PERCEPCIÓN

Y
VISIÓN ROBÓTICA
 PERCEPCIÓN
La percepción es un proceso que permite al organismo,
a través de los sentidos, recibir, elaborar e interpretar la
información proveniente de su entorno.
 VISIÓN
Se llama visión a la capacidad de
interpretar nuestro entorno
gracias a los rayos de luz que
alcanzan el ojo.
PERCEPCIÓN ROBÓTICA
La percepción es el proceso por el cual
los sensores del robot elaboran un
mapa del entorno utilizando una
determinada representación interna.
VISIÓN ROBÓTICA
La visión del robot se puede
definir como el proceso de
extraer, caracterizar e
interpretar información de
imágenes de un mundo
tridimensional.
 SENSORES
Un sensor es un dispositivo capaz de medir
magnitudes físicas o químicas, llamadas
variables de instrumentación, y
transformarlas en variables eléctricas. Las
variables de instrumentación pueden ser por
ejemplo: temperatura, intensidad lumínica,
distancia, aceleración, inclinación,
desplazamiento, presión, fuerza, torsión,
humedad, pH, etc.
Algunas características técnicas de un
sensor son:
 Rango de medida: dominio en la
magnitud medida en el que puede
aplicarse el sensor.

 Precisión: es el error de medida máximo

esperado.

 Sensibilidad de un sensor: relación entre

la variación de la magnitud de salida y la
variación de la magnitud de entrada.
 Resolución: mínima variación de la
magnitud de entrada que puede apreciarse
a la salida.

 Rapidez de respuesta: puede ser un

tiempo fijo o depender de cuánto varíe la
magnitud a medir. Depende de la
capacidad del sistema para seguir las
variaciones de la magnitud de entrada.

 Repetitividad: error esperado al repetir

varias veces la misma medida
En robótica se puede decir que:
Los sensores son la interfaz perceptual
entre el robot y su entorno.

Existen sensores pasivos, como las cámaras,

son observadores verídicos del entorno:
capturan las señales que son generadas por
otras fuentes en el entorno.

Los sensores activos, como un sonar, emiten

energía dentro del mismo.
Sean activos o pasivos los sensores se pueden
dividir en tres tipos, dependiendo de si
determina distancias a objetos, imágenes del
entorno o propiedades del robot en sí mismo.

Algunos tipos de sensores son:

Escáneres de rango : Son sensores que miden
la distancia a objetos cercanos (sonar).

GPS : Sistema de posicionamiento global, el

cual mide la distancia a una serie de satélites
que emiten señales de pulso.
Sensores de imágenes : Las cámaras que nos
proporcionan imágenes del entorno y,
utilizándolas técnicas de visión por computador
aplican diversos modelos y extraen características
del entorno.

Sensores perceptores : Los cuales informan al

robot de su propio estado.

Sensores de fuerza y torsión : Son indispensable

cuando los robots manejan objetos frágiles u
objetos cuya forma y localización son
desconocidos.
Otros tipos de sensores que también son utilizados en robótica son:

 Sensores de posición: su función es medir o detectar la posición

de un determinado objeto en el espacio, dentro de este grupo,
podemos encontrar los siguientes tipos de captadores:
o Los captadores fotoeléctricos: Este tipo de sensores, se
encuentra basado en la emisión de luz , y en la detección de esta
emisión realizada por los fotodetectores.
Según la forma en que se produzca esta emisión y detección de
luz, podemos dividir este tipo de captadores en: captadores por
barrera, o captadores por reflexión.

o Captadores por barrera: detectan la existencia de un objeto,

porque interfiere la recepción de la señal luminosa.

o Captadores por reflexión: la señal luminosa es reflejada por el

objeto, y esta luz reflejada es captada por el captador fotoeléctrico,
lo que indica al sistema la presencia de un objeto.
 Sensores de contacto: estos dispositivos, son los más
simples, ya que son interruptores que se activan o desactivan si
se encuentran en contacto con un objeto, por lo que de esta
manera se reconoce la presencia de un objeto en un
determinado lugar.
Su simplicidad de construcción añadido a su robustez, los
hacen muy empleados en robótica.

o Captadores de circuitos oscilantes: este tipo de captadores, se

encuentran basados en la existencia de un circuito en el mismo
que genera una determinada oscilación a una frecuencia prefijada,
cuando en el campo de detección del sensor no existe ningún
objeto, el circuito mantiene su oscilación de un manera fija, pero
cuando un objeto se encuentra dentro de la zona de detección del
mismo, la oscilación deja de producirse , por lo que el objeto es
detectado. Estos tipos de sensores son muy utilizados como
detectores de presencia, ya que al no tener partes mecánicas, su
robustez al mismo tiempo que su vida útil es elevada.
 Sensores por ultrasonidos: este tipo de sensores, se basa en el
mismo funcionamiento que los de tipo fotoeléctrico, ya que se emite
una señal, esta vez de tipo ultrasónica, y esta señal es recibida por un
receptor. De la misma manera, dependiendo del camino que realice la
señal emitida podremos diferenciarlos entre los que son de barrera o
los de reflexión.

o Captadores de esfuerzos: este tipo de captadores, se encuentran

basados en su mayor parte en el empleo de galgas extensométrica, que
son unos dispositivos que cuando se les aplica una fuerza, ya puede ser
una tracción o una compresión, varia su resistencia eléctrica, de esta
forma podemos medir la fuerza que se está aplicando sobre un
determinado objeto.
 Sensores de Movimientos:

o Sensores de deslizamiento:
Este tipo de sensores se utiliza para indicar al robot con
que fuerza ha de levantar un objeto para que éste no se rompa
al aplicarle una fuerza excesiva, o por el contrario que no se
caiga de las pinzas del robot por no sujetarlo debidamente.
Su funcionamiento general es simple, ya que este tipo de
sensores se encuentran instalados en el órgano aprehensor
(pinzas).

o Sensores de Velocidad:
Estos sensores pueden detectar la velocidad de un objeto
tanto sea lineal como angular. La forma más popular de
conocer la velocidad del giro de un motor, es utilizar para ello
una dinamo tacométrica acoplada al eje del que queremos
saber su velocidad angular. De todas maneras, este tipo de
sensores al ser mecánicos se deterioran, y pueden generar
errores en las medidas.
o Sensores de Aceleración:
Este tipo de sensores es muy importante, ya que
la información de la aceleración sufrida por un
objeto o parte de un robot es de vital importancia
porque si se produce una aceleración en un
objeto, este experimenta una fuerza que tiende a
hacer poner el objeto en movimiento.
Robot sigue luz

Robot sensor ultrasónico

Robot con GPS

Sensor ultrasonico
FUNCIÓN SENSORIAL
 Probabilidad: definición

Dado un experimento E y el espacio de muestreo S,

a cada evento A le asociamos un número real P(A),el
cual es la probabilidad de A y satisface los siguientes
axiomas
 Axiomas

•0 ≤P(A) ≤1
•P(S) = 1
•P(A∪B ∪C … ) = P(A) + P(B) + P(C) +…
A, B, C … mutuamente exclusivos
 PROBABILIDAD CONDICIONAL

P(A| B) = P(A∩B) / P(B)

Probabilidad de que ocurra un evento dado que ocurrió otro:

– Dado que el dado cayó par, ¿Cuál es probabilidad de que

sea un número primo?

– Dado que la lectura del sonar es 35.8, cuál es la

probabilidad de que el robot esté en la celda [30,24]?
 MODELOS GRÁFICOS PROBABILISTAS
• Un modelo gráfico probabilista es una representación
compacta de la distribución conjunta de un grupo de
variables
• Tienen varias ventajas respecto a un representación
“plana”:
 Es generalmente más compacto(espacio)

 La inferencia es generalmente mucho más

eficiente(tiempo)

 Es más fácil de entender y comunicar

 Es más fácil de construir(de expertos) o aprender

(de datos)
 Un modelo gráfico incluye dos aspectos:
 Un grafo, G(V,E),que define la estructura del
modelo
 Un conjunto de funciones locales, f(Yi),que
definen los parámetros (probabilidades), donde Yi
es un subconjunto de X
• La probabilidad conjunta se define como el
producto de las probabilidades locales:
Podemos clasificar a los PGMs en:

 Dirigidos vs. No dirigidos

 Estáticos vs. Dinámicos

•Dirigidos •No dirigidos

• Estáticos • Dinámicos
 CLASIFICADOR BAYESIANO

• Calcula la probabilidad de la clase o hipótesis

(H) dados los atributos o evidencia (E) en
base a la regla de Bayes:

P(H| E) = P(H) P(E | H) / P(E)

P(H| E) = P(H) P(E | H) / ΣiP(E | Hi) P(Hi)

• Normalmente no se requiere saber el valor de

probabilidad, solamente el valor más probable
de H
 CLASIFICADOR BAYESIANO SIMPLE

• Estimar la probabilidad: P(EE| H)es complejo, pero

se simplifica si se considera que los atributos son
independientes dada la hipótesis:

• Por lo que la probabilidad de la hipótesis dada la

evidencia puede estimarse como:
 EJEMPLO: FUSIÓN SENSORIAL

• Supongamos que el robot tiene dos sensores(láser,

sonar) que le indican la probabilidad de que una
celda este ocupada o no

• Podemos combinarlos utilizando un clasificador

bayesiano simple, para lo que se requiere:
–Modelo del sensor1: P(S1|O)
–Modelo del sensor2: P(S2|O)
–Probabilidad inIcial: P(O)

• Entonces la probabilidad posterior es:

P(O|S1,S2) α P(O) P(S1|O) P(S2|O)
En cierto posición el robot obtiene las siguientes
probabilidades
– P(S1|O) = 0.8; P(S1|L) = 0.4
– P(S2|O) = 0.6; P(S2|L) = 0.5
• Asumimos probabilidades iniciales iguales:
– P(O) = P(L) = 0.5
• Aplicamos el CBS:
P(O|S1,S2) α 0.5 x 0.8 x 0.6 = 0.24
P(L|S1,S2) α 0.5 x 0.4 x 0.5 = 0.10
• Normalizando:
P(O|S1,S2) =0.24 / (0.24 + 0.10) = 0.71
P(O|S1,S2) = 0.10 / (0.24 + 0.10) = 0.29
 FILTRO DE KALMAN
• Las variables de estado (X) y observaciones
(Z) tienen una distribución Gaussiana
• Las funciones de transición y observación son
lineales:
xt+1= A xt + G wt
zt= C xt + vt

•Donde A, C, G son constantes, y wt, vt son los

términos que representan el ruido (media cero,
varianza q, r)
[En general, x y z son vectores y Q, R matrices
de covarianza]
RECONOCIMIENTO DE
PATRONES

Llamado también lectura de patrones, identificación

de figuras y reconocimiento de formas.

Consiste en el reconocimiento de patrones de

señales. Los patrones se obtienen a partir de los
procesos de segmentación, extracción de
características y descripción dónde cada objeto
queda representado por una colección de
descriptores.
El sistema de reconocimiento debe asignar a cada objeto su
categoría o clase (conjunto de entidades que comparten
alguna característica que las diferencia del resto). Para poder
reconocer los patrones se siguen los siguientes procesos:

1.Adquisición de datos
2.Extracción de características
3.Toma de decisiones
El punto esencial del reconocimiento de patrones es la
clasificación: se quiere clasificar una señal dependiendo
de sus características. Señales, características y clases
pueden ser de cualquiera forma, por ejemplo se puede
clasificar imágenes digitales de letras en las clases «A»
a «Z» dependiendo de sus píxeles o se puede clasificar
ruidos de cantos de los pájaros en clases de órdenes
aviares dependiendo de las frecuencias.
Sistema básico de reconocimiento
Un sistema completo de reconocimiento de patrones incluye un
sensor que recoja fielmente los elementos del universo a ser
clasificado, un mecanismo de extracción de características
cuyo propósito es extraer la información útil, eliminando la
información redundante e irrelevante, y finalmente una etapa
de toma de decisiones en la cual se asigna a la categoría
apropiada los patrones de clase desconocida a priori.

Sensor
Extracción de características
Es el proceso de generar características que puedan ser
usadas en el proceso de clasificación de los datos.

Selecciónde variables
Consiste en seleccionar cuál es el tipo de características o
rasgos más adecuados para describir los objetos
Clasificación
La clasificación trata de asignar las diferentes partes
del vector de características a grupos o clases,
basándose en las características extraídas. En esta
etapa se usa lo que se conoce como aprendizaje
automático, cuyo objetivo es desarrollar técnicas que
permitan a las computadoras aprender.