Aplicación de Deep Learning al aprendizaje de modelos en robótica cognitiva

  1. Francisco Bellas-Bouza
  2. Jose Becerra-Permuy
  3. Ariel Rodríguez-Jiménez
  4. Esteban Arias-Méndez
Revista:
Tecnología en Marcha

ISSN: 0379-3982 2215-3241

Año de publicación: 2020

Título del ejemplar: Movilidad Estudiantil 7

Volumen: 33

Número: 6

Páginas: 92-104

Tipo: Artículo

DOI: 10.18845/TM.V33I6.5171 DIALNET GOOGLE SCHOLAR lock_openDialnet editor

Otras publicaciones en: Tecnología en Marcha

Objetivos de desarrollo sostenible

Resumen

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

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: https://machinelearningmastery.com/gentle-introduction-mini-batch-gra-dient-descent-configure-batch-size/
  • 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 edición) [Online]. Disponible: http://www.jmlr.org/papers/volume12/duchi11a/duchi11a.pdf
  • F. Bellas, “MDB mecanismo cognitivo darwinista para agentes autónomos”, Disertación doctoral, departamen-to de computación, Universidade da Coruña, A Coruña, España, 2003.
  • Guizzo, B. y Ackerman, E. (2018, setiembre 18). How Rethink Robotics Built its New Baxter Robot Worker (1era edición) [Online]. Available: https://spectrum.ieee.org/robotics/industrial-robots/rethink-robotics-baxter-robot-factory-worker
  • 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: https://arxiv.org/pdf/1105.4701.pdf
  • 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: https://arxiv.org/pdf/1711.03705.pdf
  • 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