos de automatización. Es lo que denominaremos CAD de supervisión. La solución de esta deficiencia tecnológica es un aspecto prioritario debido a la creciente necesidad de un tratamiento global de los problemas de automatización basado en una visión global del ciclo de un producto, dado que en un mismo entorno CACSD que soporta el diseño de soluciones de control de un proceso se integra un CAD de supervisión que soporta el diseño de soluciones de monitorización avanzada y supervisión. Así se pretende tratar de una forma global el diseño de los niveles 1, 2 y 3 (Control, Monitorización-Supervisión, y Supervisión-programación-coordinación-cooperación) dentro de la pirámide CIM (Computer Integrated Manufacturing).

Existen una serie de entornos de ayuda al diseño de sistemas de control (CACSD) que han ido evolucionando hacia sistemas abiertos basados en la integración de herramientas. El ejemplo más claro nos lo da MATLAB/SIMULINK de MathWorks el cual dispone de un entorno al que se añaden herramientas de análisis y ayuda al diseño de sistemas de control (Toolboxes) según las necesidades, y que dentro de un entorno Windows se puede utilizar de forma abierta aplicando la filosofía de cliente-servidor con las DDE (Dynamic Data Exchange), que igualmente es extrapolable en un entorno UNIX.  Ambos son ejemplos de entornos comerciales, ampliamente utilizados por la comunidad científico-técnica de todo el mundo tanto a nivel de investigación como en el desarrollo de aplicaciones industriales, que a pesar de sus ventajas no ofrecen facilidades reales para las fases finales de diseño e implantación de sistemas de supervisión tal como [Rakoto y Aguilar-Martin, 1995] y la experiencia de nuestro grupo de investigación revelan.

Esta experiencia obtenida de aplicar el concepto CACSD a la supervisión pretendemos que puede ser aportada a la ayuda del diseño de agentes físicos, los cuales se explican en la siguiente sección.  De hecho, las primeros fundamentos de la cooperación de sistemas expertos en tareas de supervisión que desarrollamos en el grupo vienen desde 1992 con trabajos como [de la Rosa, 1992, 1995; Aguilar 1994]

1.5 Agentes físicos

Los agentes físicos incorporan a los agentes software la problemática de la interface numérico-simbólica y simbólico-numérica que caracteriza los sistemas físicos que, de acuerdo a [Asada, 1997], están sometidos a restricciones del mundo real tales como imprecisión, incertidumbre, variabilidad en el tiempo, entre otras características.  Una realización común, aunque no es la única, de los agentes físicos son los robots móviles que se les incorpora en la investigación actual una alta autonomía y capacidad de trabajar de forma cooperativa.  La IA tradicional ha estado principalmente buscando la metodología para manipular símbolos usados en la adquisición y representación de conocimiento, y su razonamiento, gastando poca o nula atención  en sus aplicaciones a mundos dinámicos reales.  Mientras, en robótica se ha puesto mucho énfasis en los temas de diseño y construcción de hardware y su control.  Actualmente, los tópicos recientes cubren dos áreas que incluyen los principios del diseño de agentes autónomos, colaboración multi-agente, adquisición de estrategias, razonamiento a tiempo real y planificación, robótica inteligente, sensor-fusion, y aprendizaje de comportamientos.  Estos tópicos exponen nuevos aspectos que son difíciles de resolver con los enfoques tradicionales.

Para la solución de estos nuevos aspectos y finalmente alcanzar el objetivo último de la IA y la robótica consistente en construir sistemas inteligentes que resuelven de forma emergente tareas complejas en un mundo real dinámico (aquí dinámico entendido como un mundo altamente cambiante), los cuerpos físicos tienen un rol importante de conducir el sistema agente a una interacción significativa con el entorno físico, complejo, incierto, pero que es regido por un conjunto de restricciones.  El significado de “tener un cuerpo físico” puede resumirse como sigue:

a) Las capacidades sensoriales y las de actuación están altamente ligadas.
b) 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.).
c) Dicha abstracción depende de las interacciones del agente con el entorno.
d) Fruto de la abstracción, cada agente tiene un modelo de representación del entorno.
e) 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.
f) 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:

1.6 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.

2. Bibliografía

  • Asada M., Kuniyoshi Y., et al. (1997): The RoboCup Physical Agent Challenge, First RoboCup Workshop in the XV IJCAI-97 International Joint Conference on Artificial Intelligence, pp.51-56
  • Cohen P.  and Levesque H.  (1990): Intention is choice with commitment. Artificial Intelligence, 42:213-261.
  • Corera J. M., et al (1996): Using Archon, Part 2: Electricity Transportation Management, IEEE Expert and Intelligent Systems, Vol 11, n. 6, pp. 70-79
  • Jennings N.R.  et al (1996): Using Archon to Develop Real-World DAI Applications, Part 1, IEEE Expert and Intelligent Systems, Vol 11, n. 6, pp. 64-70
  • Kitano H., Veloso M., et al. (1997): The RoboCup Synthetic Agent Challenge 97, XV IJCAI-97 International Joint Conference on Artificial Intelligence, Vol 1, pp.24-29
  • de la Rosa J. Ll., Oller  A., et al. (1997):  Soccer Team based on Agent-Oriented Programming, Robotics and Autonomous Systems. Ed. Elsevier, Vol 21, pp. 167-176. October  1997.
  • Rakoto, N. and Aguilar-Martin J. (1995) : Supervision de processus à l'aide du système expert G2,  Ed. Hermès-1995, ISBN 2-86601-499-5.
  • Shoham Y. (1990): Agent-oriented programming. Technical Report STAN-CS-1335-90, Computer Science Department, Stanford University, Stanford, CA.
  • Stone P. and Veloso M. (1997): A layered approach to learning client behaviors in the robocup soccer server, to appear in Applied Artificial Intelligence.
  • Varaiya P. and Deshpande A. (1995): Viable Control of Hybrid Systems: Hybrid Systems II, Lecture Notes in Computer Science, Springer Verlag. 1995.
  • Wittig T. (1991) "Sistemas Expertos Cooperantes", Workshop La inteligencia Artificial y el Control en Tiempo Real, Santander, 25-28 June 1991
  • Wooldridge M., Jennings N.R. (1995): Intelligent Agents: Theory and Practice, The Knowledge Engineering Review, Vol 10:2, pp. 115-152


    • 3. Objetivos

    El objetivo general de este proyecto es contribuir al problema del control automático de sistemas complejos, en este proyecto mayormente representados por robots móviles autónomos y cooperantes, integrando en una plataforma común elementos de control, supervisión y el paradigma agente de sistemas físicos.  Se propondrán herramientas que favorezcan la visión global de los problemas de control y supervisión de sistemas complejos, y con ello se facilitará el prototipado de soluciones que contengan dichos elementos.  Este objetivo comporta investigación y desarrollo en aspectos teóricos, teórico-prácticos, y de demostración en unas plataforma experimentales que se disponen en la universidad de Girona.  A continuación enunciamos la idea general de partida y acto seguido se desarrollan los ejes del proyecto enmarcando una serie de objetivos concretos.

    Idea

    ¿Qué se necesita para diseñar agentes físicos?  Intentando encontrar la respuesta hay que resolver los problemas de 1) integrar el paradigma agente a las herramientas propias de la ingeniería de control, 2) dar pautas a la configuración de la estructura de cooperación, que se pueden obtener mediante técnicas de aprendizaje, 3) analizar las aplicaciones industriales actuales de agentes que se han concentrado en la supervisión de sistemas, y 4) desarrollar ejemplos representativos de la aportación de agentes físicos en robots móviles autónomos, sin olvidar comparar con existentes trabajos de supervisión de sistemas industriales.

    La integración del paradigma agente a las herramientas propias de la ingeniería de control, se procederá según el esquema siguiente:


    Ejemplos con robots móviles autónomos y cooperantes
    y supervisión de sistemas industriales.

    MATLAB se utilizará como una herramienta CACSD (Computer Aided Control Systems Design) actual que sirve para el prototipado rápido y fácil de soluciones de control, y nos servirá para prototipar las ideas de este subproyecto, además que MATLAB lo utilizan el 99% de los grupos de investigación en temas relacionados a la automática (según estudios de la European Science Foundation en 1996).  Recientemente, fruto de los trabajos de nuestros grupos de investigación, se han incluido en MATLAB los sistemas expertos entre otras nuevas herramientas de la IA, siendo ahora ya posible el desarrollo de agentes en dicho CACSD en las aplicaciones de control.

    1.  CACSD y Agentes.
    Albert Oller.

    Análisis y desarrollo de un entorno CACSD para el prototipado de agentes en aplicaciones de control. Se acometerá la homogeneización de los desarrollos de control, supervisión y agentes.  El primer paso (integración de herramientas de supervisión en entornos CACSD) ya está resuelto [Meléndez, 1995], y el siguiente paso de la integración de agentes en CACSD ya se han sentado las bases [de la Rosa, 97].  Luego, ya se han dado los primeros pasos para convertir MATLAB-SIMULINK (como ejemplo de CACSD) en la herramienta estándar de prototipado y experimentación de la investigación que desarrollen los grupos de control avanzado y supervisión, pero deben concretarse en una Toolbox o librería de facilidades para el uso de los ingenieros de control. Para ello se deberá completar dentro del CACSD una librería de simulación de tiempo continuo que formará parte del prototipado rápido, así como resolver problemas de representación de conocimiento de los agentes, utilizando el lenguaje orientado a agentes AGENT0 [Shoham, 90] dentro de CACSD para representar y operar sobre conocimiento del propio agente físico contenido en las estructuras de control automático diseñadas específicamente para cada agente (robot móvil autónomo), y que serán tenidas en cuenta para la ejecución cooperativa (robot móvil autónomo y cooperante).

    Se pretende estudiar cuáles son las especificaciones que debe cumplir un lenguaje orientado a agentes tal que pueda incluirse en los Computer Aided Supervisory Systems Design (CASSD) [Meléndez, 1995].  Ésto significa tratar de forma explícita con la abstracción de información de medida y control de procesos, generación de eventos, tratamiento de la imprecisión e incertidumbre para supervisar los procesos y los controladores, y por tanto reconfiguración de las consignas, parámetros de controladores, controladores, secuenciación de acciones y sugerencias a supervisores humanos.  Es por ello que el lenguaje de razonamiento explícito sobre el proceso de comunicación de información y conocimiento de supervisión y control deberá ser formulado e implementado sobre estructuras de información basadas en lenguajes basados en el paradigma objeto.

    2.   Aprendizaje de capacidades cooperativas
    AGENT0 fuzzy y aprendizaje conexionista a nivel de consensus, Esteve del Acebo, y Aprendizaje intencional.  Josep Xargayó y Josep Maria Humet(*)

    El diseño del agente físico requiere de herramientas de ayuda provenientes del área de control automático de sistemas dinámicos, cosa ya observada en el objetivo anterior.   Pero a la hora de representar la cooperación, hemos observado que el ingeniero de control tiene dificultades al carecer de capacidad de abstracción en la representación de capacidades comunicativas siguiendo el lenguaje de AGENT0, mencionado anteriormente.  Por ejemplo, para un sencillo problema transporte de material utilizando tres agentes físicos (sin especificar qué implementación física tienen dichos agentes), los estudiantes de doctorado de la asignatura de Inteligencia Artificial Distribuida (donde participaron el director y 4 investigadores de este proyecto, siendo el director el profesor de la asignatura en cuestión) han necesitado varias semanas para analizar, diseñar e implementar en dicho lenguaje orientado a agentes, las tareas comunicativas de los tres agentes.  Como solución los doctorandos presentaron una base de reglas de cooperación que contenía 3 beliefs iniciales (creencias), 2 committments (compromisos), ninguna capacity (capacidades) y muchos inform (tareas informativas con otros agentes).  Dicha base de reglas tenía un mal rendimiento puesto que se mostraba muy poco robusta ante los eventos provenientes del mundo físico, y sobretodo, era incapaz de resolver satisfactoriamente la cooperación de dichos tres agentes en un mundo eminentemente cambiante al desplazarse los agentes en dicho  mundo físico de forma paralela.

    La conclusión es que el ingeniero puede dar una representación inicial del conocimiento de cooperación que es adecuada en una situación estática, pero falta robustez en un mundo cambiante (habitual en los sistemas físicos que pretendemos abordar en este subproyecto).  Para mejorar dicha falta de adecuación se pueden proponer esquemas de aprendizaje de las tareas cooperativas.  Hay precedente de dicho aprendizaje según trabajos de la CMU (Carnegie Mellon University) [Stone, 1997] basados en el conexionismo (redes neuronales) y una aproximación del problema desde capacidades básicas de control, hasta capacidades sociales (de cooperación).  Nuestra aproximación es simbólica, para aprovechar la capacidad de representación de conocimiento cooperativo del lenguaje AGENT0, al cual incluiremos los operadores de lógica difusa en los encadenamientos de reglas, y procederemos inicialmente a analizar el aprendizaje del razonamiento mediante las técnicas de consensus (y fusión de creencias) de lo cual tenemos algunos trabajos previos [de la Rosa, 1995; del Acebo 1997] y que tenemos versiones iniciales prototipadas en MATLAB [Oller, 1997].  Luego, dicho trabajo deberá centrarse en comparar las aproximaciones conexionistas de la CMU con las nuestras simbólicas, investigación la cual va en progreso en cooperación, como puede mostrar la petición de un proyecto de cooperación con dicha prestigiosa universidad al Ministerio de Asuntos Exteriores,  gestionado por la Fulbright Comission.

    El aprendizaje intencional se entiende como aquel que intenta capturar el modelo de representación del comportamiento cooperativo, en términos de beliefs, capacities, etc.

    3. Supervisión en agentes físicos
    Joaquim Armengol y Santi Esteva(*)

    Una de las utilidades de los agentes es su capacidad de tratar sistemas complejos de supervisión, a base de combinar diversas capacidades de resolución de problemas, y que existe un referente mundial desarrollado en un proyecto ESPRIT llamado ARCHON, instalado en España durante 1992-94 [Wittig, 1991, Corera, 1996; Jennings, 1996?. Dentro de una línea   paralela de desarrollo de sistemas expertos cooperantes y su aplicación en tareas de control y supervisión de sistemas dinámicos en nuestro grupo tenemos trabajo previo [de la Rosa, 1994].

    Actualmente encaramos dicho problema con la cooperación con la UC at Berkeley, grupo PATH, quienes trabajan en la supervisión de automóviles autoguiados, que plantea una problemática análoga en términos de supervisión y coordinación (otra forma de entender la cooperación) de vehículos dentro de lo que será las autopistas del futuro.  Dicha investigación está priorizada dentro de la Unión Europea como antesala del V programa marco, aun por aparecer.  La cooperación estable entre ambos grupos se concentra en la comparación de los autómatas híbridos [Varaiya, 95] y los supervisores basados en el conocimiento, que nosotros introducimos en CACSD (véase trabajo previo explicado en el objetivo 1), analizando las posibilidades de extensión de dicha supervisión en el caso de ser aplicados a problemas distribuidos y cooperativos de sistemas autónomos.

    4. Diseño de agentes físicos (DAF) en casos prácticos
    El objetivo es ejemplificar las aportaciones de los objetivos anteriores mostrando diseños de agentes físicos (DAF) con robots móviles autónomos,  Albert Oller y Carles Gual, así como DAF con sistemas de supervisión, Josep Xargayó, Albert Figueras, y Carles Pous.  Para ello, como paso previo se proyectarán unos benchmarks, simulación de agentes físicos,  Albert Oller y Carles Gual, y de agentes físicos y aplicabilidad industrial,  Albert Figueras.

    Notemos que no se plantea la emulación del fútbol robótico como objetivo en sí, sino más bien como ejemplo FINAL que la integración de los diferentes módulos inteligentes funcionan DE VERDAD en tiempo real sobre robots móviles autónomos y cooperantes.   Ésto representa un paso previo a la aplicación industrial real, el cual es tiene fundamento dentro de la metodología de la ingeniería de sistemas que propone desarrollar la mayor parte del tiempo en simulación o emulación (más fácilmente controlable y reproducible, llamado condiciones de laboratorio) hasta que llega la implementación final.

    Como que el enfoque metodológico de la aplicación de los robots móviles autónomos es utilizando dicha emulación, para salvaguardar el método científico (posibilidad de explicar y reproducir los experimentos) y a la vez garantizar la aplicabilidad industrial, se analizarán, propondrán y experimentarán los diseños de agentes físicos en ejemplos prácticos o benchmarks, los cuales se documentarán suficientemente tanto los aspectos metodológicos, de demostración de tecnología como su aplicabilidad industrial.  Para ello se utilizará como elemento de base para la demostración de aplicabilidad industrial en el área de control de procesos una plataforma de experimentación CICYT TAP IN96-0154 de infraestructura de investigación “Planta Prototipo de Producción Industrial para Experimentación y Tele-operación compartida” que se explicará convenientemente en el siguiente objetivo.

    Notemos que dichos benchmarks serán concebidos para la demostración de los tres objetivos anteriores, centrados en el desarrollo de agentes en aplicaciones de control y supervisión. La necesidad de dichos benchmarks viene avalada por la comunidad internacional como indica el siguiente call for papers:

    CALL FOR PAPERS DEL "ADVANCED ROBOTICS JOURNAL", DEADLINE 15 DE DICIEMBRE DE 1998, dice así: "Advanced Robotics will feature a special issue on RoboCup:  The Robot World Cup Soccer Initiative.  RoboCup is an attempt to promote robotics and AI research by providing a common task for evaluation of various performance, theories, algorithms, and robot architectures.  In order for robots (mainly physical robots) to play a soccer game reasonably well, a wide range of technologies aneed to be integrated and a number of technical  breakthrough must be accomplished.  The range of technologies spans both robotics and AI research, including design principles of autonomous agents, multi-agent collaboration,  strategy acquisition, machine learning, real-time reasoning and planning, intelligent robotics, sensor- fusion, and so foth.  Details of RoboCup are available from RoboCup official home page (http://ww.robocup.org/RoboCup).

    PONGASE AHORA ATENCIÓN A ESTE PARÁGRAFO:
    In this special issue, we solicit high quality scientific contributions related to RoboCup of physical agent track.  Papers must clearly identify scientific significance.  Analysis on the  applicability of approaches outised of soccer domain will add significance to papers.   Papers which only describe robot teams will not be accepted.  It is very important that the papers attempt to make a contribution to field(s) outside the RoboCup community.

      A partial list of possible topics are:  a new sensing and mechanical devices for RoboCup, implementation of real-time and robust sensing, realisation of stable and high-speed robot control, beHavior learning for multi-agent environment, multi-agent architectures, real-time planning, co-operation in dynamic environments, vision system as a part of complete agent, engineering infrastructure, other related topics..."

    Como conclusión, creemos haber suficientemente demostrado que una importante parte de la comunidad científica está de acuerdo con la concepción de buscar aplicaciones industriales finales de los agentes físicos, posiblemente implementados como robots móviles autónomos y cooperantes, y tecnologías asociadas, buscando la analogía (a escala) con la plataforma de emulación de fútbol que será utilizada metodológicamente a nivel de demostración.

    5. Demostración

    Para la demostración utilizaremos dos plataformas. Una primera Plataforma de robots móviles (quasi)autónomos y cooperantes y una plataforma de investigación en sistemas de supervisión. Inès Ferrer y Joan Puigmal.  El grupo de investigación de la Universidad de Girona fue 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.  El éxito científico y tecnológico de dicho grupo de investigación en dicha emulación de competición de micro-robots en fútbol fue muy alentador en el sentido de la viabilidad científica y la capacidad tecnológica de dicha universidad en la implementación de sistemas autónomos como robots móviles autónomos y cooperantes.  Aun mejor, se plantearon numerosos nuevos problemas y una plataforma ideal de aplicación y demostración de tecnología de naturaleza eminentemente compleja :  la emulación del juego de fútbol, el cual, un colectivo de jugadores micro-robóticos trabajan en equipo (de forma cooperativa) durante una emulación de 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 o bien 153 cm3, sensorización, en especial visión, control automático, electrónica, informática industrial, e inteligencia artificial. La concesión de una acción especial CICYT TAP97-1493-E, “Desarrollo de una segunda generación de equipo micro-robótico.  Consolidación de la competitividad internacional”, muestra el trabajo previo de nuestro grupo de investigación.  Dicha acción termina en Abril de 1998

    Esta plataforma representa una problemática que es representativa de la tecnología que intentamos investigar en este subproyecto:  a la vez es completa (problemas de control avanzado, de supervisión, de cooperación -agentes- y tecnológicos tales como visión, sensorización, microprocesadores basados en fuzzy, DSP, etc); es relativamente barata dado que representa problemas análogos industriales de mayor escala.

    Para la demostración de los prototipos a una escala mayor y de más enfoque industrial pondremos a punto la otra plataforma de experimentación CICYT TAP IN96-0154 de infraestructura de investigación “Planta Prototipo de Producción Industrial para Experimentación y Tele-operación compartida” que se instalará a partir de la primavera de 1998 y esperemos que podamos tenerla montada a pleno rendimiento hacia 1999-2000.

    Notemos que este objetivo metodológico comportará la adquisición y el mantenimiento de micro-robots, que deben comportarse como auténticos sistemas dinámicos tal como los desarrollaron los mejores científicos del MIROSOT’96, MIROSOT’97 y RoboCup ‘97, el equipo Newton del MIT (Massachussets Institute of Technology) y el equipo CMUnited de la Universidad de Carnegie Mellon.

    Explotación y mantenimiento de la plataforma.

    Demostraciones a la EPO. Desarrollo de experimentos. Anualmente haremos demostraciones a la EPO de este proyecto para que pueda comprobar la evolución de nuestra investigación y podamos recibir el feed-back necesario para la adecuación de dicha plataforma experimental a los análogos sistemas industriales de interés para la EPO.  Al final del proyecto pretendemos desarrollar ejemplos más cercanos a las EPO utilizando la tecnología que hayamos desarrollado, y los aplicaremos en la plataforma de experimentación CICYT TAP IN96-0154 de infraestructura de investigación “Planta Prototipo de Producción Industrial para Experimentación y Tele-operación compartida”.  No se tratarán de aplicaciones en las instalaciones de las EPO sino de emulación que pueda clarificar las analogías que existen entre nuestra plataforma de experimentación con la problemática de empresas interesadas concertadas por nuestra EPO.
    Josep Lluís de la Rosa y el equipo de investigadores de este proyecto con un soporte de contratación en la parte de mantenimiento  de dichas plataformas durante la demostración.

    4. Beneficios del proyecto

    Los entornos socioeconómicos a los que se orienta este proyecto se sitúan en el sector productivo y en el sector de distribución. La investigación de este proyecto está fuertemente internacionalizada y se puede calificar como de investigación básica pero que muestra resultados que actualmente ya han sido valoradas a nivel internacional y nacional.  Como prueba del impacto, aparte de las publicaciones científicas, ha habido eco en los medios audiovisuales TV (Alemania, Francia y España) y de prensa (Francia y España) de los resultados de nuestra investigación.  Fruto de ello, la Fundació Catalana per a la Recerca nos seleccionó como uno de los elementos más representativos de la Semana de la Ciencia que se ha organizado en los días 13-20 de noviembre de 1997, debido a su alto impacto social (comprobado) y potencialmente alto impacto industrial.  Esto lleva que la proyección de esta investigación (como ya es en la actualidad) es muy alta y la entidad financiadora, en este caso la CICYT, saldrá muy reconocida.

    Para representar el potencial grado de impacto industrial de la investigación de este proyecto hemos contactado con la FOEG, la Federación de Organizaciones de Empresas de Girona, que a nivel territorial es muy representativo al ser una institución privada que facilita el acceso a la pequeña y mediana empresa, que constituye el 99% de las 12.000 empresas afiliadas a la FOEG.  Dicha institución se ha interesado en constituirse en EPO dado que aprecia las potencialidades de este proyecto en cuanto a futura transferencia tecnológica de los contenidos de esta propuesta.  Seguramente el contenido central de este proyecto, el diseño de agentes físicos tendrá una muy limitada transferencia, pero el objeto de esta EPO es potenciar todos los aspectos tecnológicos asociados a la robótica móvil autónoma y a la planta prototipo industrial que utilizaremos en este subproyecto, dado que la informática industrial, el hardware, las tarjetas, la electrónica digital, y la inteligencia artificial que se utilizarán en este proyecto, así como los robots móviles, han despertado el interés territorial en las empresas que buscan nuevas ideas en la automatización industrial.

    Insistiendo en demostrar la viabilidad de la investigación del presente proyecto en entornos industriales, como requisito previo se propone la demostración mediante plataformas de experimentación peculiares.  La plataforma en cuestión motiva (necesita) una investigación desde múltiples enfoques interdisciplinares, cumple una función social al responder a necesidades concretas en el ámbito de difusión de la ciencia, y facilita la demostración tecnológica porque es un escaparate tecnológico con la pretensión de ayudar a la siempre difícil transferencia tecnológica de prototipos de investigación.  Un precedente muy reciente que avala esta última afirmación lo encontramos en las XVIII Jornadas de Automática (8-10 Septiembre de 1997, organizadas por el grupo investigador de este proyecto) donde un jurado mixto universidad-empresa avaló como mejores ideas los prototipos de robots móviles autónomos (integración de sistemas) (primer premio) y la cooperación de robots móviles autónomos (2 premio), dentro de la sesión experimental de Imaginación y Tecnología, con vocación de demostración de tecnología para favorecer la transferencia tecnológica.  Dichos premios tuvieron su eco en la revista de Automática e Instrumentación de proyección estrictamente industrial en el sector de automatización y producción, a nivel de todo el territorio español.

    La investigación se sitúa en una emergente y pujante tendencia actual proveniente de Asia: IA, agentes cooperantes y tecnologías avanzadas de la producción en una dimensión de gran impacto empresarial y social, financiado principalmente por iniciativa privada de importantes multinacionales asiáticas.  En consonancia, se está conformando una corriente internacional y europea.  En la corriente europea estamos participando activamente en la creación de redes de investigación y de intercambio (programas TMR Activities 1 and 4) solicitados a la comisión europea, entre otras actividades de proyección social e industrial.   El web de dicha corriente europea se encuentra en http://songoku.udg.es/~crego/webeurobots/eurobot   Por consiguiente, los grupos de investigadores de este proyecto establecen vínculos activos en la Unión Europea y sus áreas de influencia.  Igualmente, dicha tendencia ya se ha ido promoviendo en 1997 hacia Iberoamérica (programa de cooperación España e Iberoamérica - Ministerio de Relaciones Exteriores) con 4 instituciones iberoamericanas (Cuba, Argentina, Colombia y Méjico), y con Norteamérica (programa de cooperación España y Norteamérica - Fulbright) con las instituciones de la Carnegie Mellon y la Universidad de California en Berkeley, entre otros ejemplos.

    La demostración de los resultados previos de investigación se puede resumir bastante en una cuestión:  "¿Qué plataforma de experimentación en investigación debe ser diseñada para mostrar y validar de forma progresivamente general los avances en agentes físicos cooperantes, los cuales (agentes físicos implementados como robots móviles autónomos cooperantes) se han de organizar para resolver problemas complejos, en entornos poco estructurados?".  Esta plataforma ha de representar una problemática suficientemente rica, general y ha de ser de fácil acceso para desarrollar la necesaria investigación interdisciplinar en crear y controlar robots de servicios, aptos para trabajar en un futuro próximo en aplicaciones no convencionales (construcción, agricultura, trabajos submarinos, exploración, planificación de la producción de grandes sistemas, etc.).  Consideramos que las aplicaciones a dichos problemas no convencionales pueden prototiparse inicialmente, y en el ámbito de la demostración genérica, con una plataforma SERIA de emulación del popular juego de fútbol (que a su vez es una aplicación no convencional).  Dicha plataforma es considerada metodológicamente como adecuada para este proyecto, y tiene que entenderse que es un paso previo a los desarrollos más orientados al sector industrial de procesos, para los cuales se utiliza una plataforma industrial que disponemos en la UdG.  Este método da una gran visibilidad a la investigación de este proyecto tanto desde el punto de vista social como industrial.

    Entonces un problema complejo no estructurado y altamente cambiante, en definitiva no convencional, que proponemos es en primera instancia, y con carácter únicamente de demostración en este proyecto, es el problema de la emulación del juego de fútbol.  Dicha emulación esta regulada por dos asociaciones internacionales de investigación (FIRA y RoboCup, esponsorizadas por IEEE),  y se considera una fuente (pero no la única) de experimentos: los robots evolucionan completamente autónomos en un terreno especial dentro de las condiciones que la comunidad científica haya decidido para experimentar una investigación o un desarrollo tecnológico concreto.  El colectivo de investigadores, a continuación, evalúa la calidad de la ejecución del experimento.

    Desde el punto de vista internacional, y acabando este apartado de “beneficios”, hay que mencionar que esta investigación entra de lleno en uno de los tópicos más emergentes de la IA y la robótica, ya comparable a los tópicos de redes neuronales.  Nuestro grupo, liderado por Joseph Aguilar-Martin quien estaba ligado hasta la actualidad al LAAS-CNRS de Toulouse (Laboratoire d’Automatique et d’Analyse des Systèmes), está razonablemente bien colocado en dicha investigación, lo que avala la proyección esperada de la ciencia y tecnología de nuestro país en el panorama internacional.