Robots autónomos motivados para aprender
En un entorno desconocido y en constante cambio, un robot autónomo debe ser capaz de reaccionar de manera instantánea a cambios y eventos inesperados para evitar colisiones y actualizar sus mapas. Para una navegación de éxito, es necesario que el robot responda, en primer lugar, a partir de su información sensorial inmediata y, en segundo lugar, sobre la base de mapas internos del entorno que le rodea. Este comportamiento inteligente es, además de otros requisitos fundamentales, una consecuencia directa de la arquitectura del sistema combinada con un sistema de aprendizaje y adaptación, configurado individualmente conforme a la experiencia adquirida. Bajo la coordinación de la Universidad de Bonn, los socios del proyecto SIGNAL intentaron diseñar una arquitectura sistémica, permitiendo a los robots autónomos crecer a través de una secuencia de capacidades aprendidas. La arquitectura sistémica propuesta fue organizada en una jerarquía de capas, que se corresponde con distintos niveles de las capacidades del robot y está dividida en función de la ruta de información. La información sensorial de entrada conseguida a partir de sensores primarios se procesa para derivar información sobre el entorno a través de una cascada de módulos de reconocimiento y categorización de patrones, hasta que se genera información simbólica. El flujo de información se dirige a través de múltiples capas para proporcionar datos sensoriales básicos hacia tareas de procesamiento de información más complicadas, antes de que los resultados estén disponibles para módulos de actuadores. A continuación, se generan comandos adecuados para los actuadores de los robots en función de la tarea que el sistema inteligente tiene que realizar, así como del «estado interno» del sistema. Mientras que el robot se mueve por su entorno, se van construyendo gráficos de interconexión de elementos sensoriales sucesivos que representan objetos del mundo real utilizando las acciones sucesivas realizadas. Estas asociaciones topológicas del entorno pueden proporcionar los mapas internos necesarios para la navegación y la planificación de acciones. Asimismo, los módulos en cada capa del sistema son adaptables y capaces de aprender su respectiva funcionalidad a través de paradigmas originados a partir de redes neurales, aprendizaje automático, sistemas inmunológicos artificiales y aprendizaje de la psicología. A diferencia de los sistemas convencionales que se diseñan para adquirir capacidades en un conjunto, el método de mapeado sensorial-actuatorio permite que los artefactos técnicos adquieran subfuncionalidades a través del aprendizaje.
