Aprendizaje evolutivo de reglas fuzzy en un sistema clasificador modificado para control de agentes móviles

摘要

Los esquemas de navegacion que combinan teoria de conjuntos borrosos, algoritmos geneticos y redes neuronales para resolver el problema de la navegacion de agentes moviles han suscitado especial interes entre los investigadores en robotica, El aprendizaje elimina la programacion de algoritmos especificos. Esta forma de construir inteligencia a traves de la experiencia es muy cercana a os metodos biologicos de la evolucion. En esta tesis creamos una plataforma para el aprendizaje de FLCs encaminada especialmente al desarrollo de controladores borrosos para la navegacion de robots moviles, la cual ha sido probada sobre un robot kephera. En cuanto al aprendizaje de maquina en si, puede resumirse que ha de contarse con una base de conocimiento la cual se modifica principalmente de dos formas: con modificaciones estructurales (reconfiguracion algoritmica) o modificaciones parametricas (ajustes en los parametros del sistema para mejorar su rendimiento). Nuestro trabajo se enmarca en el primer enfoque. Cuando los sistemas son muy complejos o no puede obtenerse directamente un modelo del sistema, la modificacion de la base de conocimiento (o aprendizaje) dista mucho de las tecnicas clasicas de control, razon por la cual se recurre a nuevas tecnicas. En los aspectos conceptuales que sustentan la tesis intervienen temas que son de amplia discusion en el mundo tecnologico de hoy; la Inteligencia Artificial (AI), las tecnicas avanzadas de control, los sensores y los sistemas sensoriales y la mecatronica. Se aborda especialmente los temas relacionados con el control y navegacion automatica de sistemas robotizados con aprendizaje, basandose en la teoria de la Logica Borrosa (Fuzzy Logic) y la computacion evolutiva. En terminos generales, podemos decir que nuestra estructura se corresponde basicamente con un sistema clasificador (o de clasificadores), con modificaciones apropiadas para el objetivo de gen