Tendencias Científicas
La robótica inteligente autónoma es un enorme campo de estudio multidisciplinario, que se apoya esencialmente sobre la ingeniería (mecánica, eléctrica, electrónica e informática) y las ciencias (física, anatomía, psicología, biología, zoología, etología, etc.). Se refiere a sistemas automáticos de alta complejidad que presentan una estructura mecánica articulada –gobernada por un sistema de control electrónico– y características de autonomía, fiabilidad, versatilidad y movilidad.
En esencia, los “robots inteligentes autónomos” son sistemas dinámicos que consisten en un controlador electrónico acoplado a un cuerpo mecánico. Así, estas máquinas necesitan de adecuados sistemas sensoriales (para percibir el entorno en donde se desenvuelven), de una precisa estructura mecánica adaptable (a fin de disponer de una cierta destreza física de locomoción y manipulación), de complejos sistemas efectores (para ejecutar las tareas asignadas) y de sofisticados sistemas de control (para llevar a cabo acciones correctivas cuando sea necesario) [Moriello, 2005, p. 172].
Robótica Situada (Situated Robotics)
Este enfoque se ocupa de los robots que están insertos en entornos complejos y, a menudo, dinámicamente cambiantes [Mataric, 2002]. Se basa sobre dos ideas centrales [Florian, 2003] [Muñoz Moreno, 2000] [Innocenti Badano, 2000]: los robots a) “están corporizados” (embodiment), es decir, tienen un cuerpo físico apto para experimentar su entorno de manera directa, en donde sus acciones tienen una realimentación inmediata sobre sus propias percepciones, y b) “están situados” (situatedness), o sea, están inmersos dentro de un entorno; interaccionan con el mundo, el cual influye –de forma directa– sobre su comportamiento.
Obviamente, la complejidad del entorno tiene una relación estrecha con la complejidad del sistema de control. En efecto, si el robot tiene que reaccionar rápida e inteligentemente en un ambiente dinámico y desafiante, el problema del control se torna muy difícil. Si el robot, en cambio, no necesita responder de manera rápida, se reduce la complejidad requerida para elaborar el control.
Dentro de este paradigma, se encuentran varios subparadigmas: la “robótica basada en el comportamiento”, la “robótica cognitiva”, la “robótica epigenética”, la “robótica evolutiva” y la “robótica biomimética”.
Robótica Basada en el Comportamiento o la Conducta (Behaviour-Base Robotics)
Este acercamiento emplea el principio conductista: los robots generan un comportamiento sólo cuando se los estimula; es decir, reaccionan ante los cambios de su entorno local (como cuando alguien toca accidentalmente un objeto caliente). Aquí, el diseñador divide las tareas en numerosas y diferentes comportamientos básicos, cada una de los cuales se ejecuta en una capa separada del sistema de control del robot.
Típicamente, estos módulos (conductas) pueden ser la de evitar obstáculos, caminar, levantarse, etc. Las funciones inteligentes del sistema, tales como percepción, planificación, modelado, aprendizaje, etc. emergen de la interacción entre los distintos módulos y el entorno físico en donde está inmerso el robot. El sistema de control –totalmente distribuido– se construye de manera incremental, capa por capa, a través de un proceso de ensayo y error, y cada capa es responsable únicamente de una conducta básica [Moriello, 2005, p. 177/8].
Los sistemas basados en la conducta son capaces de reaccionar en tiempo real, ya que calculan las acciones directamente a partir de las percepciones (a través de un conjunto de reglas de correspondencia situación-acción). Es importante observar que el número de capas aumenta con la complejidad del problema. De este modo, una tarea muy compleja puede estar más allá de la capacidad del diseñador (es muy complicado definir todas las capas, sus interrelaciones y dependencias) [Pratihar, 2003].
Otro inconveniente es que, debido a la presencia de varias conductas y a su dinámica individual de interacción con el mundo, muchas veces es difícil decir que una serie de acciones en particular ha sido producto de una conducta particular. Algunas veces varias conductas trabajan simultáneamente, o están intercambiándose rápidamente.
Aunque tal vez alcancen la inteligencia del insecto, probablemente los sistemas construidos a partir de este enfoque tengan habilidades limitadas, ya que no tienen representaciones internas [Dawson, 2002]. En efecto, este tipo de robots presentan una gran dificultad para ejecutar tareas complejas y, en las más sencillas, no se garantiza la mejor solución, la óptima.
Robótica Cognitiva (Cognitive Robotics)
Esta aproximación utiliza técnicas provenientes del campo de las Ciencias Cognitivas. Se ocupa de implementar robots que perciben, razonan y actúan en entornos dinámicos, desconocidos e imprevisibles. Tales robots deben tener funciones cognitivas de muy alto nivel que impliquen razonar, por ejemplo, acerca de las metas, las acciones, el tiempo, los estados cognitivos de otros robots, cuándo y qué percibir, aprender de la experiencia, etc.
Para eso, deben poseen un modelo simbólico e interno de su entorno local, y la suficiente capacidad de razonamiento lógico para tomar decisiones y para ejecutar las tareas necesarias a fin de alcanzar sus objetivos. En pocas palabras, esta línea de trabajo se ocupa de implementar características cognitivas en los robots, tales como percepción, formación de conceptos, atención, aprendizaje, memoria a corto y largo plazo, etc. [Bogner, Maletic y Franklin, 2000].
Si se consigue que los robots desarrollen por sí mismos sus capacidades cognitivas, se evitaría el programarlos “a mano” para cada tarea o contingencia concebible [Kovács, 2004]. Asimismo, si se logra que los robots utilicen representaciones y mecanismos de razonamiento similares a la de los humanos, se podría mejorar la interacción hombre-máquina, así como las tareas de colaboración. Sin embargo, se necesita un elevado poder de procesamiento (en especial si el robot cuenta con numerosos sensores y actuadores) y mucha memoria (para representar el espacio de estados).
Robótica de Desarrollo o Epigenética
Este enfoque se caracteriza porque trata de implementar sistemas de control de propósito general, a través de un prolongado proceso de desarrollo o auto-organización autónoma. Como resultado de la interacción con su entorno, el robot es capaz de desarrollar diferentes –y cada vez más complejas– capacidades perceptuales, cognitivas y comportamentales.
Se trata de un área de investigación que integra la neurociencia del desarrollo, la psicología del desarrollo y la robótica situada. Inicialmente el sistema puede estar dotado de un pequeño conjunto de conductas o conocimientos innatos, pero –gracias a la experiencia adquirida– es capaz de crear representaciones y acciones más complejas. En síntesis, se trata de que la máquina desarrolle autónomamente las habilidades adecuadas para un determinado entorno particular transitando por las diferentes fases de su “desarrollo mental autónomo”.
La diferencia entre la robótica de desarrollo y la robótica epigenética –a veces agrupadas bajo la denominación de “robótica ontogenética” (ontogenetic robotics)– es algo sutil, ya que se refiere al tipo de entorno. En efecto, mientras la primera hace referencia únicamente al entorno físico, la segunda toma en cuenta también al entorno social.
El término epigenético (más allá de lo genético) fue introducido –en la psicología– por el psicólogo suizo Jean Piaget para designar su nuevo campo de estudio que enfatiza la interacción sensomotriz de la persona con el entorno físico, en lugar de tener en cuenta solamente a los genes. Por otra parte, el psicólogo ruso Lev Vygotsky complementó esta idea con la importancia de la interacción social.
En esencia, los “robots inteligentes autónomos” son sistemas dinámicos que consisten en un controlador electrónico acoplado a un cuerpo mecánico. Así, estas máquinas necesitan de adecuados sistemas sensoriales (para percibir el entorno en donde se desenvuelven), de una precisa estructura mecánica adaptable (a fin de disponer de una cierta destreza física de locomoción y manipulación), de complejos sistemas efectores (para ejecutar las tareas asignadas) y de sofisticados sistemas de control (para llevar a cabo acciones correctivas cuando sea necesario) [Moriello, 2005, p. 172].
Robótica Situada (Situated Robotics)
Este enfoque se ocupa de los robots que están insertos en entornos complejos y, a menudo, dinámicamente cambiantes [Mataric, 2002]. Se basa sobre dos ideas centrales [Florian, 2003] [Muñoz Moreno, 2000] [Innocenti Badano, 2000]: los robots a) “están corporizados” (embodiment), es decir, tienen un cuerpo físico apto para experimentar su entorno de manera directa, en donde sus acciones tienen una realimentación inmediata sobre sus propias percepciones, y b) “están situados” (situatedness), o sea, están inmersos dentro de un entorno; interaccionan con el mundo, el cual influye –de forma directa– sobre su comportamiento.
Obviamente, la complejidad del entorno tiene una relación estrecha con la complejidad del sistema de control. En efecto, si el robot tiene que reaccionar rápida e inteligentemente en un ambiente dinámico y desafiante, el problema del control se torna muy difícil. Si el robot, en cambio, no necesita responder de manera rápida, se reduce la complejidad requerida para elaborar el control.
Dentro de este paradigma, se encuentran varios subparadigmas: la “robótica basada en el comportamiento”, la “robótica cognitiva”, la “robótica epigenética”, la “robótica evolutiva” y la “robótica biomimética”.
Robótica Basada en el Comportamiento o la Conducta (Behaviour-Base Robotics)
Este acercamiento emplea el principio conductista: los robots generan un comportamiento sólo cuando se los estimula; es decir, reaccionan ante los cambios de su entorno local (como cuando alguien toca accidentalmente un objeto caliente). Aquí, el diseñador divide las tareas en numerosas y diferentes comportamientos básicos, cada una de los cuales se ejecuta en una capa separada del sistema de control del robot.
Típicamente, estos módulos (conductas) pueden ser la de evitar obstáculos, caminar, levantarse, etc. Las funciones inteligentes del sistema, tales como percepción, planificación, modelado, aprendizaje, etc. emergen de la interacción entre los distintos módulos y el entorno físico en donde está inmerso el robot. El sistema de control –totalmente distribuido– se construye de manera incremental, capa por capa, a través de un proceso de ensayo y error, y cada capa es responsable únicamente de una conducta básica [Moriello, 2005, p. 177/8].
Los sistemas basados en la conducta son capaces de reaccionar en tiempo real, ya que calculan las acciones directamente a partir de las percepciones (a través de un conjunto de reglas de correspondencia situación-acción). Es importante observar que el número de capas aumenta con la complejidad del problema. De este modo, una tarea muy compleja puede estar más allá de la capacidad del diseñador (es muy complicado definir todas las capas, sus interrelaciones y dependencias) [Pratihar, 2003].
Otro inconveniente es que, debido a la presencia de varias conductas y a su dinámica individual de interacción con el mundo, muchas veces es difícil decir que una serie de acciones en particular ha sido producto de una conducta particular. Algunas veces varias conductas trabajan simultáneamente, o están intercambiándose rápidamente.
Aunque tal vez alcancen la inteligencia del insecto, probablemente los sistemas construidos a partir de este enfoque tengan habilidades limitadas, ya que no tienen representaciones internas [Dawson, 2002]. En efecto, este tipo de robots presentan una gran dificultad para ejecutar tareas complejas y, en las más sencillas, no se garantiza la mejor solución, la óptima.
Robótica Cognitiva (Cognitive Robotics)
Esta aproximación utiliza técnicas provenientes del campo de las Ciencias Cognitivas. Se ocupa de implementar robots que perciben, razonan y actúan en entornos dinámicos, desconocidos e imprevisibles. Tales robots deben tener funciones cognitivas de muy alto nivel que impliquen razonar, por ejemplo, acerca de las metas, las acciones, el tiempo, los estados cognitivos de otros robots, cuándo y qué percibir, aprender de la experiencia, etc.
Para eso, deben poseen un modelo simbólico e interno de su entorno local, y la suficiente capacidad de razonamiento lógico para tomar decisiones y para ejecutar las tareas necesarias a fin de alcanzar sus objetivos. En pocas palabras, esta línea de trabajo se ocupa de implementar características cognitivas en los robots, tales como percepción, formación de conceptos, atención, aprendizaje, memoria a corto y largo plazo, etc. [Bogner, Maletic y Franklin, 2000].
Si se consigue que los robots desarrollen por sí mismos sus capacidades cognitivas, se evitaría el programarlos “a mano” para cada tarea o contingencia concebible [Kovács, 2004]. Asimismo, si se logra que los robots utilicen representaciones y mecanismos de razonamiento similares a la de los humanos, se podría mejorar la interacción hombre-máquina, así como las tareas de colaboración. Sin embargo, se necesita un elevado poder de procesamiento (en especial si el robot cuenta con numerosos sensores y actuadores) y mucha memoria (para representar el espacio de estados).
Robótica de Desarrollo o Epigenética
Este enfoque se caracteriza porque trata de implementar sistemas de control de propósito general, a través de un prolongado proceso de desarrollo o auto-organización autónoma. Como resultado de la interacción con su entorno, el robot es capaz de desarrollar diferentes –y cada vez más complejas– capacidades perceptuales, cognitivas y comportamentales.
Se trata de un área de investigación que integra la neurociencia del desarrollo, la psicología del desarrollo y la robótica situada. Inicialmente el sistema puede estar dotado de un pequeño conjunto de conductas o conocimientos innatos, pero –gracias a la experiencia adquirida– es capaz de crear representaciones y acciones más complejas. En síntesis, se trata de que la máquina desarrolle autónomamente las habilidades adecuadas para un determinado entorno particular transitando por las diferentes fases de su “desarrollo mental autónomo”.
La diferencia entre la robótica de desarrollo y la robótica epigenética –a veces agrupadas bajo la denominación de “robótica ontogenética” (ontogenetic robotics)– es algo sutil, ya que se refiere al tipo de entorno. En efecto, mientras la primera hace referencia únicamente al entorno físico, la segunda toma en cuenta también al entorno social.
El término epigenético (más allá de lo genético) fue introducido –en la psicología– por el psicólogo suizo Jean Piaget para designar su nuevo campo de estudio que enfatiza la interacción sensomotriz de la persona con el entorno físico, en lugar de tener en cuenta solamente a los genes. Por otra parte, el psicólogo ruso Lev Vygotsky complementó esta idea con la importancia de la interacción social.
Robótica Evolutiva (Evolutionary Robotics)
Este acercamiento aplica los conocimientos obtenidos de las Ciencias Naturales (biología y etología) y de la Vida Artificial (redes neuronales, técnicas evolutivas y sistemas dinámicos) sobre robots reales, a fin de que desarrollen sus propias habilidades en interacción íntima con el entorno y sin la intervención humana.
Mediante un diseño fijo, es difícil lograr que un robot se adapte (se auto-organice) a un entorno dinámico que evoluciona –a menudo– mediante cambios caóticos. De allí que la robótica evolutiva puede proporcionar una adecuada solución a este problema, ya que la máquina puede adquirir automáticamente nuevos comportamientos dependiendo de las situaciones dinámicas que se presentan en el entorno en donde está situada.
A través de la utilización de técnicas evolutivas (algoritmos genéticos, programación genética y estrategia evolutiva), se puede decidir evolucionar el sistema de control o algunas características del cuerpo del robot (morfología, sensores, actuadores, etc.) o co-evolucionar ambas.
De igual manera, se puede decidir evolucionar físicamente el hardware (los circuitos electrónicos) o el software (los programas o las reglas de control). No obstante, poco hay hecho sobre hardware evolutivo [Fernández León, 2004] y, normalmente, lo que se hace es evolucionar primero el controlador en una simulación por computadora y, sólo después, se lo transfiere a los robots reales. El controlador del robot consiste típicamente en redes neuronales artificiales, y la evolución consiste en modificar los pesos de las conexiones de dicha red.
En la actualidad, el principal inconveniente del control evolutivo es su lenta velocidad de convergencia y la considerable cantidad de tiempo que tiene que pasar para llevar a cabo el proceso evolutivo sobre un robot real [Pratihar, 2003]. Asimismo, no es apropiado para resolver problemas de creciente complejidad [Fernández León, 2004].
Robótica Biomimética, Biorrobótica o Robótica Inspirada Biológicamente
Esta aproximación se ocupa de diseñar robots que funcionan como los sistemas biológicos, de allí que se basan sobre las Ciencias Naturales (biología, zoología y etología) y la robótica. Dado que los sistemas biológicos realizan muchas tareas de procesamiento complejas con máxima eficiencia, constituyen una buena referencia para implementar sistemas artificiales que ejecuten tareas que los seres vivos realizan de forma natural (interpretación de la información sensorial, aprendizaje de movimientos, coordinación motora, etc.) [Ros, et al, 2002]. Aunque es posible obtener diferentes grados de “inspiración biológica” (desde una vaga semejanza hasta una aceptable réplica), el objetivo último es realizar máquinas y sistemas cada vez más similares al original [Dario, 2005].
La ventaja de construir bio-robots es que, como es posible estudiar todos sus procesos internos, se los puede contrastar con los diferentes órganos del animal del cual se inspira. En la actualidad, los científicos desarrollan langostas, moscas, perros, peces, serpientes y cucarachas robóticas, con el fin de emular –en mayor o mayor medida– la conducta robusta, flexible y adaptable de los animales. No obstante, pocas máquinas se parecen a sus homólogos naturales.
Replicar la biología no es fácil y podría pasar bastante tiempo antes de que se puedan fabricar robots biomiméticos que resulten verdaderamente útiles. Otro problema –quizás el principal– es que, aunque se conoce muy bien los diferentes procesos de muchos de estos seres vivos, hay una diferencia abismal con sus equivalentes humanos. En efecto, el modo en el que percibe y actúa el hombre es extremadamente más complejo que como lo hace una langosta, por dar un ejemplo.
Sergio Alejandro Moriello es Ingeniero en Electrónica (1989), Postgrado en Periodismo Científico (1996), Postgrado en Administración Empresarial (1997), Especialista en Ingeniería en Sistemas de Información (2005), Cursando Maestría en Sistemas de Información por la UTN-FRBA (terminada la Tesis). Es autor de los libros Inteligencias Sintéticas e Inteligencia Natural y Sintética.
Bibliografía:
1. Boden, M. (1995): AI’s Half-Century. American Association for Artificial Intelligence, AI Magazine, Winter, vol. 16, N° 4, p. 96/9.
2. Bogner, M.; Maletic, J. y Franklin, S. (2000): ConAg: A Reusable Framework for Developing “Conscious” Software Agents.
3. Brooks, R. (1998): Prospects for Human Level Intelligence for Humanoid Robots. MIT, julio, Laboratorio de Inteligencia Artificial.
4. Dario, P. (2005): Robot, ovvero tra illusioni e realtà. Revista Media Duemila, Número Especial Robótica, Julio/Agosto, p. 22/5.
5. Dawson, M. (2002): From Embodied Cognitive Science to Synthetic Psychology. First IEEE International Conference on Cognitive Informatics (ICCI’02). Alberta, Canada, 19/20 de agosto.
6. Fernández León, J. (2004): Robótica Evolutiva y la próxima generación de robots autónomos. WCAFR 2004 (Workshop del II Campeonato Argentino de Fútbol de Robots), 9-11 de junio.
7. Florian, R. (2003): Autonomous artificial intelligent agents. Technical Report Coneural, 4 de febrero, edición digital.
8. Innocenti Badano, B. (2000): Representación de la Dinámica del Cuerpo Físico de Agentes Físicos en Capacidades Atómicas. Universidad de Girona, Julio. Propuesta de Tesis de Doctorado.
9. Kovács, A. y Ueno, H. (2005): Cognitive Substrates: What They Are and What They Learn. Página personal del autor. 4 de marzo.
10. Mataric, M. (2002): Situated Robotics. Encyclopedia of Cognitive Science, Nature Publishers Group, Macmillian Reference Ltd.
11. Moriello, S. (2005): Inteligencia Natural y Sintética. Buenos Aires, Editorial Nueva Librería.
12. Moriello, S. (2005): Nuevos enfoques en el estudio de la mente; Revista Tendencias Científicas. 19 de junio de 2005.
13. Muñoz Moreno, I. (2000): Preliminary Studies of Dynamics of Physical Agent Ecosystems. Propuesta de Tesis de Doctorado, Universidad de Girona, Julio.
14. Peters, L. (2000): Trends in Robotics. ERCIM News, julio, N° 42. Tema Especial: Robotics.
15. Pratihar, D. (2003): Evolutionary robotics – A review.ias.ac.in/sadhana/Pdf2003Dec/Pe979.pdf. Revista Sãdhanã, diciembre, vol. 28, Part 6, p. 999–1009.
16. Ros, E.; Pelayo, F., Prieto, A. y del Pino, B. (2002): Ingeniería Neuromórfica: El papel del hardware reconfigurable. Sitio Cortivis
Este acercamiento aplica los conocimientos obtenidos de las Ciencias Naturales (biología y etología) y de la Vida Artificial (redes neuronales, técnicas evolutivas y sistemas dinámicos) sobre robots reales, a fin de que desarrollen sus propias habilidades en interacción íntima con el entorno y sin la intervención humana.
Mediante un diseño fijo, es difícil lograr que un robot se adapte (se auto-organice) a un entorno dinámico que evoluciona –a menudo– mediante cambios caóticos. De allí que la robótica evolutiva puede proporcionar una adecuada solución a este problema, ya que la máquina puede adquirir automáticamente nuevos comportamientos dependiendo de las situaciones dinámicas que se presentan en el entorno en donde está situada.
A través de la utilización de técnicas evolutivas (algoritmos genéticos, programación genética y estrategia evolutiva), se puede decidir evolucionar el sistema de control o algunas características del cuerpo del robot (morfología, sensores, actuadores, etc.) o co-evolucionar ambas.
De igual manera, se puede decidir evolucionar físicamente el hardware (los circuitos electrónicos) o el software (los programas o las reglas de control). No obstante, poco hay hecho sobre hardware evolutivo [Fernández León, 2004] y, normalmente, lo que se hace es evolucionar primero el controlador en una simulación por computadora y, sólo después, se lo transfiere a los robots reales. El controlador del robot consiste típicamente en redes neuronales artificiales, y la evolución consiste en modificar los pesos de las conexiones de dicha red.
En la actualidad, el principal inconveniente del control evolutivo es su lenta velocidad de convergencia y la considerable cantidad de tiempo que tiene que pasar para llevar a cabo el proceso evolutivo sobre un robot real [Pratihar, 2003]. Asimismo, no es apropiado para resolver problemas de creciente complejidad [Fernández León, 2004].
Robótica Biomimética, Biorrobótica o Robótica Inspirada Biológicamente
Esta aproximación se ocupa de diseñar robots que funcionan como los sistemas biológicos, de allí que se basan sobre las Ciencias Naturales (biología, zoología y etología) y la robótica. Dado que los sistemas biológicos realizan muchas tareas de procesamiento complejas con máxima eficiencia, constituyen una buena referencia para implementar sistemas artificiales que ejecuten tareas que los seres vivos realizan de forma natural (interpretación de la información sensorial, aprendizaje de movimientos, coordinación motora, etc.) [Ros, et al, 2002]. Aunque es posible obtener diferentes grados de “inspiración biológica” (desde una vaga semejanza hasta una aceptable réplica), el objetivo último es realizar máquinas y sistemas cada vez más similares al original [Dario, 2005].
La ventaja de construir bio-robots es que, como es posible estudiar todos sus procesos internos, se los puede contrastar con los diferentes órganos del animal del cual se inspira. En la actualidad, los científicos desarrollan langostas, moscas, perros, peces, serpientes y cucarachas robóticas, con el fin de emular –en mayor o mayor medida– la conducta robusta, flexible y adaptable de los animales. No obstante, pocas máquinas se parecen a sus homólogos naturales.
Replicar la biología no es fácil y podría pasar bastante tiempo antes de que se puedan fabricar robots biomiméticos que resulten verdaderamente útiles. Otro problema –quizás el principal– es que, aunque se conoce muy bien los diferentes procesos de muchos de estos seres vivos, hay una diferencia abismal con sus equivalentes humanos. En efecto, el modo en el que percibe y actúa el hombre es extremadamente más complejo que como lo hace una langosta, por dar un ejemplo.
Sergio Alejandro Moriello es Ingeniero en Electrónica (1989), Postgrado en Periodismo Científico (1996), Postgrado en Administración Empresarial (1997), Especialista en Ingeniería en Sistemas de Información (2005), Cursando Maestría en Sistemas de Información por la UTN-FRBA (terminada la Tesis). Es autor de los libros Inteligencias Sintéticas e Inteligencia Natural y Sintética.
Bibliografía:
1. Boden, M. (1995): AI’s Half-Century. American Association for Artificial Intelligence, AI Magazine, Winter, vol. 16, N° 4, p. 96/9.
2. Bogner, M.; Maletic, J. y Franklin, S. (2000): ConAg: A Reusable Framework for Developing “Conscious” Software Agents.
3. Brooks, R. (1998): Prospects for Human Level Intelligence for Humanoid Robots. MIT, julio, Laboratorio de Inteligencia Artificial.
4. Dario, P. (2005): Robot, ovvero tra illusioni e realtà. Revista Media Duemila, Número Especial Robótica, Julio/Agosto, p. 22/5.
5. Dawson, M. (2002): From Embodied Cognitive Science to Synthetic Psychology. First IEEE International Conference on Cognitive Informatics (ICCI’02). Alberta, Canada, 19/20 de agosto.
6. Fernández León, J. (2004): Robótica Evolutiva y la próxima generación de robots autónomos. WCAFR 2004 (Workshop del II Campeonato Argentino de Fútbol de Robots), 9-11 de junio.
7. Florian, R. (2003): Autonomous artificial intelligent agents. Technical Report Coneural, 4 de febrero, edición digital.
8. Innocenti Badano, B. (2000): Representación de la Dinámica del Cuerpo Físico de Agentes Físicos en Capacidades Atómicas. Universidad de Girona, Julio. Propuesta de Tesis de Doctorado.
9. Kovács, A. y Ueno, H. (2005): Cognitive Substrates: What They Are and What They Learn. Página personal del autor. 4 de marzo.
10. Mataric, M. (2002): Situated Robotics. Encyclopedia of Cognitive Science, Nature Publishers Group, Macmillian Reference Ltd.
11. Moriello, S. (2005): Inteligencia Natural y Sintética. Buenos Aires, Editorial Nueva Librería.
12. Moriello, S. (2005): Nuevos enfoques en el estudio de la mente; Revista Tendencias Científicas. 19 de junio de 2005.
13. Muñoz Moreno, I. (2000): Preliminary Studies of Dynamics of Physical Agent Ecosystems. Propuesta de Tesis de Doctorado, Universidad de Girona, Julio.
14. Peters, L. (2000): Trends in Robotics. ERCIM News, julio, N° 42. Tema Especial: Robotics.
15. Pratihar, D. (2003): Evolutionary robotics – A review.ias.ac.in/sadhana/Pdf2003Dec/Pe979.pdf. Revista Sãdhanã, diciembre, vol. 28, Part 6, p. 999–1009.
16. Ros, E.; Pelayo, F., Prieto, A. y del Pino, B. (2002): Ingeniería Neuromórfica: El papel del hardware reconfigurable. Sitio Cortivis
Inicio
Enviar a un amigo
Versión para imprimir
Compartir
Un aprendizaje rápido y social integró a los niños a las sociedades durante el 99% de nuestra historia
CIENCIA ON LINE