Aplicación de Deep Learning al aprendizaje de modelos en robótica cognitiva

• Autores: Francisco Bellas Bouza , José Antonio Becerra Permuy , Ariel Rodríguez Jiménez, Esteban Arias Méndez
• Localización: Tecnología en Marcha, ISSN 0379-3982, ISSN-e 2215-3241, Vol. 33, Nº. Extra 6, 2020 (Ejemplar dedicado a: Movilidad Estudiantil 7), págs. 92-104
• Idioma: español
• DOI: 10.18845/tm.v33i6.5171
• Títulos paralelos:
  • Deep Learning application to model learning in cognitive robotics
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    El tipo de entrenamiento utilizado para una red neuronal artificial va a depender de factores como: disponibilidad de datos, tiempo de entrenamiento, recursos de hardware disponibles, entre otros. Los entrenamientos pueden ser offline u online. En el presente artículo se experimentan entrenamientos online sobre un robot cuya principal característica es que utiliza un mecanismo cognitivo darwinista para su supervivencia. El aprendizaje del robot se produce en tiempo real. Este tiene redes neuronales artificiales profundas para predecir acciones a realizar, se entrena con la menor cantidad de espacio de almacenamiento y en el menor tiempo posible sin sacrificar confianza de la red neuronal artificial profunda.Los entrenamientos experimentados son: Online Deep Learning, Online Deep Learning con memoria y Online Mini-Batch Deep Learning con memoria

  • English

    The kind of training used for an artificial neural network will depend on factors such as: available data, training time, hardware resources, etc. The trainings can be online and offline. In the current article we experimented with online trainings on a robot whose main characteristic is the usage of a Cognitive Darwinist Mechanism to survive.The robot learns in real-time. It has deep artificial neural networks to predict actions, it’s trained using the least amount of storage and the training time has to be as fast as possible; keeping high confidence in the artificial neural network.The experimental trainings are: Online Deep Learning, Online Deep Learning with memory and Online Mini-Batch Deep Learning with memory

• Referencias bibliográficas
  • Arrabales, R. (2007). Robótica Cognitiva (1era edición) [Online]. Disponible: http://www.conscious-robots.com/es/2007/08/21/robotica-cognitiva/
  • Bottou, U. (2010). Large-Scale Machine Learning with Stochastic Gradient Descent (1era edición) [Online]. Disponible: https://leon.bottou.org/publications/pdf/compstat-2010.pdf
  • Brownlee, J. (2017). A Gentle Introduction to Mini-Batch Gradient Descent and How to Configure Batch Size (1era edición) [Online]. Disponible:...
  • Crowford, C. (2016). An introduction to deep learning (1era edición) [Online]. Disponible: https://blog.algorith-mia.com/introduction-to-deep-learning/
  • Duchi, S., Hazan, E. y Singer, Y. (2011). Adaptive Subgradient Method for Online Learning and Stochastic Optimization (1era...
  • F. Bellas, “MDB mecanismo cognitivo darwinista para agentes autónomos”, Disertación doctoral, departamen-to de computación, Universidade da...
  • Guizzo, B. y Ackerman, E. (2018, setiembre 18). How Rethink Robotics Built its New Baxter Robot Worker (1era edición) [Online]. Available:...
  • Kingma, D., y Lei J. (2015). ADAM: A method for stochastic optimization (1era edición) [Online]. Disponible: https://arxiv.org/pdf/1412.6980.pdf
  • Poggio, T., Voinea, S., y Rosasco, L. (2018). Online learning, stability and stochastic gradient descent (1era edición) [Online]. Disponible:...
  • Sahoo, D., Pham, Q., Lu J., y C.H S. (2017). Online Deep Learning: Learning Deep Neural Networks on the Fly (1era edición) [Online]. Disponible:...
  • Stanley, K. y Miikkulainen, R. (2002). Evolving Neural Networks Through Augmenting Topologies (1era edición) [Online]. Disponible: http://nn.cs.utexas.edu/downloads/papers/stanley.ec02.pdf[
  • Zulkifli, H. (2018). Understanding Learning Rates and How It Improves Performance in Deep Learning (1era edición) [Online]. Disponible: https://towardsdatascience.com/understanding-learning-rates-and-how-it-impro-ves-performance-in-deep-learning-d0d4059c1c10