Documentos de Académico
Documentos de Profesional
Documentos de Cultura
RESUMEN
En este documento intentaremos mostrar una idea general del mundo de la lgica borrosa (fuzzy logic), adentrndonos en un mundo de informacin imprecisa que se tratar como un conjunto difuso. Estos sistemas pueden ser aplicados a similares problemas que las redes neuronales, resultando especialmente interesante para problemas no lineales o bien no definidos. De la misma manera, los sistemas borrosos permiten modelar cualquier proceso no lineal, y aprender de los datos haciendo uso de determinados algoritmos de aprendizaje. No obstante, a diferencia de las redes neuronales, los basados en lgica borrosa permiten utilizar fcilmente el conocimiento de los expertos en un tema, bien directamente, bien como punto de partida para optimizacin automtica, al formalizar el conocimiento a veces ambiguo de un experto de forma realizable. Adems, gracias a la simplicidad de los clculos necesarios, normalmente pueden realizarse en sistemas baratos y rpidos.
Un ejemplo para que el lector entienda completamente el concepto de lgica borrosa puede ser que una persona no es simplemente alta o baja, sino que depende de si est por encima o por debajo de ciertas alturas la graduaremos de una forma u otra. Una vez explicado este concepto, el lector puede darse cuenta de que la lgica borrosa est enraizada en la mayor parte de nuestros modos de pensar y de hablar, otra cosa es la valoracin que cada persona haga a esa borrosidad existente. Aunque ya se ha podido entender el concepto, antes de su admisin total debern estudiarse: Los antecedentes histricos del concepto. La posibilidad de construccin de un lenguaje formal infinito valuado. Las consecuencias filosficas y prcticas
Trminos Generales
Lgica borrosa, lgica difusa, redes neuronales, entorno desarrollo MATLAB, robot PILAR
2. HISTORIA
La lgica difusa fue investigada por primera vez alrededor de mediados de los aos sesenta por el ingeniero Lotfy A. Zadeh en la Universidad de Berkeley (California). En un principio este ingeniero no denomin a esta lgica como lgica borrosa sino que la llam principio de incompatibilidad. A continuacin mostraremos como describi l este principio: Conforme la complejidad de un sistema aumenta, nuestra capacidad para ser precisos y construir instrucciones sobre su comportamiento disminuye hasta el umbral ms all del cual, la precisin y el significado son caractersticas excluyentes. En este momento fue cuando introdujo el concepto de conjunto difuso (en ingls Fuzzy Set). Este nuevo concepto no es ms que la idea de que los elementos sobre los que se basa el pensamiento humano no son nmeros sino etiquetas lingsticas. Esta idea es la que permite que se pueda representar el conocimiento, que es principalmente lingstico de tipo cualitativo y no tanto cuantitativo, en un lenguaje matemtico mediante los conjuntos difusos y funciones caractersticas asociadas a ello. Esto no quiere decir que exclusivamente se trabaje con nmeros, este lenguaje nos permite trabajar con datos numricos pero tambin con trminos lingsticos que aunque son ms imprecisos que los nmeros, muchas veces son ms fciles de entender para el razonamiento humano. Aunque como ya hemos explicado, la lgica borrosa es hoy en da ms conocida gracias a Lotfy Zadeh, la idea que se esconde detrs de este trmino tiene sus orgenes hace unos 2500 aos atrs puesto que los filsofos griegos ya trabajaban con la idea de que existan distintos grados de veracidad y de falsedad.
Palabras Clave
Lgica, borrosidad, tcnica, fuzzy, imprecisin, verdadero, falso, soft computing, hard computing, MATEMTICA, FIDE,
Volviendo a la idea originada por Zadeh, aunque se considera que l fue quien primero habl de la lgica borrosa, su tesis se basa tambin en estudios y obras de otros pensadores de otras disciplinas que tenan una visin alejada de la lgica tradicional y muy similar a la de Zadeh. Entre las obras y personas que influyeron a Zadeh, podemos destacar: la paradoja del conjunto de Russell, el principio de incertidumbre de Heisenberg y a Jack Lukasiewicz creador de la lgica multivaluada. En un principio, la comunidad cientfica no vio con buenos ojos la lgica difusa, sin embargo algunos de estos investigadores que en un principio haban mostrado su resistencia ante este concepto, terminaron siendo seguidores de Zadeh e incluso mientras l segua asentando los conocimientos de la lgica borrosa, estos cientficos se dedicaron a explorar nuevas teoras referidas a este tipo de lgica. Entre estos nuevos seguidores de la lgica borrosa podemos destacar a Bellman, Lakoff, Goguen, Smith Otro paso importante para el desarrollo de la lgica difusa fue que a principios de la dcada de los setenta se crearon varios grupos de investigacin en diferentes universidades japonesas hicieron grandes contribuciones sobre las aplicaciones que poda tener este tipo de lgica. De esta forma se consigui crear el primer controlador difuso para una mquina de vapor o crear un controlador de inyeccin de qumica en depuradoras de agua. En dcadas posteriores esta teora cada vez fue teniendo ms xito y se le iban encontrando nuevas aplicaciones. En la dcada de los ochenta, la investigacin se orient hacia las redes neuronales y su similitud con los sistemas fuzzy. Estos sistemas fuzzy lo que hacen es utilizar mtodos de aprendizaje basados en redes neuronales para identificar y optimizar sus parmetros. En cuanto a la dcada de los noventa, a parte de la investigacin de las redes neuronales y los sistemas fuzzy, surgen los algoritmos genticos. Si combinamos estas tres tcnicas computaciones, se puede conseguir una herramienta de trabajo muy potente de los sistemas de control. Segn lo expuesto hasta ahora, se puede ver que la lgica borrosa ha provocado innumerables investigaciones y aplicaciones, la mayora orientadas a sistemas de control pero actualmente se est yendo ms all y se empieza a investigar en reas como el reconocimiento de patrones visuales o la identificacin de segmentos de ADN. Por ltimo, mencionar que muchos de los investigadores que actualmente investigan en los temas de la lgica borrosa, comentan que el futuro de Internet (en cuanto a controlar la red, gestionarla o recuperar informacin), est en aplicar las tecnologas borrosas en estas reas.
casos como este donde no es fcil catalogar algo, se introduce la lgica borrosa. Segn la lgica borrosa, el conjunto de hombres altos es un conjunto que no tiene una frontera clara que indique que perteneces a ese grupo o no. El evaluar si un hombre es alto o bajo, se hace mediante una funcin que define la transicin entre alto a bajo y para ello asigna a las distintas alturas un valor entre 0 y 1. Segn sea este valor se considera que se pertenece al conjunto o no. Aplicando esto al caso anterior, un hombre que mida 1.79 metros se puede decir que pertenece al conjunto de hombres altos con un grado de 0.75 y el hombre que meda 1.81 metros pertenece al conjunto de hombres altos con un grado de 0.8. Si representamos esto en una grfica se obtendr que la transicin entre alto o bajo con la lgica borrosa es una curva con cambios no abruptos mientras que con la lgica clsica, el paso de alto a bajo o viceversa es brusco:
LGICA BORROSA
Alto
0 1.8
LGICA CLSICA
Alto
Bajo
3. CONJUNTOS DIFUSOS
Para ilustrar el concepto de la lgica difusa y los conjuntos difusos vamos a explicar el primer ejemplo que puso Zadeh. Para ello puso el ejemplo del conjunto de los hombres altos. Segn la teora de lgica clsica al conjunto de hombres altos solo pertenecen los que miden ms de una determinada altura y esa altura lmite es 1.80 metros, as un hombre es considerado alto cuando mide por ejemplo 1.81 metros y uno bajo cuando mide 1.79 metros. Esto no parece una razn muy lgica para catalogar a un hombre de alto o bajo ya que por ejemplo en el caso expuesto la altura de uno a otro solo se diferencia en 2 centmetros. Ah, en
En resumen, segn la lgica clsica un elemento pertenece o no pertenece al conjunto, sin embargo la lgica borrosa lo que hace es poner un grado de pertenencia al conjunto. Este grado de pertenencia se define mediante la funcin caracterstica asociada al conjunto difuso: para cada valor que puede tomar la variable x, la funcin caracterstica A(x) proporciona el grado de pertenencia de ese valor x al conjunto difuso A.
Una vez aclarados mnimamente estos conceptos, a continuacin explicaremos las operaciones sobre conjuntos difusos y sus propiedades.
2-
Altura:
2-
Unin:
La unin de los conjuntos difusos A y B es el conjunto difuso C y se escribe como C= A OR B; su funcin de pertenencia est dada por:
3-
Ncleo
Es el conjunto de elementos cuyo grado de pertenencia es igual a 1: 3Interseccin: 4Conjunto difuso normal Altura(A)=1 4Negacin o complemento: 5Conjunto difuso convexo
La interseccin de los conjuntos difusos A y B es el conjunto difuso C y se escribe como C= A AND B; su funcin de pertenencia est dada por:
5-
Producto cartesiano:
Si A y B son conjuntos difusos en X e Y, el producto cartesiano de los conjuntos A y B en el espacio X x Y tiene la funcin de pertenencia:
6-
Co-producto cartesiano:
Entrada de datos
DIFUSOR
A + B en el espacio X x Y tiene la funcin de pertenencia: MECANISMO INFERENCIA Cabe aadir que las operaciones de interseccin, unin y complemento cumplen al igual que en la teora clsica de conjuntos, las propiedades asociativa, conmutativa, distributiva y las leyes de Morgan. Sin embargo, a diferencia de la teora clsica, los conjuntos difusos no cumplen el principio de contradiccin ni el de exclusin. Salida de datos
DESDIFUSOR
BLOQUE DIFUSOR: en este bloque a cada dato de entrada se le asigna un grado de pertenencia a cada uno de los conjuntos difusos considerados mediante la funcin caracterstica ya comentada en apartados anteriores. Las entradas a este bloque son
valores concretos de la variable a analizar y los datos de salida son los grados de pertenencia a los conjuntos estudiados. BLOQUE DE INFERENCIA: este bloque relaciona conjuntos difusos de entrada y de salida y representa a las reglas que definen el sistema. DESDIFUSOR: en este bloque a partir de los conjuntos difusos procedentes de la inferencia se obtiene un resultado concreto mediante la aplicacin de mtodos matemticos de desdifusin.
Evidentemente, estas operaciones influyen en el coste del sistema final, y en muchos casos ser sta la mayor restriccin del diseo. Una vez decididas las prestaciones del diseo requeridas, se ha de utilizar una herramienta de desarrollo para el diseo del sistema y seleccionar la plataforma de implementacin adecuada. Las herramientas de desarrollo suelen utilizar un lenguaje de descripcin para independizar el diseo de la plataforma, como puede observarse en el esquema del proceso de diseo de un FLC mostrado a continuacin. Entradas grficas variables conjuntos borrosos funciones de pertenencia Entradas textuales reglas borrosas editores de cdigo Lenguaje descripcin Anlisis y conversin
Lenguaje descripcin
Compilador borroso
5.1 INTRODUCCIN
El diseo de un controlador basado en lgica borrosa supone establecer un compromiso entre diversos criterios de diseo: velocidad, precisin y flexibilidad, principalmente.
En este sentido, los sistemas de desarrollo disponibles comercialmente ms utilizados son FuzzyTECH, MATLAB, TILShell y FIDE. De stas y de otras herramientas software hablaremos en los puntos siguientes, mientras que concluiremos con las formas de realizar en hardware sistemas borrosos
PRECISIN
FLEXIBILIDAD
Compromiso de diseo. Falta considerar otro fundamental, que supondremos implcito: el coste Para conseguir los resultados deseados debe plantearse la velocidad de respuesta del sistema de control, la cual vendr limitada por otros factores, como el grado de precisin requerido o la flexibilidad del diseo. As, si deseamos una alta precisin en el control necesitaremos una gran cantidad de conjuntos para cada variable y un alto nmero de reglas, lo que exigir una elevada cantidad de clculos, causando un aumento del tiempo de respuesta. Si adems deseamos que el sistema de control tenga flexibilidad de adaptacin a los caminos del sistema y aprender de los errores cometidos, sern necesarios muchos ms clculos adicionales, que tambin aumentarn el tiempo de respuesta.
dispone an de sistemas que faciliten la integracin en un mismo sistema de las diversas metodologas de trabajo disponibles (redes neuronales, sistemas borrosos, algoritmos genticos, etc.) En este sentido, quizs sea MATLAB el entorno ms completo actualmente, pues permite el trabajo desde un mismo entorno con tcnicas clsicas y novedosas (wavelets, redes neuronales, etc.). Su principal limitacin es el limitado soporte para el desarrollo de sistemas en tiempo real. Para el campo de los sistemas basados en lgica borrosa, que en estos momentos nos ocupa, se han introducido diversos sistemas de desarrollo de propsito especfico. Resulta difcil realizar una lista completa de todos los disponibles, pues continuamente aparecen nuevos. En los puntos siguientes se describirn algunos de los ms difundidos, agrupndolos en aquellos que se apoyan en conocidos programas matemticos (MATLAB, Mathematica...), y los realizados expresamente para lgica borrosa.
universitarios, donde se utiliza para la simulacin de control de sistemas. Este entorno puede considerarse una especie de sistema interactivo cuyos elementos bsicos son matrices, y su dimensionamiento se realiza dinmicamente. La solucin de los problemas se expresa en MATLAB con expresiones matemticas similares a las habituales, de modo que en principio no requiere programacin. MATLAB se utiliza habitualmente en entornos de ingeniera para analizar y desarrollar prototipos de algoritmos o computaciones numricas, utilizando una formulacin matricial que se adapta bien tanto a la teora de control automtico clsico. Como al procesamiento digital de seales. Se pueden definir nuevas funciones como secuencias de comandos ya definidos, almacenndolos en un fichero de tipo Mfile. Existen amplias colecciones de estos M-files o toolboxes que han sido escritas para aplicaciones especiales, y que se venden por separado. En los ltimos aos se han incorporado el Neural Networks Toolbox y el Fuzzy Logic Toolbox, que permiten el trabajo con redes neuronales y lgica borrosa, respectivamente, con relativa sencillez y buenas salidas grficas. Como complemento a MATLAB se dispone de SIMULINK, un entorno grfico orientado a la simulacin de sistemas dinmicos no lineales. Para el modelado de sistemas dispone diferentes bloques lineales y no lineales, tanto en el campo continuo como en el discreto. Para el anlisis de sistemas se pueden utilizar diversos algoritmos de resolucin de ecuaciones diferenciales. Este conjunto de herramientas resulta muy til para las simulaciones requeridas en el proceso de diseo de un sistema complejo, pues permiten explorar con relativa sencillez distintas soluciones. Sin embargo, para aplicaciones en tiempo real en ingeniera puede plantear problemas por la gran carga computacional requerida. Las herramientas de MATLAB fuzzy logic toolboox permiten disear sistemas basados en lgica borrosa con potentes tcnicas de entrenamiento, as como su integracin en sistemas de control complejo simulables en SIMULINK.
5.2.1.1 MATLAB
MATLAB es probablemente el entorno de desarrollo matemtico ms extendido para las aplicaciones de control y procesamiento de seal, especialmente en ambientes
5.2.1.2 MATHEMATICA
investigadores dirigido por el profesor Hans Zimmermann, de la Universidad de Aachen (Alemania). Zimmermann, uno de los pioneros de la lgica borrosa en Europa, es presidente y fundador de la International Fuzzy Systems Association (IFSA), la principal organizacin internacional para la investigacin y aplicacin de los sistemas basados en lgica borrosa. El entorno fuzzyTech est formado por un GUI comn basado en MS-Windows que permite la edicin grfica de las variables lingsticas para cada una de las variables del sistema, con una precisin seleccionable segn el tipo de implementacin final seleccionado (8 a 16 bits). FuzzyTech dispone de varios asistentes para facilitar las tareas ms frecuentes del diseo, como asistente para la estructura, para las variables y para las reglas. Incluye adems una ventana de gestin del proyecto con estructura de rbol, un sistema personalizable de generacin automtica de documentacin del proyecto segn el estndar IEC1131-7, y un gestor de versiones integrado. El entorno admite la simulacin fuera de lnea y en tiempo real. Dentro del primer tipo, permite la depuracin interactiva con visualizacin de flujos de inferencia, y optimizacin interactiva de los parmetros del sistema. Como cualidad importante de este entorno destacaremos que dispone de un gran nmero de versiones con una interfaz de usuario comn, adaptadas a un gran nmero de implementaciones. Adems, este entorno ha sido seleccionado por diversos fabricantes de sistemas industriales como herramienta para el desarrollo de aplicaciones de control basadas en la lgica borrosa sobre sus sistemas.
El entorno MATHEMTICA es probablemente uno de los paquetes de software de tipo matemtico ms extendido, siendo empleado por investigadores, ingenieros y estudiantes de escuelas de ingeniera y ciencias. Cubre no slo las reas cientficas y matemticas, sino que tambin se emplea en reas tecnolgicas y empresariales. El entorno de MATHEMTICA est dividido en dos partes: el kernel que realiza los clculos, y un panel frontal que se ocupa de la interaccin con el usuario. El ncleo de MATHEMTICA es idntico en todas las computadoras en los que se ejecuta, en cambio el panel frontal est adaptado a las caractersticas de cada mquina. Adems el dicho entorno puede ser usado para realizar clculos numricos y simblicos, visualizar funciones, modelar y analizar datos, representar conocimientos, y generar documentos interactivos, y a travs de MathLink puede interactuar con otros programas. La principal limitacin de MATHEMTICA viene de su potencia, pues requiere enormes recursos de mquina, tanto en capacidad de disco como en memoria. Por la generalidad de sus algoritmos, los programas escritos con MATHEMTICA resultan ms lentos que los realizados con lenguajes de programacin convencionales, aunque su desarrollo es ms rpido. Por estas circunstancias, no resulta un entorno adecuado para realizar control en lnea. La gran variedad de funciones disponibles hace tambin que el tiempo de aprendizaje de la herramienta sea largo.
5.2.2.2 FIDE
El entorno FIDE (Fuzzy Inference Development Enviroment) ha sido desarrollado por la compaa americana Aptronix, en colaboracin con Motorola. Este entorno se basa en un lenguaje de descripcin de controladores llamado FIL, que a su vez se compone de tres sublenguajes, para cada uno de los posibles en el entorno. El lenguaje FIU permite describir unidades de inferencia borrosa formadas por conjuntos de reglas que se aplica sobre variables, para las que se puede definir diversos adjetivos. Las reglas en el lenguaje FIU se expresan en un estilo similar al ingls natural. Tambin pueden introducirse utilizando un interfaz de usuario de tipo hoja de clculo
As, el entorno FIDE se estructura entorno a un editor de textos multiventana elemental, que incluye un compilador de lenguaje FIL. Desde esta aplicacin MS-Windows es posible llamar a los cuatro bloques bsicos que componen el entorno: COMPILER, DEBUGGER, COMPOSER Y RTC. El bloque COMPILER compila los ficheros fuente del lenguaje FIL y genera un cdigo objeto para el resto de las aplicaciones. La aplicacin DEBUGGER posee tres herramientas: Tracer, Analyzer y Simulator. Tracer permite obtener el valor de las salidas para unos valores concretos de las entradas, y seguir paso a paso el proceso de inferencia que produce los valores de salida. Analyzer realiza el anlisis de la funcin de transferencia des sistema, as como la visualizacin de la funcin de salida desde diversas perspectivas. Es posible realizar una representacin tridimensional de la superficie de salida como se ve en la figura 1, o bien visualizaciones bidimensionales y topolgicas. Finalmente, Simulator simula el comportamiento dinmico de las unidades para unos datos de test (figura 2).
FIGURA 2: Comportamiento dinmico del controlador fuzzy Por otra parte, la aplicacin COMPOSER permite al usuario crear sistemas complejos que combinan mdulos borrosos con otros no borrosos, utilizando el denominado FCL. Esta herramienta proporciona un editor grfico para el diseo de los sistemas de inferencia. A modo de ejemplo, en la figura 3 puede verse la descripcin mediante COMPOSER de un sistema de inferencia borrosa aplicado al control de un pndulo inverso.
FIGURA 3: Presentacin de Composer, el editor grfico de FIDE Finalmente, la aplicacin RTC permite convertir la descripcin del cdigo objeto creada por el compilador de fuente en el cdigo mquina adecuado para diversos microcontroladores de Motorola/Freescale. Tambin se puede generar cdigo para MATLAB y ficheros fuente ANSI.
En esta seccin mostraremos como se puede llevar a cabo la implementacin final de un sistema de control basado en lgica borrosa, que se incorporar a un sistema real en funcionamiento.
aplicaciones basadas en lgica borrosa es el control, existiendo numerosas aplicaciones en el funcionamiento de la industria. Por ltimo, expondremos el caso del desarrollo del robot autnomo controlado con reglas borrosas bautizado como PILAR, diseado y realizado en la Universidad de Zaragoza.
6.1 INTRODUCCIN
Los nuevos modelos de procesamiento y control: redes neuronales, lgica borrosa y algoritmos genticos, junto con algunos otros de relativa novedad, se engloban dentro de la denominada soft computing [Zadeh, Jang] o inteligencia computacional, que tienen en comn el constituir paradigmas de procesamiento muy diferentes a la convencional hard computing, basadas en computadores Von Neumann (serie) y la separacin de hardware y software. Estas nuevas tcnicas se inspiran en las soluciones que la naturaleza ha encontrado durante millones de aos de evolucin a numerosos problemas tecnolgicos que involucran el tratamiento de cantidades masivas de informacin, redundante, imprecisa y ruidosa, problemas a los que en la actualidad se enfrenta el ser humano (visin, habla, control en ambiente natural). No obstante, debe quedar claro que estas nuevas tcnicas no vienen a suplantar a las ms tradicionales, sino ms bien a completarlas en aquellos problemas donde menos eficacia proporcionan. Es fcil deducir que tanto las redes neuronales artificiales como los sistemas borrosos, constituyen en la actualidad reas de investigacin y desarrollo (I+D) muy activas, no slo desde un punto de vista acadmico, sino comercial e industrial. Recordemos que grandes compaas del sector electrnico e informtico, como Siemens, Motorola, SGSThomson, Toshiba, National Semiconductors, OMROM, etc., trabajan en redes neuronales y sistemas borrosos. En la lnea anterior, cabe destacar el mundo empresarial japons en la aplicacin de lgica borrosa en la industria y en aparatos de consumo. Recordemos que en EEUU y Europa solamente se empez a dar importancia a la lgica borrosa cuando desde Japn empez a llegar abundante informacin sobre numerosas aplicaciones prcticas de esta tcnica, desarrolladas y comercializadas por compaas japonesas.
decirse que la lgica borrosa permite formalizar tanto el conocimiento ambiguo de un experto como el sentido comn. Una importante ventaja de los sistemas borrosos, es que gracias a la simplicidad de los clculos requeridos (sumas y comparaciones fundamentalmente), normalmente pueden realizarse en sistemas baratos y rpidos, con lo que pueden implementarse en sistemas especficos (por ejemplo, para el control inteligente de un horno microondas o de un sistema de frenado ABS). Este es uno de los motivos fundamentales del hecho constatado de la existencia en la actualidad de muchas ms aplicaciones prcticas funcionando basadas en lgica borrosa que en redes neuronales. No obstante, las ventajas e inconvenientes que cada enfoque puede presentar, el futuro apunta en la direccin de combinar distintas tcnicas para resolver problemas complejos. Los problemas tecnolgicos de mundo real resultan en general de gran complejidad, por lo que para su resolucin conviene que sean divididos en partes ms simples, de manera que cada una pueda ser resuelta mediante la tcnica ms indicada, procedente del campo de la estadstica, procesamiento de seal, reconocimiento de patrones, redes neuronales, sistemas borrosos, algoritmos genticos o cualquier otra. Debemos recordar en esta lnea de razonamiento que no existen soluciones simples a problemas complicados. Estas nuevas tcnicas emergentes aportan caractersticas sumamente interesantes, pero por si solas no resolvern todos nuestros problemas tecnolgicos, sino que contribuirn en determinados aspectos, pero otros seguirn siendo mejor abordados mediante tcnicas tradicionales. En este sentido, no conviene forzar la aplicacin de cierta nueva tcnica a determinado problema simplemente por su novedad, sino que ello debe realizarse solamente en aras de conseguir un mayor rendimiento o sencillez de implementacin. Este ltimo es otro de los aspectos destacables de los sistemas borrosos, su relativa sencillez de aplicacin. A veces mediante un sistema borroso no se logra un rendimiento superior (ni inferior) con el que se alcanzara con un enfoque clsico, pero el tiempo de desarrollo es con frecuencia inferior, y el sistema final resultar ms barato. Para concluir, y retomando la lnea de la fusin de tecnologas, merece a pena recordar el intenso trabajo que se desarrolla en sistemas neuro-borrosos. Los sistemas borrosos pueden aprovechar la capacidad de aprendizaje de una red neuronal para optimizar su funcionamiento. Por otro lado, la equivalencia que se establece entre ciertos modelos neuronales y borrosos puede ser empleada para extraer las reglas que una red neuronal ha encontrado en el entrenamiento, eliminando uno de los grandes problemas clsicamente achacado a los sistemas neuronales artificiales, su operacin en forma de caja negra. Por todo ello, la combinacin de redes neuronales y sistemas borrosos es un campo intenso de trabajo en la actualidad.
procedentes de la lgica borrosa. Remitiremos al lector interesado en profundizar en este tema al libro de C. Von Altrock, en el que se exponen numerosas aplicaciones de muy diferentes campos, algunas de ellas ampliamente comentadas. Por otro lado, el libro de R. Reyero y C.F. Nicols ilustra muy bien el tipo de aplicaciones de control industrial que actualmente se desarrollan con lgica borrosa. En los libros de Jang y Passsino se exponen con detalle ejemplos de resolucin de problemas con sistemas borrosos. Haciendo un poco de historia, la primera aplicacin prctica operativa de la lgica borrosa la desarroll E. Mandami en Europa, realizando el control borro de un sistema de vapor de una planta industrial. Otras de las ms clsicas quizs sea la de Smith y otros, que en 1980 aplican tcnicas de lgica borrosa al control de hornos rotativos en una cementera. El control en planta industrial sigue siendo hoy en da uno de los campos de aplicacin ms destacables. Los sistemas basados en lgica borrosa se vienen utilizando en aplicaciones de diversas ndoles. As, en el rea mdica se emplea para diagnsticos, acupuntura, anlisis de ritmos cardiacos, o de la arterioestenosis coronaria. Dentro del apoyo a la toma de decisiones, otras de las grandes reas de aplicacin de estos sistemas, se han utilizado, por ejemplo, en la bsqueda de caminos crticos en la ejecucin de proyectos, y asesoramiento a la inversin. Sin duda, el principal campo de aplicacin de la lgica borrosa es el de control, a partir del empleo de las expresiones de la lgica borrosa para formular reglas orientadas al control de sistemas. Dichos sistemas de control borroso pueden considerarse una extensin de los sistemas expertos, pero superando los problemas que stos presentan para el razonamiento en tiempo real, ocasionados por la explosin exponencial de las necesidades de clculo requerido para un anlisis lgico completo de las amplias bases de reglas que stos manejan. En el campo de control de sistemas en tiempo real destaca el control de un helicptero por rdenes pronunciadas de viva voz (Sugeno), y el control con derrapaje controlado de un modelo de coche de carreteras de Altrok. Dentro del sector del automvil existen gran nmero de patentes sobre sistemas de frenado y cambios de marcha automticos. El rea de los aparatos de consumo es otra de las mas destacables, hasta el punto de que no es raro encontrarse propaganda del tipo Incluye inteligencia artificial fuzzy, en escaparates o en catlogos (por ejemplo, en los de las cmaras de video Hitachi). En el sector de los electrodomsticos se han diseado un buen nmero de aplicaciones neuro-borrosas como lavadoras (Matsushita, Hitachi, Siemens, AEG), tostadoras de pan, controles de calefaccin y aire acondicionado. Para el control de maquinaria destaca el ya clsico control de frenado del metro de Sendai (Japn), realizado por Hitachi, y que opera desde julio de 1987. Se han aplicado sistemas borrosos en el control de maquinaria de perforacin de tneles y en el control de ascensores (Mitsubishi-Elec., Hitachi, Fuji Tech) y guas para contenedores. Se han aplicado tambin al procesado de imgenes y reconocimiento de caracteres; por ejemplo, se muestra un sistema que reconoce los nmeros de los cheques bancarios, para lo cual hace uso de un sensor de CCD
64X1 pxeles, y un microcontrolador M68HC11, en el que el sistema borroso se materializa por programa.
directamente (sustituyendo los mtodos geomtricos y dinmicos), o en combinacin con ellos. De esta forma, es posible compensar errores de seguimiento mediante reglas que tienen como antecedentes la desviacin del ngulo, y como consecuencia la modificacin de la direccin para compensar el error. Asimismo, otra estrategia muy interesante consiste en seleccionar mediante tcnicas de razonamiento aproximado los parmetros de control, que tpicamente se eligen mediante consideraciones heursticas. Por ejemplo, los mtodos geomtricos o dinmicos de seguimiento de trayectorias tienen como parmetro importante el nmero de puntos, o la distancia sobre el camino que pretende seguir (look ahead). Este parmetro puede elegirse mediante tcnicas de razonamiento aproximado, teniendo en cuenta las caractersticas del camino, la velocidad, y la posicin del vehculo con respecto al camino. Los comentarios anteriores se refieren fundamentalmente al control de la direccin. Existe tambin el problema del control de la velocidad del vehculo. Aunque hay un evidente acoplamiento cinemtico y dinmico con el anterior, se ah demostrado que en diversas aplicaciones prcticas pueden realizarse desacoplamientos. En cualquier caso, el problema de planificacin y control de velocidad es notablemente complejo, y suele realizarse con criterios heursticos. Por consiguiente, la aplicacin de tcnicas de razonamiento aproximado resulta particularmente interesante. Si bien la mayor parte de los robots autnomos se basan en topologas clsicas, haciendo uso de ruedas, tambin se han estudiado otras posibilidades. As, para el acceso a terrenos agrestes resulta de inters el uso de robots con patas. stos son capaces de moverse tambin en entornos de oficinas e industrias, por ser capaces de subir y bajar escaleras. En los robots con patas se ha de prestar atencin al control del movimiento de las patas para conseguir un desplazamiento uniforme. Estos estudios se han basado habitualmente en el movimiento de los animales.
En el contexto de este control jerrquico, se propone adems un mtodo para la eliminacin de bloqueos en el planeamiento de la trayectoria. El prototipo de robot autnomo de seis patas a sido bautizado como PILAR (Programmable Intelligent Legged Autonomous Robot), estando ideado para que pueda moverse en cualquier ambiente, terreno natural, volcanes, minas, plantas nucleares, fbricas, etc...
Cada una de sus patas es controlada mediante dos servomotores elctricos. El corazn de pilar es un microcontrolador 68HC11; todo el sistema es alimentado mediante una batera de Nquel-Cadmio de 9.6V. En la cabeza mvil incluye un sensor de ultrasonidos, mediante el cual mide la distancia a los obstculos; aunque su capacidad de giro es de 45. PILAR acta en funcin de los obstculos detectados y de las reglas borrosas (programadas en el 68HC11) que codifican su comportamiento. El sistema se ha diseado modularmente, de modo que puede ser fcilmente expandible y reconfigurable. Absolutamente autnomo, puede caminar en terrenos accidentados. De la misma manera que el modelo ARS inspirado en el sistema nervioso de los insectos, el patrn de coordinacin de los elementos, el patrn de coordinacin del movimiento de las seis patas de PILAR est basado en el de los insectos, presentando su misma secuencia temporal.
8. REFERENCES
[1] Altrock, C von, Krause, B. Fuzzy logic and neurofuzzy technologies in embedded automotive applications. Fuzzy Logic93, pp.A113-9, San Francisco California, 1993 [2] Eichfeld, H., Knemund, T. A fuzzy controller chip for complex real-time application. 5th IFSA World Congress, pp. 1390-3, 1993 [3] Jang J.S.R., C.T. Sun, E. Mizutani. Neuro-Fuzzy and soft Computing, Prentice-Hall, 1997 [4] Mandami, E. H., Odtengaard, J. J., Lembessis, E. Use of fuzzy logic for implementing rule-based control of industrial processes. Advances in Fuzzy Sets, Possibility Theory an Applications Plenum Press, 1983. [5] Martn del Bro, B., Sanz Molina, A. Redes neuronales y sistemas borrosos. 3 edicin. Ra-Ma [6] Passino, K., Yurkovich, S. Fuzzy Control. Addison-Wesley, 1998 [7] Reyero, R., Nicols, F. Sistemas de control basadas en lgica borrosa. OMROM Electronics-IKERLAN,1995. [8] Ruiz, A., Gutirrez, J. A VLSI-CMOS programmable membership function Circuit. Fitfh IFSA World Congress, pp. 977-980, 1993 [9] Sanz Molina, A. An object oriented envelopment for complex neuro fuzzy controller. IPMU96, pp.514-518, 1996. [10] Sasaki, M., Ueno, F., Inoue, T. An 8-bit resolution 140kFLIPS fuzzy microprocessor. 5th IFSA World Congress, pp. 921-924, 1993 [11] Shenoi S, Ashenayi K. Hardware impl. of an Autonomous fuzzy controller. 5th IFSA World Congress, pp. 834-837, 1993 [12] Song Han, II. Analogue-digital Hybrid circuit for an adaptative fuzzy network. 5th IFSA World Congress, pp. 838841, San Francisco, 1993. [13] Sugeno J, Griffin MF, Bastian A. Fuzzy hierarchical control of an unmanned helicopter. 5th IFSA World Congress, pp. 179-182, 1993. [14] Terano, T., Asai, K., Sugeno, J. Fuzzy Systems Theory and its Applications. Academic Press Inc., 1992 [15] Zadeh, L. A. Fuzzy Logic, neural networks and soft computing. Communications of the ACM, 3, 3, pp.77-84, marzo 1994. [16] Prez Pueyo, Rosanna Descripcin General de las Tcnicas de Lgica Difusa, cap.2
7. CONCLUSIN FINAL
La lgica borrosa tiene una historia corta, pero un rpido crecimiento debido a su capacidad de resolver problemas relacionados con la incertidumbre de la informacin o del conocimiento de los expertos. Adems, proporciona un mtodo formal para la expresin del conocimiento en forma entendible por los humanos. Estas cualidades le aseguran un amplio campo de aplicabilidad y un alto inters para las aplicaciones industriales, presentes y futuras. Concluiremos esta parte de dedicada a la lgica borrosa con un principio enunciado por Terano recientemente Cuanto ms humano deba ser un sistema, ms lgica borrosa contendr A modo de resumen final de nuestro trabajo, querramos expresar la conclusin fundamental: NO EXISTE PANACEA. Para resolver problemas complejos, como los pertenecientes a un entorno industrial o a muchos otros entornos (economa y finanzas, medicina, etc.), con frecuencia la solucin ptima consiste en una inteligente combinacin de diversas tcnicas, cada una de las cuales debe ser aplicada a aquel aspecto parcial del problema que mejor se adecue. En este sentido, tanto las redes neuronales como los sistemas borrosos se aplicarn especialmente all donde los comportamientos no lineales sean importantes. Cuando no se posea un modelo suficientemente bueno, pero si se disponga de un amplio conjunto de ejemplos (casos experimentales), el empleo de una red neuronal puede resultar til, y podemos dejar que mediante un proceso de entrenamiento ella misma encuentre el modelo o caractersticas ms relevantes. Sin embargo, cuando se disponga de un conjunto de reglas proporcionadas por los expertos en un determinado tema, el empleo de sistemas basados en lgica borrosa puede ser tremendamente til. No obstante, de la combinacin de ambas tcnicas, y de stas con otras ms clsicas (estadsticas, tratamiento de seal, etc.), son esperables resultados todava mejores.