Configuración de una Red Neuronal Artificial Paraconsistente para el Método de Aprendizaje Demostrativo aplicado a un Brazo Robótico
DOI:
https://doi.org/10.33448/rsd-v11i7.29720Palabras clave:
Lógica Paraconsistente Anotada; Aprendizaje por Demostración; Enseñando; Inteligencia Artificial; Red neuronal artificial paraconsistente.Resumen
La Lógica Paraconsistente Anotada - LPA es una lógica no clásica, basada en conceptos que permiten, bajo ciertas condiciones, aceptar la contradicción en sus fundamentos, sin invalidar las conclusiones. Las interpretaciones matemáticas en su entramado asociado permiten obtener ecuaciones y construcciones algorítmicas, que forman redes de análisis paraconsistentes eficientes, en el tratamiento de señales simulando aprendizaje. El algoritmo utilizado en esta investigación se denomina Célula Neural Artificial de Aprendizaje Paraconsistente (CNAPap), y fue creado a partir de ecuaciones basadas en LPA. Con señales estandarizadas repetidamente aplicadas a su entrada, CNAPap es capaz de almacenar gradualmente esta información, aumentando o disminuyendo su nivel de respuesta a la salida con variación asintótica, controlada por un Factor de Aprendizaje (FA). Para ejecutar las pruebas, se implementó un conjunto de cinco CNAPaps formando una Red Neuronal Artificial Paraconsistente de aprendizaje (RNAPap), en un microcontrolador ATMEGA 328p y se realizaron varias pruebas para validar su funcionamiento, actuando sobre aprendizaje por demostración (LfD) en un Robot Manipulador. Considerando la frágil estructura mecánica del Manipulador Robot, y los dispositivos sensores adaptados para responder a los estándares, los resultados de laboratorio obtenidos en las diversas pruebas presentadas fueron satisfactorios, y el sistema microprocesado construido respondió eficientemente, donde los niveles de aciertos correspondieron a entre 75 % a 90 %, en todas las etapas del método LfD. Los resultados de los estudios comparativos mostraron que RNAPap tiene propiedades dinámicas capaces de actuar tanto en el método de demostración de aprendizaje como en el método de imitación.
Citas
Abe, J. M., Akama, S., Nakamatsu, K., & Da Silva Filho, J. I. (2018). Some Aspects on Complementarity and Heterodoxy in Non-Classical Logics. Procedia Computer Science, 126, 1253–1260. https://doi.org/10.1016/j.procs.2018.08.068
Mario, M. C., Garcia, D. V., Da Silva Filho, J. I., Silveira Junior, L., & Barbuy, H. S. (2021). Characterization and classification of numerical data patterns using Annotated Paraconsistent Logic and the effect of contradiction. Research, Society and Development, 10(13), e283101320830, https://rsdjournal.org/index.php/rsd/article/view/20830
Andreas, J., Klein, D., & Levine, S. (2017) Modular multitask reinforcement learning with policy sketches. In Proceedings of the 34th International Conference on Machine Learning. 70, 166–175. JMLR. org, 2017. 1, 2
Argall, B. D., Chernova, S., Veloso, M., & Browning, B. (2009). A survey of robot learning from demonstration. Robotics and Autonomous Systems, 57(5), 469-483, https://doi.org/10.1016/j.robot.2008.10.024.
Billard, A., Calinon, S., Dillmann, R., & Schaal, S. (2008). Robot programming by demonstration. In Siciliano, B., and Khatib, O., eds., Springer Handbook of Robotics. Springer Berlin Heidelberg. 2008, 1371–1394.
Chi, M., Yao, Y., Liu, Y., & Zhong, M. Learning, Generalization, and Obstacle Avoidance with Dynamic Movement Primitives and Dynamic Potential Fields. Appl. Sci. 2019, 9, 1535. https://doi.org/10.3390/app9081535
Corrêa, M. P., Machado, A. C., Da Silva Filho, J. I., Garcia, D. V., Mario, M. C., & Sedano, C. T. S. (2022). Paraconsistent annotated logic applied to industry assets condition monitoring and failure prevention based on vibration signatures. Research, Society and Development, [S. l.], 11(1), e14211125104, 2022. 10.33448/rsd-v11i1.25104.
Da Costa N. C. A., & Abe J. M. (2000). Paraconsistência em Informática e Inteligência Artificial, Ciência • Estud. Av. 14 (39) • Https://Doi.Org/10.1590/S0103-40142000000200012
Da Silva Filho, J. I., Abe, J. M., Marreiro, A. D. L., Martinez, A. A. G., Torres, C. R, Rocco, A., Côrtes, H. M., Mario, M. C., Pacheco, M. T. T., Garcia, D. V., & Blos, M. F. (2021) Paraconsistent annotated logic algorithms applied in management and control of communication network routes Sensors, 21(12), 4219 https://doi.org/10.3390/s21124219
Da Silva Filho, J. I., Lambert-Torres, G., & Abe. J. M. (2010). Uncertainty treatment using paraconsistent logic—introducing paraconsistent artificial neural networks. 2010; 320.
Ekvall, S., & Kragic, D. (2008). Robot learning from demonstration: A task-level planning approach. International Journal of Advanced Robotic Systems, 5(3):223234.
Garcia, D. V., Da Silva Filho, J. I., Silveira Jr, L, Pacheco, M. T. T., Abe, J. M., et al. Analysis of Raman spectroscopy data with algorithms based on paraconsistent logic for characterization of skin cancer lesions. Vibrational Spectroscopy 2019;103;102929.
Gienger, M., Mühlig, M., & Steil, J. J. (2010). Imitating object movement skills with robots — A task-level approach exploiting generalization and invariance. 2010 IEEE/RSJ International Conference on Intelligent Robots and Systems, 1262-1269, 10.1109/IROS.2010.5649990.
Haykin, S. (2001) Redes Neurais: Princípios e Práticas. (2a. ed.): Bookman.
Ijspeert, A. J., Nakanishi, J., & Schaal, S. (2002). Learning rhythmic movements by demonstration using nonlinear oscillators. In Proceedings of the IEEE/RSJ Int. Conference on Intelligent Robots and Systems (IROS2002), 2002, pages 958-963.
Liu, T., & Lemeire, J. (2017) Efficient and Effective Learning of HMMs Based on Identification of Hidden States. Mathematical Problems in Engineering, vol. 2017, Article ID 7318940, 26 pages, 2017. https://doi.org/10.1155/2017/7318940
Mario, M. C., Garcia, D. V., Da Silva Filho, J. I., Silveira Júnior, L., & Barbuy, H. S. (2021). Characterization and classification of numerical data patterns using Annotated Paraconsistent Logic and the effect of contradiction. Research, Society and Development, [S. l.], 10(13), e283101320830, 10.33448/rsd-v10i13.20830.
Mohseni-Kabir, A., Rich, C., Chernova, S., Sidner, C. L., & Miller, D. (2015). Interactive hierarchical task learning from a single demonstration. In Proceedings of the Tenth Annual - ACM/IEEE International Conference on Human-Robot Interaction, HRI ’15, 2015, 205–212. New York, NY, USA: ACM
Nicolescu, M. N., & Mataric, M. J. (2003). Natural methods for robot task learning: Instructive demonstrations, generalization and practice. In Proceedings of the second international joint conference on Autonomous agents and multiagent systems, 2003, 241–248. ACM.
Niekum, S., Osentoski, S., Konidaris, G., Chitta, S., Marthi, B., & Barto, A. G. (2015) Learning grounded finite-state representations from unstructured demonstrations. The International Journal of Robotics Research. 2015; 34(2):131-157. 10.1177/0278364914554471
Pastor, P., Kalakrishnan, M., Meier, F., Stulp, F., Buchli, J., Theodorou, E., & Schaal, S. (2013). From dynamic movement primitives to associative skill memories. Robotics and Autonomous Systems, 2013, 61(4), 351–361.
Rosário, J. M. (2009) Automação Industrial: Editora: Baraúna. 2009. 517 págs. ISBN-13: 978-8579230004
Schaal, S. (2006) Dynamic movement primitives-a framework for motor control in humans and humanoid robotics. in Adaptive Motion of Animals and Machines. Springer, 2006, pp. 261–280.
Gebin, L. G. G., Salgado, R. M., & Nogueira, D. A. (2020). Wind Power Forecast: Ensemble Model Based in Statistical and Machine Learning Models. Research, Society and Development, 9(12), e38291211251, 10.33448/rsd-v9i12.11251.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2022 Paulino Machado Gomes; Cláudio Luís Magalhães Fernandes; João Inácio da Silva Filho; Rodrigo Silvério da Silveira; Leonardo do Espírito Santo; Mauricio Conceição Mario; Vitor da Silva Rosa; Germano Lambert Torres
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores que publican en esta revista concuerdan con los siguientes términos:
1) Los autores mantienen los derechos de autor y conceden a la revista el derecho de primera publicación, con el trabajo simultáneamente licenciado bajo la Licencia Creative Commons Attribution que permite el compartir el trabajo con reconocimiento de la autoría y publicación inicial en esta revista.
2) Los autores tienen autorización para asumir contratos adicionales por separado, para distribución no exclusiva de la versión del trabajo publicada en esta revista (por ejemplo, publicar en repositorio institucional o como capítulo de libro), con reconocimiento de autoría y publicación inicial en esta revista.
3) Los autores tienen permiso y son estimulados a publicar y distribuir su trabajo en línea (por ejemplo, en repositorios institucionales o en su página personal) a cualquier punto antes o durante el proceso editorial, ya que esto puede generar cambios productivos, así como aumentar el impacto y la cita del trabajo publicado.
