INTELIGENCIA EN REDES DE

COMUNICACIONES
Trabajos de la asignatura
Curso 11-12

Departamento de Ingeniera Telemtica

Universidad Carlos III de Madrid

INTELIGENCIA EN REDES DE COMUNICACIONES
Trabajos de la asignatura

Curso 11-12

Julio Villena Romn

Raquel M. Crespo Garca
Departamento de Ingeniera Telemtica
Universidad Carlos III de Madrid
{jvillena, rcrespo}@it.uc3m.es

NDICE

1. El coche inteligente. .................................................................. 1

Daniel Asegurado Turn
Si alguna vez has soado con tener un coche como KITT, el coche
fantstico, ese sueo podra hacerse realidad en un futuro no muy lejano.
El sueo del coche fantstico es una realidad que est emergiendo con
fuerza en varios pases, incluido Espaa. El objetivo del presente
documento es realizar un recorrido por la historia del automvil hasta
llegar a los considerados coches inteligentes, donde nos detendremos a
analizar los diferentes proyectos que trabajan con esta idea.

Palabras clave: Coche autnomo, automatizacin de vehculos,

autoconduccin, Mecatrnica, radar, LIDAR, GPS, visin artificial, eye
tracking, estereoscopa.

2. Sistemas expertos: MYCIN ...................................................... 11

Ainhoa Sesmero Fernndez, Sandra Pinero Snchez
En este documento se explica lo que es un sistema experto, sus principales
usos y en concreto hablaremos del sistema MYCIN. Uno de los primeros
sistemas expertos para la deteccin y tratamiento de enfermedades de la
sangre.

Palabras clave: Sistemas expertos (SE), aplicaciones en medicina,

MYCIN, medicina, organismos, conocimiento.

-i-
3. Diseo e implementacin de un agente inteligente Mario A.I... 19
Yuchen Du, Virginia Izquierdo Bermdez
En este artculo se detalla el diseo y la implementacin de un agente
inteligente capaz de jugar al videojuego de Mario as cmo las tcnicas
utilizadas para este diseo.

Palabras clave: rbol de decisin, agente inteligente, Mario, enemigos,

agente, inteligencia, escenario.

4. Jugador virtual de pker Texas Holdem .................................29

Alberto lvarez Polegre, Lucas Bernalte Prez, David Daz Chinea
El pquer es un juego de cartas de los llamados de "apuestas", en los que
los jugadores, con todas o parte de sus cartas ocultas, hacen apuestas
sobre una puja inicial, recayendo la suma total de las apuestas en el
jugador o jugadores con la mejor combinacin de cartas. Este trabajo
hace un diseo de un jugador virtual de pker Texas Holdem.

Palabras clave: Pker, Texas Holdem, probabilidad, jugada, mano,

estrategia.

5. Inteligencia artificial en el mundo de la aviacin ..................... 37

Daniel Ruesga Ibaez, Hector Molla Ruiz
En este documento vamos a realizar un estudio del impacto que ha tenido
la inteligencia artificial en el mundo de la aviacin moderna. Nos
centraremos de forma especial en los sistemas de pilotaje automtico
disponibles en los aviones y su avance hasta los vehculos no tripulados
(UAVS).

Palabras clave: Sistemas expertos, aviacin, piloto automtico,

navegacin, vuelo, UAV.

6. Sistemas Expertos en meteorologa ......................................... 45

Carlos Lentisco Snchez, Tania Romero Rodrguez
Las aplicaciones basadas en inteligencia artificial son innumerables y
van desde la biomedicina o educacin hasta la prediccin de las
condiciones meteorolgicas que realizan los sistemas expertos, objeto de
estudio y razn de ser de este documento. Esta es la razn que justifica la
bsqueda del ser humano por predecir fiablemente las condiciones
meteorolgicas. A lo largo de este documento nos introduciremos ms en
los sistemas expertos repasando su evolucin histrica hasta nuestros
das para abordar posteriormente y con mayor profundidad un ejemplo
de estos sistemas. Centrndonos en el sistema Prometeo.

Palabras clave: Inteligencia, meteorologa, sistemas expertos,

prediccin meteorolgica.

- ii -
7. Traduccin automtica. Tcnicas y aplicaciones ...................... 53
Isabel Cuadrado Gutirrez, David Ferrer Figueroa
En este texto se aborda un tema de gran relevancia en la actualidad, el
concepto de la traduccin automtica. Se analizar esta rea desde su
origen hasta la actualidad, tratando la evolucin de las distintas tcnicas
empleadas para obtener la mayor calidad posible en las traducciones.
Asimismo, en el trrabajo se hace un breve repaso a las aplicaciones ms
utilizadas y al desarrollo futuro previsto en este campo teniendo en
cuenta, entre otros factores, la rentabilidad del negocio y la calidad de la
traduccin.

Palabras clave: Inteligencia artificial, Traduccin automtica,

algoritmo de corpus.

8. Resolucin de Puzzles Deslizantes ........................................... 61

Lara Rojo Celemn, Ivn Surez Morejudo
En 1878, Sam Loyd daba un premio de $1.000 a quien fuera capaz de
resolver su famoso 14-15 Puzzle. Se trataba de un puzzle deslizante de 16
piezas que no tena solucin, lo que hizo que muchas personas se
volvieran locas tratando de resolverlo. En este trabajo tratamos de
presentar diferentes algoritmos para resolver el 15-Puzzle desde el punto
de vista de la Inteligencia Artificial. Para ello, utilizamos el algoritmo de
bsqueda en rboles A*, del que daremos una visin general que luego
particularizaremos a nuestro caso del 15-Puzzle. Aunque en este trabajo
slo nos hemos centrado en resolver el rompecabezas de 16 piezas, los
algoritmos explicados pueden utilizarse para resolver cualquier puzzle
deslizante n x n con solucin.

Palabras clave: Puzzles, Algoritmos, permutaciones pares, heurstica,

Inteligencia Artificial, resolucin humana, puzzles deslizantes, 15-puzzle,
Sam Loyd, Algoritmo A*, herstica, Turing.

9. Desarrollo de un agente autnomo jugador de Super Mario ....70

Adrin Amor Martn, Cristina Garca Muoz
En este documento se va a detallar cmo realizar un agente, basado en
rboles de decisin, que sea capaz jugar de forma autnoma al juego
Super Mario en el marco del concurso Mario AI 2011.

Palabras clave: Agente, rboles de decisin, inteligencia artificial,

Super Mario.

10. Implementacin de un Agente para un jugador de Mario A.I. .. 78

Alejandro Prez Cruz, David de la Horra Iglesias
En este documento presentamos una posible implementacin de un
agente que pueda jugar al juego SuperMario Bross. con una cierta
inteligencia autnoma.

- iii -
 Palabras clave: Algoritmos de bsqueda, lenguaje de programacin
Java, diseo e implementacin de un agente, bsqueda, inteligencia
artificial, agentes.

11. Robot de Robocode ................................................................. 86

Felipe Llinares Lpez, Juan Jos Torres Garca
En esta memoria describimos una implementacin que hemos realizado
de un robot de competicin para el programa Robocode.

Palabras clave: Algoritmos, Rendimiento, Diseo, Robocode.

12. Minera de Datos .................................................................... 94

scar Palomo Miambres
En este artculo analizaremos las ideas bsicas que sustentan el Data
Mining y, ms concretamente, la utilizacin de rboles de decisin como
herramienta estadstica avanzada. Presento tambin un ejemplo ficticio
de la aplicacin de estas tcnicas: predecir clientes que tienen un alto
porcentaje de impagos.

Palabras clave: Minera de Datos, rboles de decisin, impagos,

prediccin.

- iv -
 El coche inteligente
En busca de mayor seguridad, sostenibilidad y confort
Daniel Asegurado Turn
Universidad Carlos III de Madrid
Legans, Madrid, Espaa
100066664@alumnos.uc3m.es
RESUMEN
Si alguna vez has soado con tener un coche como KITT, el coche
fantstico, ese sueo podra hacerse realidad en un futuro no muy
lejano. El sueo del coche fantstico es una realidad que est
emergiendo con fuerza en varios pases, incluido Espaa. El
objetivo del presente documento es realizar un recorrido por la
historia del automvil hasta llegar a los considerados coches
inteligentes, donde nos detendremos a analizar los diferentes
proyectos que trabajan con esta idea.
Palabras clave
Coche autnomo, automatizacin de vehculos, autoconduccin,
Mecatrnica, radar, LIDAR, GPS, visin artificial, eye tracking,
estereoscopa
1. INTRODUCCION
Todos hemos tenido envidia del mtico Michael Knight cuando,
con slo una orden de voz llamaba a KITT, su coche fantstico,
para que le fuese a recoger all donde se encontrase. KITT no slo
era capaz de conducir autnomamente, sino que era capaz de
reaccionar a todo tipo de peligros a los que se enfrentase gracias a
una supercomputadora integrada dotada de inteligencia artificial
(cerebro), que era capaz de interpretar los datos procedentes de
los diversos sensores de sonidos, imgenes e incluso olores (los
rganos de los sentidos). Hasta era capaz de hablar. En definitiva,
un coche con el comportamiento de un ser humano.
Figura 1. KITT, el coche fantstico
-1-
Durante muchos aos, esta idea del automvil no ha sido ms que
mera ciencia ficcin. Sin embargo, la realidad hoy es bien
diferente. En los casi treinta aos que separan la emisin de la
legendaria serie de la actualidad, se han realizado grandes
progresos en el estudio del coche inteligente. Organismos
oficiales, como la Unin Europea, fabricantes de automviles,
como Volvo, o incluso compaas de otros sectores ajenos al
motor, como es el caso de Google, se han lanzado a la carrera por
conseguir el coche del futuro.
Cul es el inters por obtener un coche de estas caractersticas?
Siguiendo con la analoga del coche fantstico, el principal inters
sigue siendo salvar vidas. Mientras que KITT se preocupaba de
salvarle la vida a su compaero Michael, el objetivo de los
organismos institucionales como la Unin Europea es reducir el
nmero de muertes al volante. Segn la DGT [1], en el primer
semestre de 2011 ya se contabilizaban 986 vctimas mortales por
accidentes en la carretera (no estn incluidas las vctimas de
lesiones graves o leves en el total de accidentes). En cifras
relativas, en Europa murieron 62 personas por milln de
habitantes el pasado 2010, segn el informe del ETSC sobre
seguridad vial [2]. Aunque la cifra vaya en descenso en los
ltimos aos, sigue siendo demasiado elevado el nmero de
personas que pierden la vida en accidentes de trfico, por lo que
es necesario la puesta en marcha de proyectos que trabajen por
aumentar la seguridad y evitar el mayor nmero posible de
siniestros. Con el coche inteligente podramos mejorar en
cuestiones de seguridad gracias a la incorporacin, por ejemplo,
de sistemas de alerta ante el alejamiento involuntario del carril,
detectores de peatones o sistemas de control del conductor que
sean capaz de reaccionar si el conductor se duerme al volante.
Por otro lado, el coche inteligente tiene que velar por la mayor
eficiencia energtica posible. Con el creciente nmero de coches
en el mundo (slo en 2010 se fabricaron ms de 58 millones en
todo el mundo segn el informe del OICA [3]), y la cada vez ms
escasa cantidad de recursos energticos, debida en gran parte a la
crisis del petrleo, exigen que los nuevos vehculos gestionen ms
eficientemente las fuentes de energa con las que cuente. Las
propias instituciones gubernamentales exigen, para cumplir con
las normativas de sostenibilidad y respeto del medio ambiente,
que adems se reemplacen los modelos ms antiguos por nuevos
que sean ms ecolgicos. En Espaa, un 13% del parque
automovilstico supera los 20 aos de antigedad segn el ltimo
informe de la DGT [4], por lo que un gran nmero de coches
deber ser renovado en los prximos aos. En este punto, el coche
inteligente juega tambin un papel crucial, pudiendo dotrsele de
la capacidad para controlar el consumo de forma autnoma. Los
nuevos coches elctricos y los futuribles coches de hidrgeno u modelos que se venan desarrollando paralelamente a finales del
otras fuentes de energa limpias, exigirn an ms si cabe una siglo XIX, no dejaba de ser un mero carro (ms bien un triciclo
gestin eficiente de la energa, y el desarrollo del mismo grande) propulsado por un motor.
incentivar la creacin de coches cada vez ms sostenibles.
Al automvil, que ha vivido grandes transformaciones desde su
invencin, le llega por tanto el momento de cobrar inteligencia.
Para ello, siguiendo el prototipo de KITT, es necesario
incrementar la capacidad de percepcin (mejorar los rganos de
los sentidos para adquirir ms informacin del exterior) y dotarle
de un cerebro que controle, analice y sea capaz de decidir
autnomamente. Nuevos medidores no slo de mayor precisin de
los niveles internos del automvil, como tradicionalmente se ha
venido desarrollando, sino para incorporar nuevas funcionalidades
como detectores de obstculos para el aparcado automtico,
detectores de otros objetos mviles -como otros vehculos- para
aumentar la seguridad en el adelantamiento, o detectores de
posicin para el ambicioso plan de la autonavegacin. Todo ello,
una vez ms, para facilitarle la vida un poco ms al ser humano
del siglo XXI. Figura 2. Benz Patent-Motorwagen (1885)
El presente documento analizar el concepto de coche inteligente, Ya antes del invento de Benz, la idea del coche elctrico estaba
como el resultado de la incorporacin de elementos de desarrollndose. Los primeros coches elctricos se remontan a
inteligencia artificial en el automvil, segn el siguiente esquema: 1828, cuando el hngaro nyos Jedlik inventa el motor elctrico y
- Seccin 1 presenta una introduccin al tema de la crea el primer modelo de coche propulsado por dicho motor.
inteligencia artificial aplicada al automvil y motiva el Diversos ingenieros trabajan en la idea del coche elctrico hasta
estudio realizado en este informe. que alrededor de 1839, el escocs Robert Anderson inventa el
primer coche elctrico impulsado por bateras elctricas no
- Seccin 2 realiza una breve resea histrica de la recargables. Sin embargo, la abundancia de carburantes lquidos y
evolucin del automvil y de la incorporacin de la eficiencia de los motores de gasolina hacen que el coche
elementos de inteligencia artificial en el mismo. elctrico quede aparcado hasta la actualidad, cuando la necesidad
de nuevas alternativas a los derivados del petrleo hace que se
- Seccin 3 analiza las distintas tecnologas en las que
recupere esta vieja idea de coche elctrico.
actualmente trabaja la iniciativa i2010 Intelligent Car
Initiative, promovida por la Comisin Europea. La etapa comprendida entre los ltimos aos del siglo XIX y la
primera mitad del siglo XX est cargada de avances en la
- Seccin 4 aborda el concepto de autoconduccin, donde
produccin de automviles. Entre ellos, la invencin de la cadena
se presentarn diferentes proyectos que trabajan en
de montaje en 1910 de la mano de Henry Ford. A partir de este
conseguir coches que se conduzcan solos. Una especial
momento, gracias a la produccin industrial de modelos de coches
atencin se prestar al proyecto de Google, ya que est
y su uso extendido para todas las clases sociales, la industria del
actualmente en marcha en Estados Unidos, y al proyecto
automvil adquiere una importancia vital en la economa de los
que los compaeros de la Universidad Carlos III estn
pases y se convierte en una de las industrias en las que ms
desarrollando en esta materia.
recursos se invierten en investigacin y desarrollo.
- Seccin 5 valora el futuro de los coches inteligentes
Los avances ms destacados en la industria del automvil durante
para la sociedad en los prximos aos, desde el punto
el siglo XX se orientan principalmente en la mejora del motor.
de vista del autor del documento.
Las distintas empresas automovilsticas inician la guerra por
conseguir los motores ms potentes y eficientes, y se investigan en
los motores de explosin, o comnmente conocidos como diesel.
2. HISTORIA
Para entender con mayor detalle hacia dnde va dirigida la carrera En los ltimos aos del siglo pasado y los primeros del XXI,
por el coche del futuro, es interesante hacer un breve recorrido etapa considerada como la edad moderna del automvil, aparecen
por la evolucin del automvil y repasar los avances que se han las primeras automatizaciones dentro del coche. A continuacin,
ido desarrollando en la senda de la automatizacin desde su se presentan algunas de estas incorporaciones:
invencin hasta los modelos contemporneos y los nuevos coches
autnomos. El elevalunas elctrico: mediante un mecanismo
elctrico controlado por el usuario gracias a un botn de
dos posiciones, se suben y bajan las ventanillas del
2.1 El automvil clsico automvil, sustituyendo as a la tradicional manivela
Aunque hubo vehculos a vapor que se pueden considerar los manual.
precursores del automvil (como el invento de Cugnot en torno a
1769, o el modelo de Murdoch), se considera a Karl Benz el El airbag: sistema de bolsas de aire que
inventor del automvil moderno, con la incorporacin de la automticamente se dispara cuando el automvil sufre
combustin por gasolina. El primer modelo de Benz, el Benz un choque brusco. Mediante un sistema electro-
Patent-Motorwagen (representado en la Figura 2), al igual que los

-2-
 mecnico, el coche es capaz de saber cundo debe
activar el airbag y cundo no.
El climatizador: un sistema de calefaccin que mantiene
la temperatura interna del vehculo a la temperatura
deseada por el conductor. Cuenta con un sensor de
temperatura gracias al cual determina la temperatura del
habitculo y si debe proporcionar mayor calor o fro
para mantener la temperatura dentro de los mrgenes
fijados por el usuario.
El ordenador de abordo: con mayor o menor
sofisticacin, los nuevos automviles incorporan una
pantalla que facilita informacin sobre kilmetros
recorridos, consumo medio cada 100km, velocidad
media, etc.
Aviso de cinturn de seguridad: mediante sensores de
presencia en los asientos, y sensores en el cierre del
cinturn de seguridad, el sistema de alarma detecta,
cuando el coche arranca el motor, los asientos que estn
ocupados y si en dichos asientos sus pasajeros tienen
abrochado el cinturn de seguridad. En caso contrario,
se activa una alarma sonora y visual, indicando que hay
pasajeros sin cinturn de seguridad.
Aviso de puertas abiertas: mediante un sistema de
sensor de cierre, similar al del aviso de cinturn de
seguridad, cuando el motor se enciende un piloto avisa
de si hay alguna puerta mal cerrada o abierta.
Subida automtica del volumen en funcin de la
velocidad: al superar determinada velocidad punta, el
coche sube automticamente el volumen del reproductor
de msica, avisando al conductor de que est
sobrepasando el lmite de velocidad, o incluso
despertarte el caso de que el aumento de velocidad se
deba a que el conductor se ha dormido.
El limpiaparabrisas automtico: gracias a un sensor de
lluvia en el parabrisas, la velocidad y frecuencia de
barrido de los limpiaparabrisas se ajustan
automticamente de acuerdo con la cantidad de lluvia
detectada.
Aunque no puedan considerarse como elementos de inteligencia
artificial como tal en el automvil, estas sutiles incorporaciones
en los coches modernos son, por as decirlo, antecedentes de los
proyectos que hay en marcha ya para dotar a los coches de
inteligencia. El auge de las nuevas tecnologas y la aparicin de la
conocida Sociedad de la Informacin, afectan a todos los mbitos
de la vida moderna. El automvil, herramienta que empleamos a
diario, no poda ser menos y, dado el enorme capital econmico
que genera la industria del automvil, cualquier mejora en este
aspecto proporcionar grandes beneficios econmicos, al margen
de cualquier otro progreso en sostenibilidad, seguridad o confort.
2.2 La automatizacin en el automvil
Con el auge de las nuevas tecnologas, surgen tambin nuevas
ramas en la ingeniera. Surge adems la llamada ingeniera
Mecatrnica, que engloba los campos de las ingenieras mecnica,
electrnica, de control e informtica, con el objetivo de disear
productos o procesos inteligentes, involucrando sistemas de
control en su diseo.
-3-
El origen de la Mecatrnica se remonta a las investigaciones en el
rea de la Ciberntica de Turing (1936), Wiener y Morthy (1948)
y Devol (1954) y los autmatas programables de Bedford
Associates en 1968. En la dcada de los setenta, la Mecatrnica se
centra en la tecnologa de servomecanismos, empleada en
productos como puertas automticas. En los aos ochenta, en
pleno auge de la tecnologa de la informacin, los
microprocesadores empiezan a ser introducidos en los sistemas
mecnicos para mejorar su desempeo. Las mquinas de control
numrico y los robots se volvieron ms compactos, y las
aplicaciones automotrices como los mandos electrnicos del
motor y los sistemas anticerrado y frenando se hicieron extensas.
Por los aos noventa, se agreg la tecnologa de comunicaciones,
creando productos que podan conectarse en amplias redes. Al
mismo tiempo, se estn usando novedosos microsensores y
microactuadores en nuevos productos como los sistemas
microelectromecnicos como los diminutos acelermetros de
silicio que activan las bolsas de aire de los automviles. El
concepto de automatizacin en el automvil viene ligado
precisamente a esta rama de la ingeniera y en la aplicacin
prctica de la Mecatrnica en tcnicas que asistan al conductor en
el control del vehculo.
En este punto en el que se ha repasado brevemente la historia del
automvil y la aparicin de distintas tcnicas de automatizacin
de la mano de la Mecatrnica, es necesario hacer una clasificacin
de los nuevos vehculos, en funcin de la inmersin de la
inteligencia artificial en su produccin. As, podemos diferenciar
tres tipos de vehculos:
Vehculos inteligentes: aquellos que emplean tcnicas
de automatizacin de la Mecatrnica, y en particular de
la inteligencia artificial, para disminuir o facilitarle las
responsabilidades del manejo del automvil al
conductor. En general, las caractersticas inteligentes de
estos vehculos hacen referencia a tareas de baja o
media dificultad. El control del automvil recae
totalmente en el conductor y la tarea fundamental de la
inteligencia del vehculo es asistirle.
Existen muchas tcnicas de automatizacin aplicadas al
automvil. Principalmente se clasifican en tres
categoras:
o Asistencia sensorial (informativa): informan
al conductor sobre eventos que ocurren y de
los que el conductor puede que no se d
cuenta. Algunos ejemplos son:
Detectores de obstculos
Visin nocturna (con deteccin de
peatones)
Sistema de aviso para el cambio de carril
Deteccin anticipada de colisin
Faros adaptativos
Reconocimiento de seales de trfico
o Asistencia para actuacin (correctiva):
modifican las instrucciones del conductor
para ejecutarlas de una forma ms eficiente.
Entre las tcnicas ms conocidas estn:
ABS (sistema de antibloqueo de frenos)
 TCS (sistema de control de traccin)
AWD (motor a las cuatro ruedas)
ESC (control electrnico de estabilidad)
DSR (respuesta a la direccin dinmica)
o Asistencia sistmica: introducen mejoras que
no se incluyen en las anteriores. Son por
ejemplo:
Aparcamiento automtico
Asistencia para el control de distancias
Dead man's switch: sistemas para detener
el coche de forma segura en caso de que el
conductor quede inconsciente
La Comisin Europea est llevando a cabo un
programa de desarrollo de coches inteligentes, en el
cul se engloban diferentes proyectos de universidades,
centros de investigacin y empresas del mundo
automovilstico. Entre los objetivos de este proyecto
estn el control de crucero autnomo, sistemas de alerta
para el cambio de carril o estudios para atacar el
problema del conductor somnoliento.
En la siguiente seccin se presentarn en detalle en qu
consiste este programa y que tecnologas se estn
investigando para el futuro coche inteligente.
Vehculos semiautnomos: aquellos que emplean las
tcnicas de automatizacin para tareas de mayor
dificultad, especialmente en cuestiones relacionadas
con la navegacin. El control del automvil recae
principalmente en el conductor pero parte de la
responsabilidad se le cede al control automtico. El
coche semiautnomo es un paso intermedio entre el
coche inteligente y el coche totalmente autnomo.
Vehculos autnomos o robticos: aquellos que
confan por completo en el sistema de automatizacin
del vehculo. Se les conoce tambin por el nombre de
driverless, es decir, coches sin conductor. El vehculo
sustituye por completo las funciones que
tradicionalmente llevaba a cabo el conductor y, como el
propio nombre sugiere, conduce solo. El vehculo
autnomo es capaz de percibir el entorno (a imitacin
de los sentidos humanos) mediante laser, radar,
LIDAR, GPS y visin artificial, y navegar por s
mismo. El papel del humano en este caso se limita a
elegir un destino, pero ya no se le requiere realizar
ninguna operacin mecnica sobre el vehculo.
2.3 El coche autnomo
Aunque en el apartado anterior se han descrito las principales
caractersticas de los vehculos autnomos y posteriormente se
presentarn diferentes proyectos que estn trabajando en el
desarrollo del coche autnomo, es interesante realizar tambin un
breve recorrido por la historia del coche autnomo.
La primera idea que se conoce sobre coches autnomos
corresponde al diseo Futurama, del americano Normal Bel
Geddes y financiado por General Motors, que fue presentado en la
Exposicin Universal de Nueva York de 1939. El proyecto
presentaba coches elctricos, alimentados por circuitos integrados
en la calzada, y que eran controlados por radio.
-4-
Aunque la idea se remonta a los aos treinta, no es hasta los
ochenta cuando se empiezan a implementar los primeros modelos
reales, no slo tericos. En estos aos, Mercedes-Benz presenta
una caravana robtica capaz de alcanzar hasta 100 km/h en
carreteras sin trfico. El xito del modelo anim a la Comisin
Europea a lanzar el proyecto EUREKA-Prometheus (1987-1995)
para el desarrollo de vehculos autnomos, el mayor proyecto de
I+D en el campo de los vehculos autnomos hasta el momento.
Al mismo tiempo en Estados Unidos el Departamento de Defensa
realiza sus propios experimentos en el llamado Autonomous Land
Vehicle (ALV) y lleva a cabo la primera demostracin de
vehculos capaces de seguir un camino utilizando LIDAR, visin
artificial y control robtico autnomo para controlar un vehculo
robtico hasta los 30 km/h. En 1987, consiguen que el ALV sea
capaz de viajar autnomamente fuera de carretera mediante un
sistema de navegacin autnomo basado en sensores. El nuevo
modelo es capaz de viajar 600m a 3 km/h en terrenos complejos
con fuertes pendientes, barrancos, grandes rocas y vegetacin.
Figura 3. DARPA: Autonomous Land Vehicle (ALV)
En 1994 y de vuelta a Europa, los vehculos robticos VaMP y su
gemelo Vita-2 logran circular miles de kilmetros por una
autopista parisina de tres carriles, con trfico denso, alcanzando
velocidades de hasta 130 km/h con una mnima intervencin
humana. El vehculo empleaba visin artificial para reconocer
obstculos que se podan mover rpidamente, como otros coches,
y poder realizar cambios de carril a izquierda o derecha evitando
colisionar con otros vehculos. El xito del proyecto dio paso a
muchos otros proyectos en los siguientes aos que demostraron
ser capaces de recorrer mayores distancias a mayores velocidades.
En 1996, el proyecto ARGO consigue completar una ruta de 2000
km a lo largo de autopistas del norte de Italia durante 6 das y con
una velocidad media de 90 km/h. Lo sorprendente del proyecto
fue que el vehculo consigui funcionar en modo totalmente
automtico el 94% del tiempo. El automvil contaba slo con dos
cmaras detectoras de blancos y negros de bajo coste y utilizaba
algoritmos de visin estereoscpica para entender el entorno (se
guiaba gracias a que la carretera es negra y las lneas delimitantes
son blancas) en contraposicin a la aproximacin laser/radar de
los proyectos anteriores en el mismo campo.
Si hasta finales del siglo pasado, todos estos proyectos de coches
autnomos no eran ms que proyectos, con el cambio de milenio
se han conseguido implantar sistemas de autoconduccin en
distintos lugares del mundo, como puede ser el caso del
ParkShuttle en Rotterdam, un sistema de minibuses que funcionan
sin conductor. En 2010 adems, con motivo de la Exposicin
Universal de Shanghai, cuatro furgonetas elctricas realizaron el
primer viaje intercontinental sin conductor, saliendo desde Italia y
alcanzando China.
3. EL COCHE INTELIGENTE
Los problemas derivados de incremento del trfico en Europa,
tales como congestin en las redes de carreteras y reas urbanas,
el dao al medio ambiente y a la salud pblica, el incremento del
gasto energtico y el elevado nmero de accidentes (40.000
personas mueren al ao en las carreteras europeas) han llevado a
la Comisin Europea a lanzar una iniciativa en favor del coche
inteligente para impulsar su implantacin en los nuevos coches
europeos. Entre los objetivos que persiguen alcanzar con los
nuevos sistemas inteligentes estn aumentar la seguridad,
ayudando a los conductores a prevenir o evitar accidentes y
mitigando las consecuencias de stos, y reducir el gasto
energtico, facilitando a los conductores informacin en tiempo
real sobre el estado del trfico para evitar zonas congestionadas y
optimizando el funcionamiento del motor para mejorar la
eficiencia energtica global.
La iniciativa europea, i2010 Intelligent Car Initiative, presenta
una serie de tecnologas en las que se est trabajando o ya estn
disponibles para los usuarios, y que se clasifican en tres
categoras: sistemas de ayuda a la conduccin, sistemas
cooperativos para la seguridad en carretera y sistemas basados en
localizacin para la seguridad en carretera.
3.1 Sistemas de ayuda a la conduccin
Los sistemas de ayuda a la conduccin buscan en ltima instancia
ayudar al conductor a evitar accidentes o a mitigar el dao
causado por estos. Son los sistemas conocidos como eSafety a
bordo. A continuacin, vamos a analizar con ms detalle algunas
de las tecnologas ms interesantes relacionadas con estos
sistemas:
3.1.1 Sistema antibloqueo de frenos (ABS)
Como su propio nombre indica, el sistema antibloqueo de frenos
(ABS) evita que las ruedas se bloqueen cuando el conductor pisa
el freno. Esto se consigue modulando automticamente la presin
ejercida sobre la rueda gracias a una bomba que se incorpora a los
circuitos del lquido de freno y a unos detectores que controlan las
revoluciones de las ruedas. Cuando los sensores detectan una
reduccin repentina en las revoluciones de las ruedas (debida a
una frenada brusca), interpreta que las ruedas estn a punto de
bloquearse, por lo que envan una seal al Mdulo de Control del
sistema ABS, el cual reduce la presin ejercida sobre los frenos
(sin intervencin del conductor). El sistema ABS se emple por
primera vez en los aos 70 y es uno de los sistemas inteligentes
ms extendidos en la actualidad.
3.1.2 Control de crucero adaptativo (ACC)
Este sistema cuenta con un detector radar de gran alcance, un
procesador de seales y un control longitudinal del vehculo para
-5-
mantener la distancia de seguridad con el vehculo de delante,
ajustando automticamente la velocidad del vehculo. Si el
vehculo de delante frena, el sistema ACC hace que el vehculo
reduzca la velocidad para mantener la distancia de seguridad y,
cuando el otro vehculo vuelve a acelerar, automticamente el
sistema ACC acelera hasta una velocidad programada.
Actualmente la mayora de sistemas funcionan para una gama de
velocidades limitada y el objetivo de la iniciativa es hacer que el
sistema funcione a cualquier velocidad, incluso que sea capaz de
detener el coche por completo si la situacin lo requiere.
Figura 4. Sistema de control de crucero adaptativo (ACC)
Aunque los sistemas ACC ms comunes estn basados en
detectores radar, existen tambin sistemas basados en lser,
aunque stos tienen la limitacin de no detectar correctamente al
coche de delante en caso de condiciones meteorolgicas adversas.
Los sistemas ACC son infraestructuras totalmente independientes
y no necesitan de ninguna seal satlite para funcionar. Sin
embargo, estos sistemas pueden aprovechar tambin las seales
GPS para realizar mejores estimaciones. Por ejemplo, si el
vehculo de delante frena no por congestin del trfico sino
porque se aproxima a una salida de la autopista, en lugar de frenar
como el sistema ACC convencional hara, gracias a la seal de
GPS que avisa de que el otro coche tomar la prxima salida, el
coche mantendra su velocidad normalmente.
Existen multitud de fabricantes que incorporan el sistema ACC
parcialmente (es decir, requieren la intervencin del conductor a
partir de cierta velocidad), aunque BMW, Mercedes-Benz, Volvo
y Audi ya cuentan con modelos que incorporan sistemas ACC
capaces de detener al vehculo por completo.
La nueva generacin de sistemas ACC incluir tambin
informacin facilitada por el coche de delante, en lo que se
conoce como sistemas cooperativos. Pero para ello, har falta un
acuerdo entre los distintos fabricantes y la estandarizacin del
sistema para la correcta comunicacin entre vehculos.
3.1.3 Asistente de cambio de carril / Detector de
punto muerto
Estos sistemas controlan en todo momento los puntos traseros del
vehculo que quedan fuera del alcance de la vista del conductor.
Cuando el conductor pretende cambiar de carril y acciona la luz
intermitente, el sistema se activa y, en caso de que los sensores
detecten que hay otro vehculo que el conductor no ha podido ver,
avisa del peligro de choque mediante una seal luminosa o
mediante vibracin en el volante.
3.1.4 Sistema de control y alerta antisueo
El sistema de control y alerta antisueo entran dentro de lo que
comnmente se conoce por sistema de monitorizacin del
conductor, y se encargan de analizar la atencin del conductor
sobre la carretera y detectar la somnolencia del mismo de
diferentes formas: atendiendo a las expresin facial, los
movimientos de manos y pies, analizando el parpadeo y la
posicin de la cabeza o incluso las alteraciones del ritmo cardiaco.
Cuando el sistema, mediante alguna combinacin de los factores
anteriores, entiende que el conductor est durmindose o
distrayndose de la conduccin, alerta al mismo mediante una
seal acstica, una fuerte seal luminosa o, en algunos vehculos,
tirando del cinturn de seguridad para con la presin captar su
atencin.
Los primeros modelos, de la mano del fabricante Lexus,
monitorizaban la posicin exacta y el ngulo de la cabeza del
conductor mientras el coche estaba en marcha. Si el sistema de
alerta de colisin (directamente relacionado con ste) detecta un
obstculo delante del coche, y el sistema de monitorizacin
Figura 5. Sistema de monitorizacin del conductor
observa que la cabeza del conductor se ha mantenido fuera de la
atencin de la carretera demasiado tiempo, se activan los sistemas
de aviso para evitar el choque. Toyota fue ms all e implant un
sistema en el Toyota Crown de 2008 que era capaz de detectar si
el conductor se dorma analizando el movimiento de las pestaas.
Los nuevos modelos son ms ambiciosos. Gracias a las imgenes
tomadas por la cmara, es posible realizar un seguimiento del
movimiento de los ojos. La tcnica conocida como eye tracking
en ingls evala el punto donde se fija la mirada o tambin el
movimiento del ojo en relacin con la cabeza. Los ltimos
modelos de Mercedes-Benz monitorizan el nivel de fatiga y
somnolencia del conductor aplicando esta tcnica.
Las cmaras que se utilizan para eye tracking contienen un sensor
CCD con diminutas clulas fotoelctricas que registran la imagen,
cuyo nmero determina la resolucin de la imagen. El sistema de
deteccin por tanto funciona enviando una seal infrarroja que se
refleja en los ojos del conductor y se captura por el sensor ptico.
Generalmente, se suelen emplear la seal reflejada en la crnea y
en el centro de la pupila para realizar el seguimiento de la visin
del conductor.
En estos sistemas, es fundamental que no slo se analice el ojo en
s (como por ejemplo en los sistemas de reconocimiento de retina)
sino en la direccin de la mirada. Por ello, adems de analizar las
seales reflejadas en la zona del ojo (para poder detectar tambin
parpadeos o si el ojo est cerrado) es importante almacenar
-6-
informacin de la zona alrededor del ojo y tambin ngulos de
posicionamiento de la cabeza. Con esta informacin, el sistema es
capaz de calcular si la mirada se est fijando en la carretera o no,
aplicando geometra y una serie de mrgenes donde la mirada
debera estar situada, y tambin, de los gestos de la cara,
comparando con modelos que la mquina haya aprendido o
contenga de fabricacin, detectar sntomas de fatiga.
En la Figura 5 podemos ver los puntos que emplea un modelo de
Nissan para detectar sntomas de fatiga. El sistema monitoriza la
posicin de determinadas zonas de la cara que, cuando superan un
umbral una serie de puntos, se considera que el conductor est
dormido y se activan los sistemas de alerta.
3.1.5 Sistema de proteccin de peatones y usuarios
vulnerables de la va pblica
Figura 6. Sistema de deteccin de peatones
Aunque an no haya implementaciones en esta materia, s hay un
especial inters en el seno de la iniciativa i2010 por impulsar un
sistema de proteccin de peatones y ciclistas. La idea de partida
de este sistema es similar a la que se viene empleando para evitar
colisiones con otros vehculos. Se tratara de instalar una serie de
sensores de diferentes tipos que vigilen la zona delantera del
vehculo y alerten de la presencia de usuarios vulnerables.
El sistema integrara un control para accionar de forma automtica
el sistema de frenado para poder evitar la colisin. En caso de que
la colisin fuese inminente y no pudiera evitarse, el sistema
accionara nuevos elementos de seguridad pasiva del coche, por
ejemplo airbags en el parachoques, elevacin del cap del coche,
etc., que disminuyesen el riesgo de lesiones graves de las
vctimas.
La Figura 6 representa las mediciones realizadas por la tecnologa
implementada por el proyecto de coche inteligente de la
Universidad Carlos III de Madrid. El sistema analiza no slo
todos los peatones que rodean al vehculo sino que tambin debe
tener en cuenta los movimientos de stos para poder determinar
quienes pueden presentar un problema de colisin con el
automvil.
Especial inters recibe esta tcnica no slo como un sistema de
alerta del cambio involuntario del carril, sino por ser una tcnica
que tambin ser til en el diseo del coche autnomo. Se trata de
un sistema que vigila la posicin del vehculo dentro de un carril
y, en caso de que el conductor se salga o est prximo a salirse y
el conductor no haya activado el intermitente, avisarle o, en los
modelos ms autnomos, corregir la posicin del vehculo
automticamente hasta que el coche est posicionado
correctamente dentro del carril. Los sistemas que simplemente
alertan al conductor se conocen como LDW (lane departure
warning) mientras que los que corrigen automticamente la
posicin se conocen como LKS (lane keeping system).
Figura 7. Sistema de aviso de cambio involuntario de carril
Los sensores empleados por estos sistemas se basan en sistemas
de vdeo (montados detrs del parabrisas para tener una visin
general en ngulo de los lmites del carril), sensores lser (en la
parte delantera del vehculo) y sensores infrarrojos (detrs del
parabrisas o bajo el coche).
Los primeros modelos, como el Citren de 2005, empleaban
infrarrojos para monitorizar las lneas pintadas en la carretera.
Cuando los sensores detectaban la presencia de la lnea divisoria,
alertaban al conductor para que corrigiera la direccin.
Audi por su parte, desarrolla en 2007 un sistema basado en una
videocmara de espectro visible situada en el frontal del coche, y
que captura imgenes en el ngulo de visin del conductor para
estimar el carril. Adems, incorpora ya un sistema en la direccin
que vibra en caso de salirse del carril, corrigiendo
automticamente la direccin para que el vehculo retorne al
carril.
3.1.7 Visin nocturna
Para aumentar la capacidad visual del conductor durante la noche,
se incorporan al vehculo un sistema de visin nocturna basado en
infrarrojos, con un alcance similar al de las luces largas. El
sistema no deslumbra, pues se trata de luz infrarroja, y la escena
iluminada se le muestra al conductor en una pantalla especial,
siendo capaz de percibir ste mejor posibles obstculos o
vehculos distantes, adelantndose a situaciones peligrosas y as
poder reaccionar con mayor rapidez.
-7-
3.1.8 Sistema de reconocimiento de seales de
trfico
La deteccin de seales puede ser til para alertar al conductor de
posibles seales que se le escapen a la vista, pero es muy
importante para los coches autnomos. El sistema de
reconocimiento de seales se basa tambin en la visin artificial
para, dada una serie de imgenes tomadas desde la parte frontal
del coche hacia la carretera, es capaz de distinguir e interpretar
distintas seales de trfico.
La localizacin de las seales no es trivial, ya que hay que
emplear modelos geomtricos que tengan en cuenta el color y la
forma y debe funcionar ante condiciones luminosas muy diversas.
Adems, el diseo de las seales no est totalmente estandarizado,
y las seales antiguas y modernas son bastante diferentes.
3.1.9 Otros sistemas
Existen otras tecnologas recogidas en el proyecto europeo sobre
sistemas de ayuda a la conduccin que slo vamos a mencionar
sin entrar en ms detalle:
Luces autoadaptables
Sistemas electrnicos de asistencia en la frenada
Control electrnico de estabilidad
Indicador de cambio de marcha
Sistemas de control de presin de neumticos
3.2 Sistemas cooperativos para la seguridad
en carretera
Ms all de la asistencia individualizada, los nuevos modelos
deben ser capaces de interactuar y comunicarse. El automvil
pasara a ser un elemento de una red de comunicaciones y se
podra gestionar la red de una forma eficiente, como ocurre con
las redes de telecomunicaciones. Con la cooperacin entre
vehculos, la iniciativa europea pretende obtener una mayor
eficacia del transporte, maximizando la eficiencia de uso de las
infraestructuras disponibles, y adems mejorar la seguridad. A
continuacin se detallan algunas tecnologas relacionadas.
3.2.1 Gestin dinmica del trfico
Los paneles de sealizacin variable, o paneles luminosos, que
actualmente estn desplegados por las carreteras de toda Europa,
ayudan al conductor a conocer en tiempo real el estado de las
carreteras y ofrecen informacin sobre rutas alternativas en caso
de accidente. Los mensajes de obligatoriedad, de aviso de peligro
o informativos que actualmente se envan a travs de los paneles
de sealizacin pueden ser enviados a un receptor situado en el
interior del vehculo, facilitando la llegada de informacin til al
usuario sin necesidad de que ste tenga que llegar a la carretera
que se encuentra con problemas de trfico para conocer su estado.
Muchos GPS ya disponen de esta funcionalidad de controlar el
estado de las carreteras. Pero en la actualidad no deja de ser un
sistema meramente informativo. En una red futura, en la que los
coches cooperan entre s para una gestin eficiente del trfico, la
decisin de ruta debera gestionarse por elementos enrutadores
(similares a los routers de las redes de ordenadores) y as evitar
que ciertas zonas se congestionen.
3.2.2 eCall
El sistema eCall incorporara a la red de comunicaciones de
coches a los servicios de urgencia. En caso de accidente, el
sistema establecera una conexin de voz con el servicio de
emergencias 112, enviando la hora y lugar del accidente, las
caractersticas del vehculo afectado o incluso facilitar
informacin adicional sobre el conductor si fuese necesario
ponerse en contacto con los familiares. El ahorro de tiempo en
atender la emergencia supondra salvar la vida de muchos
afectados en accidentes que mueren debido a que no es posible
atenderles a tiempo.
Uno de los puntos negros en los que ms accidentes se producen
es en las intersecciones. La iniciativa de la Comisin tambin
plantea actuar de forma cooperativa entre vehculos para aumentar
la seguridad en los cruces. Para ello, se proponen dos sistemas. El
primero, aviso de preferencia, que indique al conductor que ceda
el paso a la derecha en una pantalla y, en caso de que el conductor
no reaccione, avisarle del peligro de colisin. El segundo,
asistente de semforos, recibira la informacin del semforo
inalmbricamente para que el coche adece la velocidad y poder
cruzarlo en verde.
3.2.4 Sistema de aviso de obstculo o colisin
Las soluciones que actualmente hay implementadas sobre la
deteccin de obstculos son una extensin del sistema de control
de crucero adaptativo: utilizan tambin informacin obtenida por
detectores radar y generan avisos acsticos y visuales para alertar
al conductor de un peligro inminente.
Sin embargo, hacia lo que se est caminando es a utilizar en un
futuro radares de largo y corto alcance, sistemas LIDAR y
procesado de imgenes de vdeo en la deteccin, y contar con un
sistema de frenado automtico, capaz de frenar a mxima
potencia, preparar los airbags o tensar los cinturones de seguridad
en caso de una colisin inminente.
Los sistemas LIDAR (Laser Imaging Detection and Ranging) que
se mencionan se posicionan como la tecnologa de deteccin del
futuro ms inmediato y es la tecnologa que emplean por ejemplo
las pistolas lser de la polica para determinar la velocidad de los
vehculos que circular en el trfico rodado. Estos sistemas
determinan distancias entre un emisor lser y un objeto utilizando
haces lser pulsados y midiendo el tiempo de retardo entre la
emisin del pulso y la deteccin de la seal reflejada (igual que el
radar pero con ondas de luz en vez de radio).
Entre las principales ventajas del LIDAR sobre el radar estn: es
mucho ms rpido; los haces de luz divergen menos que los de
ondas sonoras, que se dispersan y rebotan en el entorno, y por
tanto son ms precisos en deteccin; son ms econmicos; puede
funcionar tambin de noche; y es ms fcil de transportar y
mantener.
3.3 Sistemas basados en la localizacin para
la seguridad en carretera
En el apartado anterior ya se presentaba la tecnologa eCall en
materia de comunicar a los servicios de emergencias la posicin
exacta del lugar donde se ha producido un accidente en carretera.
Adems de este sistema, existen tambin proyectos que trabajan
con mapas de a bordo como sensores de posicin para (al igual
que se utiliza el sensor radar para detectar obstculos u otros
vehculos) predecir donde estar el coche momentos despus,
pudiendo prever que le suceder cuando llegue a dicho punto, si
hay algn corte de trfico, o algn otro imprevisto en la carretera.
-8-
Todas estas medidas se recogen en la iniciativa eSafety, impulsada
por la Comisin Europea para mejorar la seguridad en la carretera.
4. AUTOCONDUCCIN
Las mismas tecnologas que asisten al conductor en los coches
inteligentes, se toman desde una nueva perspectiva en los modelos
de coches autnomos. La tcnica es la misma; la filosofa cambia.
En lugar de alertar al conductor para que reaccione, por qu no
reaccionar autnomamente sin intervencin del conductor? Con
esta idea se empieza a trabajar en el coche sin conductor,
aplicando estas tecnologas y delegando toda la funcionalidad del
conductor sobre la inteligencia artificial del vehculo.
En la actualidad existen ya varios modelos de vehculos
autnomos que funcionan sin problemas sin la necesidad de un
conductor. En este documento vamos a analizar dos proyectos
concretos: el modelo de Google, por ser el que ms atencin est
acaparando en el sector de los vehculos autoconducidos, y el
modelo que estn desarrollando investigadores de la Universidad
Carlos III de Madrid, por ser parte de nuestra universidad.
4.1 El coche sin conductor de Google
El proyecto que presenta Google en el mbito del coche autnomo
est liderado por el ingeniero Sebastian Thrun, director del
laboratorio de inteligencia artificial de la Universidad de
Standford y coinventor de sistema Google Street View. El mismo
grupo de desarrollo de este prototipo ya gan en 2005 un premio
del Departamento de Defensa norteamericano gracias al vehculo
robtico Stanley. Los coches sin conductor de Google son legales
en el estado de Nevada desde junio de 2011, convirtindose en el
primer estado que permite la circulacin de vehculos autnomos
y convirtiendo al proyecto de Google como pionero en la
comercializacin de estos modelos.
Figura 8. Toyota Prius modificado para operar como
Google driverless car
El sistema de Google combina informacin obtenida directamente
de Google Street View con software de inteligencia artificial.
Cuenta con diversos sensores: videocmaras dentro del vehculo
(que permiten controlar el movimiento del vehculo y detectar
peatones, ciclistas y semforos), un sensor LIDAR en el cap del
coche (que permite al vehculo detectar a ms de 60 m en todas
las direcciones y as crear un mapa 3D para el vehculo), sensores
radar en la parte delantera un sensor de posicin adherido a una
de las ruedas traseras y que ayuda a localizar la posicin del coche
en la carretera. Los vehculos adems circulan a la velocidad
indicada por los mapas proporcionados por Google y lleva
instalado un sistema de control de distancias con sensores para
evitar colisionar con el vehculo delantero.
4.2 El proyecto de la UC3M
La Universidad Carlos III de Madrid cuenta con un proyecto
propio en la carrera por el vehculo autnomo. El proyecto cuenta
con 3 modelos de vehculos: el IVVI, el iCab y el IVVI 2.0.
Figura 9. Vehculo Inteligente basado en Informacin Visual
(IVVI). Universidad Carlos III de Madrid
El IVVI (acrnimo en ingls de Vehculo Inteligente basado en
Informacin Visual) es el homlogo al coche desarrollado por
Google. Cuenta con un sistema estreo blanco y negro, con
cmaras de barrido progresivo para poder captar imgenes en
movimiento y evitar as los problemas inherentes al vdeo
entrelazado, adems de una cmara a color para otros temas cmo
la deteccin de seales de trfico. Para detectar obstculos como
peatones u otros vehculos en condiciones de visibilidad adversas,
cuenta con una cmara de infrarrojo lejano capaz de distinguir
objetos por el calor desprendido. En cuanto al interior, el sistema
cuenta con tecnologa de monitorizacin del estado del conductor,
empleando para ello una cmara infrarroja. El cerebro del coche
viaja en el maletero, en donde se hayan dos PC encargados del
procesamiento de los sistemas de visin por computador. Para
conocer el estado del vehculo, ste incorpora adems un sistema
GPS.
Entre las tecnologas que se incorporan en este proyecto estn:
Sistema de alerta ante el alejamiento involuntario del
carril: se trabaja con imgenes que simulan una vista
area de la va y se acompaan de algoritmos de
calibracin automtica. Se distinguen los carriles por la
discontinuidad de los niveles de gris de la imagen.
Sistema de deteccin de peatones: dada la enorme
diversidad de apariencia de los peatones y los cambios
en la forma de estos entre imgenes sucesivas, se
emplea un algoritmo basado en los Contornos Activos
(tcnica empleada para delinear el contorno de un
objeto en una imagen 2D ruidosa), inicializados con los
resultados de un sistema estreo y teniendo en cuenta la
simetra de las formas de los peatones.
-9-
Sistema de control del conductor: midiendo parpadeo
de los ojos, movimiento de la cabeza y apertura de la
boca para detectar el grado de atencin.
Sistema de reconocimiento de seales de trfico:
emplean Algoritmos Genticos y Templado Simulado
como algoritmos de bsqueda para encontrar las seales
presentes en las imgenes captadas por una cmara a
color.
Sistema de control de velocidad variable: el
reconocimiento del vehculo delantero se realiza
mediante anlisis de imgenes en lugar de por sensores
radar. El sistema se fusiona con el mdulo de deteccin
de carriles para delimitar la bsqueda.
La segunda versin, el IVVI 2.0, mejora el diseo del vehculo e
incorpora como novedad que los sistemas de ayuda a la
conduccin slo informan al conductor cuando ste est en una
situacin real de peligro. Adems se incorpora una sonda CAN-
bus (que obtiene informacin del funcionamiento del vehculo) as
como un sistema GPS-IMU (que informa sobre posicin y
velocidad del vehculo) para determinar el estado del vehculo.
El tercer vehculo, el iCab, es un pequeo vehculo elctrico de
golf que es controlado por un ordenador embarcado. La funcin
de estos vehculos ser llevar de forma autnoma a los visitantes
del Campus, por lo que la autonoma estar limitada al entorno del
Campus y a entornos previamente conocidos.
5. EL FUTURO DEL COCHE
En este documento se ha pretendido hacer un recorrido por las
distintas tecnologas que se estn empleando en construir los
coches del futuro hoy. Sin embargo, aunque ya haya muchos
modelos que incorporen tecnologa inteligente y ya estn
circulando vehculos sin necesidad de conductor, an queda
mucho camino por recorrer.
En la lnea de la iniciativa europea, considero que, una vez
perfeccionadas las tcnicas que hacen que un vehculo sea capaz
de conducirse slo, sin necesidad de una figura humana, hay que
trazar un plan para que los vehculos cooperen entre ellos. Del
mismo modo que una a persona que entiende la mecnica del
coche no le es suficiente para circular por carreteras con trfico,
sino que tiene que aprender el reglamento de circulacin, el coche
autnomo tiene que ir a la autoescuela. Es decir, el coche que se
conduce slo debe tambin saber conducirse en compaa de otros
coches.
El perodo que se abre para los prximos aos, en el que
convivirn vehculos autnomos y vehculos tradicionales, se
debe prestar especial atencin en que los vehculos autnomos
comprendan la inexactitud del conductor humano y, del mismo
modo, lanzar un sistema de gestin de vehculos autnomos que
permita la cooperacin entre los distintos automviles. Como ya
adelantaba anteriormente, uno de los objetivos finales es la
eficiencia, entendida no slo como el eficiente uso de los recursos
energticos del automvil sino tambin la gestin eficiente de las
infraestructuras: las redes de carreteras. Y entendindolas como
tales redes y aplicando un modelo similar al de las redes de
ordenadores, en las que una serie de sistemas se encargan de
gestionar el trfico, se podra en un futuro algo ms lejano-
construir redes de carreteras inteligentes, donde los coches
autnomos sean enrutados como los paquetes en los routers.
6. REFERENCIAS
[1] Direccin General de Trfico (DGT). 2011. Accidentalidad
mortal en carretera. Informe oficial. Ministerio del Interior,
Espaa.
DOI=http://www.dgt.es/was6/portal/contenidos/documentos/
seguridad_vial/estadistica/accidentes_24horas/resumen_anua
l_siniestralidad/resumen_siniestralidad037.pdf (ltima visita
noviembre 2011).
[2] European Transport Safety Council (ETSC). 2010. 2010
Road Safety Target Outcome:100,000 fewer deaths since
2001. 5th Road Safety PIN Report. Unin Europea.
DOI=http://www.etsc.eu/documents/pin/report.pdf (ltima
visita noviembre 2011).
[3] Organisation Internationale des Constructeurs dAutomobiles
(OICA). 2010. 2010 Production Statistics. Informe oficial.
DOI=http://oica.net/category/production-statistics/ (ltima
visita noviembre 2011).
[4] Direccin General de Trfico (DGT). 2009. Anuario
Estadstico General 2009. Informe oficial., Ministerio del
Interior. Espaa.
DOI=http://www.dgt.es/was6/portal/contenidos/documentos/
seguridad_vial/estadistica/parque_vehiculos/series_historicas
_parque/series_historicas_parque.pdf (ltima visita
noviembre 2011).
[5] Wikipedia. 2011. Automobile. Artculo colectivo.
DOI=http://en.wikipedia.org/wiki/Automobile (ltima visita
noviembre 2011).
[6] Wikipedia. 2011. Autonomous car. Artculo colectivo.
DOI=http://en.wikipedia.org/wiki/Autonomous_car (ltima
visita noviembre 2011)
- 10 -
[7] Wikipedia. 2011. The history of the automobil. Artculo
colectivo.DOI=http://en.wikipedia.org/wiki/History_of_the_
automobile (ltima visita noviembre 2011)
[8] Wikipedia. 2011. Vehicle Automation. Artculo colectivo.
DOI=http://en.wikipedia.org/wiki/Vehicle_Automation
(ltima visita noviembre 2011)
[9] Comisin Europea, Sociedad de la Informacin y Medios.
2010. i2010 Intelligent Car Initiative. Publicacin Oficial.
DOI=http://ec.europa.eu/information_society/activities/intelli
gentcar/index_en.htm (ltima visita noviembre 2011)
[10] Wikipedia. 2011. Autonomous cruise control system.
Artculo colectivo.
DOI=http://en.wikipedia.org/wiki/Autonomous_cruise_contr
ol_system(ltima visita noviembre 2011)
[11] Wikipedia. 2011. Driver monitoring system. Artculo
colectivo.
DOI=http://en.wikipedia.org/wiki/Driver_Monitoring_Syste
m (ltima visita noviembre 2011)
[12] Lexus. 2011. Driver Monitoring System. Catlogo de
prestaciones. DOI=http://www.lexus.eu/range/ls/key-
features/safety/safety-driver-monitoring-system.aspx (ltima
visita noviembre 2011)
[13] Wikipedia. 2011. Google driverless car. Artculo colectivo.
DOI=http://en.wikipedia.org/wiki/Google_driverless_car
(ltima visita noviembre 2011)
[14] Universidad Carlos III de Madrid. 2010. Sistemas
Inteligentes de Transportes. Sitio Web.
DOI=http://www.uc3m.es/portal/page/portal/dpto_ing_siste
mas_automatica/investigacion/lab_sist_inteligentes/sis_int_tr
ansporte/ (ltima visita noviembre 2011).
 SISTEMAS EXPERTOS: MYCIN
Ainhoa Sesmero Fernndez
Estudiante Ing. Telecomunicacin
Universidad Carlos III de Madrid
Avda. De la Universidad, 30
28911, Legans (Madrid-Espaa)
100066696@alumnos.uc3m.es
RESUMEN
En este documento se explica lo que es un sistema
experto, sus principales usos y en concreto hablaremos del sistema
MYCIN. Uno de los primeros sistemas expertos para la deteccin
y tratamiento de enfermedades de la sangre.
Categorias y Descriptores de Temas
[Inteligencia artificial]: Sistemas expertos (SE) y
aplicaciones en medicina.
Terminos Generales
Algoritmos, medidas, documentacin, diseo, factores
humanos y teora.
Palabras clave
Sistema expertos, MAYCIN, medicina, organismos,
conocimiento.
1. INTRODUCCIN
Los sistemas expertos son programas que emulan el
comportamiento de un experto, como su propio nombre indica.
Estn desarrollados en un entorno de tal forma que son capaces de
gestionar la propia base de datos de conocimiento, resolver un
problema especfico, producir nuevos conocimientos y explicar su
razonamiento.
MYCIN fue el primer sistema experto que llego a
funcionar con la misma calidad que un experto humano. Muchos
de los sistemas posteriores utilizaron MYCIN para comparar lo
que era un sistema experto.
MYCIN era un sistema estrictamente para investigacin,
fue desarrollado para ayudar a los mdicos en el diagnstico y
tratamiento de meningitis y enfermedades bacterianas como
explicaremos a lo largo de este documento.
2. SISTEMAS EXPERTOS
Por tener ms definiciones de sistemas expertos, unida a
la anterior podemos decir de forma ms rigurosa: Los Sistemas
Expertos son programas que simulan el comportamiento de los
sistemas expertos humanos a la hora de resolver problemaas. Por
- 11 -
Sandra Pinero Snchez
Estudiante Ing. Telecomunicacin
Universidad Carlos III de Madrid
Avda. De la Universidad, 30
28911, Legans (Madrid-Espaa)
100067654@alumnos.uc3m.es
lo general, los expertos solucionan los problemnas de su
especializacin basndose en la experiencia. Muy sucintamente,
esta experiencia consta de conocimientos de hechos y de
soluciones de problemas. Con el desarrollo de los Sistemas
Expertos se pretende estructurar este conocimiento de hechos y
soluciones de problemas de tal forma, que sean almacenados en
un ordenador y procesables por un programa. Por lo tanto, los
Sistemas Expertos son programas para ordenador, en los que se
han reflejado conocimientos humanos. Pero ya que el
conocimiento humano es extremadamente complejo, tenemos que
limitarnos, en estas imitaciones tcnicas a campos
especializados muy delimitados.1
Se puede dividir los componenetes de un sistema
experto en tres subsistemas direfentes: base de conocimientos,
motor de inferencias e interfase. (ver figura 1)
Figura 1
Existen tres tipos de sistemas expertos principalmente.
Estn los llamados basados en reglas, los basados en casos y
los basados en redes bayesianas. En el conjunto de sistemas
expertos basados en reglas nos encontramos con MYCIN del que
hablaremos ms adelante, pero tambin nos encontramos con
DENDRAL que fue el primer sistema experto utilizado para
propsitos reales y la inspiracin de MYCIN.
2.1 Base del Conocimiento
En ella se representan todos los conocimientos acerca
de un dominio concreto. Puesto que el ordenador no posee dichos
1
NEBENDAHL, D.,Sistemas Expertos, Vol. 2, Marcombo. Barna., 1991.
p. 1.
conocimientos es necesario que sean introducidos por un experto
humano en el tema en cuestin.
Ya que como su nombre indica es la base, es necesario
que las reglas establecidas sean lo ms clara posibles para evitar
ambigedad, eficiencia, que se facilite la deduccin a la maquina
por inferencia, y fuerza de expresin para definir de forma
adecuada y completa todos los elementos del universo del tema
elegido.
Como vemos por lo descrito anteriormente, es
complicado traducir a un lenguaje todos los conocimientos de un
experto humano de forma que pueda entenderlo y reflexionar
sobre ellos como si del humano mismo se tratara y para el cual
muchos de sus actos son de forma intuitiva.
Qu se le pide o que se le podra pedir a un experto
humano?
- Habilidad para llegar a una solucin de la forma
ms rpida posible y a poder ser de forma certera.
Para que sea de una forma rpida y certera
obligamos al experto, no solo a que sepa en que
campo se mueve si no, que tenga experiencia en el.
- Habilidad para explicar a las personas que no
cuentan con ese conocimiento o esa experiencia los
resultados obtenidos.
- Habilidad de poder reestructurar el conocimiento
para que se adapte a las circunstancias.
- Habilidad para poder aprender de las experiencias.
Los expertos deben aprender de sus experiencias
propias, pero adems tambin de las de los dems.
Esto implica que un experto debe estar al da en
cuanto a sus conocimientos.
2.1.1 Tipos de Conocimiento
Existen tres tipos de conocimiento para construir un sistema
experto:
Reglas
Declaraciones estructuradas en forma de oraciones
condicionales.
Estructuras
Contienen jerarqua de componentes y de atributos
objeto que pueden ser asignados heredados de otras
estructuras a travs de diversos procedimientos.
Lgica
Son expresiones con predicados, valores y tomos para
evaluar hechos del mundo real.
2.2 Motor de Inferencias
El motor de inferencia lo que hace es decidir, interpretar
y aplicar el conocimiento que se ha obtenido de la base del
conocimiento a la base de los hechos para poder as obtener la
solucin adecuada, o dicho de otra forma, es el encargado de
hacer uso de los hechos y las reglas que el experto ha integrado en
- 12 -
la base del conocimiento y controla de forma estratgica la el
sistema de conocimiento.
Adems de utilizar la base del conocimiento el motor de
inferencias tambin hace de controlador de la consulta del usuario
y decide el orden en el que se hacen las inferencias.
2.3 Interfase
Se encarga de proporcionar el usuario una interfaz lo
mas amigable posible para poder interactuar con el sistema
experto de una forma fcil y sencilla. Recordemos que lo que
hacemos es solucionar problemas como lo solucionara un
experto, con esto se ayuda a las personas y usuarios del sistema,
no queremos que le sea ms difcil y complicada su utilizacin.
Esta interfase se encargara de gestionar las entradas y
salidas al sistema experto.
2.4 Ventajas y desventajas de los SE
2.4.1 Ventajas de los SE
Los sistemas expertos tienen multitud de ventajas, entre ellas
podemos ver:
- Un sistema experto puede replicarse tantas veces
queramos. Una vez que un SE ha sido creado podemos
replicarlo y usarlo por donde queramos.
- Por causa de su replica su coste a largo plazo es bajo.
Aun que inicialmente crearlo puede ser caro, al poder
ser replicado su coste a largo plazo es bajo.
- Los SE no se ven afectados por la edad, o el entorno
que les rodea como los seres humanos por lo que
tambin es una ventaja a considerar.
2.4.2 Limitaciones de los SE
En cuanto a sus limitaciones podemos hablar de:
- El lenguaje es algo problemtico. Con un humano
podemos conversar y explicarnos mejor, con un SE lo
que hay esta en sus reglas y no podemos usar
explicaciones, aclaraciones, gestos
- Es difcil que un SE aprenda de sus errores. Para un ser
humano la experiencia, los errores y los aciertos hace
que vaya mejorando, en un SE esto es difcil de
conseguir.
- Perspectiva global. Un experto humano es capaz de
separar los datos realmente relevantes de los
irrelevantes, un SE no. Y a estos podemos aadirle que
no estn abiertos a nueva fuente de datos para ver como
se puede resolver un problema ya que sus datos estn
programados.
- Elevado coste y tiempo.
2.5 Aplicaciones
En el siguiente cuadro podemos observar algunas de las
reas en las que los sistemas expertos tienen aplicacin.
Veamos algunos ejemplos:
- En el campo de la medicina tenemos varios como
DENDRAL, MYCIN o PUFF. De entre ellos el ms
famoso es MYCIN del que hablaremos en el siguiente
apartado.
- En el campo de la programacin tenemos sistemas como
EURISKO, sistema que es capaz de aprender a medida
que funciona y crear circuitos microelectrnicos
tridimensionales.
- Sistemas militares tenemos TWIRL, que simula guerras
completas y gua de mejores accionas para realizar en
casi todas las situaciones.
- En la industria podemos ver RI, Programa utilizado para
el descubrimiento de yacimientos petrolferos bajo
aguas marinas.
- En el mbito econmico tenemos el TRADING, una
serie de reglas matemticas bien estructuradas en las
que se basan las operaciones en bolsa.
- En la geologa encontramos el PROSPECTOR,
utilizado para hallar yacimientos de minerales.
3. MYCIN
Es un sistema experto desarrollado por Edgar ShortLiffe
en la Universidad de Stanford a principios de los aos 70. Su
objetivo es el diagnstico de enfermedades infecciosas de la
sangre. Incluso es capaz de razonar el proceso seguido para llegar
a los diagnsticos y de recetar medicaciones personalizadas a cada
paciente.
3.1 Tratamiento de infecciones sanguneas
Elegir el tratamiento adecuado para una infeccin
bacteriana sigue un proceso de cuatro partes:
- 13 -
Primero es necesario concluir si el paciente tiene una
infeccin significativa.
A continuacin hay que establecer al o los posibles
organismos involucrados.
Despus escoger el conjunto de antibiticos que puedan
ser necesarios.
Por ltimo elegir el antibitico.
Sin embargo dicho proceso no es nada fcil. Esto se
debe a que el cuerpo humano est normalmente poblado por
bacterias. Se toma del paciente las muestras necesarias
realizndole un cultivo. Por lo que el diagnstico inicial se base
en criterio clnico, fiebre y dolor.
Los resultados de las pruebas pueden tomar de 24 a 48
horas o ms. Una vez que el mdico dispone de los resultados
debe elegir el tratamiento basndose en:
Posibles identidades del organismo.
La probabilidad efectiva del agente antimicrobiano
contra este rango de posibilidades.
Una vez que el mdico dispone de los resultados del
cultivo debe de decir que tratamiento hay que aplicar al paciente.
Sin embargo, este tratamiento puede tener diferentes sntomas o
efectos en cada paciente con lo que es necesario cambiarle el
tratamiento.
Por otra parte, es evidente que el mdico necesite ayuda
con la seleccin antimicrobiana. Con lo que el problema se
contina aunque haya habido intentos para educar a los mdicos;
pocos parecen ir a travs del proceso metdico de decisin. La
sobre-prescripcin en EEUU durante los aos 70 fue estimado
con un factor de 10 a 20, con lo que el coste anual para pacientes
y hospitales es monumental. Asimismo, la sobre-prescripcin
puede resultar en el desarrollo de cepas bacterianas resistentes.
El objetivo de MYCIN es asistir al doctor, el cual no
tiene por qu ser experto en el rea de los antibiticos con el
diagnstico y tratamiento de infecciones sanguneas.
Este sistema experto consta fundamentalmente de tres
componentes:
1) Un sistema de consulta entre el programa y el doctor.
Este sistema consiste en realizar una serie de preguntas,
entrega de conclusiones y dar consejos.
2) Un sistema de explicacin por parte del sistema al
doctor en el cual, ste responde a las preguntas del
mdico y justifica sus propios consejos.
3) Un sistema para conseguir las reglas, agregas nuevas
reglas y cambiar las existentes.

3.2 Sistema de consulta
Esta primera parte del MYCIN consiste en generar el
conjunto de hiptesis relacionado con el organismo daoso y de
este modo realizar una serie de recomendaciones de terapias para
estas hiptesis. Recalcar que MYCIN suele describirse
incorrectamente como un programa de diagnstico mdico; en
realidad es un programa para tratamiento de infecciones
sanguneas.
Para comprender mejor un sistema de consulta a
continuacin se muestra un ejemplo:
Primero MYCIN necesita cuatro datos del paciente ya
que son esenciales para cualquier diagnstico. Una vez que
dispone de ellos realiza una serie de preguntas para conocer la
disponibilidad del cultivo.
1) Nombre del paciente:
David King
2) Edad:
34
3) Sexo:
Varn
4) Raza
Caucasiana
5) Hay cultivos de David qu puedan estar
relacionados con su enfermedad actual, en los
que hayan llegado a crecer organismos en el
laboratorio de microbiologa?
No
6) Hay cultivos pendientes de David?
S Si
7) De qu lugar se tom la muestra para el
cultivo?
LCR
8) Por favor, escriba la fecha y la hora de la toma
del cultivo de LCR pendiente (m/d/a hora)
Junio/24/84 7:00
9) Se examin un frotis cuando se obtuvo la
muestra para el cultivo pendiente de LCR?
S cubrir Pseudomonas-aeruginas causante de
10) Se vio organismo en el frotis de la muestra
sometida al cultivo de LCR pendiente?
No
Antes que nada deja que sea el propio mdico quin
diga los hechos conocidos. Pero en este ejemplo al paciente no se
le ha realizado ningn cultivo positivo con lo que MYCIN insiste
- 14 -
si tiene ese paciente algn cultivo pendiente que es nuestro caso.
Entonces MYCIN le dice que necesita conocer la informacin del
cultivo pendiente. El usuario le responde con una serie de datos y
por ltimo le contesta que no hay ningn organismo. Por lo tanto,
el sistema experto no puede sacar conclusiones y sigue planteando
preguntas.
En cierto momento de la consulta llega a esto:
13) Ha presentado David sntomas de cefalea
persistente un otros sntomas neurolgicos
anormales (vrtigo, letargo,)?
S
14) Hay en David alguna evidencia objetiva
reciente de signos neurolgicos anormales
(rigidez de nuca, coma, convulsiones,),
documentados por observacin o examen
clnico?
S.
Hay que destacar que los cultivos LCR (cultivo de
lquido cefalorraqudeo) estn asociados con meningitis.
Las dos siguientes preguntas representan un enfoque
ms tradicional al diagnstico por sntomas y tras tener la
contestacin de la pregunta 14, MYCIN informa de su primera
conclusin: la infeccin del LCR es probablemente meningitis.
Despus contina con otra tanda de preguntas para
identificar el organismo concreto causante de la infeccin
meningtica.
34) La meningitis se ha contrado en el hospital?
No
35) Es la historia clnica de David consistente
con Epiglotis?
No
36) Es la historia clnica de David consistente
con Otitis-media?
No
37) Ha estado alguna vez el paciente en una zona
endmica de coccidiomicosis?
Desconocido
38) Se ha sometido David a esplenotoma?
No
39) Ha sufrido David quemaduras?
He encontrado evidencia (REGLA 507) de
que el tratamiento debe cubrir Diplococcues-
pneumoniae causante de meningitis.
He encontrado evidencia (REGLA 545) de
que el tratamiento debe cubrir E. coli causante
de meningitis.
He encontrado evidencia (REGLA 545
REGLA 578) de que el tratamiento debe
meningitis.
A partir de este momento ha finalizado la parte
diagnstica de la consulta. Ahora el programa se encarga de
buscar el conjunto de medicamentos para acabar a los organismos
sin perjudicar al paciente. Con lo que vuelve a realizar otra serie
de preguntas. Aunque hay que destacar que estas preguntas son 3.2.2 Estructuras de datos
diferentes dependiendo de los resultados intermedios.
40) Tiene David signos neurolgicos focales?
Estructuras de datos estticas
No
41) Presenta David alguna reaccin alrgica
Se encarga de guardar la informacin de definicin.
importante frente algn agente
Dicha informacin es mantenida separada del
antimicrobiano?
conocimiento inferencial, en la forma de listas simples
S
(enumeran todos los organismos y sitios estriles
42) Cul es el ms reciente aclaramiento de
conocidos por el sistema), tablas de conocimiento
creatinio, en ml/min, que usted considera
(tienen los registros de ciertos parmetros clnicos y los
representativo de la funcin renal de David?
valores que toman bajo diversas circunstancias) y un
77
sistema de clasificacin para parmetros clnicos.
43) Peso de David en Kg
77

Estructuras de datos dinmicas
Dicho sistema de consulta consiste en una serie de
reglas de produccin, un conjunto de estructuras estticas y
Son almacenados en un rbol de contexto, el cual se
dinmicas, y una estructura de control.
utiliza para organizar la informacin referente a un
paciente en concreto. El consejo estar basado tanto en
3.2.1 Reglas de produccin los cultivos, organismos, operaciones previas y
tratamientos relacionados con el paciente, como en
La gramtica que se utiliza para realizar dichas reglas es caractersticas personales del paciente. Con lo que el
representada internamente como cdigo LISP. El cual es un rbol ayuda a estructurar el problema clnico y
lenguaje de alto nivel de procesamiento de listas en el cual relacionar un contexto con otro.
MYCIN est implementado. La sintaxis que se maneja es la
siguiente:
<rule>::= <premise> <action>
<premise>::= ($AND <condition> ...
<condition>)
<condition>::= (<predicate> <context>
<parameter> <value>)
| ($OR <condition> ... <condition>)
<action>::= <conclusion> | <instruction>
Un ejemplo de esta estructura es el siguiente:
PREMISE: ($AND (SAME CNTXT GRAM GRAMNEG)
(SAME CNTXT MORPH ROD)
(SAME CNTXT AIR AEROBIC)) Figura 2
ACTION: (CONCLUDE CNTXT CLASS
ENTEROBACTERIACEAE TALLY .8)
3.2.3 Estructura de control
Donde gram se refiere a la cepa del organismo, morph a
la morfologa del organismo y air a la aerobicidad del organismo.
Encaminamientos hacia atrs
El smbolo CNTXT es una variable que es instanciada por el
nombre que MYCIN le da al nodo contextual que est
actualmente observando. MYCIN tiene una regla meta de mximo nivel que
define la tarea completa del sistema de consulta:
El mdico, el cual utiliza este sistema experto, no IF there is an organism which
observa dicho cdigo. Simplemente las reglas son traducidas en el requires therapy, and consideration
terminal del siguiente modo: has been given to the possibility of
If 1) the stain of the organism is gramneg, aditional organisms
and requiring therapy
2) the morphology of the organism is rod, THEN compile a list of possible
and therapies, and determine the best
3) the aerobicity of the organism is therapy in this list.
aerobic Para realizar una sesin de consulta es necesario seguir
THEN there is strongly suggestive evidence los siguientes pasos:
(.8) that the class of the
organism is enterobacteriaceae. Crear el contexto del paciente como el nodo
de ms alto nivel en el rbol de contexto.
Donde (0.8) indica el factor de confianza que
posteriormente se explicara. Intentar aplicar la regla meta a este contexto
del paciente.

- 15 -
 Al aplicar la regla meta es necesario evaluar primero su
premisa, la cual necesita determinar si hay un organismo
que requiera terapia.
Por lo tanto la consulta se realiza mediante una
bsqueda a travs de un rbol meta. La meta superior en
la raz del rbol es la parte de accin de la regla meta.
Las sub-metas futuras hacia abajo en el rbol, las cuales
determinar el organismo involucrado y el ver si es
importante. Puede ocurrir que estas sub-metas tengan a
su vez ms sub-metas, como por ejemplo para descubrir
las propiedades de la cepa y morfologa del organismo.
Las hojas del rbol son metas fcticas, tambin
conocidas como hechos, que no pueden ser deducidos
como por ejemplo datos de laboratorio. Como se puede
observar en la figura (ver figura 2).
Se llama estructura de control de encadenamiento hacia
atrs porque el programa razona hacia atrs desde lo que
quiere probar hacia los hechos que necesita para
hacerlo.

Factor de certeza
A cada regla se le asocia un factor de certeza, CF,
comprendido entre [-1, 1]. Este factor indica el grado de
confianza en la conclusin obtenida, dada la evidencia
de las premisas. Si es positivo indica un grado de
confianza, mientras que si es negativo un grado de
desconfianza.
3.3 Sistema de explicacin
Este sistema consiste en explicar al doctor todo lo
referente a la consulta. Dicho doctor puede realizar las preguntas
generales o relacionadas con la consulta necesaria al programa no
slo al final de la consulta sino durante la consulta misma.
Estas preguntas pueden ser del estilo Qu te hace
pensar que el organismo puede ser un Proteus?Ante esta
situacin MYCIN escribe las reglas que utiliz, su grado de
certeza en cada decisin y la ltima pregunta hecha. Todo esto lo
puede hacer porque lleva un registro de las decisiones que se
hace.
La facilidad que tiene MYCIN para responder a dichas
preguntas est basada en sus habilidades para:
Desplegar aquellas reglas que se estn
utilizando durante la consulta.
Almacenar dichas reglas y asociarlas con
eventos.
Utilizar el indizado de reglas para recuperar
reglas particulares como respuestas a
peticiones.
- 16 -
3.4 Sistema de adquisicin de reglas
En el programa se pueden agregar nuevas reglas de
decisin o cambiar alguna presente. El usuario no las agrega en
LISP sino en formato ingls. Es el propio programa que se
encargar de traducirla.
Sin embargo puede ocurrir que una nueva regla puede
contradecir a otra del sistema o simplemente agregar una regla
presente en el programa. Con lo que Shortliffe discuti planes
para proveer facultades para verificar los efectos que pueden
causar al ingresar una nueva regla en su libro.
Randall Davis desarrollo estos planes ampliamente en
un sistema llamado TEIRESIAS. Este sistema ayuda a un experto
a depurar y llenar el conjunto de reglas de un sistema experto
existente. Adems utiliza generalizaciones acerca de la estructura
de reglas existentes.
3.5 Ventajas y Desventajas
A este sistema experto realizaron una serie de
investigaciones para saber su grado de fiabilidad. Los resultados
obtuvieron una tasa de aciertos de aproximadamente el 65%. Con
lo que mejoraba las estadsticas de los doctores no especializados
en el diagnstico de infecciones bacterianas, que ejercan la
profesin en aquellos aos.
Adems este sistema experto presenta una
representacin sencilla y una facilidad de comunicacin con el
sistema.
Sin embargo, a pesar de los resultados favorables
obtenidos, MYCIN fue cayendo en desuso. El motivo es las
debilidades que tena el programa y por cuestiones legales y ticas
debido a que se dejaba en manos de una mquina la
responsabilidad de la salud de una persona.
3.6 Ejemplo
A continuacin mostramos un pequeo ejemplo
realizado en Prolog para simular el comportamiento de un sistema
experto en el mbito de la medicina.
No es un ejemplo MYCIN porque es el propio sistema
el que realiza las preguntas al usuario y con dichas respuestas
concluye el organismo infeccioso y el posible tratamiento.
En el siguiente cdigo se muestra los sntomas y
posibles tratamientos de enfermedades habituales.
El cdigo de dicho programa es el siguiente:
sintomas_de(dolor_cabeza,gripe).
sintomas_de(escalofrios,gripe).
sintomas_de(tos_seca,gripe).
sintomas_de(fiebre,gripe).
sintomas_de(tos,pulmonia).
sintomas_de(fiebre_alta,pulmonia).
sintomas_de(escalofrios,pulmonia). En la imagen anterior preguntamos por los sntomas de
sintomas_de(dificultad_respirar,pulmonia). la varicela y nos devuelve los cinco sntomas y con el orden
sintomas_de(dolor_pecho,pulmonia). exactamente igual que estn en el programa. La ltima sentencia
sintomas_de(dolor_muscular,pulmonia). es false para indicar que ya no hay ms sntomas para esa
enfermedad.
sintomas_de(manchas_cuerpo,varicela).
sintomas_de(dolor_cabeza,varicela).
sintomas_de(fiebre_baja,varicela).
sintomas_de(falta_hambre,varicela).
sintomas_de(cansancio,varicela).

sintomas_de(fiebre_alta,meningitis).
sintomas_de(dolor_cabeza_intenso,meningitis)
.
sintomas_de(nuca_riguida,meningitis). A continuacin consultamos el tratamiento que hay que
sintomas_de(vomitos_bruscos,meningitis). seguir para pacientes con dicha enfermedad.
sintomas_de(somnolencia,meningitis).
sintomas_de(perdida_conciencia,meningitis).

tratamiento_de(gripe,reposo).
tratamiento_de(gripe,beber_mucho_liquido).
tratamiento_de(gripe,analgesicos).

tratamiento_de(pulmonia,antibioticos).
tratamiento_de(pulmonia,beber_mucho_liquido)
.
tratamiento_de(pulmonia,reposo).

tratamiento_de(varicela,analgesicos).
tratamiento_de(varicela,crema_calman_picor).

tratamiento_de(meningitis,hospital).
tratamiento_de(meningitis,antibioticos). Tambin podemos saber con dicho programa la
enfermedad que se corresponde con el sntoma especificado,
como se puede observar en la captura de arriba.
Como se puede observar solamente tratamos cuatro
enfermedades, gripe, pulmona, varicela y meningitis.

Ejecutamos el programa y obtenemos:

Para el siguiente ejemplo el programa trata de mostrar

las posibles enfermedades que tienen como tratamiento la variable
reposo.

Finalmente, con este ltimo ejemplo buscamos si

tenemos alguna enfermedad que tenga como sntoma de dolor de
garganta. En este caso el programa nos responde con false porque
en nuestro programa no tenemos ninguna enfermedad con dicho
sntoma.

- 17 -
4. CONCLUSIONES

Como podemos ver el uso de los sistemas expertos en la

sociedad tiene numerosas ventajas.
Por un lado como ya se ha dicho en este documento los
sistemas expertos no se cansan, no les afecta el medio estn en
continuo funcionamiento y si los programas bien son rpidos y
adems eficaces.
Pero entrando en el terreno que nos ocupa, Cmo de
lejos puede llegar un sistema experto en medicina?, los pacientes
se fiaran de una mquina, o prefieren el trato personal? Estas
preguntas serian fcilmente contestables viendo la cada de
MYCIN. De quin es la culpa de un mal tratamiento?, Del
mdico?, si es del experto, Para qu queremos la mquina?
Desde nuestro punto de vista los sistemas expertos son
un gran avance en la sociedad, parece mentira a lo que llega la
sociedad con el paso del tiempo, es increble que una mquina
programada pueda diagnosticar, y ayudar a las personas como si
de un experto humano se tratara y sobre todo es increble que este
programada para aprender. Aun as, despus de las ventajas
comentadas a lo largo del documento, e incluso las ventajas que
nosotras en este mismo momento pudiramos verle todava desde
nuestro punto de vista hay sistemas expertos, como en medicina
que no consideramos que estn preparados para anular al experto,
sencillamente podran complementarlo, ayudarlo, o podran usarse
para otro fin mdico.
Muchos expertos podran pensar que los sistemas
expertos no son tan buenos ya que si empezamos a usar los
sistemas expertos los expertos del mundo se quedaran
inservibles, o peor an, solo serviran para darle conocimiento a
una mquina.

5. REFERENCES

[1] Inteligencia artificial y derecho By Danile Bourcier,

Pompeu Casanovas

[2] Fundamentos de inteligencia artificial Escrito por Luis

lvarez Munrriz

[3] Sistemas Expertos Escrito por David King,Paul Harmon

- 18 -
 Diseo e implementacin de un agente
inteligente Mario A.I.
Yuchen Du
Ingeniera de Telecomunicacin
Universidad Carlos III de Madrid
100073084@alumnos.uc3m.es
RESMEN
En este artculo se detalla el diseo y la
implementacin de un agente inteligente capaz de
jugar al videojuego de Mario as cmo las tcnicas
utilizadas para este diseo.
Categoras y descriptores
Java [Lenguaje de programacin]
Trminos generales
rbol de decisin, agente inteligente
Palabras claves
1. INTRODUCCIN
Para la implementacin de este agente inteligente
analizaremos el uso de tcnicas utilizadas
frecuentemente en aplicaciones de Inteligencia
Artificial, tales como rboles de decisin.
Despus, construiremos nuestro propio rbol de
decisin para la solucin del problema de agente
inteligente planteado en la pgina web de 2011
Mario AI Championship.
A continuacin, haremos un estudio detallado del
paquete de software proporcionado por dicha
pgina web, sobre el cual se apoya nuestra
implementacin del agente de Mario inteligente.
Para ello, analizaremos agentes bsicos
proporcionados dentro del paquete de software,
tales como el ForwarJumpingAgent el cual
simplemente salta hacia delante sin prestar
- 19 -
Virginia Izquierdo Bermdez
Ingeniera de Telecomunicacin
Universidad Carlos III de Madrid
100072580@alumnos.uc3m.es
ninguna atencin a los distintos elementos
presentes en escenario.
Adicionalmente, comprobaremos la funcionalidad
de diversos mtodos y variables implementados en
otras clases dentro del paquete de software que
nos sern de gran ayuda para la construccin en
cdigo Java de nuestro agente inteligente.
Por ltimo, procedemos a implementar y
programar el rbol de decisin construido
previamente y a comprobar su funcionamiento
real en diversos escenarios utilizando las distintas
opciones de simulacin disponibles.
2. RBOLES DE DECISIN
Se trata de modelos de prediccin en los cuales se
utilizan tcnicas mediante las que se pueden
analizar decisiones secuenciales basadas en el uso
de resultados. Estos rboles son utilizados para
generar sistemas expertos, rboles de juegos o
bsquedas binarias. Mediante su uso, un sistema
dotado de Inteligencia Artificial podr tomar
decisiones en situaciones previamente definidas.
En un rbol de decisin, se dispone de unas ciertas
entradas o situaciones, a partir de las cuales se
devuelve un resultado, convergiendo as en una
nueva situacin donde una nueva decisin ha de
ser tomada. Esta accin ser realizada tantas veces
como sea necesario, hasta llegar a un punto final,
llamado hoja en nuestro rbol de decisin, donde
se determina la accin a realizar tras el camino
tomado, aquella que se ajusta a la situacin
requerida.
Un ejemplo de rbol de decisin, binario en este
caso, se muestra a continuacin.
3. DISEO DEL AGENTE
Para el diseo de nuestro agente, haremos uso de
un rbol de decisin, no binario en ste caso,
donde se tomarn decisiones dependiendo del
escenario al que se enfrenta Mario en cada
momento, indicndole la accin a realizar para
tratar de llegar lo menos daado posible al final
del nivel.
Aqu mostramos el rbol de decisin que hemos
diseado para resolver el presente problema:
- 20 -
Cada nodo consiste en una posible situacin a la
que se podra enfrentar el agente a lo largo de una
partida. A continuacin, veremos detalladamente
en qu consiste cada una de ellas, para tener
especial cuidado a la hora de implementar nuestro
sistema, evitando implementaciones que puedan
dar lugar a comportamientos errneos del agente
inteligente.
3.1 Obstculos delante
Si mientras caminamos observamos un objeto el
cual no es franqueable, necesitaremos saltar para
evitar situaciones en las que nos encontraramos
estancados. Ser conveniente adelantarnos a esta
situacin y no detectar el obstculo cuando se
encuentra justo a nuestro lado, sino que convendr
intentar predecir la presencia de obstculos a
distancias un poco mayores. De sta manera se
mejorar el rendimiento del sistema al tratar de
adelantarse en la resolucin de problemas que
pueden ser evitados fcilmente con un simple
salto a tiempo.
3.2 Agujero delante
Al igual que en el caso anterior, ser necesario
predecir cundo hay agujeros para tratar de evitar
caer en ellos y consecuentemente perder de forma
definitiva la partida. Para superar estos agujeros,
tomaremos la misma accin que anteriormente, es
decir, saltar en el momento necesario para evitar
situaciones indeseadas una vez ms.
3.3 Enemigos delante
Los enemigos tambin han de ser evitados para no
ser daados innecesariamente. Por ello, cuando
veamos un enemigo prximo y siempre que sea
posible (antes de saltar siempre habra que
comprobar si dicha accin es conveniente, vase
3.4), saltaremos hacia delante para evitar ser
alcanzados por un enemigo que pueda daar a
Mario y reducir su nivel en un rango (disparo
grande pequeo fin de partida).
3.4 Obstculos encima
Ser necesario tambin comprobar si cuando es
necesario saltar, es decir, si nos encontramos en
las situaciones 3.1, 3.2 o 3.3, esto es conveniente.
En concreto, necesitamos comprobar si cuando se
requiere realizar un salto, hay algn tipo de
enemigo u obstculo infranqueable por encima de
Mario. Si se diese alguna de estas situaciones, lo
ms sensato sera no saltar, sino retroceder, ya que
de lo contrario estaramos arriesgando a ser
daados de forma innecesaria (enemigo encima) o
saltar en vano (objeto infranqueable) y estar
expuesto de nuevo a los peligros detectados
anteriormente.
3.5 Estancados
Puede darse la situacin en la que tratamos de ir
hacia delante y saltar para evitar algn tipo de
obstculo, pero no podemos franquearlo por
encontrar nuevos impedimentos y quedarnos
estancados, por ejemplo si chocamos con un
objeto que se encuentra justo encima nuestro y a
la vez tenemos una pared o una tubera delante
nuestro no podramos avanzar con un simple salto
hacia delante. Por ello, la accin correcta a
realizar si esta situacin ocurre es la descrita en
3.7, es decir, retroceder y probar a saltar de nuevo.
3.6 Saltar
Si hemos llegado a esta hoja del rbol, la accin
final a realizar es saltar hacia delante. La duracin
y por tanto la altura del salto depende del
propsito de dicho salto, ya que depende de si
estamos intentando evitar un obstculo o si
queremos recoger ms monedas, nos interesa
saltar alturas diferentes.
3.7 Retroceder
Finalmente, si llegamos a esta hoja, ya sea para
evitar una situacin de estancamiento, o para
escapar de un enemigo cuando no era conveniente
saltar directamente, retrocederemos hacia detrs
durante un tiempo determinado para despus
poder saltar hacia delante sin chocarnos con
ningn tipo de obstculo que podramos habernos
encontrado.
- 21 -
4. IMPLEMENTACIN DEL AGENTE
Para la implementacin del agente en Java, con
ayuda del cdigo proporcionado por 2011 Mario
AI Championship necesitaremos analizar ciertas
funciones y variables ya implementadas o
definidas, que nos sern de apoyo a la hora de
programar.
4.1 Escenario
En primer lugar, y como informacin ms
importante ser necesario observar el escenario en
el que se mueve Mario. Segn las descripciones
de la pgina web de la competicin, este escenario
consiste en una matriz de 22 x 22 en el que Mario
se encuentra siempre en el centro de la
perspectiva, es decir, en esta matriz siempre
aparece en la columna 11 y en la fila 11.
En esta matriz, podemos encontrar todo tipo de
informacin acerca de los objetos que aparecen en
pantalla, tales como enemigos, obstculos o
monedas.
Existen diversos mtodos que permiten acceder a
la informacin de esta matriz en todo momento
con distinto nivel de detalle, pudiendo seleccionar
el tipo de informacin que se quiere conocer, bien
sea los enemigos, los obstculos o ambas a la vez.
Por simplicidad utilizaremos los siguientes
mtodos: getLevelSceneObservationZ (int level),
para ver nicamente los obstculos en el
escenario; getEnemiesObservationZ (int level), en
este caso para ver solo los obstculos; y por
ltimo, getMergedObservationZZ(int level, int
level) en el cual se pueden observar ambas
informaciones.
Es importante mencionar que, a diferencia de la
matriz de perspectiva completa de dimensiones 22
x 22, estas funciones que simplifican la tarea de
obtencin de informacin dividindola segn su
clase, nos devuelven una matriz de perspectiva de
dimensiones 19 x 19 con la informacin requerida
segn la funcin invocada. Al igual que antes,
Mario siempre estar situado en el centro de
perspectiva, que en este caso pasa a ser la fila 10 y
la columna 10.
La variable level permite modificar el nivel de
detalle de los objetos en la pantalla que queremos
obtener. Cuando se le asigna el valor 2 a esta
variable de entrada, los datos que devuelve la
funcin tendrn la forma ms simple
(mayoritariamente 0s y 1s) facilitando su
procesamiento y manipulacin posterior, mientras
que si se le asigna 0 a esta variable, los datos
obtenidos tendrn la mxima precisin, siendo
posible la distincin entre distintos tipos de
enemigos u obstculos. A la hora de programar,
dependiendo del propsito y las necesidades de la
funcin determinada, utilizaremos un nivel de
detalle mayor o menor, para adaptarnos mejor a la
situacin concreta.
4.2 Variables utilizadas
A parte de estos tres mtodos que utilizamos
para obtener informacin acerca del entorno en el
que se desenvuelve Mario, aprovecharemos
tambin otros atributos que se encuentran
distribuidos en el paquete de software Mario AI:
4.2.1 isMarioOnGround
Indica si en un momento determinado Mario est
sobre una plataforma fija, o si est en medio del
aire. Este atributo nos ser de gran utilidad para
determinar si estamos preparados para detectar
nuevos enemigos u obstculos y saltar de nuevo, o
si por el contrario tenemos que prestar mayor
atencin a la zona donde Mario va a caer,
comprobando la proximidad a enemigos y
decidiendo si se debe retroceder hacia atrs para
evitar un posible choque y dao indeseado.
4.2.2 Mario.fire
Este atributo nos permite saber si Mario an
mantiene en su situacin inicial con capacidad de
disparo, o si ya ha sufrido daos y
consecuentemente es grande o pequeo,
inhabilitado para disparar. Esto es til ya que, en
el caso de que podamos disparar, sera muy
interesante disparar continuamente para destruir
los enemigos que vienen de enfrente y por tanto
para aumentar las posibilidades de sobrevivencia.
Ntese que, al tratarse el botn de disparar el
mismo que sirve para correr, mientras Mario
- 22 -
disponga de la opcin de disparar, lo har
repetidamente mientras que va avanzando
rpidamente por el nivel. Despus de sufrir algn
dao y perder la capacidad de disparo, perdemos
proteccin contra los enemigos que vienen de
frente, por lo que dejaremos de correr para
mejorar nuestra reaccin contra las distintas
situaciones adversas que puedan tener lugar.
4.2.3 marioEgoRow y marioEgoCol
Estas dos variables indican la posicin de Mario
en la matriz de perspectiva de escenario en un
momento determinado.
4.2.4 action
A parte de los atributos anteriores que utilizamos
para obtener informacin acerca del escenario
presente, tambin cabe mencionar que, para
indicar las acciones que debe tomar Mario en cada
momento, modificamos el array de variables
boolean action, que contiene la informacin
acerca de qu botones deben ser pulsados durante
una ronda determinada. Los que utilizamos
principalmente son:
action[Mario.Key_RIGHT]
action[Mario.Key_LEFT]
action[Mario.Key_JUMP]
action[Mario.Key_SPEED]
Que tienen nombres bastante intuitivos.
4.3 Enemigos
Siempre que sea posible, como dijimos en la parte
de diseo, al encontrarnos con un enemigo al lado
nuestro trataremos de saltar para no ser daados.
En caso de que esto no fuera posible, bien porque
hay ms enemigos encima o porque tenemos
algn obstculo que nos lo impide, nos
desplazaremos hacia atrs para poder huir de l y
tomar distintas decisiones ms adelante. Por lo
general, esta funcionalidad no es utilizada muy
frecuentemente, pero en ocasiones resulta de vital
importancia ya que nos evita ser daados por un
estrecho margen. Tambin se da la situacin
cuando estamos cayendo despus de un salto, que
Mario hace contacto muchas veces (sin llegar a
saltar encima) con un enemigo justo cuando est a
punto de tocar el suelo, por lo que es imposible
realizar otro salto para evitar ser daado (para
realizar un salto es necesario que Mario est sobre
alguna plataforma firme). Para prevenir y
solucionar este peligro, analizamos la posibilidad
de que algn enemigo se encuentre alrededor de la
zona de aterrizaje, y cuando se d el caso,
trataremos de retroceder o bien frenar la
trayectoria y as evitar algunos enemigos que
podran habernos atacado si simplemente
hubiramos seguido el salto con nuestra
trayectoria inicial.
4.4 Obstculos o Monedas
Aparte de los enemigos, a la hora de comprobar
obstculos, nos interesa diferenciar si nos
encontramos ante un objeto slido, al que hara
falta realizar un gran salto por encima para
superarlo y as poder seguir avanzando en el nivel,
o de monedas, que en vez de esquivarlas lo que
realmente nos interesa es recolectar la mayor
cantidad posible, realizando saltos pequeos para
intentar coger todas las monedas cercanas. En este
caso, esta tarea es relativamente fcil, pues
utilizando un nivel de detalle 2, bajo la presencia
de monedas, el mtodo para obtener informacin
de escenario devuelve 2s en aquellas posiciones
donde stas se encuentran, diferencindolas
fcilmente de los obstculos indeseados, que
corresponderan a 1s, evitando franquearlas de
forma innecesaria.
4.5 Flores enemigas
Por lo general, para obtener la matriz con la
informacin del escenario ser suficiente con un
nivel de detalle 2, pero en ocasiones, como por
ejemplo cuando tratamos de evitar las flores
enemigas que se esconden en las tuberas, nos
interesara saber especficamente si los enemigos
que encontramos delante se tratan de dichas flores
o no, ya que dependiendo de eso actuaremos de
una forma u otra: en el caso de que se trate de
enemigos comunes, no habra ningn problema y
por tanto actuaremos igual que ante el resto de
enemigos, mientras que cuando detectamos flores
enemigas, es mucho ms seguro esperar a que se
refugien de nuevo en las tuberas antes de avanzar
de nuevo hacia delante.
- 23 -
Del cdigo fuente del paquete software, podemos
saber que cuando se utiliza un nivel de detalle 0,
una flor enemiga ser traducida con el valor de
91 cada vez que se invoque el mtodo
getEnemiesObservationZ(...).
De esta forma, cuando detectamos un obstculo
delante, y cuando no observamos ningn
impedimento para saltar por la existencia de
obstculos, procedemos a comprobar la existencia
de flores enemigas en las celdas siguientes. En
caso de encontrarlas, nos pegaremos a la tubera,
esperaremos a que dichas flores bajen y cuando ya
el camino est libre, saltaremos hacia delante.
5. RESULTADOS
Una vez implementado nuestro sistema podemos
comprobar cmo este funciona aceptablemente,
siendo capaz de terminar diversos escenarios, con
distintas dificultades y obstculos sin ser apenas
daados. Tambin es cierto que nuestro agente no
es infalible y en ocasiones comete fallos que le
suponen la prdida de fuerza, sin embargo las
consecuencias no son tan graves en comparacin
con la dificultad de la implementacin de
soluciones a dichos problemas.
Por tanto, hemos tratado de llegar a una
implementacin en la que exista un compromiso
entre funcionalidad y dificultad, consiguiendo, en
nuestra opinin una solucin muy acertada en
cuanto a resolucin de problemas por parte de
Mario y la dificultad a la que su implementacin
est sometida.
No obstante, comentaremos posteriormente ciertas
mejoras que pueden realizarse para conseguir un
agente mucho ms inteligente y capaz de superar
problemas mayores a los que nuestro agente puede
enfrentarse.
Antes de eso, mostraremos algunas de nuestras
implementaciones ms destacadas, demostrando
su correcto funcionamiento, obteniendo el efecto
deseado segn lo explicado anteriormente,
atendiendo a las decisiones que se toman tras
recorrer nuestro rbol de decisin definido.
5.1 Enemigos
La tarea bsica para hacer que nuestro agente
funcione es tratar de esquivar enemigos que se
acercan hacia nosotros, a nivel del suelo. Para
ello, antes de que estos nos ataquen, daremos un
salto evitndolos de forma exitosa, tal y como se
muestra en las imgenes a continuacin:
- 24 -
5.2 Flores enemigas
Otra accin a realizar, es esquivar flores
enemigas, emergente de las tuberas del escenario
de Mario. Para ello, ya hemos explicado que
trataremos de esperar, hasta que esta se ha
escondido para saltar, evitando que la flor nos
dae:
5.3 Situaciones de estancamiento
Otra situacin muy incmoda es cuando Mario se
encuentra atascado entre varios bloques
irrompibles, ya que si no se toman medidas, Mario
se mantendr en la misma posicin infinitamente,
pues ni puede seguir hacia delante ni puede saltar,
al chocar con algn bloque de su alrededor. Por
ello, ser necesario hacer que Mario retroceda
cuando se encuentre en esta situacin, pudiendo
completar el escenario tal y como se muestra:
- 25 -
6. POSIBLES MEJORAS
Debido a limitaciones tales como el tiempo
disponible, nuestra implementacin no resulta ser
la ms idnea, ya que existen detalles en el
funcionamiento del sistema que podran ser
mejorados realizando implementaciones ms
complejas.
Una de las posibles mejoras que a priori parece
asequible es la siguiente: del motor de generacin
de niveles automtico que utiliza el paquete de
software, muchas veces genera escenarios en el
cual hay muchos enemigos en distintos niveles
movindose hacia la izquierda (hacia Mario) y
cayndose. Utilizando el agente que hemos
implementado, se necesita mucha suerte para
poder esquivar todos, ya que no es nada fcil
evitar contacto con 5 o ms enemigos cayendo. A
simple vista, una posible solucin sera: cuando se
detecta una gran cantidad de enemigos por
delante, en vez de seguir hacia delante, Mario
puede permanecer quieto o incluso retroceder un
poco, y esperar hasta que los enemigos hayan
cado sobre plataforma firme para seguir
avanzando, utilizando nuestro rbol de decisin
para esquivar los enemigos.
Sin embargo, esta solucin no es ptima del todo.
Uno de los problemas generados por intentar
esquivar los enemigos saltndolos es que, cuando
hay una presencia numerosa de enemigos, es
complicado evitar el contacto con todos. Nosotros
intentamos detectar si en el aterrizaje de un salto
es posible hacer colisin con algn enemigo y as
cambiar la trayectoria del salto. Pero esto no evita
colisiones al 100% y muchas veces perdemos vida
justo en los instantes siguientes de un salto.
Adems, en los niveles avanzados que se generan
con el paquete de software, son muy comunes los
enemigos con alas que pueden moverse en todas
las direcciones. Dado el caso, no sera de utilidad
esperar a que todos los enemigos aterricen, ya que
es algo que no ocurrira.
Para hacer frente a esta situacin y resolver los
problemas que puedan presentarse, es necesario
disear una implementacin ms compleja: hara
falta conocer las posiciones de todos los enemigos
 import ch.idsia.benchmark.mario.engine.sprites.Mario;
y los obstculos presentes y, teniendo en cuenta import ch.idsia.benchmark.mario.environments.Environment;
las direcciones de movimiento de los enemigos, import
ch.idsia.benchmark.mario.environments.MarioEnvironment;
calcular hacia que posiciones sera conveniente public class AiAgent extends BasicMarioAIAgent implements
Agent {
saltar (ya sea un hueco entre los enemigos o saltar // Variable para controlar el salto
int trueJumpCounter = 0;
sobre algn enemigo, aunque esta ltima opcin // Variable para controlar retrocesos
int trueBufferCounter = 0;
implicara un pequeo salto forzado despus de
matar al enemigo, que habra que tener en cuenta public AiAgent() {
super("AiAgent");
para contemplar posibles resultados). Al mismo reset();
}
tiempo, habra que tener conocimiento sobre las /**
* Metodo de inicializacion Estado inicial: todos
capacidades de Mario, es decir, sus velocidades de los botones sin presionar
*/
movimiento y de salto, para ver de la lista de public void reset() {
posiciones seguras hacia dnde es factible saltar. action = new
boolean[Environment.numberOfKeys];
Y eso no es todo: habra que tener un control action[Mario.KEY_RIGHT] = false;
action[Mario.KEY_SPEED] = false;
exhaustivo en todo momento sobre las posiciones action[Mario.KEY_JUMP] = false;
trueJumpCounter = 0;
futuras de los enemigos y de Mario para as evitar trueBufferCounter = 0;
}
cualquier sorpresa. /**
* Metodo para chequear si hay enemigos delante
*
Como podemos imaginar, esta solucin, que * @param environment
funcionara de forma correcta en todas las * : el entorno en el que se
* desenvuelve Mario. De ahi sacaremos
situaciones posibles, requiere una enorme * la informacion necesaria para
* interactuar con el resto de
complejidad ya que se necesitara estudiar * elementos que aparecen en la
* pantalla.
ecuaciones sobre los movimientos de Mario y los * @return boolean existencia de un enemigo
* cercano Simplemente comprobamos
enemigos, y se escapan del rango de * la existencia de enemigos en la
requerimientos de este trabajo. En cualquier caso, * posicion consecutiva del array
*/
el sistema para evitar enemigos que hemos private boolean checkEnemiesFront(Environment
environment) {
implementado funciona razonablemente bien para byte[][] enemies =
environment.getEnemiesObservationZ(2);
niveles de dificultad limitada, superando incluso a if (enemies[marioEgoRow][marioEgoCol + 1]
!= 0) {
las capacidades de un jugador humano con poca return true;
experiencia. } else {
return false;
}
Tambin existen otros aspectos en donde se puede }
/**
implementar mejoras, tales como recolectar * Metodo para chequear si hay obstaculos
*
championes y flores para mejorar el estado de * @param environment
* : el entorno en el que se
Mario, as como colectar todas las monedas que * desenvuelve Mario.
* @return boolean existencia de obstculos
aparecen en pantalla. Sin embargo, todo eso * delante Comprobamos la
aumentara en gran medida la complejidad del * existencia de elementos bloqueantes
* por delante de la posicion
sistema, por lo que para el presente diseo se ha * actual de la figura de Mario
* Prestamos atencion a si el elemento
decidido por un sistema ms simple y al mismo * se trata de una moneda ya que de ser
* asi, no se le considera como
tiempo veloz, que es capaz de resolver problemas * un elemento bloqueante
*/
de cierta magnitud. private boolean checkObsFront(Environment
environment) {
byte[][] obstacles =
environment.getLevelSceneObservationZ(2);
7. CDIGO FUENTE if ((obstacles[marioEgoRow][marioEgoCol +
1] != 0 &&
obstacles[marioEgoRow][marioEgoCol + 1] !=
/** 2) || (obstacles[marioEgoRow][marioEgoCol
* Inteligencia en Redes de Comunicaciones + 2] != 0 &&
* Curso 2011 - 2012 obstacles[marioEgoRow][marioEgoCol + 2] !=
* Diseo e Implementacin de un agente inteligente Mario 2) || (obstacles[marioEgoRow][marioEgoCol
A.I. + 3] != 0 &&
* @author - Yuchen Du 100073084 obstacles[marioEgoRow][marioEgoCol + 3] !=
* @author - Virginia Izquierdo Bermdez 100072580 2) ||
*/ (obstacles[marioEgoRow - 1][marioEgoCol +
package ch.idsia.agents.controllers; 1] != 0 &&
import ch.idsia.agents.Agent;

- 26 -
 obstacles[marioEgoRow - 1][marioEgoCol + /**
1] != 2)) { * Metodo para comprobar si hay monedas cerca
return true; *
} else { * @param environment
return false; * : el entorno en el que se
} * desenvuelve Mario.
} * @return boolean si hay monedas cerca
/** * Comprobamos en los alrededores de la
* Metodo para chequear si hay un agujero delante * posicion actual de Mario la
* * existencia de monedas
* @param environment */
* : el entorno en el que se private boolean areCoins(Environment environment)
* desenvuelve Mario. {
* @return boolean existencia un agujero delante byte[][] coins =
* Verificamos si hay en la environment.getLevelSceneObservationZ(2);
* columna delante existe una posicion if (coins[marioEgoRow - 1][marioEgoCol] ==
* vacia 2 || coins[marioEgoRow - 1][marioEgoCol +
*/ 1] == 2) {
private boolean checkGapFront(Environment return true;
environment) { } else {
byte[][] obstacles = return false;
environment.getLevelSceneObservationZ(2); }
if (obstacles[marioEgoRow + 1][marioEgoCol }
+ 1] == 0) { /**
return true; * Metodo para comprobar si hay enemigos cerca
} else { * en los instantes finales de
return false; * un salto
} *
} * @param environment
/** * : el entorno en el que se
* Metodo para chequear si se puede saltar * desenvuelve Mario.
* * @return boolean la existencia de peligro
* @param environment * cercana Comprobamos si hay
* : el entorno en el que se * enemigos alrededor de la zona en
* desenvuelve Mario. * donde caeria mario
* @return boolean si debemos saltar Comprobamos */
* la existencia de enemigos private boolean checkWhileFalling(Environment
* por encima de la posicion de Mario. environment) {
* Si se diera la situacin, no
* se debe saltar para evitar colision.
*/ if (things[marioEgoRow + 1][marioEgoCol +
private boolean checkJump(Environment environment) 1] != 0 || things[marioEgoRow +
{ 1][marioEgoCol + 2] != 0 ||
byte[][] things = things[marioEgoRow + 1][marioEgoCol + 3]
environment.getEnemiesObservationZ(2); != 0 || things[marioEgoRow +
if (things[marioEgoRow - 1][marioEgoCol] 2][marioEgoCol + 3] != 0 ||
!= 0 || things[marioEgoRow + 2][marioEgoCol + 2]
things[marioEgoRow - 2][marioEgoCol] != 0 != 0) {
|| return true;
things[marioEgoRow - 3][marioEgoCol] != } else {
0) { return false;
return false; }
} else { }
return true; /**
} * Metodo para comprobar si ha salido una flor
} * enemiga de alguna de las
/** * tuberas cercanas
* Metodo para chequear si se ha llegado a una *
* situacion de estancamiento * @param environment
* * : el entorno en el que se
* @param environment * desenvuelve Mario.
* : el entorno en el que se * @return boolean la existencia de una flor
* desenvuelve Mario. * carnivora Chequeamos en los
* @return boolean si Mario esta estancado en * puntos cercanos si hay alguna flor
* algun punto Verificamos si * enemiga
* Mario se encuentra en una situacion */
* de estancamiento, es decir, private boolean checkFlower(Environment
* si por delante de el hay un muro environment) {
* infranqueable, pero al mismo byte[][] things =
* tiempo existe elementos irrompible environment.getEnemiesObservationZ(0);
* por encima de el if (things[marioEgoRow - 2][marioEgoCol +
*/ 1] == 91 || things[marioEgoRow -
private boolean stucked(Environment environment) { 3][marioEgoCol + 1] == 91 ||
byte[][] things2 = things[marioEgoRow - 4][marioEgoCol + 1]
environment.getLevelSceneObservationZ(2); == 91 || things[marioEgoRow -
if ((things2[marioEgoRow - 2][marioEgoCol] 2][marioEgoCol + 2] == 91 ||
== -60 || things2[marioEgoRow - things[marioEgoRow - 3][marioEgoCol + 2]
3][marioEgoCol] == -60) == 91 || things[marioEgoRow -
&& 4][marioEgoCol + 2] == 91) {
(things2[marioEgoRow][marioEgoCol + 1] == return true;
1 && things2[marioEgoRow - 1][marioEgoCol } else {
+ 1] == 1)) { return false;
return true; }
} else { }
return false; /**
} * Metodo auxiliar para imprimir el array por la
} * pantalla
- 27 -
 * // y asi determinar las acciones a
* @param environment // desarrollar
* : el entorno en el que se else if ((checkEnemiesFront(env) ||
* desenvuelve Mario. checkObsFront(env) || checkGapFront(env))
* @return void && trueBufferCounter == 0) {
*/ if (isMarioOnGround == false) {
private void printout(Environment environment) { // Si hay enemigos
byte[][] things = // cercanos al punto de
environment.getLevelSceneObservationZ(2); // caida,
for (int i = 0; i < 19; i++) { // retrocedemos
System.out.println(""); if (checkWhileFalling(env)) {
for (int j = 0; j < 19; j++) { action[Mario.KEY_RIGHT] = false;
System.out.print(things[i][j]+" action[Mario.KEY_LEFT] = true;
"); trueBufferCounter = 1;
} }
} }
} // Si se puede saltar con
/** // seguridad y Mario no se
* Metodo para decidir en cada momento las // encuentra en una situacion de
* acciones a tomar // estancamiento, movemos hacia
* // la derecha
* @return boolean[] el array indicando los
* botonos que se deben mantener
* pulsado Utilizando los mtodos action[Mario.KEY_RIGHT]
* definidos anteriormente, = true;
* comprobamos la situacion en la que se // Si no hay una flor
* encuentra Mario en cada // enemiga fuera de una
* momento y decidimos los botones que // tuberia, saltamos
* debemos accionar // En caso contrario
*/ // esperamos hasta que
public boolean[] getAction() { // la flor se refugie
if (!checkFlower(env)) {
MarioEnvironment env =
MarioEnvironment.getInstance(); action[Mario.KEY_JUMP] = true;
// Si Mario se dispone de la habilidad de trueJumpCounter = 7;
// disparo, }
// encendemnos y apagamos alternativamente }
// el botn // Si no es asi, retrocedemos
// de SPEED y as disparar continuamente // hacia la izquierda
if (Mario.fire) { else {
action[Mario.KEY_SPEED] = action[Mario.KEY_RIGHT] = false;
!action[Mario.KEY_SPEED]; action[Mario.KEY_LEFT] = true;
} trueBufferCounter = 3;
// En caso contrario, avanzamos a }
// velocidad regular }
else { // Si hay monedas cerca
action[Mario.KEY_SPEED] = false; else if (areCoins(env) &&
} trueBufferCounter == 0) {
// Primero comprobamos si Mario esta // Si saltar no implica ningun
// retrocediendo // peligro,
// para evitar un enemigo o un obstaculo // saltamos un poco para coger
if (trueBufferCounter > 0) { // mas monedas
trueBufferCounter--; if (checkJump(env)) {
// Si este contador se ha llegado action[Mario.KEY_RIGHT]
// a 0, dejamos de mover = true;
// hacia la izquierda y volvemos action[Mario.KEY_JUMP] =
// hacia la derecha true;
if (trueBufferCounter == 0) { trueJumpCounter = 1;
action[Mario.KEY_RIGHT] }
= true; }
action[Mario.KEY_LEFT] = // Finalmente si no pasa nada,
false; // simplemente
} // movemos hacia la derecha
} else if (trueBufferCounter == 0) {
// Ahora comprobamos si Mario estaba action[Mario.KEY_RIGHT] = true;
// saltando, action[Mario.KEY_JUMP] = false;
// gracias al contador trueJumpCounter }
if (trueJumpCounter > 0) { return action;
trueJumpCounter--; }
// Si mario ya se encuentra sobre }
// alguna plataforma,
// reseteamos el contador
if (isMarioOnGround) {
trueJumpCounter = 0;
}
8. REFERENCIAS
// Si el contador esta a 0,
// dejamos de pulsar el boton de [1] Pgina web de Mario AI Championship 2011:
// saltar
if (trueJumpCounter == 0) { http://www.marioai.org/
action[Mario.KEY_JUMP] =
false;
} [2] Ejemplo del rbol de decisin tomado:
}
// Si no se da lugar ninguna de las http://dms.irb.hr/tutorial/tut_dtrees.php
// situaciones anteriores,
// Comprobamos si hay enemigos, obstaculos
// o agujeros delantes
- 28 -
 JUGADOR VIRTUAL DE PKER TEXAS HOLDEM
Alberto lvarez Polegre
Ingeniera de Telecomunicacin
Universidad Carlos III de Madrid
100085949@alumnos.uc3m.es
Lucas Bernalte Prez David Daz Chinea
Ingeniera de Telecomunicacin Ingeniera de Telecomunicacin
Universidad Carlos III de Madrid Universidad Carlos III de Madrid
100294293@alumnos.uc3m.es 100294308@alumnos.uc3m.es

RESUMEN la grande). La primera de estas tres rondas se conoce como Flop y

El pquer es un juego de cartas de los llamados de "apuestas", en en ella se mostrarn en la mesa tres cartas sacadas del montn de
los que los jugadores, con todas o parte de sus cartas ocultas, cartas que no se ha repartido. Posteriormente pasamos al Turn
hacen apuestas sobre una puja inicial, recayendo la suma total de donde solo se ensea una carta conocida como Cuarta Calle. Por
las apuestas en el jugador o jugadores con la mejor combinacin ltimo, se gira una ltima carta, Quinta Calle, en la ronda llamada
de cartas. River, formando las cinco Cartas Comunes. Con tres de estas
cartas mostradas combinadas con las dos obtenidas al principio de
Palabras Clave la partida el jugador deber formar su mano de cartas con las que
Pker, Texas Hold em, probabilidad, jugada, mano, estrategia. intentar ganar la partida. As pues a partir de aqu se presentan las
manos posibles que puede tener cada jugador, ordenadas de mayor
1. INTRODUCCIN a menor valor.
El Texas Holdem es una variacin del conocido juego de cartas
conocido como Pker. En este juego se utilizan las 52 cartas de la Escalera Real de Color
baraja inglesa, las cuales tienen los valores, de menor a mayor, 2,
3, 4, 5, 6, 7, 8, 9, 10, J, Q, K y A, en las cuatro combinaciones de
palos diferentes: trbol , corazones , picas , y diamantes .
En el pker se realizan una serie de apuestas en las que el jugador
que obtenga la mejor combinacin de cartas ser el ganador de
esta, llevndose el bote acumulado que ser la suma de todo lo
apostado por el resto de jugadores. Adems el jugador tambin
La mejor jugada del pker. Comprende las cartas 10, J, Q, K y A
puede obtener el premio si el resto de jugadores de la mesa se ha
del mismo palo.
retirado de la partida. Cada jugador ser eliminado si pierde todas
las fichas que ha apostado.
Escalera de Color
2. REGLAMENTO
Esta variacin se caracteriza sobre todo porque cada jugador
obtiene dos cartas boca abajo al inicio de la partida, que sern
siempre fijas. Dichas cartas sern reveladas al final de la ronda
por parte de los jugadores que queden al cerrar las apuestas, en
caso de que todos se retiren si el que no lo haga lo desea, o si los
apostantes que siguen en la partida apuestan todas sus fichas Cinco cartas de orden consecutivo del mismo palo. Cuanto mayor
restantes (jugada conocida como All-In). sea la carta ms alta de la escalera, mejor es el ranking de la
mano. En este ejemplo la carta ms alta es el 10; vencera a una
A partir de aqu cada jugador comienza apostando a continuacin escalera de color con un 9 de carta ms alta.
de la ciega grande (jugador que parte obligatoriamente con la
apuesta mnima, de modo que el jugador solo puede igualarla o
aumentarla si no quiere retirarse) siguiendo las agujas del reloj. A
Pker
esta ronda se le denomina, en trminos del juego, Pre-Flop, y si
quedan ms de dos jugadores tras esta se seguir apostando.
Posteriormente se inicia una fase de tres rondas conocida como
Post-Flop, cada una con sus respectivas rondas de apuestas y ,en
cuanto a las mismas, a partir de aqu el jugador puede pasar (no
apostar nada) solo si los anteriores han pasado o es l el primero;
retirarse de la partida, igualar la apuesta o subirla. En este caso la Cuatro cartas del mismo valor. Cuanto ms alto es el valor de
ronda la iniciar el jugador a la izquierda de la ciega grande, estas cuatro cartas, ms alto es el ranking de la mano. En caso de
conocido como ciega pequea (apuesta inicialmente la mitad que empate gana la mano cuya quinta carta sea ms alta.

- 29 -

Full
Esta jugada rene 3 cartas de un valor y 2 de otro. Cuando se
comparan dos fulls, gana el que tiene el valor de las tres cartas
ms alto. As pues, un full 7-7-7-2-2 supera a un full 5-5-5-A-A.
En caso de que los tros sean del mismo valor en dos manos, gana
la mano que tenga la pareja de cartas restante ms alta, con lo que
por ejemplo 7-7-7-A-A superara a 7-7-7-K-K.
Color
El color lo forman cinco cartas no consecutivas del mismo palo.
Gana el desempate entre dos colores aquel que tenga la carta ms
alta.
Escalera
Para la escalera se precisan cinco cartas de valor consecutivo.
Entre dos escaleras gana la que sea ms alta. Por otra parte, el As
puede usarse para formar la escalera A-K-Q-J-10, que sera una
Escalera Real, y tambin la escalera 5-4-3-2-A.
Poquer.com.es. xx
Tro
Lo componen tres cartas del mismo valor. Entre dos tros gana el
que est formado por cartas ms altas. Si ambos tros estn
formados por cartas del mismo valor, decide el desempate la carta
ms alta de las dos restantes de que consta la mano, y si esas dos
cartas fueran iguales, se compararan las quintas cartas de cada
mano.
Doble Pareja
- 30 -
Una doble pareja est formada por dos cartas del mismo valor en
combinacin con otras dos cartas tambin de un mismo valor,
pero diferente al valor de las dos primeras. Cuando dos manos
muestran doble pareja, gana la mano cuya pareja es ms alta.
Como siempre, en caso de empate decide la carta ms alta.
Pareja
Dos cartas del mismo valor. Cuanto ms alto es el valor de la
pareja, ms alto es su ranking. En caso de igualdad, se recurre a la
carta ms alta.
Carta Ms Alta
Cuando ningn jugador consigue formar una de las jugadas arriba
expuestas, gana la mano aquel que tiene la carta ms alta. Y en
caso de empate, se usa la siguiente carta ms alta.
3. OBJETIVO Y PRESENTACIN DEL
MODELO
3.1 Introduccin
Primero, decir que un modelo que simule el comportamiento de
un humano jugando al pker, es casi inviable, por la cantidad de
factores que influyen, tanto dentro del juego como factores
externos.
El modelo que se presenta aqu, y la inmensa mayora de modelos
existentes son modelos simplificados, que slo tienen en cuenta
factores internos del juego y siempre ser una mquina, luego
siempre pensar con la cabeza fra y elegir la mejor jugada en
cada momento.
A corto plazo puede no resultar victorioso, pero este modelo sigue
un criterio de probabilidades, por el cual est comprobado que a
medio/largo plazo se obtienen ganancias.
Nuestro modelo empezar siguiendo una determinada estrategia, y
podr ir cambiando a lo largo de la partida, dependiendo del
comportamiento del rival.
3.2 Modelos de jugador de Pker
Podemos analizar que bsicamente hay distintos tipos
de jugadores de Pker. Encontramos que podemos agrupar a los
diferentes tipos de jugadores en cuatro categoras, de acuerdo a
dos criterios: tight y loose y por otro aggressive y passive.
As podemos empezar por explicar que significa tight y loose y
aggressive y passive.
De acuerdo con la cantidad de manos de Pker podemos
clasificar a un jugador como tight o loose. Un jugador loose juega
muchas y diferentes manos. En cambio uno tight juega pocas
manos y adems con buenas cartas, es decir que tiene muchas
posibilidades de ganar.
Asimismo, encontramos los jugadores pasivos y agresivos. En
general el jugador pasivo sigue las apuestas del otro de la mesa de
Pker, en cambio el agresivo sube con frecuencia la apuesta y 3.4.2 Fuerza de la mano
toma la iniciativa. La fuerza de la mano es la probabilidad que tiene sta de ganar la
jugada sin saber qu cartas tienen nuestros adversarios. La fuerza
de la mano inicial (en el pre-flop) se basa en la tabla del punto 3.3.
3.3 Fuerza de la mano inicial A partir de aqu se calcular de la siguiente manera:
-En el Flop: ODDS*4 + 1 (%)
-En el Turn: ODDS*2 - 1 (%)
-En el River: ODDS (%)
*ODDS: Las ODDS son las cartas que faltan por salir para tener la
mano ganadora a la que aspira el jugador.

3.4.3 Ratio de ganancia

El ratio de ganancia es la cantidad de fichas que ganars (en %) en
funcin de la apuesta que se haga y la cantidad de fichas en el
bote. Por ejemplo, si la apuesta es 20 fichas y hay 40 fichas en el
bote, entonces el ratio de ganancia ser 20/(20+40) = 0.333.

3.4.4 Ratio de devolucin

El ratio de devolucin es (en media) la proporcin en que se
multiplicar la apuesta si se contina jugando esa mano. Se
calcula como el cociente entre la fuerza de la mano y el ratio de
ganancia. Normalmente, seguiremos jugando esa mano si este
parmetro es igual o superior a 1 (como se mostrar en el punto
4).

3.4.5 Ratio de subida

El ratio de subida es la cantidad de fichas que se apostarn en caso
de que se decida ver y subir. Se calcula teniendo en cuenta los 3
parmetros anteriores de la siguiente forma:

3.4.6 Probabilidad total

La probabilidad total es la suma de la fuerza de la mano con un
Random de C++. Esta parmetro ha de ser igual o superior a la
probabilidad umbral para jugar la mano.

3.4.7 Random
Para simular de mejor manera el jugador virtual, utilizaremos la
funcin de C++ Random y as poder hacer un jugador ms
imprevisible. En todas las tomas de decisiones utilizaremos esta
funcin.

4. DESARROLLO DEL JUEGO

3.4 Parmetros en los que basar las
4.1 Pre-Flop
decisiones. El jugador comprobar si es ciega grande o pequea y pondr la
En esta seccin explicares los parmetros en los que se basa el cantidad de fichas necesarias que estas indiquen.
jugador para tomar una decisin u otra.

if (ciega_grande == true)
3.4.1 Probabilidad umbral Poner_ciega_grande();
La probabilidad umbral es la probabilidad mnima de ganar que
debe tener la mano para jugar. Est es diferente dependiendo la if (ciega_pequea == true)
cantidad de jugadores en mesa. Por debajo se este umbral, se Poner_ciega_pequea();
considera que la mano tiene muy pocas probabilidades de ganar y
se supone una prdida innecesaria de fichas. A lo largo de la
partida, dependiendo del tipo de jugadores a los que nos Luego, se reparten dos cartas a cada jugador, y en ese momento
enfrentemos, esta probabilidad umbral variar a ms o menos. calculamos la probabilidad que tiene nuestra mano de ganar

- 31 -
(fuerza de la mano), dependiendo del nmero de jugadores, de
nuestra posicin en la mesa y de si hemos sido ciega (grande o
pequea) o no.
Diagrama de las fases del juego:

if (ciega_grande == true || ciega_pequea == true)

{
Poner ciega
probabilidad_total = Fuerza_mano(mano_inicial) +
Random(0,0.2) - Random(0,0.2) + 0.05; Irse

else
probabilidad_total = Fuerza_mano(mano_incial) + Calcular FM Igualar
Random(0,0.2) - Random(0,0.2);
}
Subir
Mientras las apuestas no hayan sido igualadas, calcularemos el
ratio de ganancia y el ratio de devolucin para realizar la jugada.
Teniendo en cuenta estos parmetros y los factores Random
jugaremos (funcin Jugar) de un modo u otro (Irse, Igualar o Flop
Subir). Irse
A lo largo de las manos, se analizar a los adversarios y teniendo
en cuenta la variables para este anlisis jugaremos siguiendo una
estrategia u otra (definidas en el punto 3.2). Calcular FM Igualar

4.2 Flop
Con esto llegamos al Flop, donde se reparten tres cartas Subir
comunitarias. A partir de este momento nuestra mano pasar a
tener 5 cartas, y la probabilidad para calcular la fuerza de la mano
se calcular por un mtodo sealado anteriormente. Hay que
sealar que este mtodo no es del todo exacto, pero nos da una
muy buena aproximacin de nuestras probabilidades de ganar la Turn
mano.
Irse
Como ya se hiciera en el Pre-Flop, calcularemos de nuevo los
parmetros bsicos para la toma de decisiones y en funcin de
ellos jugaremos (funcin Jugar). Calcular FM Igualar
4.3 Turn
Igual que en las fases anteriores, realizaremos un tipo de jugada u
otra segn los parmetros bsicos. Subir

4.4 River
En esta ltima fase se decidir quin gana finalmente esa mano
despus de las apuestas. River
Irse
Como aadido, el jugador har un All in (apostarlo todo) si sus
fichas actuales son diez veces menos que sus fichas iniciales para
intentar salvar la partida (o perder inmediatamente). Calcular FM Igualar

Subir

*FM: Fuerza de la mano

- 32 -
 Subir(ratio_subida);
}
5. TOMA DE DECISIONES (funcin Jugar)
En el cdigo se ha implementado una funcin que decidir cmo
jugar teniendo en cuenta el ratio de devolucin.
5.4 Ratio de devolucin superior a 1.3
Despus de calcular este parmetros, se entrar en una serie de En cuanto nuestro ratio de devolucin sea superior a 1.3
condiciones para saber si ver la apuesta, subirla (o hacer un farol) significar que tenemos una mano difcilmente de ganar. Para este
o irse. caso igualaremos con un 30% y subiremos con un 70%. Tampoco
nos iremos en ningn caso.
5.1 Ratio de devolucin inferior a 0.8
Este caso se considera una mano realmente mala, por lo que con
el 95% de probabilidad el jugador se ir, con un 5% subir la
apuesta (farol) y en ningn caso igualar.
{
if (aleatoriedad > 0.3)
if (ratio_devolucion < 0.8)
Subir(ratio_subida);
{
if (aleatoriedad <= 0.3)
if (aleatoriedad > 0.05)
Igualar();
Irse();
}
if (aleatoriedad <= 0.05)
Subir(ratio_subida);
El hecho de tomar una decisin u otra depender del factor de
} aleatoriedad que nos brinda la funcin Random de C++. Cunto
apostar en caso de subida lo determinar el ratio de subir que se
calcula con la frmula vista en el punto 3.4.5.
5.2 Ratio de devolucin inferior a 1 En cuanto se igualen las apuesta de resolver la jugada y se ver
En este caso nuestra mano seguir siendo bastante mala, por lo qu jugador gana ese mano.
que lo ms lgico sera irse. No obstante, ha mejorado con
respecto al caso anterior conque nuestras probabilidades
cambiarn. Con un 80% de probabilidad nos iremos, subiremos
con un 15% (farol) y tan solo con un 5% igualaremos la apuesta.
Diagrama del ratio de devolucin:

if (ratio_devolucion < 1)
Si
{ Irse (95%)
if (aleatoriedad > 0.15)
Irse();
if (aleatoriedad <= 0.15 && 0.05 < aleatoriedad) RD < 0.8 Igualar (0%)

Subir(ratio_subida);
Subir (5%)
if (aleatoriedad <= 0.05)
Igualar();
}
Si
Irse (80%)
5.3 Ratio de devolucin inferior a 1.3
En este punto nuestra mano ya se considerar buena y tendremos
opciones reales de hacernos con el boto final. As que en este caso RD < 1 Igualar (5%)
igualaremos la apuesta con un 60% de probabilidad y subiremos
con un 40%. En ningn caso nos iremos.
Subir (15%)
if (ratio_devolicion < 1.3)
{
if (aleatoriedad > 0.4)
Igualar();
if (aleatoriedad <= 0.4)

- 33 -
 7. BIBLIOGRAFA

Si [1] Wikipedia, La Enciclopedia Libre, www.wikipedia.org

Irse (0%) [2] Cowboy Programming, Programming Poker AI
[3] Reglas del Pker, Tipos de jugaroes,
www.reglasdelpoker.es/Hay-diferentes-tipos-de-jugadores-
RD < 1.3 Igualar (60%) de-poker
[4] Apuntes de la asignatura Inteligencia en Redes de
Subir (40%) Comunicacin, Universidad Carlos III de Madrid
[5] Probabilidades Pker, www.probabilidadespoker.es
[6] World Series of Poker: Tournoment of Championship,
vdeojuego PlayStation 2
[7] Poker Stars, www.pokerstars.com

Si
Irse (0%) 8. ANEXO. PSEUDO CDIGO EN C++
// Variables
RD > 1.3 Igualar (30%)
int numero_jugadores,
probabilidad_umbral, probabilidad_total,
Subir (70%) aletoriedad;
int fichas_iniciales,
fichas_disponibles, bote, apuesta,
ratio_devolucion, ratio_subida;
*RR: Ratio de devolucin bool ciega_grande, ciega_pequea,
apuesta_igualada, hablo, perder;
char mano_inicial [2],
6. CONCLUSIONES cartas_comunitarias [5];

El juego est basado en la minimizacin del factor suerte, luego // Funciones (slo se define Jugar())
slo sera rentable tras un nmero bastante grande de manos. Y void Poner_ciega_grande(void);
todo esto teniendo en cuenta slo factores del juego, aunque no se void Poner_ciega_pequea(void);
hayan contemplado todos (sera demasiado trabajoso y casi
void Igualar(void);
inviable).
void Irse(void);
Si la mquina se enfrentara a un jugador principiante, lo ms void Subir(int);
probable es que gane, puesto que todas las probabilidades usadas, void All_in(void);
frmulas y estrategias son reales. Est comprobado que si se juega int Fuerza_mano(char);
de esa forma se obtienen beneficios a largo plazo. Esto, sumado a
que una mquina siempre piensa framente y que siempre va a
int Ratio_ganancia(int, int);
elegir la que cree que es su mejor opcin, la hace un rival muy bool Jugar(int, int, int, int);
difcil de batir. bool Resolucion_jugada(void);
Por otro lado, si tenemos el juego muy estudiado y sabemos cul
es la mejor opcin, podramos predecir el comportamiento del
void main(void)
jugador virtual. {
// Clculo de probabilidad umbral
Cabe mencionar, en cuanto al tema de poker y la inteligencia
suponiendo un mximo de cuatro jugadores
artificial, el ordenador Polaris, que se us como experimento,
switch (numero_jugadores)
contra Phil Laak y Ali Eslami, dos jugadores de pquer de Los
ngeles clasificados entre los mejores del mundo. Aunqu gan y {
empat las 2 primeras partidas (de 500 manos cada una), al final case 2:
el resultado se decant para el lado humano. probabilidad_umbral = 0.58;
case 3:
Todo esto demuestra que a pesar de los aos de estudio de la
inteligencia artificial, todava estamos en una constante evolucin probabilidad_umbral = 0.42;
y nos queda mucho camino por recorrer. case 4:
probabilidad_umbral = 0.32;
}

- 34 -
// Inicio de la partida Fuerza_mano, ratio_devolucion,
while (1) aletoriedad);
{ }
// Se ponen las ciegas }
if (ciega_grande == true)
Poner_ciega_grande(); // Turn (cuatro cartas comunitarias)
if (ciega_pequea == true) probabilidad_total =
Poner_ciega_pequea(); Fuerza_mano(mano_inicial,
cartas_comunitarias)
// Se reparte la mano (dos cartas + Random(0,0.2) -
privadas) Random(0,0.2);
if (ciega_grande == true || if (probabilidad_total >=
ciega_pequea == true) probabilidad_umbral)
{ {
probabilidad_total = while (apuesta_igualada == false
Fuerza_mano(mano_inicial) + || perder == false)
Random(0,0.2) - Random(0,0.2) + 0.05; {
else Ratio_ganancia(bote,
probabilidad_total = apuesta);
Fuerza_mano(mano_incial) + Random(0,0.2) ratio_devolucion =
- Random(0,0.2); Fuerza_mano / Ratio_ganancia;
} aleatoriedad = Random(0,1);
Jugar(Ratio_ganancia,
// Pre-Flop Fuerza_mano, ratio_devolucion,
if (probabilidad_total >= aletoriedad);
probabilidad_umbral) }
{ }
while (apuesta_igualada == false)
{ // River (cinco cartas comunitarias)
Ratio_ganancia(bote, probabilidad_total =
apuesta); Fuerza_mano(mano_inicial,
ratio_devolucion = cartas_comunitarias)
Fuerza_mano / Ratio_ganancia; + Random(0,0.2) -
aleatoriedad = Random(0,1); Random(0,0.2);
if (probabilidad_total >=
Jugar(Ratio_ganancia, Fuerza_mano, probabilidad_umbral)
ratio_devolucion, aletoriedad); {
} while (apuesta_igualada == false
} || perder == false)
{
// Flop (tres cartas comunitarias) Ratio_ganancia(bote,
probabilidad_total = apuesta);
Fuerza_mano(mano_inicial, ratio_devolucion =
cartas_comunitarias) Fuerza_mano / Ratio_ganancia;
+ Random(0,0.2) - aleatoriedad = Random(0,1);
Random(0,0.2); Jugar(Ratio_ganancia,
if (probabilidad_total >= Fuerza_mano, ratio_devolucion,
probabilidad_umbral) aletoriedad);
{ }
while (apuesta_igualada == false }
|| perder == false)
{ bool Jugar(void){
Ratio_ganancia(bote, if (hablo == true)
apuesta); {
if (fichas_disponibles <
fichas_iniciales / 10)
aleatoriedad = Random(0,1); All_in();
Jugar(Ratio_ganancia, else

- 35 -
 if (ratio_devolucion < 0.8) mano
//Muy mala mano {
{ if (aletoriedad
if (aleatoriedad > > 0.4)
0.05) Igualar();
Irse(); if (aletoriedad
if (aleatoriedad <= <= 0.4)
0.05)
// Farol ratio_subida = (10*Ratio_ganancia)
* fichas_disponibles /
ratio_subida = (10*Ratio_ganancia) (100*Fuerza_mano);
* fichas_disponibles /
(100*Fuerza_mano); Subir(ratio_subida);
}
Subir(ratio_subida); else
} // Muy
else if buena mano
(ratio_devolucion < 1) // Mala {
mano if (aletoriedad
{ > 0.3)
if (aletoriedad
> 0.15) ratio_subida = (10*Ratio_ganancia)
Irse(); * fichas_disponibles /
if (aletoriedad (100*Fuerza_mano);
<= 0.15 && 0.05 < Aletoriedad)
// Farol Subir(ratio_subida);
if (aletoriedad
ratio_subida = (10*Ratio_ganancia) <= 0.3)
* fichas_disponibles / Igualar();
(100*Fuerza_mano); }
}
Subir(ratio_subida); else
if (aletoriedad
<= 0.05)
Igualar(); perder =
} Resolucion_jugada();
else if }
(ratio_devolicion < 1.3) // Buena

- 36 -
 Inteligencia artificial en el mundo de la aviacin
Daniel Ruesga Ibaez
Estudiante Ing. Telecomunicacin
Universidad Carlos III de Madrid
Avda. De la Universidad, 30
28911, Leganes (Madrid)
100071034@alumnos.uc3m.es
RESUMEN
En este documento vamos a realizar un estudio del impacto que ha
tenido la inteligencia artificial en el mundo de la aviacin
moderna. Nos centraremos en los sistemas de pilotaje automtico
disponibles en los aviones y su avance hasta la los vehculos no
tripulados (UAVS).
Categoras y Descriptores de Temas
[Inteligencia Artificial]: sistemas expertos [Avinica]: pilotaje
Terminus Generales
Documentacin, diseo, fiabilidad, seguridad, factores humanos,
teora.
Palabras Clave
Sistemas expertos, aviacin, piloto automtico, navegacin, vuelo,
uav.
1. INTRODUCTION
Un piloto automtico es un sistema mecnico, elctrico o
hidrulico usado para guiar un vehculo sin la ayuda de un ser
humano. Aunque puede usarse en distintos tipos de vehculos
nosotros nos centramos en el pilotaje de aviones. De esta forma
tenemos que el sistema de piloto automtico que se implementan
en los aviones son sistemas expertos.
Un sistema experto es una aplicacin informtica que emula la
forma de pensar y razonar de un experto en un campo
determinado, que normalmente requiere de una gran cantidad de
conocimientos asociados. Con esta clase de sistemas lo que se
busca es una mejora en la rapidez y velocidad de las respuestas.
El sistema de piloto automtico tiene implementados los
conocimientos necesarios de navegacin y fundamentos de vuelo
necesarios para pilotar un avin de manera automtica sin
necesidad de la interaccin del piloto.
Un vuelo est dividido en varias etapas: rodaje, despegue,
ascenso, crucero, descenso, aproximacin, y aterrizaje. De todas
las anteriores las nicas etapas que nos pueden ser controladas
nicamente por el sistema de pilotaje automtico son la de rodaje
y despegue.
- 37 -
Hector Molla Ruiz
Estudiante Ing. Telecomunicacin
Universidad Carlos III de Madrid
Avda. De la Universidad, 30
28911, Legans (Madrid)
100055188@alumnos.uc3m.es
2. SISTEMAS EXPERTOS
Como ya se ha comentado en la introduccin un sistema experto
es aquel que puede almacenar el conocimiento de un experto en
un campo determinado y limitado, y a su vez solucionar
problemas mediante la induccin- deduccin lgica.
Los sistemas expertos son programas de computacin que
capturan el conocimiento de un experto y tratan de imitar su
proceso de razonamiento cuando resuelven los problemas en un
determinado dominio.
Para que un sistema experto sea efectivo, los usuarios tienen que
interactuar de una manera sencilla, siendo necesarias dos
capacidades para poder cumplirlo:
1. Explicar conocimientos y razonamientos: es necesario
que al realizar los sistemas se sigan unas pautas y reglas
que resulten comprensibles para lograr que se genere
una explicacin para cada una de ellas.
2. Obtencin mientos e integrador del
sistema: mecanismos que modifican los conocimientos
previos. Puede decirse que los sistemas son el resultado
de investigaciones en el campo de la inteligencia
artificial, puesto que no busca sustituir a los expertos
sino que sirvan de ayuda a la hora de realizar las tareas
con mayor rapidez y eficacia.
Los sistemas expertos estn formados por diversos elementos:
base de conocimientos, base de hechos, motor de inferencia,
mdulos de justificacin e interfaz de usuario.
2.1 Base de conocimientos
Son bases de datos con los conocimientos de los expertos
implementados en el sistema sobre el campo concreto de trabajo.
A travs de la base de conocimiento, el sistema experto obtiene
los razonamientos que debe aplicar en su funcionamiento.
2.2 Base de hechos
Compuesta por los hechos descubiertos durante el anlisis que se
realiza cuando existe algn problema.
Fig.1. Estructura sistema experto
2.3 Motor de inferencia
Se encarga de modelar el proceso del razonamiento humano. Para
ello utiliza el conocimiento disponible en las bases de
conocimientos y hechos.
2.4 Mdulos de justificacin
Se encarga de proporcionar una explicacin al usuario del
razonamiento que ha utilizado el sistema experto para obtener una
conclusin determinada.
2.5 Interfaz de usuario
La interfaz de usuario es el medio por el cual la mquina y el
usuario se comunican. Comprende todos los puntos posibles de
contacto entre el usuario y la mquina. Comnmente suelen ser
con diseos intuitivos, fciles de entender y manejar.
3. FUNDAMENTOS DE VUELO
Es necesario profundizar un poco en los fundamentos de vuelo de
los aviones para entender como el piloto automtico es capaz de
manejar un avin de manera independiente.
3.1 Sustentacin
El principio bsico por el que los aviones se mantienen en el aire
y consiguen volar es por la fuerza de sustentacin. Se crea gracias
a las alas de los aviones, la cola y en general su estructura. Esta
- 38 -
fuerza que se ejerce consigue contrarrestar al peso propio de la
aeronave mantenindola de esta forma en el aire.
Fig.2. Fuerzas sobre aeronave
3.2 Control aeronave
Para el movimiento de la aeronave es necesaria una fuerza de
empuje que se obtiene gracias a los motores de reaccin. Estos
motores se encargan de contrarrestar la resistencia aerodinmica
que se genera precisamente por la sustentacin.
Los aviones son capaces de rotar sobre tres ejes perpendiculares
entre s. El punto donde se cruzan estos tres ejes se encuentra en
el centro de gravedad del avin. Los tres ejes son los siguientes:
Fig.3. Ejes del avin
Transversal
Este eje cruza de una punta a la otra de las alas del avin.
El movimiento asociado a este eje se le llama cabeceo y su
funcin es la de levantar el morro del avin para variar su
sustentacin.
Longitudinal
Este eje cruza el avin desde el morro hasta la cola.
El movimiento asociado a este eje se le llama alabeo y consiste en
levantar un ala mientras bajas la otra.
Vertical
Este eje cruza el avin desde la parte inferior hasta la superior
pasando por el centro de gravedad.
El movimiento asociado a este eje se le llama guiado y sirve para
modificar el rumbo hacia el que apunta el morro del avin.
Para el control de los movimientos, la aeronave dispone de una
serie de superficies de control que se encuentran en las alas:
Fig.4. Superficies de control
Alerones: Se tratan de superficies mviles colocadas en
los extremos de las alas del avin, sobre el borde de
salida. La funcionalidad de los alerones es la de
controlar el movimiento de alabeo.
Flaps: Son dispositivos de hipersustentacin que estn
colocados tambin en el borde de salida del ala.
Normalmente se encuentran cerrados y cuando se
utilizan se despliegan separndose del ala. Los flaps
solo se usan en determinadas maniobras como el
despegue y el aterrizaje.
Spoilers: Son superficies con movilidad situadas en el
extrads del ala. El objetivo es reducir la fuerza de
sustentacin que se genera en el ala.
Slaps: Son dispositivos hipersustentadores como los
flaps con la diferencia de que estos estn situados sobre
el borde de ataque del ala y sirven para aumentar la
curvatura de esta.
Existen tambin otras superficies necesarias para el control del
avin pero que a diferencia de las anteriores no se encuentran en
el ala. Estas son el timn de direccin y el de profundidad.
Timn de direccin: Es una superficie de control
generalmente colocada en el estabilizador vertical y
cuya funcin es la de controlar el movimiento de
guiada.
Timn de profundidad: Es una superficie
estabilizadora situada en la parte posterior del avin y
su funcin es la de controlar el movimiento de cabeceo
4. SISTEMA DE NAVEGACION
El sistema de navegacin de un avin esta compuesto por varios
instrumentos esenciales que permiten orientarse seguir el rumbo
deseado. Los instrumentos bsicos del sistema de navegacin son
los siguientes:
- 39 -
Brjula: Permite conocer el rumbo que esta siguiendo
el avin.
Indicador de rumbos: Permite eliminar los defectos de
la brjula.
ADF: Capta la seal emitida por una estacin terrestre y
nos muestra la direccin en la que se encuentra.
DME: Calcula la distancia del avin a un punto emisor.
CDI: Muestra la posicin relativa de la aeronave con
respecto al radial que queremos seguir.
ILS: Muestra el ngulo de descenso y la alineacin con
la pista de aterrizaje.
5. PILOTO AUTOMATICO
Una vez comprendimos los componentes bsicos que permiten a
los aviones moverse y los sistemas que proporcionan la
informacin necesaria para la navegacin podemos mostrar el
funcionamiento del piloto automtico.
El avin est equipado para su guiado automtico con dos
computadores digitales de vuelo (DFGG) que suministran la
informacin necesaria para la realizacin de las funciones de
piloto automtico, estabilidad, empuje, altitud y direccin de
vuelo.
Los pilotos automticos utilizan sistemas informticos para
controlar diversos aspectos del avin, desde el control del vuelo a
componentes para la comunicacin, sistemas para evitar
colisiones y maniobras de gran precisin como aterrizajes sin
visibilidad.
El sistema de piloto automtico obtiene la informacin necesaria
de la posicin del avin gracias a los sistemas implementados de
navegacin. Estos datos le permiten calcular los movimientos que
sern necesarios efectuar para seguir el rumbo establecido. Los
datos obtenidos del sistema de navegacin son enviamos al
sistema de gestin de vuelo que se encarga de establecer los
cambios necesarios en el rumbo y la altitud del avin.
El sistema tiene los conocimientos necesarios sobre los
fundamentos de vuelo del avin para poder actuar sobre los
diferentes elementos de control de movimiento que hemos visto
anteriormente adems de sobre los motores para aumentar o
disminuir el empuje segn sea necesario. Basndose en estos
conocimientos proporcionados previamente por un experto, el
sistema es capaz de controlar los ejes de cabeceo, alabeo y
guiado del avin.
 Los datos necesarios de posicin del avin se obtienen de un informacin al ordenador del piloto automtico, el cual procesa
sistema de gua inercial. Estos sistemas tienen el problema de que los datos recibidos y toma una decisin para actuar sobre esta
acumulan errores con el tiempo de forma que se implementan variacin. Esta decisin se lleva a cabo mediante el envo de las
sistemas de reduccin de errores. seales necesarias a los mecanismos de control de la aeronave, en
El error que se produce en los giroscopios es conocido como error este caso a los que controlan los alerones. Estas seales son
de deriva y viene dado por las propiedades fsicas del sistema, que comandos muy especficos que indican que se tienen que producir
corrompen los datos de localizacin. Estos errores se resuelven unos ajustes muy precisos. Esta actuacin sobre los alerones
con la ayuda del procesamientos digital de seales, mediante un provoca que las alas se muevan de tal forma que se vuelva al nivel
filtro de Kalman hexadimensional. Siendo estas seis direcciones el establecido en el control dl piloto automtico. Una vez se
balanceo, la inclinacin, orientacin, altitud, latitud y longitud. restablece el nivel adecuado, el ordenador retira el comando de
actuacin sobre los alerones.
Las rutas por las que se mueven los aviones tienen asociadas un
factor de rendimiento exigido, de forma que el error tiene que ser
controlado para poder volar sobre dichas rutas. EL sistema de
pilotaje automtico utiliza las ayudas de radio y los instrumentos
de navegacin junto con sistemas como el GPS para corregir la
posicin de la aeronave.
En la siguiente imagen podemos observar en detalle la seccin de
control del piloto automtico de un avin.

Fig.5. Piloto automtico

En el panel podemos observar los siguientes controles:

A/T: activa el control automtico de la velocidad.
AP: activa el piloto automtico.
HDG: activa la fijacin de rumbo.
ALT: activa el seguimiento de altitud.
SPD/MACH: activan el control de velocidad en nudos o
mach.
NAV: activa el seguimiento de un radial.
APR: activa el seguimiento de ILS
BC: permite alejarse de una pista.
LVL: mantiene el avin nivelado.
Y/D: amortigua el giro.
Tambin se tienen cuadros numricos para establecer valores de
funcionamiento.
COURSE: establecer radial.
HDG: direccin hacia donde volar.
ALT: altitud en pies.
IAS/MACH: velocidad respecto al aire.
VS: velocidad vertical.
Un caso de demostracin de un sistema de pilotaje automtico se
da cuando el piloto fija un modo de control para que las alas del
avin se mantengan en un nivel concreto. Durante el vuelo se
pueden producir diferentes tipos de sacudidas de forma que el
avin puede sufrir una inclinacin. Este cambio es detectado por
los sensores colocados en las alas de forma que envan dicha
Fig.6. Algoritmo piloto automtico
Cuando el piloto automtico falla el piloto puede desactivarlo
fcilmente devolviendo el control del avin a un modo manual.
Una de las limitacin que se tiene en estos sistemas es la
imposibilidad de activar el piloto automatico durante la fase de
despegue, hasta que no se hayan superado los 200 pies de altitud
sobre el terreno.
6. UAV
En este ltimo apartado del trabajo vamos a ir ms all del
concepto de piloto automtico para tratar lo que se podra
considerar como la evolucin lgica de este. Si bien el piloto
automtico toma como principal objetivo la sustitucin
momentnea y circunstancial de algunas de las funciones de un
piloto humano, llegando a tener en cuenta solo un conjunto
reducido de variables de todas la que pueden llegar a influir en la
toma de decisiones que el piloto humano, el siguiente paso
natural en la evolucin de este tipo de sistemas experto sera la
sustitucin completa del ser humano en el pilotaje del avin. Y
de esta idea nace el concepto de Vehculo areo no tripulado o,

- 40 -
como comnmente se le conoce por sus siglas en ingls, los UAV
(Unmanned Aerial Vehicle).
Los UAV pueden volar de forma autnoma o bien ser controlados
de forma remota desde una estacin de control, aunque en este
trabajo nos centraremos principalmente en los que vuelan de
forma autnoma.
6.1 Piloto Automtico vs UAV
Para una clara diferenciacin de estos dos conceptos (piloto
automtico y UAV), vamos a hacer una breve comparativa que
motive claramente la aparicin de los UAV, dejando a la vista el
gran avance que estos suponen.
Un piloto automtico recibe informacin del sistema de
gestin de vuelo acerca de las correcciones necesarias
de altitud, rumbo, etc. que han sido calculadas en base a
la informacin de la posicin que proporciona el
sistema de navegacin. Con esta informacin, se
pretende que el piloto automtico sea capaz de actuar
sobre los distintos elementos que influyen en el
movimiento del avin para mantener el rumbo prefijado.
Una UAV, al margen de tener un piloto automtico que
se encargue de todo lo descrito anteriormente, debe ser
capaz de gestionar cualquier otra situacin en la que un
piloto intervendra, como puede ser: eleccin de rumbo
ptimo o cambios en el mismo por distintos motivos
(climticos, situaciones de combate, obstculos no
previstos, escasez de combustible, etc.), gestin de los
diferentes recursos del avin en funcin de las
necesidades del momento (combustible, municin o la
propia integridad de la aeronave).
6.2 Utilidades de los UAV
En primera instancia, puede parecer que estos aviones no
tripulados tienen y tendrn su principal mercado en el mundo
militar, pero esto no es as. Actualmente hay diversas empresas
que se dedican al desarrollo de un tipo de UAV de bajo coste
orientado a actividades civiles, ofreciendo una alternativa ms
econmica que evita poner en peligro vidas humanas y que
permite liberar al humano de la carga de tareas rutinarias. Algunas
de estas actividades son o podran ser: prevencin y control de
incendios, fotografa area, control de trfico en carreteras,
bsqueda de personas desaparecidas, ayuda crtica en los
momentos posteriores a un desastre natural, apoyo en estudios
medioambientales, etc. Adems, ya se est yendo ms all y se
estn implementando flotas enteras de UAV que trabajan en
equipo en labores tan complejas como la prediccin
meteorolgica o la monitorizacin y control de incendios
forestales. En estas flotas, cada UAV no solo tiene en cuentas un
objetivo individual, sino que en la toma de sus decisiones
interviene tambin el trabajo llevado a cabo por el resto de UAV
del grupo, para conseguir as un resultado ptimo en conjunto.
- 41 -
En este momento es necesario aclarar que aunque inicialmente se
empezaron a desarrollar los UAV como aviones, tambin se
pueden considerar representados por estas siglas los helicpteros
no tripulados y todas aquellas aeronaves que vuelen de forma
totalmente autnoma. Es por ello por lo que se ampla su campo
de utilizacin a ms actividades de naturaleza mucho ms
delicada, como lo son el apoyo en rescates de montaa o en zonas
de difcil acceso, exploracin de cuevas o cualquier tipo de
lugares desconocidos que entraen peligro.
Adems de todo esto y como muchos de los grandes avances
tecnolgicos, los UAV tienen su base en la industria militar. En
este sector cobran una gran relevancia, ya que posibilitan la
realizacin de misiones demasiado arriesgadas para una aeronave
tripulada y adems, gracias a que no se necesita un habitculo
para el humano en su interior ni equipos para su
acondicionamiento, permite disear aeronaves con geometras
mucho ms difciles de detectar por los radares enemigos.
Principalmente se utilizan para tareas de vigilancia, combate y
misiones espa.
Como ltimo punto de la exposicin del gran avance que suponen
los UAV en nuestro mundo actual, cabe sealar que a medida que
vaya evolucionando y creciendo la potencia de la Inteligencia
Artificial, llegar el da en que los aviones comerciales o
aeronaves de combate estn pilotados de forma totalmente
autnoma sin la necesidad de ningn tipo de intervencin humana
ms all de la fijacin de los objetivos.
6.3 IA en los UAV
Anteriormente se han enumerado algunas de las tareas que debe
realizar un UAV de forma autnoma pero, sin duda, la ms
importante de todas ellas ser la de la eleccin del rumbo ptimo.
Con toda certeza el nmero de variables que forman parte de esta
decisin es demasiado elevado como para analizarlo en este
trabajo, ya que se escapa a las pretensiones del mismo, pero si nos
centraremos en los algoritmos que actualmente se utilizan para, en
funcin de un conjunto de variables, calcular el mejor camino
entre un origen y un destino prefijados.
6.3.1 Bsqueda de la ruta ptima
El algoritmo ms utilizado en el presente en la bsqueda del mejor
camino posible es el algoritmo A*. Este algoritmo se basa en la
bsqueda mediante grafos del camino de menor coste entre los
nodos origen y destino. Es completo, por lo que el propio
algoritmo asegura que siempre que exista una solucin, este la
encontrar.
La bsqueda se realiza a travs de un espacio de nodos en el que
slo se visitan los posibles nodos en los que se puede alcanzar una
mejor solucin que la ltima encontrada. Para ello se hace uso de
una funcin heurstica, que ser la encargada de determinar el
nodo que supone la mejor opcin.
El funcionamiento global del algoritmo se describe a
continuacin:
 menor que el que es en realidad. Para construir una de estas
En un primer paso cogemos como nodo a expandir el funciones admisibles podemos basarnos en dos tcnicas:
nodo origen.

Expandimos el nodo origen dando lugar a todos sus
nodos hijos que cumplen que puede haber un camino al
nodo destino mejor que el que hasta ahora se ha
encontrado. Evidentemente estos hijos representarn
todos los posibles lugares a los que la aeronave podr
llegar en un solo movimiento (considerando como un
movimiento el resultado de la actuaciones sobre los
elementos de control del rumbo de la aeronave en un
ciclo de decisin del algoritmo)
A continuacin nos quedaremos con el que segn la
funcin heurstica vaya a tener un menor coste de entre
todos los nodos posibles a los que podemos llegar desde
los nodos expandidos y que no han sido, a su vez,
expandidos. Es por esto por lo que es crucial la buena
eleccin de la heurstica a utilizar, as como los pesos
que se reparten a las diferentes variables (montaas,
tormentas, combustible, obstculos mviles, etc.) que
influyen en la decisin.
Si el nodo al que llegamos es el nodo destino,
comprobamos si es mejor camino que el mejor
encontrado hasta el momento, sino, seguimos con el
mismo algoritmo.
Este proceso se repetir cclicamente hasta que no
existan otros nodos que sean capaces de mejorar el
mejor camino encontrado hasta el momento.
Relajando la definicin del problema.
Aprendiendo de la experiencia entrenando la funcin
con diversos tipos de problemas.
En el otro lado, tenemos la eleccin de los costes que suponen
cada uno de los nodos del recorrido, que habrn de ser elegidos
con especial cuidado atendiendo a una escala de prioridades que
estar formada por todo el conjunto de variables que la aeronave
tendr en cuenta para la eleccin de la ruta. Como en la eleccin
de la funcin heurstica, ahora tambin ser necesario el
entrenamiento, para conseguir la experiencia necesaria que nos de
unos costes ptimos.
En la siguiente figura podemos ver un ejemplo de lo que sera una
bsqueda del camino ptimo muy simplificada. En ella podemos
apreciar como el espacio se ha dividido en un enjambre de nodos
a los que se les han asignado una serie de costes. Estos costes
podran deberse en la vida real a multitud de factores:
combustible, obstculos, clima, territorio enemigo, corrientes de
aire, etc. Adems se puede observar como tambin hay nodos que
tienen coste infinito (los grises), es decir, que en ninguno de los
casos pueden ser elegidos. En la realidad estos nodos
representaran zonas no accesibles, como por ejemplo las
delimitadas por la propia elevacin del terreno que se sobrevuela.

Un aspecto importante que se ha de tener en cuenta es

que la heurstica sea admisible, es decir, que nunca se
debe tener un valor heurstico mayor que el coste
mnimo del nodo, lo cual ha de cumplirse para cualquier
nodo.

Con este algoritmo se consigue dar solucin a los problemas que

se producen en algunos algoritmos de bsqueda en estructuras de
cierta complejidad, como por ejemplo el algoritmo voraz, que se
guan solo por la funcin heurstica, la cual puede no indicar
siempre el camino de menor coste, o por el coste real de
desplazarse de un nodo a otro, pudindose dar la circunstancia de
que sea preciso llevar a cabo un movimiento de mayor coste para
llegar a la solucin. Por este motivo en muy intuitivo el hecho de
que un buen algoritmo de bsqueda, como lo es el A*, debera
tener en cuenta los dos factores: Fig.7. Eleccin de la ruta optima con A*

Es evidente, que si extrapolamos este algoritmo a un escenario

Valor heurstico de los nodos
real, el nmero de nodos y de variables que influyen en el clculo
Coste real del recorrido. de los costes es elevadsimo, lo que supone la ayuda de un gran
potencial computacional para poder llevar a cabo la eleccin de la
ruta ptima en tiempo real.
Centrmonos primero en la eleccin de la funcin heurstica. Es
evidente que de su buena eleccin depender el buen
6.3.2 Gestin de flotas de UAV
funcionamiento de todo el algoritmo por lo que hay que poner
Otro aspecto importante a tener en cuenta en lo que a algoritmos
especial atencin es ello. Una buena funcin heurstica ser
de navegacin se refiere es la forma en la que se gestiona una flota
aquella que nunca sobrestime el coste real de alcanzar el objetivo.
para poder controlar un grupo de UAV que trabajan en equipo
Las funciones heursticas admisibles sern por naturaleza
optimistas, porque creern que el coste de resolver el problema es

- 42 -
para la consecucin de un objetivo comn. El algoritmo utilizado como avin de reconocimiento. En este proyecto
para tal fin est definido y consta de cuatro capas: Espaa cobra mucha importancia, estando, junto
con otros pases, al frente del mismo.

1) Describe el sistema de navegacin encargado de la
planificacin de la misin, eleccin de objetivos,
reparto de trabajo entre los distintos miembros de la
flota, comunicacin entre ellos, etc
2) Es la encargada de analizar toda la informacin
proveniente de los sensores de los UAV
A travs de los programas Marco tambin se estn creando
distintas lneas de desarrollo de UAV. En el VPM se encuentra el
proyecto COMMETS, que se llev a cabo en la Universidad de
Sevilla. Este proyecto consista en el desarrollo e implementacin
de una flota de UAV que fuese capaz de realizar en tiempo real
una monitorizacin y deteccin de incendios. El proyecto fue
ejecutado con xito.

Tambin en Sevilla, se est desarrollando el proyecto AWARE,

3) Es la que controla el sistema de interpretacin (FIS).
que consiste en la integracin de una flota de UAV con redes de
Este sistema tiene como misin principal utilizar la
sensores terrenos. En el proyecto tambin se contempla el
informacin de la capa anterior para evitar colisiones
despliegue autnomo de la red a travs de un conjunto de
con obstculos dinmicos o estticos.
helicpteros no tripulados y totalmente autnomos orientados
principalmente a seguridad civil y como herramienta de ayuda
4) En esta ltima capa es en la que se engloba el ante catstrofes naturales.
sistema de navegacin y el piloto automtico.

Otras funciones importantes del sistema de control de flotas de

UAV seran:
ALO (Avin Ligero de Observacin),
Evitar colisiones entre los distintos vehculos que SIVA (Sistema Integrado de Vigilancia Area)
forman la flota. ALBA (Avin Ligero Blanco Areo)

Y otros ms recientes como:

Control del entorno por visin mediante tratamiento y
reconocimiento de imgenes. HADA (Helicptero Adaptativo Avin)
MILANO (versin de largo alcance del SIVA)
DIANA (Avin Blanco de Bajo Coste).

6.4 Proyectos de UAV

En el mercado de los UAV es evidente que, como en todo lo

relacionado con tecnologa militar, los Estado Unidos estn al
frente con un gran nmero de compaas que dedican muchos
fondos a su desarrollo. Adems, tambin hay otros pases punteros
en la materia, como por ejemplo Alemania, Japn o Israel, que
han conseguido grandes avances.

Centrndonos solo a nivel Europeo cabe destacar un gran nmero

de iniciativas bastante interesantes. Algunas de las ms
interesantes se enumeran a continuacin:

NEURON: quizs sea el UAV ms famosos

(junto con el Barracuda) por su peculiar geometra.
El principal objetivo del programa es conseguir un
UAV de combate, capaz de atacar un objetivo sin
que sea detectado por ningn radar. Aqu Espaa
tiene diversos frentes de colaboracin a travs de Fig.8. EADS Barracuda
EADS-Casa: realizacin del ala del avin en fibra
de carbono, de la estacin de control y de la
integracin del Data Link.

ADVANCED: es un programa que trata de disear

un UAV de gran altitud llamado HALE para su uso

- 43 -
 [6] Empresa del sector de los UAV: http://www.iuavs.com/

[7] Informacin algoritmo A*:

[8] Informacin sobre UAV:

http://es.wikipedia.org/wiki/Veh%C3%ADculo_a%C3%A9r
eo_no_tripulado

[9] Informacin sobre proyectos de UAV:

http://es.wikipedia.org/wiki/Anexo:Veh%C3%ADculos_a%
C3%A9reos_no_tripulados
Fig.9. Neuron

[10] Almudena Jimnez Sierra, Fco. Javier Muoz Rodrguez,

Por ltimo vamos a ver algunos grficos que estiman la evolucin Gonzalo Torres Porta,2006, Aplicacin de mtodos de IA
en los prximos aos del nmero de UAV que se van a construir y para la stoma de decisiones en simulaciones de mviles:
de la cantidad de fondos que se van a invertir en su desarrollo. http://eprints.ucm.es/8938/1/TC_2006-14.pdf

Unidades de UAS por regiones

2012 2013 2014 2015 2016 2017 [11] Ral Morales, 2008, Incorporan un algoritmo a un AUV
para predecir el tiempo con ms exactitud:
USA 189 267 1772 1722 1747 1787
http://www.tendencias21.net/Incorporan-un-algoritmo-a-un-
Europe 283 403 572 655 492 174 avion-no-tripulado-para-predecir-el-tiempo-con-mas-
Mid East 98 178 171 110 109 23 exactitud_a2844.html
Asia 687 788 662 604 542 679
[12] A. Barrientos, J. del Cerro, P. Gutirrez, R. San Martn, A.
Martnez, C. Rossi, 2007, UAV para uso civil. Tecnologa y
Financiacin por regiones (M$) aplicaciones:
2012 2013 2014 2015 2016 2017 http://webdiis.unizar.es/~neira/docs/ABarrientos-
USA 2105 2035 1865 1765 2095 2060 CEDI2007.pdf
Europe 470 655 697 761 623 566
Mid East 492 280 266 43 122 448
Asia 478 510 609 625 718 613

7. REFERENCIAS

[1] Villena, J. Apuntes de la asignatura Inteligencia en redes de

Comunicaciones. 5 Ingeniera de Telecomunicacin.

[2] Muoz, M. A., Manual del vuelo

http://www.manualvuelo.com/

[3] Sistemas expertos:

http://es.wikipedia.org/wiki/Sistema_experto

[4] Informacin piloto automtico:

http://es.wikipedia.org/wiki/Piloto_autom%C3%A1tico

[5] Nogueira, J. I... Apuntes de la asignatura Avinica. 3

Ingeniera de Telecomunicacin.

- 44 -
 Sistemas Expertos en meteorologa
Carlos Lentisco Snchez
Ingeniera de Telecomunicaciones
Universidad Carlos III de Madrid
Av. de la Universidad, 30 28911 Legans (Madrid)
100060695@alumnos.uc3m.es
RESUMEN
In this paper, we describe the formatting guidelines for ACM SIG
Proceedings.
Categoras y Descripciones de Temas
[Inteligencias Artificial]: Sistemas expertos y aplicaciones
metorolgicas
Trminos Generales
Meteorologa, Medidas, documentacin, diseo y teora.
Palabras clave
Inteligencia, meteorologa, sistemas expertos, prediccin
meteorolgica.
1. INTRODUCCIN
La inteligencia consiste no slo en el conocimiento, sino tambin
en la destreza de aplicar los conocimientos en la prctica
Aristteles define perfectamente en esta frase lo que entendemos
por inteligencia, la inteligencia es un atributo que tenemos por
naturaleza y el ser humano como creador se ve impulsado a dotar
a sus creaciones (artificiales y no naturales) de este atributo,
consiguiendo de esta forma obtener un sin fin de beneficios y
aplicaciones destinados a mejorar la calidad de vida del ser
humano, o por lo menos, as debera ser.
Las aplicaciones basadas en inteligencia artificial son
innumerables y van desde la biomedicina o educacin hasta la
prediccin de las condiciones meteorolgicas que realizan los
sistemas expertos, objeto de estudio y razn de ser de este
documento.
Los fenmenos meteorolgicos son ocurrencias fsicas
observables dentro de la atmsfera, algunos de estos fenmenos
son por ejemplo lluvia, nieve, granito o niebla. Estos eventos
pueden alterar y alteran la actividad humana proponiendo en
algunos casos situaciones de peligro y amenaza.
- 45 -
Tania Romero Rodrguez
Ingeniera de Telecomunicaciones
Universidad Carlos III de Madrid
Av. de la Universidad 30 28911 Legans (Madrid)
100066707@alumnos.uc3m.es
Esta es la razn que justifica la bsqueda del ser humano por
predecir fiablemente las condiciones meteorolgicas.
A lo largo de este documento nos introduciremos ms en los
sistemas expertos repasando su evolucin histrica hasta nuestros
das para abordar posteriormente y con mayor profundidad un
ejemplo de estos sistemas. Centrndonos en el sistema Prometeo.
2. EVOLUCIN HISTRICA
El inters del ser humano por reproducir las habilidades mentales
humanas se remontan muy atrs en la historia, desde la antigua
Grecia (mito del coloso de Rodas) y pasando por la edad medieval
(estatuas parlantes) hasta el androide Von Kempelen que jug al
ajedrez con Napolen y el motor analtico de Charles Babbage
que calculaba logaritmos.
Hemos abierto con una cita de Aristteles y no sin un porqu,
Aristteles (322-384 antes de Cristo) fue el primero en formular
un conjunto de leyes que gobernaban la parte racional de la
inteligencia. Desarroll un sistema informal para razonar con
silogismos, que se podan extraer conclusiones mecnicamente a
partir de una serie de premisas inciales.
La idea de inteligencia artificial ha ido acompaada pues por la
filosofa, en 1315 d.c. Ramn Lull adelanto que se podra obtener
razonamiento til mediante medios artificiales. Thomas Hobbes
(1588-1679 d.c.) relacion la inteligencia artificial con la
computacin numrica.
El ltimo elemento en la discusin filosfica es la relacin que
existe entre conocimiento y accin, el objetivo es pues crear un
agente que tome decisiones que sean razonables o estn
justificadas. El algoritmo de Aristteles (anlisis basado en
objetivos) se implementa 2300 aos ms tarde por Newell y
Simon con la ayuda de su programa SRGP.
De inicio no se propone que hacer cuando varias alternativas nos
llevan al mismo objetivo o que hacer si ningn camino lleva a la
solucin.
Las ideas filosficas necesitan formalizarse formalmente por las
matemticas y Boole es el primero que desarrolla el concepto de
lgica formal.

Aparece el teorema de incompletitud que demostr que en
cualquier lenguaje que tuviese la capacidad suficiente para
expresar las propiedades de los nmeros naturales existen
aseveraciones verdaderas no decidibles en el sentido de que no es
posible decidir su validez con ningn algoritmo.
Ms tarde Turing afirma que su mquina es capaz de computar
cualquier funcin computable pero que ninguna mquina puede
decidir si se producir una respuesta dado una entrada o si por lo
contrario seguir computando indefinidamente.
Otro principio importante de cara a abordar la inteligencia
artificial es el concepto de intratabilidad que dice que un problema
es intratable si el tiempo que se necesita para resolverlo crece
exponencialmente con el tamao de los casos.
Adems de la lgica y clculo otro pilar bsico de la inteligencia
artificial se proporciona mediante la probabilidad, siendo
Cardano el primero que propone el concepto en si de
probabilidad. La economa empleando dicho concepto aporta su
beneficio con la teora de decisiones y juegos.
Ms cerca de nuestro tiempo actual y con la Neurociencia (1861
hasta presente) se ahonda ms en la IA (Inteligencias Artificial) ya
que esta se basa en el estudio del sistema neurolgico y en
particular, del cerebro.
Santiago Ramn y Cajal que termin acudiendo a sesiones
espiritistas para intentar comprender aquello que no poda
comprender utilizo la tcnica de Golgi para la observacin de
neuronas individuales en el cerebro
La ciencia est todava lejos en este aspecto ya que no hay
ninguna teora de cmo se almacenan recuerdos individuales.
La conclusin increble de todo esto, por si no es ya de por si
increble, es que una coleccin de pequeas clulas genera
razonamiento, accin y conciencia. Los cerebros generan
inteligencias.
- 46 -
A pesar de que una computadora puede ejecutar una instruccin
en un nanosegundo (mucho ms rpido que una neurona) el
cerebro acaba siendo 100.000 veces ms rpido en su conjunto.
Ms cercano a nuestra poca y en el 1940 introducimos el campo
de ingeniera computacional, para que la inteligencia artificial
llegue a ser posible se necesitan dos cosas, inteligencia y un
artefacto. El artefacto es la computadora y la ingeniera de
computacin tiene como objetivo desarrollar eficaz y
eficientemente un computador inteligente. Como podemos ver la
gnesis de la inteligencia artificial desde sus orgenes es extensa y
complicada.
La inteligencia artificial nace en 1956 y los conceptos que se
deducen de ella se explican en la asignatura por lo que no
ahondaremos en ellos y pasaremos a presentar los sistemas
expertos.
3. SISTEMAS EXPERTOS
Se considera a alguien experto en un problema cuando un
individuo tiene un conocimiento especializado sobre dicho
problema
Podra afirmarse que para resolver un problema en la prctica
habra que conocer la respuesta de antemano, si no conocemos la
solucin como sabremos que lo hemos resuelto?
El programa DENDRAL es el primero que enfocan este problema,
diseado por Feigebaum y Lederberg encuentran una solucin al
problema de inferir una estructura molecular a partir de la
informacin proporcionada por un espectro de masas. Se resolva
de la siguiente manera: generacin de todas las posibles
estructuras que correspondieran a la formula, prediccin a
posteriori del espectro de masas y comprobacin con el espectro
real.
A continuacin comienza el proyecto de programacin heurstica
(PPH) se dedico a determinar el grado con el que la nueva
metodologa de sistemas expertos poda aplicarse a otras reas de
la actividad humana.
Los sistemas expertos emulan el razonamiento de un experto en
un dominio concreto. Con ellos se busca una mejor calidad y
rapidez en las respuestas dando as lugar a una mejora de la
productividad del experto, en la mayora de las ocasiones no
suplen al experto pero si lo ayudan en su labor.
Para un persona sera una experiencia traumtica realizar una
bsqueda de reglas posibles al completado de un problema,
mientras la persona responde a las preguntas formuladas por el
sistema experto este recorre las ramas ms interesantes del rbol
hasta dar con la respuesta al fin del problema.
Estos SSEE (sistemas expertos) son aplicaciones informticas, son
una amalgama de programas cimentados sobre una base de
conocimientos de uno o ms expertos en un rea. Estos sistemas
imitan a los humanos en la resolucin de problemas, que no
necesariamente tienen que estar relacionados con la IA, aunque en
este documento es en ese tipo de sistemas expertos en los que nos
vamos a centrar.
Los sistemas expertos tienen una gran flexibilidad ya que solo
basta con introducir una nueva regla sin necesidad de cambiar el
funcionamiento del programa.
Otra de las ventajas de este tipo de sistemas es la gran cantidad de
informacin que manejan, manejar tal volumen de informacin es
una tarea compleja para el analista humano.

Un SE se basa en conocimiento declarativo (hechos sobre objetos)
y de control (informacin sobre el seguimiento de una accin).
Este tipo de sistemas tienen una serie de requisitos para poder ser
considerados eficaces.
En primer lugar deben ser capaces de dar explicaciones sobre los
razonamientos a los que llegan. Cada regla debe tener su
explicacin y debe estar basada en hechos.
En segundo lugar, un SE, debe ser capaz de adquirir conocimiento
fruto de la experiencia. Es decir, tiene que ser capaz de modificar
los conocimientos almacenados si la experiencia indica que no
son correctos del todo.
Las partes bsicas de un SE, como ya se vio en clase, son la base
de conocimientos, la base de hechos, el motor de inferencia, los
mdulos de justificacin y la interfaz de usuario.
Existen diversos tipos de SE atendiendo al modo de llegar a la
solucin de los problemas que se plantean. Estn los sistemas
basados en reglas previamente establecidas (lgica difusa), los
basados en casos (CBR, razonamiento basado en casos) y los
basados en redes bayesianas (razonamiento basado en la
estadstica y en el teorema de Bayes).
Algunos ejemplos importantes dentro del mbito de los SSEE son
DENDRAL (como se cito antes), XCon, Mycin, CLIPS, Prolog
(Saussure 1781). Y es que hasta que no existieron estos aparatos
de medida la prediccin meteorolgica era imprecisa y, en
demasiadas ocasiones, arbitraria y localizada ya que las
previsiones se basaban en sucesos meteorolgicos ya pasados y en
circunstancias pasadas que posiblemente podan no ser parecidas a
las del momento posterior de prediccin, no siempre que hay
nubes en el cielo llueve, por ejemplo. Fue Benjamin Franklin el
primer americano en registrar de modo seguro y detallado la
condicin del tiempo sobre la base diaria y hacer una previsin
sobre esa misma.
El primero en realizar una explicacin general de la circulacin
atmosfrica global fue George Hadley. A este le siguieron otros
estudios de Gaspard-Gustave Criolis y William Ferrel entre otros.
No fue hasta comienzos del siglo XX cuando el progreso en la
compresin de la dinmica atmosfrica dio comienzo a la creacin
de la moderna previsin del tiempo basada en modelos
matemticos. En 1922, Lewis Fry Richardson descubri como
simplificar las variantes de las ecuaciones de los fluidos para
facilitar una previsin del tiempo sencilla mediante soluciones
matemticas. Aun con estas simplificaciones, el clculo numrico
era bastante grande.
Finalmente, en los aos 50 se empezaron a mostrar factibles los
experimentos de clculo numrico con computadores. Dando
lugar a la primera previsin realizada con este mtodo usando los
modelos baroscpicos.
En los aos 60 la meteorologa adopto la teora del caos y los
avances matemticos obtenidos en este campo, de esta forma se
ayud a estabilizar el lmite de previsibilidad del modelo
atmosfrico (efecto mariposa).
Otro hito importante en la meteorologa es el lanzamiento de
satlites meteorolgicos. El primero fue el TIROS-1, lanzado en
1960, que marc el inicio de una difusin global de la informacin
climtica.

4. SISTEMAS EXPERTOS EN EL MBITO

DE LA PREDICCIN METEOROLGICA

Este documento ha comenzado con una cita de Aristteles, este

filsofo griego no solo reflexion sobre la inteligencia sino que
tambin fue el primero en hablar de la meteorologa. l acuo ese
trmino que proviene del griego meteoron (referente a objetos
altos en el cielo). De esta forma, sin saberlo, Aristteles trabajo en
dos temas muy diferentes a priori que, en la actualidad, estn muy
relacionados y que estn siendo tratados en este documento.
Aunque fue Aristteles quien acuo el trmino meteorologa, fue
su discpulo Teofrason quien habl por primera vez de previsiones
del tiempo basadas en experiencias vividas y recopiladas.
Sin embargo, fueron necesarios algunos avances tcnicos para que
se llegara a poder medir la temperatura ambiental con un
termmetro (Galileo 1607), la presin con un barmetro
(Torricelli 1643), la velocidad del viento con un anemmetro Y as llegamos hasta el da de hoy, en el que el uso de
(Hooke 1667) o la humedad con el higrmetro de cabello computadores y modelos matemticos para la previsin del

- 47 -
tiempo estn totalmente afianzados y en el que los satlites juegan
un papel crucial a la hora de saber como se desplazan las
tormentas, ciclones,
En la actualidad existen muchos y muy diversos SSEE
relacionados con los fenmenos atmosfricos. Algunos de ellos
son: Sistema Automtico de Informacin Hidrolgica (SAIH),
pronstico de vientos en el Mediterrneo (MEDEX), pronstico
de ciclones tropicales, anlisis del tipo de nubes en imgenes
satelitales, estudio de imgenes satelitales para clasificar el hielo
marino y Prometeo diseado para la generacin y distribucin
automtica de la prediccin a partir de modelos matemticos,
entre otros. Este ltimo se tratara en este documento con una
mayor extensin y profundidad. Adems, existen sistemas
expertos que, basndose en los datos meteorolgicos recogidos
por otros sistemas, llevan a cabo labores de otra ndole como
puede ser por ejemplo facilitar a los conductores informacin
meteorolgica en tiempo o real o ayudar a los rganos gestores de
trfico para un uso ms dinmico y en tiempo real de los datos
meteorolgicos.
4.1 Sistema Automtico de Informacin
Hidrolgica (SAIH)
El SAIH es una red de recogida de datos de precipitacin y de
control de caudales circulantes.
En la zona del mediterrneo son especialmente tiles estos
sistemas porque las crecidas de los ros son muy comunes (existe
una creciente ocupacin humana de las vegas y riberas fluviales) y
muy repentinas. Estas inundaciones causan grandes daos, tanto
materiales como humanos, econmicos o sociales, por lo que se
puso de relieve la necesidad de medidas eficaces de previsin,
prediccin y control de las crecidas de los ros.
Sin embargo, esto no es sencillo, existen dos problemas
principalmente: hay un tiempo muy corto para avisar a la
poblacin expuesta al riesgo y una escasa informacin hidrolgica
en los momentos clave. Se hacen necesarios datos en tiempo real
o incluso poder preveer mediante modelos el comportamiento de
las cuencas.
El primer sistema de este tipo que se creo en Espaa fue el de la
Confederacin Hidrogrfica del Jcar en 1984 tras el desastre del
embalse de Tous (el cual se podra haber prevenido con un buen
sistemas automtico q trabajara con los datos como hace el
SAIH).
Los datos captados por los sensores del sistema se almacenan en
los puntos de control. A su vez, estos puntos de control transmiten
la informacin va radio y va satlite al Centro de Proceso (para
el caso del SAIH del Jcar este centro se encuentra en Cuenca). El
centro de proceso es una sala de control del SAIH donde se
centralizan las labores de gestin y mantenimiento de la
informacin que se recibe y, en el caso de Espaa, se suele situar
en la sede de la Confederacin correspondiente. Para el caso del
Jcar la sede de la Confederacin del Jcar est en Cuenca.
- 48 -
4.2 Pronstico de vientos en el Mediterrneo
(MEDEX)
MEDEX (MEDiterranean EXpert system) es un paquete software
que usa tecnologas de inteligencia artificial para predecir la
creacin, continuacin y fin de vientos huracanados. Este software
hace uso de sistemas expertos que simulan la experiencia de un
meteorlogo de aproximadamente 25 aos de experiencia en el
Mediterrneo para hacer frente a la imprecisin inherente a este
tipo de conocimientos. Pero, por qu surge la idea de MEDEX?
La zona del mediterrneo, como ya se ha indicado anteriormente,
es una de las de ms difcil pronstico principalmente debida esta
circunstancia a la topografa montaosa que lo rodea. La
prediccin de los vientos aleatorios de esta zona requiere muchos
aos de experiencia y de muchos datos los cuales no se tienen. De
esta forma, MEDEX es diseado como un sistemas de prediccin
(que proporciona probabilidades de eventos de vientos
huracanados para complementar las decisiones de pronstico de
sistemas) y un sistema de aprendizaje (fue entrenado con la
experiencia de 25 aos en el mediterrneo y aprende con la
utilizacin de los usuarios).
MEDEX hace uso de sistemas expertos y de tecnologas de
conjuntos difusos. Las reglas que siguen sus sistemas expertos en
sus inicios fueron derivadas por Brody y Nestor (1980). La ayuda
de los sistemas difusos, cuyas respuestas no son si o no, sino
rangos de 0 (absolutamente no) a 4 (definitivamente si). Las
reglas estn expresadas en trminos de lgica difusa, de forma que
los umbrales son reemplazados por conjuntos difusos. Finalmente,
las salidas difusas son porcentajes (de 0 a 100%) que indican la
probabilidad de la prediccin
.
4.3 Meteosafety
El proyecto Meoteosafety pretende mejorar la seguridad vial en
las carreteras espaolas haciendo un uso inteligente de la
informacin recibida por parte de los sistemas meteorolgicos
existentes.
Est liderado por el Instituto de Robtica y Tecnologas de la
Informacin y la Comunicacin (IRTIC) de la Universidad de
Valencia (UV) y tambin est financiado, en parte, por el Centro
de Estudios y Experimentacin de Obras Pblicas (CEDEX). Se
inici en el 2008 y la creacin del prototipo final se llevo a cabo a
finales del 2010, la cual est en fase de implantacin en este
momento.

Este proyecto cuenta con dos lneas de actuacin:
- Actualizacin dinmica y en tiempo real de los paneles
luminosos de carretera, para que los usuarios tengan en
cada momento la informacin meteorolgica. El sistema
experto Meteosafety trata los datos provenientes los
diferentes sistemas meteorolgicos para ofrecer dichas
predicciones.
- Anlisis de las acciones a tomar para reducir las
consecuencias de los fenmenos meteorolgicos
adversos (envo de datos al Centro de Gestin de
Trfico, por ejemplo)
Adems de estos dos frentes de actuacin se pretende
aprovechar el conocimiento adquirido para asesorar a los
organismos responsables de carreteras y analizar la influencia
de los factores meteorolgicos sobre la accidentalidad de las
mismas y as poder ofrecer soluciones.
Para facilitar la implantacin de este innovador sistema los
trabajos se han basado en los estndares y tecnologas que ya
existen en el mercado.
La integracin de estos sistemas expertos va a ayudar a
realizar un gran avance para la seguridad de los conductores y
para la gestin eficaz del trfico y de las carreteras,
4.4 PROMETEO: Sistema Experto basado en
redes Neuronales
1. Introduccin
Prometeo, de la estirpe de los Titanes, fue segn la mitologa el
creador de la humanidad, que este hizo con barro y agua. Es por
tanto un buen nombre para definir a este sistema experto ya que el
ser humano se ve atrado a dotar de inteligencia (al igual que
Prometeo) los sistemas consiguiendo de estos beneficios prcticos
para la humanidad.
Este sistema utiliza las predicciones a baja resolucin de los
modelos numricos sobre el grid peninsular y busca
configuraciones anlogas en las serie diaria 1979-1993 de la base
de datos ERA (del Centro Europeo de Meteorologa). Estas
configuraciones anlogas permiten entrenar una red neuronal
utilizando como salida los datos locales de cualquier observatorio
del Instituto Nacional de Meteorologa obteniendo, de esta forma,
un sistema para mejorar la resolucin de los modelos numricos.
- 49 -
Los modelos actuales de prediccin meteorolgica se basan en la
integracin numrica de un conjunto de ecuaciones diferenciales
de compleja resolucin. El tiempo de cmputo necesario que
tenemos que asumir como coste es tan elevado que el tamao de
la rejilla no es suficiente para dar pronsticos locales que se
adecuen a las propias caractersticas de la zona.
Un ejemplo de esto es el Centro Europeo de Prediccin a Plazo
Medio cuya rejilla no permite obtener un pronstico
meteorolgico a una resolucin menor a 100 Km.
A pesar de ello contamos con un registro completo de las
caractersticas de losmicroclimas gracias al I.N.M (Instituto
Nacional de Meteorologa).
Nos encontramos con el problema de tener diferencias no
despreciables en los patrones climticos de estaciones cercanas
observando que los patrones de correlacin son muy diferentes y
mostrando la limitacin de los modelos numricos a la hora de
realizar pronsticos de forma local.
2. Sistema Prometeo
El proceso de inferencia se basa en dos etapas: se realiza un
clculo de analogas entre la salida del modelo numrico para el
da problema y los datos recogidos por ERA que hemos
comentado anteriormente, obtenindose un conjunto de das
anlogos.
Posteriormente se infieren pronsticos a mayor resolucin en base
a los datos numricos y registros para los das anlogos obtenidos
utilizando un modelo de regresin mltiple y una red neuronal.
En la figura anterior podemos ver las etapas que se realizan para
llegar finalmente a la prediccin meteorolgica, vamos a ir
documentando progresivamente dichas etapas.
La recogida de datos ERA (datos que utiliza Prometeo) consiste
en la produccin de un re-anlisis a partir de los datos recogidos
mediante diversos medios.
Con los datos obtenidos se construyen las condiciones inciales
para introducir en el modelo numrico del CEPPM obteniendo
predicciones sobre la evolucin temporal de la atmsfera.
Una vez hecho esto debemos calcular un conjunto de das Vamos a profundizar un poco en este concepto para tener ms
anlogos para un da problema, para obtenerlos se compara el claro en qu consiste una red neuronal y como se aplica al caso de
estado de la atmsfera del da problema con los estados que nuestro estudio.
tenemos de ERA. El nmero de variables asociadas con el grid del Como hemos comentado brevemente el cerebro humano tiene
modelo es demasiado grande por lo que seleccionamos variables 10^11 de neuronas y 10^14 sinapsis (conexiones) en el sistema
representativas que satisfacen nuestros objetivos. nervioso, esto implica que por razones fsicas somos capaces de
Las variables tienen en cuenta el comportamiento de la atmsfera mejorar el tiempo de conmutacin de las neuronas, el problema es
en la escala sinptica (global) y el comportamiento en la que las neuronas naturales mejoran la conectividad en un orden de
mesoescala (local). 1000 veces superior.
La discrepancia de dos das se obtendra en base a la distancia Vamos a explicar con mayor detalle los modelos de regresin y
euclidea de los vectores numricos resultantes de la mesoescala y redes neuronales desde un punto de vista ms matemtico.
la escala sinptica en los das analizados. Los modelos de regresin estudian las relaciones entre una serie
de variables (independientes) xi y otras variables dependientes o
de respuesta denotadas por y en funcin de los valores de las
xi.
3. Modelos de regresin y redes
neuronales
Una vez obtenidos los das anlogos como hemos visto
anteriormente se puede obtener un pronstico local donde
tengamos un observatorio del INM, para ello lo que realiza es la
extraccin de una relacin entre los valores del modelo numrico
como son la direccin del viento o temperatura y el valor a
pronosticar y registrado en el observatorio.
Para ello lo ms sencillo es utilizar un modelo de regresin
mltiple para obtener una relacin lineal ptima entre las
variables.
Sin embargo en la figura siguiente podemos ver la necesidad de
obtener un modelo no lineal que nos permita ms flexibilidad en
el modelo.
Otro problema importante es determinar el nmero ptimo de
anlogos. Si usamos un conjunto reducido no obtendremos buenos
resultados de estimacin. Por otra parte, si usamos un conjunto
muy amplio corremos el riesgo de ocultar la dinmica particular Donde:
del conjunto de observaciones.

Donde h(.) es la funcin que liga las componentes i son los

coeficientes, N es el nmero de variables independientes y 0 es la
pendiente.
Como hemos comentado lo ms sencillo es utilizar un modelo
lineal, este modelo lineal se puede implementar como un modelo
una red neuronal simple. La red neuronal tiene una unidad de
sesgo constante a 1, una entrada x y una salida:

Se ve aqu por tanto la importancia de las redes neuronales en

estos sistemas expertos.

- 50 -

El modelo lineal tiene por lo tanto 3 componentes, la variable
aleatoria y (con media y varianza 2), un componente que
relaciona las variables independientes (observaciones) x i con el
predictor lineal y una funcin que relaciona la media con el
predictor lineal.
Como hemos comentado lo ms sencillo es utilizar un modelo de
regresin mltiple lineal, este es una generalizacin de lo que
acabamos de contar si se considera que la variable aleatoria se
distribuye como una normal y la funcin h(.) asume que es la
identidad .
El modelo quedara por lo tanto de la siguiente forma:
como pueden ser Cantabria y Asturias. Estas comarcas se
encuentran en el territorio norte de la pennsula Ibrica pero deben
mostrar sus diferencias locales como se sobreentiende.
Los pronsticos se actualizan cada 12 horas y tras la supervisin
de un experto se envan a una pgina web.
Como podemos ver en la figura anterior tenemos mltiples
variables de salida que contienen el estado de las rachas de viento,
niebla, nubosidad, lluvia si la hubiere, granizo, o el estado de la
marea.
Mostramos aqu los resultados:

Donde . El objetivo es encontrar los coeficientes i

que minimizan la suma de cuadrados de los errores.
Este problema es equivalente al de una red neuronal con una sola
capa donde los i son los pesos y la funcin de activacin es la
identidad.
El problema es que necesitamos un modelo no lineal que nos de la
flexibilidad que nos falta.
Para ello la funcin de activacin debe ser una funcin no lineal,
el modelo quedara de la siguiente forma:

Donde como ya sabemos xip son las entradas e yi las salidas.

Cada procesador realiza una actividad muy simple: valor
sigmoidal de la combinacin lineal de las actividades recibidas
por la neurona:

5. CONCLUSIONES
A lo largo de este documento hemos hecho una introduccin a la
inteligencia artificial cuya primera piedra pone Aristteles en su
obra Metafsica, hemos visto la parte ms histrica de la
inteligencia artificial viendo su evolucin hasta nuestros das.
Hemos justificado por lo tanto la razn de ser de este documento y
dado el porqu de la razn que hace tan importante la IA.
Una vez hecho esto nos hemos centrado en los sistemas expertos,
los hemos definido y comprendido para pasar a los sistemas
expertos en el mbito de la meteorologa.
Hemos visto los SEs SAIH, MEDEX y METEOSAFETY para
pasar a un ejemplo prctico de esto: el sistema experto
PROMETEO.

4. Salidas del sistema Hemos introducido PROMETEO y visto en que etapas resuelve el
A continuacin vamos a mostrar las salidas del sistema proceso de prediccin describiendo el modelo de regresin lineal
PROMETEO para un par de predicciones entre distintas comarcas y no lineal desde el punto de vista de las redes neuronales.

- 51 -
Por ltimo hemos visto algn resultado prctico del sistema [3] Kandel, A. (1992). Fuzzy Expert Systems, CRC Press, Boca
Prometeo. Raton, FL, 314 pp. (MEDEX)
Visto todo lo anterior podemos concluir la importancia de la IA
no solo para un proceso que puede no parecer crtico como la [4] Zadeh, L.A. (1983). The role of fuzzy logic in the
prediccin meteorolgica (realmente si es crtico y beneficioso), management of uncertainty in expert systems. Fuzzy Sets Syst.,
sino en cualquier mbito que involucra a la especia humana. 11: 199. (MEDEX)
Es por tanto una herramienta que en s misma es altamente
interesante y beneficiosa y que solo bajo un mal uso del ser
humano puede ser destinada para fines pocos ticos. Es por tanto [5]MEDEX
labor nuestra usar el conocimiento con fines justificados y http://www.nrlmry.navy.mil/~medex/
beneficiosos para nosotros.
Desde el punto de vista meteorolgico, permite evitar la sesga de
[6] SAIH
vidas por catstrofes naturales y nos ha permitido comprender
mejor los sistemas expertos. http://www.mma.es/portal/secciones/acm/aguas_continent_zonas_
asoc/saih/index.htm
El sistema PROMETEO nos resulta pues, un sistema de alta
importancia que nos permite realizar predicciones locales gracias
a los modelos de regresin no lineales que hemos explicado en [7] METEOSAFETY
este documento, logrando de esta forma, una buena precisin y
resolucin en la prediccin que como su nombre indica no deja de http://www.tecnocarreteras.es/web/items/1/6/meteosafety-un-uso-
ser eso, una prediccin. inteligente-de-la-informacion-meteorologica

[8] PROMETEO
6. BIBLIOGRAFA
[Bishop97] Bishop, B. Neural Networks for Pattern Recognition.
[1] Wikipedia Clarendon Press, 1997
http://es.wikipedia.org/wiki/Sistema_experto Juan Miguel Marn Diazaraque. Introduccin a las Redes
Neuronales Aplicadas
http://es.wikipedia.org/wiki/Historia_de_la_meteorolog%C3%AD
a PROMETEO: Un Sistema Experto para el Pronstico
Meteorolgico Local basado en Redes Neuronales y
http://es.wikipedia.org/wiki/Sistema_Autom%C3%A1tico_de_Inf Clculo de Analogas.
ormaci%C3%B3n_Hidrol%C3%B3gica grupos.unican.es/ai/meteo/articulos/caepia99.pdf

[2] Brody, L. R. & Nestor, M.J.R. (1980). Regional Forecasting http://www.monografias.com/trabajos30/sistemas-

Aids for the Mediterranean Basin (Handbook for Forecasters in expertos/sistemas-expertos.shtml#ejempl
the Mediterranean, Part 2) (MEDEX)
http://grupos.unican.es/ai/meteo/Book.html

- 52 -
 Traduccin automtica. Tcnicas y aplicaciones
Isabel Cuadrado Gutirrez
Ingeniera de Telecomunicacin
Universidad Carlos III de Madrid
100060618@alumnos.uc3m.es
ABSTRACTO
En este texto se aborda un tema de gran relevancia en la
actualidad, el concepto de la traduccin automtica. Se analizar
esta desde su origen hasta la actualidad, tratando la evolucin de
las distintas tcnicas empleadas para obtener la mayor calidad
posible en las traducciones.
Asimismo, se hace un breve repaso a las aplicaciones ms
utilizadas y al desarrollo futuro previsto en este campo teniendo
en cuenta, entre otros factores, la rentabilidad del negocio y la
calidad de la traduccin.
Categoras y descripciones
I.2.6.g [Computing Methodologies]: Machine learning
I.2.7.f [Computing Methodologies]: Machine translation
Trminos generales
Documentacin, Algoritmos, Teora
Palabras clave
1. INTRODUCCIN
Desde el origen de los tiempos, el hombre, como ser social, ha
necesitado comunicarse con otras personas. Si bien en un
principio el entorno del ser humano era restringido, conforme ha
ido avanzando el tiempo, el hombre ha ido expandiendo su rea de
accin, lo cual le supone un problema cuando ha de hacerlo con
alguien que no habla su misma lengua. Esta necesidad de
comunicacin unida a la cantidad de informacin disponible hoy
Permission to make digital or hard copies of all or part of this work
for personal or classroom use is granted without fee provided that
copies are not made or distributed for prot or commercial advantage
and that copies bear this notice and the full citation on the rst page.
To copy otherwise, to republish, to post on servers or to redistribute
to lists, requires prior specic permission and/or a fee.
Copyright 2011 Isabel Cuadrado Gutirrez y David Ferrer
Figueroa
Inteligencia en Redes de Comunicacin. 2011
- 53 -
David Ferrer Figueroa
Ingeniera de Telecomunicacin
Universidad Carlos III de Madrid
100060609@alumnos.uc3m.es
en da en todo tipo de lenguas hace que sea ms que necesaria la
mecanizacin de la traduccin.
La traduccin supone todo un reto para los seres humanos dado
que no tenemos el mismo dominio en ambas lenguas, pero el
hecho de intentar que todo el proceso de traduccin lo lleve a cabo
un sistema automatizado se convierte en un trabajo todava ms
complejo.
Por este motivo, hoy en da uno de los principales objetivos del
ser humano es conseguir que, mediante el uso de tecnologa, se
puedan pasar las palabras habladas y escritas en una lengua a otra
sin perder informacin por el camino ni decir cosas diferentes a
las del texto original.
Uno de los pioneros en dar a conocer la traduccin automtica
fue Warren Weaver que adems de introducir este concepto
sugiri algunos mtodos para encarar la disciplina como son el
uso de tcnicas criptogrficas, los anlisis estadsticos, la
exploracin de la lgica subyacente, la aplicacin de los teoremas
de Shannon. Los primeros desarrollos informticos se realizaron a
finales de la dcada de 1950 pero no se obtuvieron los resultados
que se esperaba.
En la actualidad, no hay ningn sistema capaz de obtener
resultados de igual calidad que un traductor humano.
Especialmente, si la traduccin se realiza sobre un texto de
lenguaje comn o coloquial. Nadie ha sido capaz hasta ahora, ni
empleando el mejor programa que hay en el mercado, de ofrecer
la fluidez y habilidad que nos proporcionan los nativos de un
idioma y los traductores humanos. No nos cansaremos de reiterar
lo complicada que puede llegar a ser la traduccin, debido en gran
medida a que el significado de las palabras depende siempre del
contexto en el que se formulan.
Todos los traductores de los que disponemos en la red hacen que
en la gran mayora de ocasiones la traduccin se haga inteligible
entre otros motivos porque realizan mal las puntuaciones, tienen
errores gramaticales, desplazan las palabras y son bastante
imprecisos. La deficiencia con la que cuentan algunos sistemas en
cuanto a traducciones se refiere es tal que slo son capaces de
traducir algunas palabras o frases hechas como ocurre por ejemplo
con algunos sistemas de reservas de vuelos.
Se ha observado sin embargo, que cuando se pretende realizar una
traduccin entre dos lenguas que no tienen races comunes (como
por ejemplo el espaol y el alemn) la calidad de la traduccin
empeora mucho en comparacin con la que se consigue
traduciendo entre lenguas de races afines (por ejemplo, las
lenguas romances: Espaol, portugus, francs, etc.).
Se ha comprobado que uno de los factores ms importantes para
obtener una traduccin de alta calidad, es el grado de
especializacin, ya que cuanto ms especializado est el sistema al
tipo de texto y vocabulario que se pretende traducir mejor ser la
calidad del texto obtenido.
As pues, un sistema especializado en traducir cotizaciones en
bolsa produce traducciones muy buenas, incluso para lenguas que
no son afines. Sin embargo, esta idea no se puede aplicar a
campos como la medicina.
La traduccin es un proceso ms tedioso de lo que parece ya que
con sustituir todas las palabras por su significado correspondiente
no es suficiente, tenemos que tener en cuenta otra gran cantidad
de factores como son el orden en que aparecen las palabras, la
influencia que tienen unas sobre las otras, el contexto en el que
son escritas, etc. Esto es debido a que todos los idiomas cuentan
con tres factores fundamentales en las construcciones de oraciones
como son la morfologa de las palabras, la sintaxis de las frases y
la semntica, un texto por muy sencillo que parezca puede contar
con palabras o frases ambiguas.
Sin embargo, hoy en da existen mtodos estadsticos que
traducen textos sin tener en cuenta la gramtica, pero la tendencia
actual es aplicar todas las metodologas a lo que llamamos corpus
lingsticos.
2. HISTORIA:
La idea de la traduccin automtica se remonta al siglo XVII. En
1629, Ren Descartes ya propuso un lenguaje universal, con ideas
equivalentes en otras lenguas que compartiesen un mismo
smbolo.
En el siglo XIX, Jean-Franois Champollion consigui, tras
muchos intentos fallidos, descifrar los jeroglficos egipcios a
travs del primer texto bilinge conocido, la Piedra Rosetta. Esta
piedra es un fragmento de una estela egipcia que contiene un
mismo texto escrito en tres lenguas distintas: Egipcio demtico,
antiguos jeroglficos egipcios, y griego antiguo.
Imagen 1. Piedra Rosetta
Para poder descifrarla, Champollion tuvo que buscar patrones
entre los textos, smbolos repetidos y posteriormente encontrar su
significado.
- 54 -
La idea de utilizar ordenadores para traducir idiomas fue
propuesta en 1946 por A.D. Booth entre otros.
En la dcada de 1950, se llev a cabo el conocido como
Experimento de Georgetown, donde se tradujeron exitosamente
ms de cincuenta frases del ingls al ruso. Este experimento
supuso un punto de inflexin en esta rea de trabajo, y tambin el
comienzo de una poca dorada en el campo, donde se invirti una
gran cantidad de dinero.
En 1954, en el Birkbeck College (Universidad de Londres) se
consigui realizar una traduccin muy bsica entre el francs y el
ingls usando la mquina APEXC. Otro ejemplo, fue la lectura y
escritura de textos Braille por ordenador.
Por aquel entonces se esperaba que la traduccin automtica fuese
un problema resuelto en unos 4 o 5 aos. Pero la realidad fue muy
diferente, y conforme se observaba que los frutos obtenidos no
eran los esperados, la financiacin dedicada a esta rea se fue
reduciendo notablemente.
Por aquel entonces, la traduccin automtica se realizaba casi por
completo mediante sistemas basados en reglas. Como su nombre
indica, estos sistemas de traduccin requeran de expertos en
lingstica que formasen los diccionarios de ambos lenguajes
teniendo en cuenta tanto reglas gramaticales como sintcticas. Por
ejemplo, que en espaol los adjetivos siguen al nombre y en ingls
es al revs. No obstante, la gran complejidad de los idiomas, con
todas sus variantes, haca que los sistemas resultantes se
encontrasen muy lejos de una traduccin de calidad.
Con los avances tecnolgicos propios de la dcada de los 80, se
consigui abaratar y aumentar la potencia de los ordenadores, y
esto permiti a los expertos centrar su investigacin en otros
modelos de traduccin, los llamados modelos estadsticos. Desde
entonces, los investigadores han ajustado sus algoritmos
basndose en esta metodologa.
Otro momento de gran importancia en el campo sucedi con el
boom de Internet. Desde entonces han salido a la luz ingentes
cantidades de textos iguales en diversos idiomas. Este hecho ha
permitido los sistemas comparar muchos ms textos y conseguir
traducciones mejores.
Sin embargo, prcticamente desde que se comenz a trabajar en
este aprendizaje mquina, ha habido diversidad de opiniones
acerca de si una mquina podr ser capaz algn da de producir
traducciones de texto con una gran calidad. Si bien grandes
expertos en el rea consideran este objetivo como imposible, y
relegan el papel de la traduccin automtica a una herramienta
para el traductor humano, otros creen que en un futuro s ser
posible automatizar las traducciones con una calidad ptima
3. TRADUCCIN AUTOMTICA
Este subcampo de la lingstica computacional investiga el uso de
programas para traducir texto o voz entre dos idiomas. [1]
Existen diferentes aproximaciones para traducir lenguajes. La
aproximacin ms sencilla consiste en cambiar directamente
palabras provenientes de un lenguaje en palabras de otro. Sin
embargo, este mtodo puede inducir a una mala traduccin,
puesto que en muchas ocasiones, la informacin que prima se
basa en el contexto y la frase en las que se encuentra la palabra a
traducir.
Una manera de solventar el problema anterior consiste en situar el destino. Sin embargo, esta representacin se puede dividir en
contenido a traducir en el contexto del que proviene. As, se diversos niveles segn su profundidad: Se pueden traducir todas
pueden acotar los posibles significados del texto y sus las palabras independientemente de las dems, o bien, se puede
traducciones. Por ello, muchos programas hoy en da permiten crear una interlingua, donde existe una representacin intermedia
focalizar la bsqueda en funcin de las profesiones o de los completa. En la Imagen 2 se puede observarlas aproximaciones
campos a los que va dirigido el texto. basadas en diccionario (color rojo), en transferencia (color verde)
e interlingua (color azul).
No obstante, la ayuda de las personas sigue siendo muy til (y
necesaria en muchos casos) para obtener mejores resultados en la
traduccin. Por ejemplo, si se le indica al sistema que palabras del
texto son nombres propios, acrnimos, o palabras en general que
no se deben traducir, el traductor puede ofrecer resultados ms
precisos.

4. COMPONENTES DE UN SISTEMA DE
TRADUCCIN AUTOMTICA
La traduccin automtica puede dividirse en tres fases principales.
Primero el sistema tiene que analizar la entrada en el lenguaje
original para crear una representacin interna. Entonces,
normalmente se manipula esta representacin interna para
transferirla a una forma adecuada del lenguaje destino.
Finalmente, genera la salida en el lenguaje de destino.
Normalmente, un sistema de traduccin automtica contiene
componentes de anlisis, transferencia y generacin. Estos
componentes incorporan un gran conocimiento de las palabras
(conocimiento lxico) y del lenguaje (conocimiento lingstico).
Este conocimiento es almacenado en uno o ms lexicones y
posiblemente en otras fuentes de conocimiento lingstico, como
gramticas. La interfaz de usuario es invariablemente una parte
crucial de la mayora de los sistemas de traduccin automtica. La
interface permite a los usuarios verificar, desambiguar y si es
necesario, corregir la salida del sistema. Otra caracterstica comn Imagen 2. Modelos de traduccin automtica basados en
dentro del procesamiento de lenguaje natural es el uso de grandes reglas
corpora (plural de corpus). Un corpus es una gran coleccin
de texto que ha sido correctamente etiquetada, y se emplea para
adquirir el conocimiento lxico y lingstico requerido. 5.1.1 Basada en diccionario
El lexicn es un componente importante de cualquier sistema de
traduccin automtica Contiene toda la informacin relevante Se basa en el uso de entradas de diccionario. Esto quiere decir que
acerca de palabras y frases que se requiere para los distintos se har una traduccin directa palabra por palabra, que por lo
niveles de anlisis y generacin. Una entrada tpica del lexicon general, carece de relacin con las palabras colindantes.
para una palabra contendra la siguiente informacin acerca de la
palabra: La parte de discurso, las variantes morfolgicas, las Si bien esta tcnica es la ms rudimentaria, es vlida para la
palabras tpicas, frases o construcciones tpicas que acompaan a traduccin de listas de frases (ej. Frases incompletas o catlogos
esta palabra, algn tipo de informacin semntica acerca de la sencillos de productos y servicios).
palabra e informacin acerca del equivalente de la palabra en el Tambin se puede utilizar para facilitar la traduccin manual si la
lenguaje de destino. Algunos sistemas prefieren dividir el lexicn persona a cargo de la traduccin tiene un elevado nivel de
en lexicones de fuente, destino y transferencia que enlaza los otros comprensin en ambos idiomas, y por lo tanto, es capaz de
dos. El formato exacto de los lexicones depende del diseo corregir errores de sintaxis y gramtica.
ingenieril.
En la Imagen 3, se puede apreciar un ejemplo de un mal uso de la
traduccin basada en diccionario.

5. TIPOS DE TRADUCCIN
AUTOMTICA
5.1 Basada en reglas
Este es el mtodo inicial explicado anteriormente; consiste en
dividir el texto original en fragmentos, y convertir estos
fragmentos en partes del texto en el lenguaje de destino.
El proceso a seguir en este tipo de traducciones es el siguiente:
Primero, se crea una representacin simblica del texto y
posteriormente se pasa de esa representacin al lenguaje de

- 55 -

Imagen 3. Traduccin basada en diccionario
5.1.2 Basada en transferencia:
Este mtodo tiene en cuenta que para poder realizar
adecuadamente una traduccin es necesario tener una
representacin intermedia que sea capaz de entender el significado
de la frase original y as, poder producir la traduccin adecuada.
Normalmente, se sigue el siguiente patrn a la hora de realizar una
traduccin basada en transferencia: Primero se analiza el texto de
entrada sintctica y morfolgicamente para crear la representacin
interna. Posteriormente, se genera la traduccin desde esta
representacin interna empleando vocabulario y reglas
gramaticales.
Esta tcnica produce resultados satisfactorios en
aproximadamente un 90% de los casos.
5.1.3 Basada en un lenguaje intermedio:
En este caso, tambin se considera necesario emplear un lenguaje
intermedio para realizar la traduccin. Sin embargo, ahora este
lenguaje tiene una importancia mucho mayor, es la interlingua. El
lenguaje original, es convertido a esta interlingua que
estructuralmente, es independiente de ambos lenguajes (origen y
destino). Finalmente, el texto traducido se obtiene desde esta
interlingua.
5.2 Basada en contexto:
Este mtodo emplea tcnicas que buscan la mejor traduccin
posible para cada una de las palabras basndose en su contexto
(palabras colindantes). As pues, el texto se divide en ventanas de
unas pocas palabras, y se busca la traduccin idnea para cada una
de las palabras, desechando todas las acepciones que no tienen
sentido dentro de la ventana utilizada.
Posteriormente, se desplaza esta ventana una posicin (palabra), y
se repite el proceso anterior. Como se puede observar, una sola
palabra se traduce en varias ocasiones hasta obtener un resultado
ptimo.
Finalmente, se amplan las ventanas para que las frases, o el texto
en general tengan tambin significado, y se hace otra bsqueda.
- 56 -
Este proceso se va ampliando hasta que implica a una parte de
texto suficientemente grande.
Los resultados proporcionados por este mtodo son muy buenos,
aunque sin embargo, conlleva un elevado coste computacional por
todas las iteraciones que son necesarias para traducir un texto.
Sin embargo, como contrapartida, es muy sencillo ampliar la
traduccin a nuevos idiomas, ya que al no precisar de un lenguaje
intermedio, la traduccin se realiza nicamente con diccionarios y
un corpus apropiado.
5.3 Basada en corpus
La traduccin automtica realizada en base a un corpus lingstico
consiste en el anlisis de textos lingsticos con sus respectivas
traducciones. Podemos diferenciar entre dos tipos de mecanismos
que emplean los corpus como son los basados en mtodos
estadsticos y los basados en ejemplos. Para comprender el
funcionamiento de ambos mtodos que explicaremos a
continuacin hay que tener claros los conceptos siguientes:
- Corpus bilinge paralelo: Es la seleccin de un texto original y
de su traduccin en otra lengua, colocado todo de forma natural
sin haber realizado ningn anlisis ni separacin.
- Corpus bilinge alineado: Es la seleccin de un texto original y
de su traduccin en otra lengua colocada siguiendo algn tipo de
orden pudiendo ste ser realizado por palabras, frases o prrafos.
- Alineamiento: Este trmino se define como la accin de
identificar en dos textos en idiomas diferentes, qu partes de uno
de ellos (prrafos, frases, palabras) se corresponden con las del
otro.
5.3.1 Traduccin automtica estadstica
El empleo de tcnicas estadsticas en la traduccin automtica
cuenta con defectos y virtudes como suele ocurrir con muchos
aspectos hoy en da. Un beneficio destacable es el poder conseguir
que un sistema aprenda a traducir gracias a una inmensa cantidad
de ejemplos de los que se realiza su traduccin previamente.
Asimismo, este hecho hace a su vez que se vean los importantes
defectos que van a arrastrar estos sistemas de traduccin, como
son la necesidad de disponer de estos corpus y el hecho de que el
sistema obtenido es muy sensible al sistema de entrenamiento
utilizado.
Debido a este motivo se han obtenido resultados bastante
satisfactorios cuando se emplea traduccin estadstica en campos
restringidos de traduccin que estn especializados en un lenguaje
determinado, por el contrario cuando el traductor sale de este
campo y abarca un mbito de lenguaje ms coloquial, predominan
todava los sistemas que se basan en conocimiento.
Los sistemas de traduccin estadsticos parten de lo que se conoce
como corpus bilinge. Para que se entienda mejor el concepto, un
ejemplo de corpus bilinge sera por ejemplo los subttulos de una
pelcula.
El proceso comienza con la obtencin de un corpus bilinge, y
una vez que se dispone de ste, se pasa al proceso de alineacin.
La finalidad de la alineacin del corpus es crear una
correspondencia entre las palabras de un idioma y otro, y es en
este punto donde la estadstica empieza a ser importante.
Para hacernos una idea de cmo va a funcionar el sistema
imaginemos que tenemos dos textos iguales en dos idiomas
diferentes. Si nos ponemos a compararles oracin por oracin nos
damos cuenta de que ciertas palabras en uno de ellos siempre se
corresponden con otras en el otro texto. Por ejemplo, si en todas
las oraciones inglesas de un texto en las que aparece la palabra
boy vemos que la versin en espaol tiene la palabra nio
relacionaramos una con la otra obteniendo su traduccin.
Del mismo modo en esta etapa el sistema observa muchos pares
de oraciones escritos en dos idiomas diferentes, siendo unas
traducciones de las otras y a partir de lo que observa construye
asociaciones entre palabras. Para lograr buenas asociaciones es
necesario observar muchas oraciones, ya que con una nica
oracin sin saber nada del idioma es imposible determinar con
certeza el significado de algunas palabras, as podemos decir que
cuanto ms grande sea el corpus con ms certeza crearemos
Imagen 4. Ejemplo de corpus basado en frases
asociaciones.
Una vez completado el alineamiento de todos los pares de
oraciones, buscamos entre nuestras asociaciones las que encajan Posteriormente, se continua alineando al nivel de palabras: Para
en nuestra oracin realizando as la traduccin. cada par de oraciones del corpus paralelo, se enlazan las palabras
de la oracin fuente con las palabras de la oracin destino.
Sin embargo, utilizando nicamente estas asociaciones no siempre
Finalmente se realiza la extraccin de frases bilinges,
es posible traducir de forma correcta una oracin, ya que por
entendiendo estas como la unin de dos frases tal que no exista un
ejemplo podemos encontrarnos con palabras que muestran
enlace entre alguna de las palabras de la frase bilinge y una
ambigedades como por ejemplo la palabra ganar en una
palabra que est fuera de la misma:
sentencia en ingls puede ponerse como win,gain,get y no
sabemos cul de todas es la correcta para nuestra oracin.
Por ello en la traduccin automtica estadstica se emplean dos
modelos: el de traduccin y el de lenguaje. Con estos modelos
podremos puntuar a las posibles traducciones eligiendo finalmente
a la que tenga mayor puntuacin. Con el modelo de traduccin
puntuamos lo bien que est traducida una palabra, mientras que
con el modelo de lenguaje puntuamos lo bien que est escrita la
traduccin.
Estos modelos no son los nicos que participan en el clculo de la Imagen 5. Ejemplo de extraccin de frases bilinges
traduccin, existen varios dependiendo del paradigma de
traduccin que se siga. El que nos vamos a centrar en explicar es
En este ejemplo se puede ver que la frase bilinge This will-
el basado en frases, para ello nuestro corpus tiene que estar
Este ser no es vlida, pues el enlace be-ser asocia una
alineado a nivel de oraciones de forma que tendremos dos
palabra dentro de la frase con una fuera. De esta forma sern
documentos con el mismo nmero de oraciones tal y como se
vlida frases como This will be-ser, will be- ser,
muestra a continuacin:
interesting-interesante, interesting example-ejemplo
interesante, "This will be an interesting example-Este ser un
ejemplo interesante.
Una vez extradas todas las frases de todos los pares de oraciones
del corpus podemos calcular el modelo de traduccin. sta tcnica
de traduccin parte de la definicin de un modelo estadstico en el
que se trata de estimar la probabilidad de que, dadas dos frases
cada una en un idioma, una sea la traduccin de la otra, y as
poder decidir cmo de buena es una traduccin para una frase
determinada; todo esto a partir de funciones y cambios
estadsticos.
Este modelo de traduccin junto con el de lenguaje (que tambin
basndose en funciones estadsticas estimar la probabilidad de
que una traduccin ya realizada sea la ms adecuada para ese
texto en concreto y est hecha de forma correcta) intentarn
conseguir una traduccin con la mejor calidad posible.

5.3.2 Traduccin basada en ejemplos

La idea en la que se fundamenta la traduccin basada en ejemplos
tal y como su nombre indica, es realizar las traducciones a partir
de ejemplos similares a las oraciones que se pretenden traducir y
de los cules ya conocemos su traduccin. Se precisa contar con
una gran cantidad de corpus bilinges alineados para obtener estos
ejemplos de traducciones y almacenarlos en bases de datos para

- 57 -
que resulte ms fcil encontrarlos a partir de las palabras que
contienen los ejemplos.
Adems, hay que tener en cuenta otro concepto dentro de la
traduccin basada en ejemplos, las memorias de traduccin. Al
igual que en el caso de los ejemplos, las memorias de traduccin
buscan en el corpus bilinge frases similares a las que se quiere
traducir en un momento determinado y se mira cmo se tradujo
dicha frase tomndola como ejemplo. El traductor podr emplear
esta informacin como referencia una vez la haya encontrado.
La forma de llevar a cabo la traduccin de un sistema basado tanto
en ejemplos como en memorias se realiza de la siguiente forma:
en primer lugar se introduce al sistema el texto del que queremos
obtener la traduccin, seguidamente el sistema le divide en
unidades de texto buscando en la base de datos aquellos ejemplos
que se asemejan a nuestras unidades. Si la traduccin se basa en
memorias, el sistema extrae todos los ejemplos que encuentra
proporcionndoselos a un traductor humano que ser el encargado
de construir las frases adecuadas Sin embargo si la traduccin
est basada en ejemplos, no hay intervencin humana en el
proceso realizndose todo el proceso por el sistema automatizado
que se arriesga a tomar las decisiones que producirn el texto de
salida.
A la hora de realizar la bsqueda de los ejemplos, hay que tener
cuidado con la longitud de las unidades de texto elegidas para
realizar dicha bsqueda dado que si establecemos segmentos con
una longitud muy pequea podemos encontrarnos con demasiados
problemas de ambigedad que en muchos casos provocaran que
el sistema se confundiese en sus decisiones al realizar la
traduccin.
Actualmente muchos sistemas basados en ejemplos funcionan
utilizando la oracin como unidad de texto, pero cabe destacar
que para explotar la capacidad con la que cuentan estos sistemas
debemos emplear unidades ms pequeas que la oracin y as a
partir de ellas, realizando combinaciones, producir oraciones
completas.
5.4 Traduccin hbrida
Estas tcnicas aprovechan los puntos fuertes de las metodologas
basadas en reglas y estadstica.
Actualmente varias empresas dedicadas a la traduccin
automtica (Asia Online, LinguaSys, Systran, PangeaMT, UPV)
afirman tener sistemas hbridos de este tipo.
Se pueden distinguir dos variantes principales dentro de esta
metodologa:
5.4.1 Reglas de post-procesado por las estadsticas
Las traducciones son realizadas utilizando un motor basado en
reglas. Posteriormente se emplean reglas estadsticas en un intento
de ajustar o corregir la salida del motor de reglas.
5.4.2 Estadsticas guiadas por reglas:
Las reglas se utilizan para preprocesar los datos, en un intento de
orientar mejor el motor estadstico. Las reglas son empleadas
tambin en el post-proceso de la produccin estadstica para
realizar funciones tales como la normalizacin. Este enfoque tiene
mucho ms poder, flexibilidad y control cuando se traduce.
- 58 -
6. DESAMBIGUACIN EN LA
TRADUCCIN
La desambiguacin consiste en encontrar la traduccin correcta
cuando hay varias traducciones posibles. Este problema fue
enunciado en la dcada de 1950 por Yehoshua Bar-Hillel. l
indicaba que sin una enciclopedia universal, una mquina nunca
sera capaz de distinguir entre dos significados de una misma
palabra.
Hoy en da existen numerosas aproximaciones diseadas para
paliar este problema. Pueden dividirse en someras y profundas.
Las aproximaciones someras asumen que no hay un conocimiento
del texto. Simplemente aplican mtodos estadsticos a las palabras
que rodean a la palabra ambigua para obtener el resultado mejo.
Las aproximaciones profundas sin embargo, pre asumen un
conocimiento comprensivo de la palabra.
Sin embargo, a da de hoy, las aproximaciones someras han
demostrado dar mejores resultados en las traducciones.
Grandes expertos en el mundo de la traduccin (como Claude
Piron, que fue traductor para las Naciones Unidas y la
Organizacin Mundial de la Salud), indican que la traduccin
automtica, como mucho, ser capaz de automatizar la parte ms
sencilla del trabajo de un traductor; sin embargo, la parte ms
costosa y que consume mayor cantidad de tiempo, tendr que
seguir siendo realizada por una persona cualificada, ya que
normalmente implica hacer una investigacin extensa para
resolver ambigedades en el texto de origen.
Para poder realizar esta investigacin a un nivel tan profundo sera
necesario que el software de traduccin emplease tambin parte
de sus recursos a buscar la desambiguacin correcta. Sin embargo,
esto requiere un nivel de desarrollo en Inteligencia Artificial que
no se ha alcanzado an.
7. SERVICIOS DE TRADUCCIN
AUTOMTICA
Si bien, como se ha indicado anteriormente, ningn sistema de
traduccin hoy en da es capaz de producir una traduccin
perfecta en campos que no se encuentren restringidos, hay una
gran variedad de sistemas automticos que producen resultados
muy notorios.
A continuacin vamos a nombrar slo dos de estas aplicaciones.
No obstante, para mostrar el gran impacto que tiene este mercado,
y la cantidad de empresas que hay, mostramos en la siguiente
tabla, una comparacin entre las empresas ms importantes y el
nmero de lenguajes en los que traducen.
Tabla 1. Nmero de idiomas disponibles por empresa
Compaa Nmero de idiomas
Asia Online 77
Google Translate 65
WorldLingo 43
PROMT 43
Apertium 42
Systran 36
Systran 36
7.1 Systran
Systran es una de las empresas ms antiguas en traduccin
automtica. Fue fundada por el Dr. Peter Toma en 1968 y ha
trabajado durante muchos aos para el departamento de defensa
de los Estados Unidos de Amrica y para la Comisin Europea.
En un origen, bas sus mtodos de traduccin en reglas, aunque
posteriormente ha ido migrando a memorias de traduccin (corpus
paralelos).
Hoy en da es una de los sistemas ms utilizados aunque muchas
veces el cliente lo desconoce. Este sistema se encuentra integrado
en aplicaciones como en el traductor de textos de los ordenadores
que emplean el sistema operativo Mac OS X, en el traductor
online de Yahoo!, Yahoo! Babel Fish, y fue tambin utilizado por
el buscador Google hasta 2007.
7.2 Google translate
Posiblemente es una de las aplicaciones ms conocidas para
traducir textos hoy en da. Esta herramienta de uno de los gigantes
de Internet, Google, proporciona traduccin automtica entre 65
idiomas (Si bien, entre muchos de ellos se realiza una traduccin
intermedia al ingls). Para lograrlo, el sistema busca rpidamente
en Internet de entre la gran cantidad de textos ya traducidos que
existen, aquella combinacin de palabras que proporciona un
resultado mejor. El sistema empleado para la traduccin es
estadstico, y por tanto, su misin no es fragmentar y reunir las
frases para obtener el significado, sino que proporciona un
resultado obtenido tras analizar los textos equivalentes ms
probables. Las fuentes de datos provienen en la mayora de los
casos de traducciones humanas: Desde textos clsicos hasta
obras modernas. En el primer caso los resultados son muy
interesantes, pero cuando se enfrenta a nuevos textos, en muchos
casos, Google Translate se pierde en la intencin, el contexto real
y el estilo.
8. PROBLEMAS EN LA TRADUCCIN
AUTOMTICA
La traduccin automtica en s misma es un problema difcil por
dos motivos principalmente: El primero es que los lenguajes
naturales son muy ambiguos. Esta ambigedad se da en todos los
niveles (tanto lxico, sintctico, semntico como pragmtico).
Una palabra of rase puede tener ms de un significado. Decidir el
significado adecuado en cada momento es crucial para hacer un
anlisis correcto. El segundo motivo es que cuando los humanos
emplean el lenguaje natural, emplean a la vez una enorme
cantidad de sentido comn, y conocimiento acerca del mundo, que
les ayuda a resolver la ambigedad. Conseguir que la traduccin
automtica consiga el mismo conocimiento del mundo en un
contexto sin restricciones requiere de un gran esfuerzo.
9. INVESTIGACIN ACTUAL Y
RENTABILIDAD DE LA TRADUCCIN
AUTOMTICA
Las investigaciones llevadas a cabo hoy en da en los sistemas de
traduccin automtica estn centradas en especial en la bsqueda
y mejora de tcnicas de aprendizaje mquina para adquirir el
significado de las palabras y la gramtica de forma automtica.
Estas tareas necesitan emplear inmensas cantidades de corpora y
aplicar tcnicas estadsticas como por ejemplo redes neuronales
- 59 -
para obtener correlaciones en el corpus. Los corpora que se
emplean en estas investigaciones pueden ser para un nico idioma
o bien pueden ser corpora bilinges alineados, que tal y como se
ha comentado con anterioridad se trata de textos traducidos en dos
lenguas y ordenados haciendo corresponderse ciertas partes del
texto origen con el texto destino.
Las memorias de traduccin son otra lnea de investigacin hoy en
da. Consisten en recordar automticamente las traducciones
completas de frases o expresiones comunes para evitar procesarlas
repetitivamente.
Actualmente, hay gran actividad en el mundo de la traduccin
automtica en Japn y la Unin Europea, y por extensin en
EEUU.
Todava se continuar investigando hasta que se obtenga un
sistema de traduccin que, desde el punto de vista lingstico y
comercial, sea rentable. Como hemos comentado ya a lo largo del
trabajo los sistemas han sido tiles y rentables cuando nos
centramos en campos y ciencias especficas de un grupo, por ello
se est tendiendo a realizar sistemas que se basan en lo que
denominaramos sublenguajes como entre otros podemos
encontrar, el jurdico, el cientfico, el mdico, el filosfico, etc.
Estos sublenguajes no requieren traducciones de calidad elevada y
pueden resultar muy valiosos para las personas que desempeen
actividades dentro de estos campos. La traduccin resultar ms
sencilla haciendo estas subdivisiones dado que el vocabulario ser
ms reducido y la sintaxis est ms limitada, ya que son lenguajes
con formas fijadas, ms estticos, abundan en ellos frmulas y
suelen estar sometidos a controles permanentes.
Un ejemplo claro de lo que acabamos de exponer es el de Meteo,
un programa que desde el ao siguiente a su instalacin (1977) ha
estado produciendo partes meteorolgicos para el servicio
meteorolgico de Canad diariamente. En la actualidad, podemos
hablar de unos resultados tan buenos como son que el programa
traduzca alrededor de 37.000 palabras diarias con un 90%.de
precisin.
Resultados como los obtenidos con un sistema como es Meteo
hacen que se pueda demostrar lo rentable que resulta la traduccin
automtica en algunos casos, a pesar de que para otros mbitos
todava no lo sea., como ocurre con el lenguaje espontneo,
coloquial que se resiste a una formalizacin precisa y a ajustarse a
reglas gramaticales, hechos que resultan necesarios para la
obtencin de una buena traduccin. De esta forma, tendremos que
esperar para ver buenos resultados en lo que al lenguaje comn se
refiere por lo que de momento slo podemos hablar de traductor
como un complemento de ayuda al ser humano.
10. CONCLUSIONES
Podemos concluir que el desarrollo de los sistemas de traduccin
ha sido posible gracias a dos hechos importantes que les han
favorecido claramente: en primer lugar la explosin de
informacin al alcance de todo el mundo y en idiomas diferentes
de lo cual el gran culpable es Internet y en segundo lugar la
globalizacin. Esto significa que hay una enorme necesidad de
comunicacin y de hacerse con informacin la cul debe estar
disponible en diversos idiomas para que pueda ser accesible a
todo el mundo
Slo basta con fijarse en las cifras para hacerse una idea de la
vala que tiene el mercado de la traduccin automtica hoy en da;
se estima que a nivel mundial vale casi 10.000 millones de euros.
Hemos comprobado que los sistemas encargados de traducir por [5] Rao, Durgesh D. (1998)
ejemplo grandes obras literarias (como puede ser El Quijote) se Machine translation: A gentle introduction.
encuentran an muy alejados de obtener una traduccin de buena
calidad, pero por el contrario aquellos que traduzcan partes ISSN: 0971-8044
meteorolgicos, textos tcnicos, etc. tienen un peso importante [6] Jos Hallebeek
hoy en da para la sociedad.
El corpus paralelo. Universidad de Nijimegen. Nederlands
El mayor problema con el que cuentan todava los sistemas de
[7] Jos A. Troyano
traduccin radica en la calidad que se obtiene tras la realizacin
de la traduccin. An tenemos que recortar distancias entre el Alineacin de textos y traduccin automtica. ITALICA.
producto obtenido y la verdadera traduccin, porque aunque cada Universidad de Sevilla
vez vayamos imitando mejor la labor que lleva a cabo un [8] Petra Prochzkov (2006)
traductor humano, todava nos queda un largo camino que recorrer
para igualarlo. Fundamentos de la lingstica del corpus. Concepcin de
los corpus y mtodos de investigacin con corpus.
[9] Andreas Eisele (2007)
11. REFERENCIAS Hybrid machine translations: Combining rule-based and
[1] Wikipedia statistical MT systems. Saarland University & DFKI. LT
http://es.wikipedia.org/wiki/Traduccion_automatica Lab.
[2] Cohen, J.M., "Translation", Encyclopedia Americana, 1986, [10] WIRED
vol. 27, pp. 1215.
http://www.wired.com/wired/archive/14.12/translate.html
[3] Wikipedia
[11] European Association for Machine Translation
http://es.wikipedia.org/wiki/Piedra_de_Rosetta
[4] Hutchins, W. John; and Harold L. Somers (1992). An
Introduction to Machine Translation. London: Academic
Press. ISBN 0-12-362830-X.

- 60 -
 Resolucin de Puzzles Deslizantes

Lara Rojo Celemn Ivn Surez Morejudo

Ingeniera de Telecomunicacin Ingeniera de Telecomunicacin
Universidad Carlos III de Madrid Universidad Carlos III de Madrid
100072784@alumnos.uc3m.es 100072643@alumnos.uc3m.es

ABSTRACT filas se colocarn por columnas. Este mtodo, como veremos ms

En 1878, Sam Loyd daba un premio de $1.000 a quien fuera
capaz de resolver su famoso 14-15 Puzzle. Se trataba de un puzzle
deslizante de 16 piezas que no tena solucin, lo que hizo que
muchas personas se volvieran locas tratando de resolverlo.
En este trabajo tratamos de presentar diferentes algoritmos para
resolver el 15-Puzzle desde el punto de vista de la Inteligencia
Artificial. Para ello, utilizamos el algoritmo de bsqueda en
rboles A*, del que daremos una visin general que luego
particularizaremos a nuestro caso del 15-Puzzle.
Aunque en este trabajo slo nos hemos centrado en resolver el
rompecabezas de 16 piezas, los algoritmos explicados pueden
utilizarse para resolver cualquier puzzle deslizante n x n con
solucin.
Trminos Generales
Puzzles, Algoritmos, permutaciones pares, heurstica, Inteligencia
Artificial, resolucin humana.
Keywords
Puzzles deslizantes, 15-puzzle, Sam Loyd, Algoritmo A*,
herstica, Turing.
adelante, ser el ms eficiente.
Finalmente, daremos una visin desde el punto de vista de la
psicologa sobre las habilidades obtenidas resolviendo este tipo de
rompecabezas as como las partes de nuestro cerebro que se ven
afectadas. Adems explicaremos las diferencias de nuestra mente
con respecto a las mquinas y las variables que influyen en la
forma de resolver problemas, como es el caso de la ansiedad.
2. EL PUZZLE
2.1 Definicin
El (n2 - 1)puzzle consiste en un tablero de (n x n) con n casillas,
numeradas del 1 al (n2 - 1) , ordenadas de manera aleatoria. La
casilla n2 se encuentra vaca para poder realizar los movimientos
necesarios, de forma horizontal o vertical, para poder cambiar el
orden de las casillas. Recibe multitud de nombres segn el
nmero de fichas 8-puzzle para la versin 3x3, 15-puzzle para la
versin de 4x4, u otros nombres menos comunes como Puzzle
Gem, Puzzle Boss o Cuadrado Mstico. El objeto del
rompecabezas es ordenar las fichas utilizando el espacio vaco
para desplazarlas.

1. INTRODUCTION

El objetivo de este trabajo es presentar diferentes algoritmos para

la resolucin de puzzles deslizantes. Aunque slo nos hemos
centrado en el 15-puzzle, los algoritmos aqu presentados pueden
ser aplicados a puzzles de cualquier tamao, siempre y cuando
estos tengan solucin.
Sin embargo, no slo nos centraremos en cmo resolverlos de
forma manual sino tambin explicaremos como implementar
dichos algoritmos en ordenadores. Para ello, utilizaremos
bsquedas en rboles aplicando el algoritmo de bsqueda A*, el
cual explicaremos y particularizaremos.
El primer algoritmo que presentaremos es el algoritmo propuesto
por Richard Hayes [4] en el cual el n-puzzle se ir reduciendo a Figura 1: 15-Puzzle resuelto.
(n 1)puzzle resolviendo la primera fila y la primera columna.
En el segundo, [5] propone colocar en orden las casillas de las
primeras (n 2) filas. Finalmente, las piezas de estas dos ltimas

- 61 -
Es un problema clsico de modelacin de algoritmos usando
heurstica, de modo que estos sean eficientes con buenos tiempos
de ejecucin y usando ptimas soluciones. El uso de la heurstica
comn en este problema conlleva el recuento del nmero de fichas
que se encuentran fuera de lugar, y encontrar la suma de las
distancias Manhattan desde su posicin actual hasta su posicin
correcta.
2.2 Historia
No se sabe muy bien a quien atribuir la invencin de este
rompecabezas ya que la historia es confusa. Los libros, en un
principio, la atribuyen a Sam Loyd debido a que en 1878 llevara
al mundo a la locura por un premio de $1.000 a quien fuera
capaz de resolver el famoso puzzle de 14-15, el cual no tena
solucin debido que se necesitaba un nmero impar de
movimientos y, como veremos ms adelante, slo un nmero de
movimientos par tiene solucin.
El puzzle se extendi rpidamente por todas las ciudades de
Estados Unidos, Canad incluso lleg a Europa.
En realidad, el puzzle no fue inventado por Sam Loyd, a pesar que
l lo defendiera durante aos, sino que era una variacin del
rompecabezas creado por Palmer Noyes Chapman con los bloques
14-15 invertidos.
Figura 2: Ilustracin de Sam Loyd sobre su puzle.
Palmer Noyes Chapman, en Agosto de 1880, present ante la
oficina de patentes el registro del 15-puzzle. Sin embargo, su
solicitud le fue denegada ya que en Febrero de 1878 se haba
registrado otra patente de un puzzle similar llamado Puzzle de
bloques por Ernest U. Kinsey.
Previamente, su hijo lo distribuy en 1879 por diferentes ciudades
de Estados Unidos. Por suerte, uno de dichos rompecabezas fue a
parar a la Escuela Americana de Sordos de Hartford, quienes lo
comenzaron a fabricar en su taller de carpintera para venderlo en
las calles de Hartford y Boston. Matthias Rice, propietario de un
negocio de carpintera de lujo en Boston, se interes en la
fabricacin del mismo y convenci a Yankee Notions
(Distribuidor de bienes de lujo) para su comercializacin con el
nombre de Puzzle Gem.
- 62 -
Casi un siglo despus, Ern Rubik se interes por el
rompecabezas buscando una forma de que funcionara sin el
espacio vaco que permita mover las piezas. Finalmente, su
trabaj desemboc en la creacin del famoso Cubo de Rubik.
3. ALGORITMOS
Para resolver el 15-puzzle podemos aplicar distintos algoritmos
que nos lleven a la solucin. Como es lgico, unos algoritmos son
ms eficientes que otros. A continuacin se presentan dos
algoritmos pero en ambos, la condicin necesaria para que tengan
solucin es que el nmero de permutaciones sea par.
3.1 Permutaciones pares
Como hemos dicho anteriormente, el 15-puzzle slo tiene
solucin si el nmero de movimientos para resolverlo es par. El
nmero de posibles estados iniciales es n!, siendo n el nmero de
fichas. Por tanto, en nuestro caso, tendremos ms de 130.000
millones de posibles estados iniciales. Sin embargo, slo la mitad
de esas combinaciones tiene solucin.
Para poder saber la paridad del estado inicial se define el concepto
de Inversin, es decir, la violacin del orden de la posicin de
acuerdo a su valor. En otras palabras, la inversin de una ficha
ser la suma del nmero de fichas que se encuentran en una
posicin superior a dicha ficha y que deberan estar situadas en
una posicin inferior. La inversin total ser la suma de las
inversiones individuales. Si este nmero es par, el puzzle tendr
solucin. En caso contrario, no habr solucin.
Por ejemplo, en el puzzle propuesto por Loyd, la inversin total
ser uno y, como este nmero es impar, el nmero de
permutaciones ser impar y, por tanto, el puzzle no tiene solucin.
Una vez que se conoce la paridad del puzzle, podremos aplicar
algn tipo de algoritmo para resolverlo. En nuestro caso,
presentamos dos posibles soluciones.
3.2 Algoritmo I
Este algoritmo fue propuesto por Parberry en 1997 para resolver
puzles deslizantes n x n. Su mtodo se basa en reducir el n-puzzle
en un (n-1)-puzzle resolviendo la primera fila y la primera
columna de cada puzzle, quedando como resultado un (n-1)-
puzzle. Sin embargo, una vez que se llega a un 3x3-puzzle, este
mtodo deja de funcionar ya que no tenemos libertad de
movimiento para no afectar a las piezas colindantes y se tiene que
resolver usando la fuerza bruta.
Ms tarde, en 2001, Richard Hayes, utilizando el algoritmo de
Parberry, consigue evitar el problema de resolver el puzzle usando
la fuerza bruta.
El algoritmo se desarrolla en tres pasos:
1. Colocar las piezas de la primera fila
2. Colocar las piezas de la primera columna.
3. Volver al primer paso con el (n-1)puzzle.
Figura 3: Reduccin del 15-puzzle a 3-puzzle.
Para colocar tanto las piezas de la primera fila como de la primera
columna de manera eficiente, se toma como referencia las
diagonales de la posicin en la que debe ir la ficha en cuestin. En
funcin de la posicin original de la ficha, utilizaremos una
diagonal u otra.
Si la ficha se encuentra a la izquierda de la columna en la que
debera ir o en la misma columna, utilizaremos la diagonal de la
figura 4a. En cambio, si la ficha se sita a la derecha, utilizaremos
una de las diagonales descritas en las figuras 4b y 4c.
Figura 4: Descripcin de las diagonales.
No obstante, las dos ltimas fichas de la fila sern colocadas de
manera especial. En este caso, se coloca en la posicin 1 x (n-1) la
ficha (n-2) y, en la posicin 2 x (n-2) la ficha (n-2) siguiendo el
mismo procedimiento explicado con anterioridad. Por ltimo, se
desplaza la ficha(n 2) a la posicin 1 x (n 2) y la (n 1) a su
posicin.
Figura 5: Colocacin de las ltimas piezas.
Para las columnas, se sigue un procedimiento similar: se colocan
las primeras piezas y cuando queden slo dos, se pondr la
penltima pieza en la ltima posicin y la ltima pieza en la
columna adyacente a la ltima posicin.
Sin embargo, hay algunas combinaciones que no pueden ser
resueltas aplicando este algoritmo. Para ello, buscamos una
- 63 -
posible combinacin tal que se pueda resolver a travs del
algoritmo previamente descrito.
Las nicas combinaciones que no tienen solucin ocurren cuando
la pieza (n- 1) de una fila se sita en la posicin (n 2) o cuando
la pieza (n 1) de una columna se encuentra en ((n 2), 0). Por
ello, lo nico que debemos hacer es mover dicha pieza de esa
posicin.
Figura 6: Caso especial.
3.3 Algoritmo II
A partir de la informacin obtenida en [4], podemos resolver el
15-Puzzle ordenando la primera y segunda fila de manera
consecutiva, para luego terminar de ordenar las dos ltimas filas
por columnas. De esta manera se consigue llegar al estado final
del puzzle en un promedio de 80 movimientos, una cifra bastante
eficiente teniendo en cuenta el nmero de movimientos posibles.
La implementacin de dicho mtodo se basa en el Algoritmo de
bsqueda A*.
3.3.1 Algoritmo de bsqueda A*
El algoritmo de bsqueda A* es un algoritmo computacional
clasificado dentro de la bsqueda por grafos, para encontrar el
camino de menor coste entre el nodo origen y destino. Est
motivado debido a que en algoritmos de bsqueda en grafos
informados, como el algoritmo voraz, estos siguen un camino
basado nicamente en la funcin heurstica. Dicha funcin no nos
indica el coste real de desplazarse de un nodo a otro, sino una
aproximacin que puede no ser ptima, llevando a realizar
movimientos extra que terminan derivando en un mayor coste
para alcanzar la solucin.
Por ello un algoritmo ptimo de bsqueda informada deber tener
en cuenta el factor del valor heurstico de los nodos, y el coste real
del recorrido. Por ello el algoritmo A* usa la siguiente funcin de
evaluacin f(n) = g(n) + h'(n), siendo el primer trmino g(n) el
coste real del camino recorrido para llegar al nodo n, y h(n) el
valor heurstico del nodo a evaluar desde el actual n hasta el final.
Adems A* necesita de dos estructuras de datos auxiliares, para
mantener un conjunto de soluciones parciales almacenadas:
Abiertos: se trata de una cola de prioridad ordenada
segn el valor f(n) de cada nodo.
Cerrados: informacin de los nodos ya visitados.
En cada iteracin del algoritmo se realiza una consulta de la
estructura de Abiertos, se consulta el primer nodo de la lista
ordenada, si no se trata de un nodo objetivo, se calcula la f(n) de
todos sus hijos, se insertan en la cola de Abiertos, y finalmente el Si para todos los nodos n del grafo se verifica que h(n)
nodo evaluado se traspasa a la estructura de Cerrados. = 0, se trata de una bsqueda de coste uniforme no
Se trata de un algoritmo de bsquedas de tipo primero en anchura informada.
para g(n) con primero en profundidad para h(n). Esto quiere decir
que: Pero en este algoritmo no todo son ventajas, existe un gran
problema a la hora de ejecutar un algoritmo basado en A*, que es
la gran cantidad necesaria de memoria. Esto es debido a que se
Para g(n) se establece un nodo raz, y se exploran y debe almacenar todos los posibles siguientes nodos de cada
evalan todos los vecinos de este nodo, y a estado, derivando por ello en una cantidad de memoria
continuacin para cada uno de los vecinos se exponencial respecto al tamao y complejidad del problema.
exploraran sus correspondientes vecinos adyacentes, y Como alternativas a este problema se presentan variaciones de
se realiza esto hasta que hayamos explorado todo el este algoritmo como pueden ser RTA*, IDA* o SMA*.
rbol.
Para h(n) el modo de exploracin es diferente, en la
bsqueda en profundidad partimos de un nodo que
vamos expandiendo de manera recurrente para un
camino determinado, en el momento que ese camino no
se puede propagar ms, volvemos atrs y comenzamos
de nuevo a expandir el nodo vecino del cual partimos y
que ya ha sido procesado. Es un algoritmo que nos
permite recorrer todo el rbol de manera ordenada pero
no uniforme.

La complejidad y carga computacional de este algoritmo est

dispuesta por la calidad heurstica usada en el problema. Por ello
para una mala heurstica la complejidad ser exponencial, y para
una heurstica ptima tendremos una complejidad lineal y por ello
un tiempo de ejecucin del mismo modo, siendo necesario por
ello, que con una heurstica optima se verifique que:
h(x) <= g(y) - g(x) + h(y) Figura 7: Ejemplo de aplicacin del algoritmo A*.
,donde h(y) es un estimador de h(x) que indica la distancia a la
solucin.
A continuacin explicamos el funcionamiento del algoritmo
Las propiedades del algoritmo son las siguientes: mediante un ejemplo. En dicho ejemplo buscamos el camino a
Es un algoritmo completo, en caso de existir solucin la recorrer ms corto para ir desde el punto verde al rojo, esquivando
encontrar. el muro azul el cual no podemos atravesar. Como observamos el
rea de bsqueda se ha dividido en una simple rejilla,
El algoritmo no desarrolla un camino por interaccin, simplificando as el problema a una matriz bidimensional,
formula varios y selecciona lo ms competentes. representando as cada cuadrado de la rejilla como un elemento de
Para garantizar que se trata de un algoritmo ptimo, la la rejilla, y pudiendo as almacenar sus propiedades y valores,
funcin h(n) deber ser vlida, sin exagerar el valor real como si es posible atravesarlo. A partir de ahora a dichos
de encontrar la solucin. cuadrados los llamaremos nodos.
SI h(n) realiza una estimacin exacta de h(n), el
algoritmo converge rpidamente a la solucin.
Si h(x) = 0, la bsqueda es controlada por la funcin
g(x).
Si h(x) = g(x) = 0 se trata de una bsqueda aleatoria.
Si h(x) = 0 y g(x) = 1, se trata de una bsqueda que se
desarrolla primero en anchura.
Si h(x) no se sobrestima por h(x), se encuentra un
camino optimo pero se han buscado rutas alternativas
que han conllevado un sobre clculo desaprovechado.
En caso contrario si h(x) se sobrestima por h(x), no se
asegura que se avance por el camino de menor coste.
Si para todos los nodos n del grafo se verifica que g(n)
= 0 se trata de una bsqueda voraz. Figura 8: rea de bsqueda en rejilla. En verde, punto de
inicio. En rojo, punto final.

- 64 -
Comienza la bsqueda: b. En el caso del valor H este se puede estimar de
muchas maneras diferentes. En este caso
utilizaremos una aproximacin mediante la
1. Comenzamos por el nodo de inicio (verde), aadimos este a
distancia Manhattan, donde solo tendremos en
una lista abierta, la cual est formada por los nodos que
cuenta el nmero de cuadrados horizontales y
pueden formar parte del camino a seguir, pero que an
verticales (solo existe movimiento ortogonal) que
debemos comprobar.
debemos desplazarnos de manera directa
(ignorando y no teniendo en cuenta los obstculos
2. Revisamos todos los nodos alcanzables y colindantes al nodo
que pudieran existir en el recorrido) para llegar
de inicio, ignorando los cuadrados intransitables como puede
desde el nodo inicio al nodo de destino. Como
ser el muro. Los aadimos a la lista abierta, marcando en
observamos se trata de una aproximacin del
cada uno de ellos una referencia al nodo de inicio como su
recorrido a seguir, de ah que se trate de un valor
nodo padre. Bordeamos los nodos de la lista abierta en color
heurstico.
verde, y marcamos la referencia al nodo padre con una flecha
gris.

En la Figura [9] podemos observar los valores obtenidos, donde el

valor G est representado en la esquina inferior izquierda, H se
encuentra en la esquina inferior derecha, y el valor F de resultante
de la suma de G y H se encuentra en la esquina superior izquierda.
Tambin vemos que hemos elegido el nodo que colinda a la
derecha con el nodo inicio (marcado con el borde azul), ya que se
trata del nodo con menor valor de F, en este caso 40.

Figura 9: Nodo de inicio y sus nodos alcanzables.

3. Traspasamos el nodo inicio a la lista cerrada, ya que no es

necesario para nada de momento. El borde de su color en la Figura 9: Valores de las funciones.
imagen ser azul, debido a que se encuentra en la lista
cerrada.
5. Traspasamos el nodo seleccionado de la lista abierta a la
cerrada, ya que no vamos a operar ms con l, y cambiamos
4. Ahora deberemos seleccionar el nodo con el valor de F (F =
por ello el color de su borde de verde a azul.
G+H) ms bajo. Donde G es el valor de movimiento del
nodo inicio a otro nodo de la rejilla siguiendo el camino
6. Verificamos que los nodos contiguos que sean accesibles y
necesario, y siendo F el valor del movimiento estimado para
no se encuentren en la lista cerrada, y aadimos a la lista
ir desde ese nodo hasta el nodo final, donde este ltimo valor
abierta a aquellos que no pertenecen an a ella, marcando
no es ms que una hiptesis ya que no conocemos an la
como nodo padre al seleccionado anteriormente.
distancia exacta.

7. Comprobamos para los nodos contiguos que ya se

a. En este ejemplo al valor de G le daremos un valor
encontraban en la lista abierta, si su valor G es inferior al
de 10 a los movimientos ortogonales, y de 14 a los
nuevo valor de G que recalcularamos con el nodo
movimientos diagonales. Para el clculo del valor
actualmente seleccionado. Si el valor G del nuevo camino es
G del nodo, sumaremos al valor G de su padre el
menor, seleccionamos este nuevo nodo, y cambiamos el
valor del tipo de movimiento que realicemos.
padre de los nodos contiguos por este otro, recalculando de
estos nodos su nuevo valor de G y F.

- 65 -
 En nuestro caso como observamos, el valor obtenido de G 11. El camino buscado que une el nodo inicial con el final, es
para el nodo inferior derecho movindonos en diagonal aquel el cual apuntan las flechas partiendo desde el nodo
desde el nodo inicio tiene un valor de 14, frente al valor G final, recorrindolas hasta el nodo inicial. En la Figura [12],
observamos el camino obtenido para esta interaccin.
igual a 20 que tendra si el camino recorrido por dicho nodo,
proviniera del nodo superior, que previamente provena por
su izquierda del nodo inicial. Por ello seleccionamos este
nuevo nodo (marcndolo como azul), desechamos el anterior.
En el caso de existir un caso con dos posibilidades
seleccionamos aquella con valor F menor.

8. Marcamos y apuntamos el nuevo nodo seleccionado como

padre para los nodos contiguos. Comprobamos los nodos
contiguos y calculamos sus valores de G, H y F. Podemos
observar el proceso en la Figura [10].

Figura 12: Camino obtenido para llegar del nodo origen al

destino aplicando este algoritmo de bsqueda.

Aplicando este algoritmo para el caso del 15 Puzzle, nuestros

Figura 10: Marcamos y calculamos las funciones de las casillas
colindantes al nuevo nodo.
nodos sern las posibles combinaciones que conseguimos
desplazando las fichas a travs de la casilla vaca. A travs del
siguiente ejemplo explicaremos su funcionamiento.
Partimos del siguiente estado inicial, Figura [13]. Primero
comprobaremos el nmero de permutaciones, que en este caso es
par (4). A continuacin, creamos las dos listas o estructuras de
datos: Abierta y Cerrada. En la abierta, insertamos nuestro estado
inicial.

9. Comprobamos si el nodo situado a la izquierda del ahora

seleccionado tiene un coste G menor a travs del nodo actual,
frente a llegar desde el nodo inicial. Como no es as lo
desechamos.

10. Repetimos de manera recursiva este proceso, hasta que

finalmente aadimos el nodo destino a la lista abierta. Una
vez llegado a ese estado obtendremos algo similar a lo que
podemos apreciar en la Figura [11]. Figura 13: Estado Inicial de nuestro Puzzle.

Ahora tenemos que analizar los nodos alcanzables a nuestro nodo

origen, es decir, definimos los posibles movimientos que podemos
realizar. En este caso, slo tenemos dos posibilidades (Figura
[14])

Figura 14: Posibles movimientos.

Figura 11: Resultados tras aplicar el algoritmo.

- 66 -
Hay que calcular el valor de la funcin f(n). Dado que estamos
realizando un ejemplo sencillo y slo hacemos movimientos
ortogonales (horizontal o vertical), tomaremos como funcin g(n)
el nmero de movimientos realizados hasta llegar a ese estado. En
cuanto a la funcin heurstica h(n), utilizaremos la suma del
nmero de casillas que se encuentran en una posicin superior
con respecto a la casilla analizada, sin tener en cuenta la casilla
vaca. Para ello, la forma ms sencilla es colocar nuestro tablero
en forma de vector:
Estado inicialA: 1 2 3 4 5 6 7 8 9 10 12 15 13 14 11
Estado final: 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
gA(n)= 0 + 0 + 0 + 0 + 0 + 0 + 0 + 0 + 0 + 0 + 1 + 3 + 1+1= 6
Estado inicialB: 1 2 3 4 5 6 7 8 9 10 12 15 13 14 11
Estado final: 1 2 3 4 5 6 7 8 9 10 11 13 14 11 15
gB(n)= 0 + 0 + 0 + 0 + 0 + 0 + 0 + 0 + 0 + 0 + 0 + 1 + 1+1= 3
Por tanto, obtendremos los siguientes valores para la funcin f(n):
fA(n) = gA(n) + hA(n) = 1 + 6 = 7
fB(n) = gB(n) + hB(n) = 1 + 3 = 4
A continuacin pasamos nuestro estado origen a la lista Cerrada y
aadimos en la lista Abierta nuestros nuevos estados ordenados en
orden creciente de acuerdo al valor obtenido de la funcin. Figura [17]: rbol resultante.
Nuestro nodo origen ser ahora el estado de la figura [14]b. Ahora
slo obtendremos un nuevo estado: Figura [15]

4. ENFOQUE PSICOLGICO PARA EL

PLANTEAMIENTO DE ALGORITMOS

En las ltimas dcadas, debido al desarrollo tecnolgico, ha

Figura 15: Nuevo estado inicial. tenido una especial importancia el debate sobre si la mente
humana puede compararse con el ordenador. Para ello, se han
La funcin f(n) ser ahora 5, as que ser nuestro siguiente nodo
realizado estudios que abordaban la resolucin de problemas tanto
origen.
en humanos como en ordenadores. En Psicologa han destacado
Aplicando dos veces ms este algoritmo, llegamos a la solucin dos autores que han tratado este tema: Turing afirm que la mente
del puzzle en tan slo 4 movimientos. humana se puede comparar con el ordenador debido a que ambos
pueden razonar lgicamente, mientras que Searle se opuso a esta
afirmacin defendiendo que, si bien es cierto que ambos pueden
manejar smbolos, slo la mente humana es capaz de atribuir
significado a los smbolos que maneja, por ello, segn este autor
la mente no es un programa informtico. No obstante, para
resolver determinadas tareas no es necesaria la intervencin del
significado, por ejemplo, en la solucin de este puzle basta con
Figura [16]: ltimos estados iniciales.
manejar los smbolos adecuadamente.
Turing es considerado uno de los padres de la ciencia de la
Finalmente, en la Figura [17] se muestra el rbol resultante tras computacin ya que formaliz los conceptos de algoritmo y
aplicar el algoritmo: computacin mediante su famosa mquina de Turing. Adems, es
uno de los precursores de la Inteligencia Artificial ya que
consideraba que las mquinas podran llegar a pensar. Lo cual
enunci a travs de la prueba que lleva su nombre, en la que
pretenda comprobar de manera estndar si una mquina puede
apuntar a ser sensible o sintiente.
Con respecto a la anatoma cerebral, cabe destacar que el cerebro
se divide en dos hemisferios y para resolver este puzle se
requieren ambos. Por un lado, el hemisferio izquierdo se relaciona
con el razonamiento y la habilidad numrica, puesto que es
analtico, racional, secuencial, organizado, matemtico, simblico,
etc. Mientras que, por otro lado, el hemisferio derecho se
corresponde con la habilidad visoespacial. Las habilidades

- 67 -
mencionadas son necesarias para resolver el puzle y estos datos se abandona durante un tiempo en el que la mente de forma
pueden apoyar mediante tcnicas cerebrales como el EEG que inconsciente sigue pensando en el problema hasta dar con la
muestran las reas cerebrales que se activan ante esta tarea. solucin. Este fenmeno recibe el nombre de insight y es uno de
Adems, las alteraciones en determinadas zonas del cerebro los aspectos que diferencia a los seres humanos de los
suelen ir acompaadas de una dificultad a la hora de resolver este ordenadores. Sumado a ello, los seres humanos presentan otras
tipo de problemas. variables que influyen en la forma de resolver problemas, por
Esta especializacin cerebral se produce por la necesidad que ejemplo, la ansiedad, que facilita hasta cierto punto la resolucin
tiene el cerebro de ahorrar energa, lo que nos da una similitud de la tarea y, pasado ese punto, la dificulta. Por ello, la relacin
con la programacin que nos conlleva siempre a disear entre rendimiento y activacin se representa siguiendo la Ley de
programas especializados para hacer un uso eficiente de los Yerkes-Dodson:
recursos disponibles y/o limitados de la mquina para su
ejecucin.
En cuanto a la solucin de problemas, los seres humanos aplican
una serie de estrategias segn el tipo de problema. Para resolver
este puzle la estrategia ptima es la divisin del problema en
subproblemas o submetas. Esta estrategia se basa en la idea de
divide y vencers, por lo que se trata de reducir un problema
amplio en varios ms pequeos que acerquen a la persona a la
meta.
Para la Gestalt, la solucin de problemas es algo ms que aplicar
de forma mecnica la experiencia, es realizar una reestructuracin
perceptiva. Este enfoque diferencia entre pensamiento productivo
y reproductivo: el pensamiento productivo es la produccin de
una solucin nueva a partir de una organizacin creativa del
problema (se usa cuando se ha comprendido la estructura del
problema), por ello, para la Gestalt ste es el verdadero
pensamiento; por otro lado, el pensamiento reproductivo consiste
en aplicar en situaciones similares la misma solucin. Para la
Figura 18: Ley de Yerkes-Dodson.
resolucin del puzle se requiere el pensamiento productivo.
Por otro lado, segn Greeno, los problemas se pueden dividir en
tres clases principales: Problemas de deduccin de la estructura, Otro punto a destacar es el papel que tiene el aprendizaje en la
Problemas de organizacin y Problemas de transformacin. Este resolucin de este tipo de puzle. Por un lado, existen teoras sobre
puzle es un problema de transformacin, puesto que tiene todos la solucin de problemas basadas en habilidades generales, como
los elementos del estado inicial y, a medida que se va avanzando y la Gestalt y el Procesamiento de la Informacin, mientras que
se van aplicando operadores, se va transformando el problema otras teoras defienden que la solucin de problemas se basa en
hasta llegar a la meta. habilidades especficas, como la teora de Expertos y novatos.
Para el primer enfoque se puede aprender a resolver este tipo de
Sumado a ello, cabe mencionar los cuatro pasos necesarios para
problemas de forma que el aprendizaje afecte a las habilidades
resolver un problema propuestos por Polya (1945). En primer
generales. No obstante, segn el enfoque de Expertos y novatos el
lugar, es necesaria la comprensin del problema, esto supone no
aprendizaje solo se produce en una habilidad especfica, puesto
slo descodificar el lenguaje del enunciado, sino tambin adoptar
que, por ejemplo, aprender a resolver un puzle no mejora la
una actitud de solucin de la tarea e identificar el problema.
capacidad para resolver problemas de ndole social. La eficacia en
Algunos ejemplos de preguntas que se pueden proponer en esta
la solucin de un problema no depende de la disposicin de
fase son: cul es la meta?, cules son los datos?, qu
estrategias o habilidades generales y transferibles, vlidas para
condiciones? y es suficiente la informacin?. En segundo lugar
cualquier problema, sino de los conocimientos especficos, tiles
se elabora un plan. Las preguntas caractersticas de este paso son:
para solucionar ese problema. El rendimiento experto sera el
conozco algn problema relacionado con ste?, es necesario
modelo para la solucin eficiente de un problema. Hay dos tipos
dividir el problema? y es necesario resolver alguna parte antes
de expertos: los tcnicos y los estratgicos. Los tcnicos resuelven
que otra?. En tercer lugar, se ejecuta el plan, se comprueba cada
un problema de su dominio de forma automtica y rutinaria. Los
paso y se resuelve el problema. Algunas de las preguntas de esta
estratgicos resuelven un problema nuevo o poco familiar dentro
paso son: es necesario este paso?, es correcto?. Por ltimo, el
de su dominio sin contar con procedimientos automticos, por
cuarto paso contempla la visin retrospectiva o revisin de la
ello, requieren un control metacognitivo.
tarea, esto es, verificar el resultado y el razonamiento. Algunos
ejemplos de preguntas son: se puede obtener el mismo resultado Los expertos son mejores que los novatos resolviendo problemas
por algn otro mtodo?. Estos cuatro pasos son descriptivos y incluso cuando se enfrentan con problemas fuera de su rea de
normativos y, como puede observarse, mantienen relacin con el pericia porque manejan ms recursos cognitivos.
proceso que lleva a cabo un ordenador a la hora de resolver este
tipo de problemas.
- La eficacia en la solucin de problemas no se debe a
No obstante, en determinadas ocasiones la mente humana no diferencias en la capacidad cognitiva general, sino a las
sigue estos pasos ininterrumpidamente, sino que llega a un punto
diferencias en conocimientos especficos.
en el que la persona no se ve capaz de resolver el problema y lo

- 68 -
 - El conocimiento procedural: Por un lado, los expertos y
los novatos utilizan distintos heursticos en la solucin
de los mismos problemas. Adems, los expertos
controlan mejor la ejecucin del problema. Por ltimo,
los expertos utilizan un amplio nmero de algoritmos de
forma automtica y, adems los generalizan a diversos
problemas. Los expertos aplican tcnicas y no
estrategias (uso deliberado e intencional).
Sumado a ello, la teora de Expertos y novatos destaca el papel del
conocimiento previo, lo que nos lleva a una de las teoras ms
relevantes de la Psicologa de la Educacin: el Constructivismo.
Pese a que la idea de que una persona no es experta en todo sino
que slo en unos dominios, como propone la teora de Expertos y
novatos, es opuesta a la teora de Piaget, tambin es cierto que
ambas teoras recogen la importancia de la experiencia o
conocimiento previo debido a la influencia que tiene a la hora de
resolver un problema de este tipo. Por ejemplo, si una persona a
aplicado anteriormente una estrategia inadecuada para resolver el
puzle, en el futuro ser menos probable que vuelva a aplicar la
misma estrategia, por lo que dar antes con la estrategia ptima y
solucionar la tarea con mayor rapidez.
Por su parte, esta relacin entre la conducta y sus consecuencias
ya la propuso el Conductismo cuyo fundador fue Watson,
destacando el condicionamiento instrumental u operante
desarrollado por Skinner, cuya premisa principal es que aquella
conducta que vaya seguida de una consecuencia negativa (castigo)
tendr menor probabilidad de repetirse, mientras que la conducta
seguida de una consecuencia positiva (refuerzo) probablemente se
repita en un futuro.
- 69 -
Referencias
[1] Fifteen Puzzle
http://en.wikipedia.org/wiki/15-puzzle
[2] Slocum, J. Sonneveld D. 2006. The 15 Puzzle: How it drove
the World crazy. The Slocum puzzle Foundation.
[3] Juego del Puzzle
http://es.scribd.com/doc/41776980/Juego-Del-Puzzle-1
[4] Hayes, R. 2001. The Sam Loyds 15 Puzzle.
[5] Parberry, I. 1997. A Real-Time Algorithm for the (n2-1)-
Puzzle. University of North Texas. Department of Computer
Science.
[6] Bsqueda en rboles
http://es.scribd.com/doc/19950923/Busqueda-Heuristica
[7] Algoritmo A*
http://es.wikipedia.org/wiki/Algoritmo_de_b%C3%BAsqued
a_A*
[8] A* search algorithm
http://en.wikipedia.org/wiki/A*_search_algorithm
[9] Zorahn. 2010. Applying Search Algorithms to Turn-Based
Games. http://forum.codecall.net/blogs/zoranh/1323-
applying-search-algorithms-turn-based-games.html
[10] Carreteto, M. 2008. Psicologa del Pensamiento: Teora y
prcticas. Madrid: Alianza
[11] Carretero, M. 2009. Constructivismo y educacin. Buenos
Aires: Paids.
[12] Haines, D. E. 2003. Principios de Neurociencia. Madrid:
Elsevier.
[13] Hergenhahn, B. R. 2001. Introduccin a la Historia de la
Psicologa. Madrid Paraninfo.
[14] Alan Turing
http://es.wikipedia.org/wiki/Alan_Turing
[15] Weiten, W. 2004. Themes and Variations. Thomson-
Wadsworth
Desarrollo de un agente autnomo jugador de Super Mario
Adrin Amor Martn Cristina Garca Muoz
100072611 100072663
Ingeniera de Telecomunicacin Ingeniera de Telecomunicacin
Universidad Carlos III de Madrid Universidad Carlos III de Madrid

100072611@alumnos.uc3m.es 100072663@alumnos.uc3m.es

RESUMEN espectacular crecimiento es la capacidad de generar jugadores

En este documento se va a detallar cmo realizar un agente, automticos mejores que el propio humano, de manera que el
basado en rboles de decisin, que sea capaz de jugar de forma jugador se debe esforzar en superar a la mquina. Esto se
autnoma al juego Super Mario en el marco del concurso Mario convierte en un fenmeno social (se habla incluso de la llamada
AI 2011. generacin gamer) y provoca tambin un incremento en la
investigacin en inteligencia artificial, ya que muchos juegos
compiten en demostrar que su jugador no humano es mejor que
Descripcin de categoras y temas. cualquier otro (como puede observarse con la guerra anual entre
[Agente]: Un agente es un sistema informtico que demuestra juegos de ftbol). De esta manera, se producen cada vez jugadores
que percibe su entorno a travs de sensores y es capaz de actuar ms inteligentes, llegando a imponer niveles de dificultad que
sobre dicho entorno mediante efectores. slo son resolubles despus de mucha experiencia en el juego.
[Super Mario]: Videojuego de plataformas muy popular desde la De esta manera, se vio de manera casi inmediata que la fuerza
dcada de los 80, diseado por Shigeru Miyamoto. bruta para implementar un jugador automtico (es decir, explorar
todas las posibilidades hasta el final para ver si con cierto
Palabras clave. movimiento podemos llegar a la derrota o a la solucin) es,
Agente, rboles de decisin, inteligencia artificial, Super Mario. adems de poco eficiente, irrealizable en la prctica debido a la
limitacin de los sistemas de computacin del momento. Se
impone as investigar sobre tcnicas de bsqueda que permitan
1. INTRODUCCIN. resolver problemas, ya sean relacionados con derrotar a un
Una de las principales inquietudes del ser humano es conseguir jugador humano o llegar a la solucin de, por ejemplo, las torres
hacer entes que se muevan artificialmente, es decir, que simulen de Hanoi.
(e incluso mejoren) el comportamiento humano. As, a lo largo de
la Edad Media se desarrollaron autmatas como el hombre de Todas estas tcnicas para llegar a una solucin deben maximizar
palo de Juanelo Turriano, en Toledo, y artificios como El Turco, la eficiencia de clculo, para lo que las opciones que se deben
que era capaz de jugar al ajedrez de manera autnoma (aunque se evaluar deben ser las ms inteligentes posibles, e intentar llegar a
descubriera poco despus que era un engao). Con el auge de la la solucin ptima. De esta manera, una primera aproximacin
computacin se empieza a tener una capacidad de procesamiento son los rboles de decisin en los que se contemplan todas las
similar a la del ser humano, de manera que se desarrollan posibilidades de actuacin y se elige la ms ventajosa (ya sea con
programas que intentan simular un jugador automtico. La lnea una funcin de evaluacin o heurstica, es decir, basada en la
de investigacin que ms se desarroll en el siglo XX fue la de prctica); otra aproximacin son las redes neuronales, que
desarrollar un autmata capaz de vencer a un ser humano al construyen asociaciones entre las entradas del problema y las
ajedrez, de manera que se empiezan a disear estrategias en la salidas, de manera que buscan la solucin ms eficiente; y otra
dcada de los 50 por, entre otros, Shannon y Turing, y el aproximacin son mquinas de estados, que es otra manera de
refinamiento de estas estrategias consiguen que, en 1998, se hacer jugadores razonablemente inteligentes. Se evalan todas las
produzca la derrota del campen mundial del momento, Gary entradas en cada mquina y se llega a un estado de actuacin; el
Kasparov, a manos de una objetivo es llegar al estado final que es la solucin. A estos
mquina llamada Deep efectos se implementan los llamados autmatas de Moore y de
Blue. Mealy, que no contemplaremos en este trabajo por considerar que
un agente no puede ser perfectamente definido por estas mquinas
Debemos destacar tambin de estados.
el auge de la industria del
videojuego que, si bien Una vez que situados en el contexto histrico actual, y haber
nace con la creacin del planteado las opciones que tenemos a la hora de hacer un jugador
Pong (juego muy simple automtico, uno de los entretenimientos que sirve para ahondar en
entre dos personas), el concepto de inteligencia artificial es generar un agente, que sea
experimenta un gran capaz de hacer cosas que un ser humano, si no es experto,
normalmente no consigue. En esta lnea surge el concurso Mario
incremento desde la dcada AI Championship, o Mario AI Competition, consistente en
de los 80. Una de las Figura 1. Pong original.
proporcionar una interfaz fcil de usar para el usuario de
razones de este manera que ste se encargue, nicamente, de generar un agente

- 70 -
que se pase todas las pantallas posibles. Posteriormente o -90 para tuberas.
ahondaremos en las posibilidades que se nos dan a la hora de
elegir el nivel que queremos que juegue nuestro agente, pero la
libertad es casi infinita.
As, se convoca un concurso intentando escoger al agente que
demuestre un mejor comportamiento en la interfaz que se
proporciona al usuario. En este documento detallaremos cmo es
la interfaz y qu podemos utilizar para que nuestro jugador juegue
de manera autnoma de manera similar a como lo hara un
humano; las estrategias que podemos seguir a la hora de conseguir
el objetivo (que es que se pase la pantalla con la mayor Figura 5. Tubera.
puntuacin posible), evaluando su dificultad y la estrategia que Es importante saber que la interfaz nos da varias
seguiremos finalmente; y las reglas que hemos usado, finalmente, posibilidades de zoom, es decir, que podemos
para conseguir un agente lo ms complejo posible. especificar si queremos, por ejemplo, que se nos
informe de qu tipo de ladrillos tenemos, o simplemente
2. INTERFAZ CON EL ENTORNO. se nos diga que hay un ladrillo, o un obstculo. Esto es
Antes de nada, lo que tenemos que analizar es qu necesitamos til cuando se empieza a codificar un agente, pero si se
del escenario para que nuestro agente sobreviva. As, a primera quiere aadir un poco de complejidad es necesario usar
vista necesitamos: el zoom ms detallado que hay. Podemos ver un
esquema del comportamiento de la matriz en la figura 2.
Conocer cmo es el escenario, dnde estn las cadas
(que en el cdigo se llamarn gaps), dnde podemos
saltar, romper ladrillos, conseguir monedas, bonus
Todo esto se nos da en la matriz levelScene; es una
matriz de tipo byte que incluye todos los elementos
relativos al escenario, es decir, dnde est el suelo, los
ladrillos y que tiene como dimensiones [19x19], de
manera que Mario slo es capaz de ver 10 posiciones
delante suya (ya que Mario est en el centro de esta
matriz). Los valores relevantes que debemos tener en
cuenta en una primera aproximacin son: Figura 6. Matriz de observaciones (levelScene).
o 0 si no hay nada.
Conocer dnde estn los enemigos, y qu tipo de
o -60 para el suelo. Debemos destacar que este enemigos podemos tener, es decir, si podemos
valor no es constante desde que empieza el eliminarlos saltando sobre ellos o disparndoles, o no
suelo hasta el final, sino que tenemos un -60 les podemos eliminar. Esto se da mediante la matriz de
en la primera lnea de suelo y ms hacia abajo, byte enemies, que tiene la misma dimensin que
0. Esto es importante a la hora de detectar levelScene, es decir, [19x19]. As, los valores ms
gaps para nuestro cdigo. relevantes que tenemos son:
o 80 para un goomba. Se puede eliminar
saltando o disparando sobre l.

Figura 2. Casilla con suelo.

o -62 para suelo que se puede acceder saltando
desde abajo (es decir, el agente no se cae si
est encima pero puede sobrepasarlo
saltando).
o -20 para ladrillos que se pueden romper.

Figura 3. Ladrillo rompible.
o -22 para ladrillos que no se pueden romper
(cuadrados con interrogacin en los que se
consigue un bonus).
Figura 7. Goomba.
o 84 para una bala, que solo sale si tenemos los
caones activados. Se puede eliminar de la
misma manera que el goomba, saltando sobre
l o disparando.

Figura 4. Ladrillo irrompible.

Figura 8. Bala.

- 71 -
 o 81 y 82 para un koopa. Un koopa se puede
eliminar disparndole, y si se salta sobre l
dejar un caparazn sobre el que, si salta, se
desplazar a lo largo de la pantalla
destruyendo todo lo que encuentre en su
camino.
Figura 9. Koopa.
o 91 para las flores que saltan de las tuberas. Se
puede eliminar saltando por debajo de ellas o
disparando.
Figura 10. Flor.
De nuevo se puede hacer una distincin entre el zoom
que queremos, de manera que se distingue entre
enemigos que son destructibles saltando sobre ellos, o
aquellos que no se pueden destruir, como Spiky:
Figura 11. Spiky.
Debemos destacar, tambin, que la matriz enemies y
levelScene se pueden usar en la misma matriz, llamada
mergedObservation, que contiene los mismos valores
pero concatenando ambas matrices.
Posicin en la que se encuentra Mario. Sus coordenadas
dentro de la matriz levelScene y enemies se nos da con
marioCenter, array de dos posiciones en la que la
primera posicin corresponde a la coordenada Y de
Mario, y la segunda, a la coordenada X.
Posicin absoluta sobre el escenario total en la que se
encuentra Mario. Esto se da con marioFloatPos, array
de dos posiciones en la que, en una posicin se nos da
la coordenada X absoluta de Mario sobre el escenario
- 72 -
completo, y en la coordenada Y, la altura de Mario
sobre el fondo de la pantalla.
Posicin absoluta sobre el escenario en la que se
encuentran los enemigos. Esto se da con
enemiesFloatPos, que es un array en el que se da el
identificador del enemigo y su posicin segn las
caractersticas que hemos descrito anteriormente.
Una vez que conocemos todas las variables que podemos
usar para determinar el comportamiento de nuestro agente, lo
que debemos evaluar es qu debemos cambiar en el cdigo
para que haga lo que nosotros queremos. De esta manera, se
nos dan unos agentes ya hechos (pero casi sin inteligencia
asociada) y podemos observar que lo que debemos modificar
es el mtodo getAction(), que devuelve un array de boolean
cuyo significado es el comportamiento que va a hacer Mario
en cada momento, es decir, si va a ir a la izquierda, derecha,
correr y disparar (es la misma tecla), agacharse y saltar. Para
definir eso habr que poner a true las acciones que queremos
que haga en las posiciones correspondientes del array, y a
false las acciones que queremos que no haga. Con esto
podemos controlar el comportamiento de nuestro agente cada
vez que se llama a getAction(), que es en un intervalo de
tiempo lo suficientemente pequeo para ser capaz de pasarse
la pantalla.
As, una vez familiarizados con el entorno de trabajo, ya
conocemos todo lo que podemos usar para crear nuestro
agente, es decir, toda la informacin relevante que influir en
su comportamiento con el escenario y con los enemigos. A
continuacin, debemos determinar cul ser nuestra
estrategia de comportamiento para nuestro agente.
3. POSIBLES ESTRATEGIAS DE
COMPORTAMIENTO.
A continuacin vamos a detallar posibles estrategias de
comportamiento que fueron evaluadas para hacer nuestro agente,
y justificaremos, finalmente, la estrategia elegida.
3.1 Redes neuronales.
Una red neuronal es capaz de modelar la relacin existente entre
las entradas a la red y sus salidas. De esta manera, lo que tenemos
que escoger es qu queremos como entrada, y qu queremos como
salida, ya que la relacin entre ellos se encargar de definirlo el
modelo de red neuronal que utilicemos, como, por ejemplo, el
perceptrn. Un modelo general de red neuronal es el que se ve
aqu:
Figura 12. Modelo general de red neuronal.
Como entrada querramos saber, por ejemplo, si Mario puede
saltar, si Mario puede disparar, si Mario est en peligro de caer, o
si tiene un gap cercano, si Mario ve enemigos en fin, las
entradas deberamos definirlas con cuidado, mientras que las
salidas estn claras: sern las acciones que debe tomar Mario, es
decir, si salta, si se mueve a la izquierda, si se agacha, si se para
bsicamente, definir el array action que debemos devolver en el
mtodo getAction().
Este modelo no fue el que utilizamos porque lo vimos complejo
(debemos programar dos fases, la de entrenamiento para generar
el modelo, y la de juego en s, aunque aprendera con el tiempo) y
computacionalmente costoso al tratarse de una red neuronal. Por
ello, esta estrategia fue descartada.
3.2 Bsqueda A*
La siguiente solucin que nos planteamos seriamente fue hacer
una bsqueda heurstica, pues est claro que en nuestro problema,
que no es un problema cerrado, debemos tener en cuenta el factor
heurstico. As, podemos usar una funcin de evaluacin best-first
como la bsqueda A*. La bsqueda avariciosa (greedy search) la
descartamos por poder atascarse en bucles infinitos si las
estimaciones no son del todo correctas, as que nos decantamos
por la investigacin sobre A*.
Como ya hemos dicho, A* hace una bsqueda best-first que evita
expandir caminos que ya son muy costosos de por s, para no
desperdiciar recursos de computacin. En cada nodo tiene que
evaluar una cierta funcin f(n) que es:
f(n) = g(n) + h(n)
donde f(n) es el coste estimado total hasta la meta pasando por el
nodo n (que es el que estamos evaluando), g(n) el coste sufrido
hasta alcanzar el nodo n, y h(n) el coste estimado total hasta la
meta pasando por n.
A* es capaz de alcanzar la solucin ptima (el camino ms corto
hacia la meta) si conseguimos que la funcin heurstica no
sobreestime el coste real.
Una vez planteado el modelo que se debera usar, debemos
plantearnos las siguientes dudas:
Cul es la meta? Obviamente, no es la meta final, ya
que Mario no es capaz de acceder a ella desde el
principio, por lo que lo ms razonable es escoger el
punto de suelo que se encuentre ms a la derecha de
nuestra matriz levelScene, y evaluar el camino hacia all
tomando el camino ms corto posible.
Qu funcin heurstica debemos emplear? Aqu es
donde est la calidad del algoritmo A*; en realidad,
deberamos evaluar si hay un enemigo, si hay un gap
poniendo por delante de todo la supervivencia.
Pongamos un ejemplo: est claro que si avanzamos
hacia la derecha y hay un enemigo, no deberamos
avanzar y, en vez de eso, deberamos quedarnos parados
o saltar. De esta manera, al camino que sea avanzar le
ponemos un coste sensiblemente superior al de saltar o
- 73 -
quedarnos parados, descartando esa opcin, y
posteriormente decidiremos en qu direccin debemos
ir.
se es un simple ejemplo de funcin heurstica, sin
embargo, si lo pensamos un poco, la complejidad no
hace ms que incrementarse, ya que debemos tener en
cuenta el enemigo que tenemos delante: si salta, lo ms
conveniente es quedarse parado, o retroceder un poco y
saltar sobre l; si no salta, lo ms inteligente es saltar
para intentar eliminarlo; si somos capaces de disparar,
deberamos dispararle para destruirlo y adems de
todas las reglas que en una primera exploracin se nos
ocurren, debemos tener en cuenta el movimiento que
van a seguir nuestros enemigos, es decir, si van a saltar,
si van a moverse hacia nosotros, o hacia el otro lado, si
son ms rpidos o ms lentos; es decir, debemos
conocer el sentido de su marcha pues es intil saltar
sobre un goomba que no viene hacia nosotros, por
ejemplo. As, deberamos hacer un seguimiento de cada
enemigo para tener una funcin heurstica buena.
El algoritmo, por tanto, debera calcular el camino menos costoso,
para lo que cada casilla de la matriz mergedObservation (si
consideramos escenario y enemigos a la vez) es un nodo,
evaluando la funcin para cada casilla y considerando cul es el
camino que nos puede llevar hacia la meta. Para ello, necesitamos
una estimacin futura de lo que va a pasar hasta que lleguemos
hacia la meta para que la funcin heurstica est bien definida.
No vamos a hablar sobre temas de implementacin porque sta no
fue la solucin que escogimos, aunque fue la solucin ganadora
en el concurso de 2009. No fue escogida porque para que
funcionara adecuadamente debamos implementar un simulador
de cada elemento en pantalla, es decir, todos los enemigos, las
bolas de fuego que lanzamos para ser precisos y eso es algo
cuya complejidad excede el espritu de este trabajo; adems, la
implementacin de un algoritmo A* tampoco es trivial (debemos
evaluar la funcin en cada nodo) ni algortmica ni
computacionalmente. Por ello, la solucin que escogemos,
finalmente, es la de los rboles de decisin.
3.3 rboles de decisin.
En primer lugar, debemos referirnos a esta estrategia como un
punto medio entre hacer un algoritmo muy elaborado, como el
algoritmo A*, y hacer una estrategia completamente heurstica, es
decir, ir parcheando el agente para que se pase una sola
pantalla.
Un rbol de decisin constituye un mecanismo de aprendizaje
mediante induccin supervisada, como las redes neuronales
(aunque con menos complejidad a priori).
Figura 13. Modelo general de rbol de decisin.
De esta manera, buscamos encontrar las reglas que mejor modelan
la relacin entre las entradas, que en nuestro caso es el entorno
(tanto escenario como enemigos) y las salidas, que es el
comportamiento de Mario, es decir, si decidimos que salte, que
vaya a la izquierda, a la derecha...
As, la manera de trabajar ser ir aumentando la inteligencia del
agente en funcin de la dificultad de la pantalla, introduciendo
reglas y, por tanto, expandiendo el rbol que debemos evaluar.
Otra ventaja con la que contamos es que la implementacin no es
muy costosa computacionalmente, ya que bsicamente se trata de
evaluacin de condiciones if-else; adems, su implementacin es
sencilla algortmicamente, ya que al tratarse de este tipo de
condiciones, es fcilmente entendible.
El gran problema de usar estos tipos de algoritmos es que no son
tan generales como pueda ser el algoritmo A*, ya que se
programan en base a pantallas, es decir, de forma heurstica. De
esta manera, puede llegar a ocurrir que sea ptimo para una
pantalla pero que sea incapaz de pasarse otra pantalla
completamente distinta; por ello, nuestro objetivo a la hora de
implementar este rbol es la generalizacin, es decir, que no haya
sobreentrenamiento en nuestro modelo de aprendizaje. Esto lo
mostraremos con varias pantallas con escenarios muy diversos.
Una vez que hemos decidido usar esta estructura por su sencillez
y los resultados aceptables que se obtienen, debemos pensar en
ciertos aspectos:
Prioridades, es decir, qu entrada es ms importante
para garantizar la supervivencia del agente. Esto,
traducido a rboles de decisin, es qu condicin vamos
a evaluar primero, si la condicin de que haya un
enemigo delante o la condicin de que haya un gap por
el que nos podamos caer.
Acciones a tomar, esto es, que si vemos, por ejemplo,
un enemigo que no salte, nuestra decisin sea saltar
sobre l o esquivarlo. Para ello deberamos prever el
movimiento del enemigo, como ya discutimos en la
seccin 3.2; el problema es que este simulador fsico no
es fcil (se requieren muchas horas para calibrarlo) as
que estas reglas se determinarn de forma heurstica
para el caso en el que haya enemigos.
Objetivos, es decir, si preferimos, por ejemplo, caminar
por encima de una fila de ladrillos porque haya una fila
de monedas o por el suelo porque haya ms enemigos a
los que podemos matar, o simplemente garantizar
nuestra supervivencia que es a lo que este concurso se
limita.
Con todo esto en nuestra cabeza, pasamos sin ms dilacin a la
explicacin del cdigo realizado.
4. REGLAS DEL RBOL DE
DECISIN.
El cdigo desarrollado dota al agente de una serie de habilidades
para superar los obstculos que pueda encontrarse a lo largo de
distintas pantallas de nivel medio-alto. En este apartado
- 74 -
analizaremos en orden creciente de prioridad las herramientas con
las que cuenta Mario para salir airoso de las trampas que aparecen
en su camino.
La base de la que partimos permite al agente correr mientras
dispara bolas de fuego de manera intermitente. Los mtodos a
continuacin descritos modifican los valores base de manera
apropiada para hacer que el agente se adapte a las situaciones
detectadas.
Para obtener el mximo rendimiento de este planteamiento se
hace necesario un estudio previo de los peligros que van a acechar
al jugador automtico a lo largo de los recorridos que atraviesa.
Una vez estudiados se puede establecer un orden de actuacin
para dar ms prioridad a la resolucin de los problemas ms
graves. La mejor manera de identificar de forma real el mayor
nmero de situaciones posibles es jugar manualmente
experimentando los problemas y viendo cmo pueden solventarse.
Fruto de este estudio previo del entorno pudimos descubrir que
las fuentes de fallo ms habituales sin tener en cuenta las criaturas
que puedan aparecer son:
Hoyos: en principio bastara con saltar al detectar una
aproximacin a uno de ellos, sin embargo pudimos
comprobar que en ocasiones es necesario ajustar el
impulso ya que la superficie disponible para aterrizar el
salto no es infinita.
Combinaciones de obstculos y escalones con hoyos:
los hoyos presentan una dificultad mayor si van detrs
de un escaln de bajada, ya que por el impulso de
avanzar ya caes al vaco. Adems si el hoyo est detrs
de un obstculo corremos el peligro de saltar ms de la
cuenta y precipitarnos por el gap.
Bloqueo entre ladrillos: cuando hay ladrillos en
ocasiones el espacio que hay entre ellos y el suelo no
permite avanzar por lo que el agente se queda atascado
como si se tratase de un callejn. En particular ocurre
cuando los ladrillos no pueden romperse. En la figura
vemos que el hueco que queda es de una unidad y al ser
el agente grande no entra, por lo que tiene que dar la
vuelta y saltar por encima.
Figura 14. Bloqueo.
Bloqueo con caones: la situacin de los caones
cuando tambin hay ladrillos impide el paso y el salto
del agente de la misma manera.
Obstculo final demasiado alto: el final del escenario
por defecto presenta una colina alta que obliga al agente
a subir ayudndose de otras colinas intermedias.
Escaleras: las escaleras presentan un problema ya que
suelen tener un hoyo detrs y deben estar muy ajustadas
 para no sobrepasarlas como tambin apuntbamos con
los obstculos anteriormente.
Figura 15. Escaleras con gap.
Considerando todos estos retos sumados a la posibilidad de
aparicin de criaturas y balas, se establece un mtodo por
solucin requerida.
Las reglas que se encuentran implementas en nuestro agente son,
por prioridad:
Evitar flor de las tuberas: esta amenaza se resuelve de
forma pasiva, parndose hasta que la planta est
escondida. En este caso detecto las flores con una
antelacin de tres cuadros para tener un margen de
frenada ya que no es posible pararse en seco.
Evitar enemigo saltando
Bloqueo: como respuesta al peligro de quedar atascado
manifestado anteriormente, ya sea por la existencia de
ladrillos o por la colocacin de un can, se implementa
este mtodo. En cada consulta del mtodo getAction()
se intenta detectar si nos encontramos en situacin de
bloqueo. Detectamos bloqueo cuando tenemos un
objeto sobre nosotros que nos impide saltar y adems el
hueco que hay por delante es nulo o insuficiente. Si
descubrimos que estamos en ese punto nos servimos de
unos contadores para dar varios pasos en sentido
contrario, volver a girar y saltar sobre el objeto que nos
impeda el salto.
Enemigo no saltarn, destructible saltando sobre l: si el
enemigo no salta, y lo detectamos justo delante (o una
casilla ms adelante) de Mario, saltamos para intentar
eliminarlo.
Parar salto: es un mtodo crucial ya que nos permite
hacer un ajuste menos fino de la potencia de los saltos.
Cuando el agente est en pleno salto se hace un barrido
por el suelo y si se detecta que el hueco se termina en
los dos prximos cuadros, el salto se frena y con la
inercia que lleva es suficiente para caer sobre la
superficie detectada. Esto soluciona los problemas que
aparecan cuando haba que aterrizar sobre una
superficie pequea.
Frenar: este es otro de los mtodos que ms a menudo
salvan a nuestro agente. Cuando tenemos un escaln de
bajada seguido de un hoyo no basta con pararse ya que
como no se consigue frenar en seco la inercia que llevas
slo de avanzar hace que te precipites. Cuando se juega
manualmente este problema se resuelve anticipndose a
- 75 -
la situacin lo que nos da tiempo para conseguir frenar
y caer de manera casi vertical. Sin embargo para el
jugador automtico decidimos detectar la situacin con
un par de casillas de antelacin y ajustar la cantidad de
frenada en funcin de la altura que tenga el escaln. De
esta forma cambiamos de direccin durante un nmero
de intervalos proporcional a la cantidad de frenada
calculada y con ello conseguimos que caiga en tierra
firme.
Figura 16. Escaln con gap.
Gap: el mtodo que detecta los hoyos y asigna una
intensidad de salto que es por defecto la mxima ya que
contamos con el mtodo de parar salto para ajustar
mejor la potencia del salto.
Obstculo delante: contamos con dos mtodos que
detectan que hay obstculos delante y uno adicional que
identifica el tipo de obstculo de manera que si es uno
con un hoyo detrs, la intensidad que se le pone al salto
es la mnima para que lo supere sin pasarse.
Gap salvable: para que el agente recorriese las pantallas
de forma ms fluida introdujimos este mtodo que
detecta cuando podemos saltar para acortar el camino
aunque no haya un hoyo entre medias del origen y el
destino del salto. De forma emprica establecimos unos
lmites de lo que Mario es capaz de saltar y con ello
cada vez que detecta que saltando puede llegar
acortando el recorrido. Viene bien cuando hay tuberas
ya que en muchas ocasiones estn emparejadas y acorta
bastante.
Subir ladrillo: este mtodo detecta cuando hay ladrillos
por delante a una altura a la que pueda llegar con un
salto el agente de forma que ste se mueva por las zonas
ms altas para coger monedas, evitar criaturas y posibles
bloqueos por debajo de las filas de ladrillos.
Bala: si detectamos una bala encima de Mario, o encima
y a la derecha de Mario, esperamos a que pase antes de
proseguir nuestro camino.
Colina alta final: en esta competicin de Mario se ha
habilitado la opcin de que el final sea en alto, es decir,
sobre una colina muy alta que no es alcanzable saltando
con Mario, sino que tiene que volver atrs y saltar desde
ms arriba. Estamos hablando, por ejemplo, de esta
situacin:

Figura 17. Colina alta final.
En ese caso lo que hacemos es volver atrs hasta que
encontramos una estructura de ese tipo y llegamos a una
altura suficiente desde la que podamos saltar y alcanzar
la meta.
5. RESULTADOS OBTENIDOS.
Como ya explicamos en la introduccin, la posibilidad de
personalizacin del nivel al que juega Mario es muy grande.
Listaremos aqu algunas de las que hemos usado para mostrar el
comportamiento de nuestro agente:
-le: define los enemigos que queremos que aparezcan en
la pantalla. Al contrario de lo que pone en la pgina
oficial, [1], ya no se hace una mscara a nivel de bit
sino que requiere un String. De esta manera, si ponemos
le g, los nicos enemigos que aparecern sern
goombas. Debemos destacar que esta opcin est
definida de forma distina a la que viene en la pgina
oficial del campeonato, que propone hacer mscaras de
bits cuando aqu funcionan Strings concatenados. De
esta manera las opciones que tenemos aqu (y son
importantes a la hora de caracterizar si Mario reconoce
bien a cada enemigo) son:
g: para los goombas.
gw: para los goombas voladores.
rk: para los koopa rojos.
gk: para los koopa verdes.
s: para spiky.
De igual manera que se hace para los goombas, si se le
aade una w al final de cada cadena, se convierten en
voladores.
De esta manera, si tenemos por ejemplo grkwgk en la
pantalla lo que tendremos es enemigos que son,
nicamente, goombas, koopas rojos voladores y
koopas voladores. Parece trivial insistir en esto, pero
no est bien documentado (hay que mirar el cdigo
que da la competicin) y puede ahorrar ms de un
quebradero de cabeza.
-lg [on/off]: define si se quiere que haya gaps en
nuestro nivel o no, es decir, si Mario puede morir por
caer en un hoyo que no haya contemplado.
- 76 -
-ltb [on/off]: define si queremos que haya tuberas en
nuestro nivel (tuberas en las que pueden salir flores
como las que se detallaron en el apartado 2).
-lc [on/off]: con esto podemos hacer que en la pantalla
haya caones (de los que salen balas) o no.
-ld <nmero>: define la dificultad del nivel.
-lt <nmero>: define el tipo de escenario en el que
queremos jugar: si es el estndar, en el castillo no
tiene mucha ms repercusin en el nivel salvo el fondo
de escenario.
-ll <longitud>: con esto puedes especificar la longitud
deseada del nivel.
-ls <valor>: define la semilla del nivel. El nivel se
genera aleatoriamente, pero los nmeros aleatorios
dependen de una semilla; pues bien, con esto podemos
cambiar la semilla generando tantos niveles distintos
(con dificultad similar) como queramos.
Con la adecuada manipulacin de esas opciones, observamos que
nuestro agente es lo suficientemente inteligente para superar:
El escenario por defecto.
El escenario por defecto, con nivel de dificultad 2, slo
goombas, con una semilla de 256 y una longitud de 200.
El escenario por defecto, con nivel de dificultad 3, slo
goombas, con una semilla de 985, con caones y con
una longitud de 150.
El escenario por defecto, sin enemigos salvo flores y
balas, dificultad 4, con caones y tuberas.
El escenario por defecto, con goombas voladores y no
voladores, semilla de 3 y longitud de escenario de 150.
El escenario por defecto con koopas verdes y rojos,
semilla de 1780, nivel de dificultad de 1 y longitud de
escenario 250.
El escenario por defecto, con koopas verdes y rojos,
semilla de 2, nivel de dificultad 4 y longitud de
escenario de 145.
No hemos probado muchos escenarios ms por falta de tiempo,
aunque creemos que con el tiempo invertido los resultados de
nuestro agente son razonablemente buenos y generales, puesto
que sobrevive de manera admirable a ciertas pantallas que un
humano no se pasara fcilmente, como hemos podido comprobar.
De esta manera, el techo de nuestro agente est en un nivel de
dificultad 4 tanto con enemigos (con koopas, aunque es lo mismo
con goombas y con una combinacin de los dos) como sin ellos.
6. REFERENCIAS.
[1] Pgina oficial de Mario AI Championship 2011:
http://www.marioai.com/.
[2] Historia del Pong: http://es.wikipedia.org/wiki/Pong.
[3] Historia sobre Inteligencia Artificial:
http://es.wikipedia.org/wiki/Inteligencia_artificial.
[4] Historia sobre jugadores automticos de ajedrez:
http://es.wikipedia.org/wiki/Ajedrez_por_computadora.
[5] Reflexiones sobre la generacin gamer:
http://www.cookingideas.es/como-motivar-a-la-generacion-
 gamer-cambiando-las-notas-de-clase-por-puntos-de-
experiencia-20110111.html
[6] Apuntes de la asignatura Inteligencia en Redes de
Comunicaciones, 5 IT.
[7] Informacin sobre el algoritmo A*:
http://en.wikipedia.org/wiki/A*_search_algorithm.
[8] Resumen de la primera competicin de Mario AI:
http://en.wikipedia.org/wiki/A*_search_algorithm.
[9] Agente basado en algoritmo A* (ganador de Mario AI 2009):
http://www.youtube.com/watch?v=DlkMs4ZHHr8.

- 77 -
 IMPLEMENTACIN DE UN AGENTE PARA UN JUGADOR
DE MARIO A.I.
Alejandro Prez Cruz
Ingeniera de Telecomunicacin
Universidad Carlos III de Madrid
NIA: 100072647
100072647@alumnos.uc3m.es
RESUMEN
En este documento presentamos una posible implementacin de
un agente que pueda jugar al juego SuperMario Bross. con una
cierta inteligencia autnoma.
Categoras y descriptores de temas.
[Inteligencia Artificial]: Agente reactivo que permite interactuar
con el medio y realizar acciones para superar los distintos niveles
del juego SuperMario Bros.
Trminos generales
Algoritmos de bsqueda, lenguaje de programacin Java, diseo e
implementacin de un agente.
Palabras Clave
Bsqueda, inteligencia artificial, agentes.
1. INTRODUCCIN
A lo largo del siguiente documento expondremos las diferentes
estrategias de bsqueda existentes y las posibles
implementaciones que se deben tener en cuenta para desarrollar
un agente que permita jugar de manera autnoma y con cierta
inteligencia al SuperMario, consiguiendo superar el mayor
nmero de niveles posibles y con la mayor puntuacin posible.
Adems se explicar la solucin llevada a cabo y nuestra
implementacin del agente en Java para lograr un resultado
satisfactorio en la competicin para nuestro jugador. Se presentar
pues el algoritmo utilizado (rboles de decisin) y el entorno en el
que se desarrolla nuestra aplicacin.
- 78 -
David de la Horra Iglesias
Ingeniera de Telecomunicacin
Universidad Carlos III de Madrid
NIA: 100066695
100066695@alumnos.uc3m.es
2. ESTRATEGIAS DE BSQUEDA
Los algoritmos de bsqueda tratan de encontrar, en general, la
solucin ms apropiada al problema en cuestin. Para ello se parte
de un estado inicial y se trata de alcanzar un estado final deseado
(meta, objetivo) por medio del uso de rboles de decisin en los
cuales se van expandiendo nodos y desechando caminos de
bsqueda segn se avanza en el rbol.
Para ello existen diferentes estrategias de bsqueda que definen el
orden para la expansin de nodos y que deben ser evaluadas
segn:
Completitud de la solucin: hay que evaluar si la
solucin se encuentra siempre que esta exista.
Complejidad temporal: en este caso, lo que se debe
evaluar es el nmero de nodos que han sido generados.
Complejidad espacial: hay que evaluar adems el
nmero de nodos que como mximo se han guardado en
memoria.
Optimalidad de la solucin: hay que evaluar si se
encuentra la solucin con menor coste.
Para evaluar cada estrategia se utilizan unos parmetros, que son:
1) Factor de ramificacin (b).
2) Profundidad de la solucin (d).
3) Mxima profundidad (m).
Una vez tenemos toda la informacin necesaria para evaluar
nuestra solucin, trataremos de implementar aquella estrategia que
se adece ms al fin que persigamos y que sea posible con los
recursos de tiempo y memoria de los que se dispone.
En nuestro caso se dispone de informacin del dominio por medio
de una matriz de 19x19 que nos proporciona informacin de la
escena en la que se encuentra nuestro Mario y en la que dicho
Mario se encuentra centrado en la posicin (9,9) en todo
momento.
As pues, debido a que tenemos informacin del dominio puede
ser lgico utilizar algn tipo de estrategia heurstica que ayude a
encontrar la solucin a nuestro problema, es decir, en nuestro caso
a permitir avanzar a nuestro jugador a lo largo de un nivel sin que
sufra dao alguno.
3. ALGORITMOS 3.3 Algoritmo de pathfinding A*

3.1 rboles de decisin
Es la estrategia que hemos seguido para desarrollar nuestro
agente. Consiste en un modelo de prediccin usado en el mbito
de la inteligencia artificial. Permiten construir un diagrama de
decisiones y/o de prediccin basados en reglas que sirven para
representar una serie de condiciones que ocurren de forma
sucesiva.
Un rbol tiene una serie de entradas, las cuales pueden ser un
objeto o una situacin descrita a partir de un conjunto de atributos.
Como resultado del procesamiento de las entradas y a travs de la
estructura del rbol, basada en ciertas reglas, se consigue alcanzar
las hojas del rbol en el que se encuentran las decisiones a tomar
en funcin de las entradas que se tenan.
Presentamos este algoritmo porque tambin se recomienda desde
la competicin de MarioAI ya que ha dado buenos frutos a
anteriores participantes que lo desarrollaron.
Este algoritmo se clasifica dentro de los algoritmos de bsqueda
en grafos. Adems, se demuestra que la bsqueda realizada por
medio de este algoritmo alcanza la solucin ptima (el camino de
menor coste entre un nodo origen y uno objetivo) siempre que se
utilice un heurstico admisible, es decir, que no sobreestime el
coste real.
Este algoritmo utiliza una funcin de evaluacin que tiene en
cuenta tanto el coste real del recorrido como el valor heurstico de
los nodos. La funcin es la siguiente:
( ) = ( ) + ( )

As pues, lo importante en este tipo de algoritmos es definir bien Donde:

las reglas de modo que se adapten correctamente a la situacin g(n): coste sufrido hasta alcanzar n (nodo actual).
que se plantea para que la solucin que se alcanza sea la ms
apropiada dada la situacin y el conocimiento del entorno que se h(n): coste estimado desde n hasta la meta.
tiene. f(n): coste estimado total hasta la meta pasando por n.
Dicho algoritmo mantiene dos estructuras de datos auxiliares:
3.2 Algoritmos genticos nodos abiertos (implementados como una cola con prioridad
ordenada por el valor f(n) de cada nodo) y los nodos cerrados
donde se guarda la informacin de los nodos que ya han sido
Este tipo de algoritmos se desarrolla en mltiples mbitos de la visitados.
inteligencia artificial y era uno de los que se nos propona
desarrollar desde la pgina web de la competicin de Mario AI y
por eso aparece en esta memoria.
Un algoritmo gentico es una tcnica de bsqueda basada en la
teora de la evolucin de Darwin, que ha cobrado tremenda
popularidad en los ltimos aos.
Esta tcnica se basa en los mecanismo de seleccin que utiliza la
naturaleza, de acuerdo a los cuales, los individuos ms aptos de
una poblacin son los que sobreviven al adaptarse ms fcilmente
a los cambios que se producen en su entorno.
As pues, los algoritmos genticos son mtodos adaptativos que
pueden usarse para resolver problemas de bsqueda y
optimizacin y que estn basados en el proceso gentico de los En cada paso, se expande el nodo que est primero en abiertos, y
organismos vivos. en caso de que no sea un nodo objetivo, calcula el f(n) de todos
sus hijos, los inserta en abiertos, y pasa el nodo evaluado a
Durante la fase reproductiva se seleccionan los individuos de la cerrados.
poblacin para cruzarse y producir descendientes que constituirn,
una vez mutados, la siguiente generacin de individuos. La As pues, este algoritmo es una combinacin entre bsquedas de
seleccin de padres se efecta al azar usando un procedimiento tipo en anchura con bsquedas en profundidad.
que favorezca a los individuos mejor adaptados, ya que a cada
individuo se le asigna una probabilidad de ser seleccionado que es
proporcional a su funcin de adaptacin. De este modo, los
individuos bien adaptados se escogern probablemente varias
veces por generacin, mientras que los pobremente adaptados no
se escogern ms que de vez en cuando.
Por lo tanto, un algoritmo gentico es un mtodo de bsqueda
dirigida basada en probabilidad. Bajo una condicin muy dbil
(que el algoritmo guarde siempre al mejor elemento de la
poblacin sin hacerle ningn cambio) se puede demostrar que el
algoritmo converge en probabilidad al ptimo. Es decir, al
aumentar el nmero de iteraciones, la probabilidad de tener el
ptimo en la poblacin tiende a uno.

- 79 -
4. AGENTES
Una vez hemos comentado un poco las diferentes estrategias de
bsqueda para ayudarnos a solucionar nuestro problema, vamos a
comentar un poco la teora que hay por debajo del agente que
debemos desarrollar.
4.1 Definicin y principios bsicos
Delegacin: capacidad para realizar tareas delegadas por
el usuario u otros agentes.
Movilidad: capacidad de suspender la ejecucin a mitad
de una tarea y reanudarla en otro nodo.
Personalidad: capacidad para tener un estado mental que
incluya creencias, deseos, intenciones, motivaciones...
que determinen su comportamiento.

Un agente es una entidad capaz de percibir su entorno, procesar Continuidad temporal: se considera un agente como un
tales percepciones y responder o actuar en su entorno de manera proceso sin fin, ejecutndose continuamente y
racional, es decir, de manera correcta y tendiendo a maximizar un desarrollando su funcin.
resultado esperado basndose en la evidencia proporcionada por
sus sensores y en el conocimiento del que disponga.
Veracidad: asuncin de que un agente no comunica
As pues, un agente es autnomo en tanto en cuanto sus acciones
informacin falsa a propsito.
y elecciones dependen ms de su propia experiencia que del
conocimiento introducido sobre el entorno por el programador.
Benevolencia: asuncin de que un agente est dispuesto
Segn Michael Wooldridge un agente inteligente es el que es
a ayudar a otros agentes si esto no entra en conflicto con
capaz de actuar con autonoma de forma flexible, destacando la
reactividad, la proactividad y la habilidad social sobre otras sus propios objetivos.
propiedades.
En general, los agentes poseen las siguientes propiedades: Adems, presentamos las arquitecturas generales de los agentes:

Autonoma: es la independencia del usuario. El agente

debe ser capaz de tomar decisiones por su cuenta.

Reactividad: el agente debe observar e interactuar con el

entorno.

Proactividad: debe haber una intencin de cumplir con

los objetivos fijados mediante planificacin y
razonamiento prctico.

Persistencia: es la capacidad para mantener un estado

(estado mental) que no se modifica caprichosamente.

Razonamiento: el agente debe ser capaz de interpretar la

informacin del entorno, realizar inferencias y tomar las
decisiones oportunas.
En nuestro caso, implementamos un agente reactivo debido a su
Aprendizaje: es la capacidad para cambiar su simplicidad bsicamente.
conocimiento a partir de la experiencia.
Adems, cabe decir que la conducta de una agente rara vez es la
Planificacin: se define como la capacidad de construir ptima. Esto es debido a que calcular el ptimo de un criterio de
planes propios para lograr objetivos a partir de las tareas un modo suficientemente bueno para ser considerado razonable es
que se sabe realizar o podemos pedir a otros. muy difcil cuando en el problema planteado concurren mltiples
restricciones.
Comunicacin: es la capacidad para entenderse con
otros agentes en un lenguaje expresivo con actos
comunicativos.

Cooperacin: es la capacidad para solicitar o dar

servicios a otros agentes y trabajar en cooperacin para
conseguir un objetivo comn.

- 80 -
4.2 Familias de agentes
Por ltimo, en este apartado ms terico sobre agentes
describiremos algunas familias:
Agentes colaborativos: son aquellos que principalmente
cooperan con otros agentes.
Agentes personales: actan par un usuario o un grupo de
usuarios compartiendo tareas, datos, etc.
Agentes de informacin: investigan y analizan la
informacin en la red y permiten fusionar la
informacin de mltiples fuentes.
Agentes mviles: son aquellos que se desplazan para
ejecutarse. Suelen ser agentes de informacin.
4.3 Estados de Mario
Aunque en nuestra implementacin no tenemos en
cuenta el estado en el que se encuentra Mario,
consideramos cultura del juego el que el lector sepa los
diferentes estados en los que se puede encontrar Mario y
las caractersticas de las que puede disponer.
4.4 Estados de movimientos
Mario Fuego: Este es el mejor estado en el que puede
encontrarse Mario, en el podr efectuar todos los
movimientos posible incluyendo correr y echar fuego.
Si Mario es herido por alguna de las criaturas pasar al
estado Sper Mario tras parpadear un tiempo en la
pantalla. Este es por defecto el estado en el que empieza
la partida.
Sper Mario: Mario llega a este estado tras comer una
seta desde Mario o ser herido desde Mario Fuego, podr
realizar todos los movimientos excepto correr y echar
fuego.
- 81 -
Mario Pequeo: Este estado es el ms pequeo de todos
en tamao, y esto repercute en que tenga que saltar ms
que Sper Mario o Mario Fuego para superar el mismo
obstculo, adems de no disponer del botn correr y
echar fuego.
Mario podr estar en diversos estados a lo largo de la partida,
estos son vitales para posteriormente poder establecer las
reglas de decisin.
Estos estados vienen ya codificados en el paquete que nos
descargamos de [8]
Estos estados son:
Andando: Este movimiento se produce cuando se pulsan
cualquiera de las teclas de direccin izquierda (KEY_
LEFT) o derecha (KEY_RIGTH). Esta accin es
independiente del estado de Mario y tambin podemos
pasar a cualquier otra accin.
Corriendo: Mario avanza a una velocidad superior a la
normal, esto solo se puede conseguir si se encuentra en
los estados Mario Fuego o Sper Mario.
Para poder llegar a este estado es necesario mantener
pulsadas las teclas de direccin ya sea izquierda o
derecha y la de correr (KEY_SPEED).
Saltando: Esta accin se puede realizar en cualquier
estado de Mario, pero debido al tamao reducido de
Mario pequeo como es obvio necesitara saltar ms para
poder sobrepasar el mismo obstculo.
Este movimiento contempla desde que presionamos la
tecla de salto hasta que llegamos al punto ms alto, el
nivel del salto depende de cunto tiempo est pulsada la
tecla de salto (hasta alcanzar un mximo).
 Es importante tener en cuenta que para poder iniciar un
salto no puede estar pulsada con anterioridad la tecla de
salto, en ese caso no saltar.
Cayendo: Despus de haber efectuado un salto, la
gravedad nos hace caer, en este momento no podremos
impulsarnos ms e iremos hacia el suelo.
Esta accin es independiente del estado en que se
encuentre Mario y no requiere pulsar ninguna tecla. Eso
si podremos mantener una de las teclas de direccin
pulsadas para controlar la cada.
Agachado: Este movimiento har que Mario reduzca su
tamao lo cual puede ser til para esquivar una bala por
ejemplo. Mario pequeo no se podr agachar. Para
alcanzar este estado se debe pulsar la tecla de direccin
que apunta hacia abajo (KEY_DOWN).
Cuando nos encontremos en este estado no se podr
saltar.
Disparando: Este movimiento solo se podr hacer
cuando se encuentre en el estado Mario Fuego. Para
realizarlo habr que hacer una pulsacin de la tecla de
correr (KEY_SPEED).
Herido: Este estado se alcanzar tras colisionar con
algn enemigo, acto seguido dispondr de un tiempo de
aproximadamente medio segundo de inmunidad y luego
cambiara de estado.
Si el estado inicial era Mario Fire pasar a Supe Mario,
si por el contrario Mario se encontraba en el estado de
Supe Mario iremos a Mario Pequeo y por ltimo si
estbamos en Mario Pequeo moriremos y se acabar la
partida.
4.5 Movimientos de nuestro agente
Nuestro agente como ya mencionamos en el apartado de
algoritmos ser reactivo y se basara en distintas reglas de ms o
menos prioridad para decidir qu accin deber realizar.
Para ilustrar grficamente los movimientos hemos construido un
rbol para que se pueda ver el nivel de decisin el primer estado
que es Final especial es el estado que tiene ms prioridad y el
estado Avanzar es el que tiene menos prioridad.
INICIO:
Saltar
Final
especial
Esquivar
flor
Esquivar
bala
tubera/ca
Saltar
escalera
Evitar
hoyos
Saltar pared
n
En nuestra implementacin distinguimos ente:
Avanzar: Esta accin consiste en correr hacia la
derecha, dicha accin tiene una prioridad muy baja, ya
que como es lgico ser interrumpida cuando encuentre
un enemigo o tenga que saltar.
Esta es la accin bsica de nuestro Agente.
Saltar paredes: Como su propio nombre indica esta
accin se aplicara cuando Mario encuentre un obstculo
en su campo de visin. Las reglas que aplicamos para
este mtodo son muy amplias debido a que deber
distinguir entre una amplia gama de superficies y
tambin dependiendo de la superficie elegir la mas
optima Hemos incorporado un contador de saltos cuyo
objetivo es que cuando la tecla salto este mucho tiempo
pulsada pero siga teniendo que saltar suelta la tecla (se
ponga a KEY_JUMP=false en el cdigo). Esto es muy
necesario debido a que Mario no puede saltar si ya esta
presionada la tecla de salto y si esto ocurriera antes de
que Mario pudiera saltar, si por ejemplo esta en el aire,
esto producira que nuestro agente se quedase
bloqueado.
Saltar escaleras: Este movimiento es uno de los ms
complicados debido a la complejidad que supone saltar
de un escaln en un escaln. Primero deber detectar la
escalera, lo cual lo hacemos cuando se la encuentra o
cae de un salto en un escaln. A continuacin saltar de
uno peldao si ese es el ltimo escaln, es decir, si
despus ya solo tiene vacio saltara al otro lado, en caso
contrario deber saltar al siguiente escaln. Esto lo
realizar todas las veces que sea necesario.
Saltar enemigo: Para esta accin hemos puesto reglas
genricas aplicables a todos los enemigos, ya que
despus de analizar el cdigo que nos proporcionan
hemos visto que la mayora tienen un valor mayor o
igual a 80. Estas reglas son del estilo: saltar cuando
detecte un enemigo delante suya, saltar cuando detecte
un enemigo cayendo hacia l, etc. Para hacer bien este
movimiento deberemos tener en cuenta muchas
variantes ya que los enemigos pueden perseguir a
Mario, caer del cielo, o incluso caer a sus pies.
Agacharse: Esto es un caso especial de esquivar un
enemigo y lo hacemos cuando un misil va hacia Mario,
en este caso se agacha hasta que pase. Para ello
mantenemos pulsada la tecla con direccin hacia abajo
(KEY_DOWN=true) e ir comprobando si en la
posicin de encima de su cabeza no tiene nada, slo
entonces podr levantarse.
Retroceder: Si hay enemigos en una posicin en la cual
no va a poder esquivarlos saltando, retrocedemos. Esto
se antoja de vital importancia en niveles muy altos
Avanzar donde pueden aparecer 10 enemigos de golpe, esto har
que retrocedamos y podamos analizar mejor la situacin
ya que si hubiramos seguido avanzando podramos
haber sido heridos al no poder tener en cuenta todos a la
vez.
- 82 -
 Andar sobre tubo: Cuando estamos sobre un tubo no Algunos de los ms usuales son:
corremos, esto evitar que nos caigamos en un hoyo o
justo al lado de un enemigo al caer. Para esto ltimo
deberemos hacer varas consideraciones ya que habr
que explorar diferentes opciones y aadir muchas
reglas debido a la posible diversidad del escenario.

Escaln antes de hoyo: Cuando detectamos un escaln

antes de un hoyo calculamos si podemos realizar el
salto, si es afirmativo saltamos y si no vamos ms
despacio. El ir ms despacio tiene como objetivo poder
caer en el siguiente escaln y una vez all poder afrontar
el salto con seguridad.

Final En Alto Para poder terminar una partida cuando el

final es un alto que no es accesible a priori hemos hecho
una serie de mtodos que son: SaltoFinal, Doble,
EstoyDebajo y buscarCamino por los que ira pasando
para poder llegar a la meta.

4.6 Interfaz Grfico

Para empezar cabe el interfaz grfico se facilita en [8]. Este

interfaz es bastante completo y a parte de unos grficos
aceptables, nos da multitud de opciones para poder cambiar de
nivel, apariencia, obstculos

Vamos a mostrar una captura de la pantalla para que se pueda

tener una idea ms grfica.

Nuestro agente dispondr de dos matrices de 19x19 las cuales le

aportarn informacin de su entorno. Mario estar en la posicin
(9,9) en todo momento.
En cualquiera de las dos matrices si no hay nada, esa posicin
tendr el valor 0.

La primera matriz ser LevelScene, esta matriz le indicara los

elementos fijos de la pantalla, tales como: paredes, tuberas,
caones

- 83 -
Como podemos apreciar en esta primera matriz salen todos los
valores del entorno incluyendo las monedas cuyo valor es el nico
positivo (el 1).

La segunda matriz es enemies tambin de 19x19 y en su interior

tendr los valores de los enemigos.

Algunos de los enemigos ms usuales son:

Una vez tenemos identificados los nmeros que tendr la matriz

Como podemos ver en la imagen aunque el fuego que arroja
enemies, vamos a ver sobre la pantalla como quedara.
Mario no es un enemigo como tal, tambin viene indicada en la
Tambin es llamativo resaltar que la mayora de enemigos tiene
matriz enemies con un 25.
un valor superior a 80, eso nos facilitara a la hora de implementar
el cdigo para que esquive a cualquier enemigo desconocido y sin
Como hemos podido comprobar estas matrices nos van a ser de
que necesidad de tratarlo como un caso especial.
vital importancia para poner las reglas ya que nos irn
proporcionando informacin detallada de la posicin y el numero
Para eso utilizamos la pantalla anterior aunque solo tengamos un
de enemigos en cada instante.
par de enemigos del mismo tipo.

- 84 -
5. SOLUCIN PTIMA
Obviamente el algoritmo que hemos implementado en dos
semanas dista de ser el ptimo y deseado, la mayora de los
participantes mejor clasificados disponen de algoritmos genticos
Y en particular los tres mejores clasificados del 2010 usaron el
pathfinding A*
- 85 -
6. BIBLIOGRAFA
[1] http://es.wikipedia.org/wiki/%C3%81rbol_de_decisi%C3%B
3n
[2] http://julian.togelius.com/mariocompetition2009/GIC2009Co
mpetition.pdf
[3] http://es.wikipedia.org/wiki/Algoritmos_gen%C3%A9ticos
[4] http://eddyalfaro.galeon.com/geneticos.html
[5] http://es.wikipedia.org/wiki/Algoritmo_de_b%C3%BAsqued
a_A*.
[6] http://es.wikipedia.org/wiki/Agente_inteligente_(inteligencia
_artificial)
[7] http://www.ati.es/novatica/2000/145/vjulia-145.pdf
[8] http://www.marioai.com/
 Inteligencia en Redes de Comunicaciones
Robot de Robocode
Felipe Llinares Lpez Juan Jos Torres
100072665 Garca
10072753

ABSTRACTO
En esta memoria describimos una implementacin
que hemos realizado de un robot de competicin para
el programa Robocode.

General Terms
Algoritmos, Rendimiento, Diseo.

1. INTRODUCTION
Robocode es, en parte un juego, y en parte un
language de programacin.

Los tanques, llamados robots, estn puramente

Es un juego en el que unos tanques controlados por el
ordenador luchan entre s por su propia
supervivencia, dentro de un tablero de juego.
controlados por un algoritmo interno para cada uno
de ellos. Es decir, es un juego de Inteligencia
Artificial. Dichos algoritmos se escriben en el
lenguaje de programacin Java.
El propio programa da muchas facilidades para hacer
robots, y es muy sencillo escribir el algoritmo de un
robot bsico que se mueva, detecte a los enemigos y
les dispare. Sin embargo, los algoritmos pueden llegar
a complicarse mucho. Hay quien dedica mucho
tiempo a hacer robots muy difciles de combatir. De
hecho, incluso hay una liga profesional de Robocode.
Nuestro trabajo ha consistido en hacer un robot
bastante competitivo. Quiz no tan efectivo como los
mejores de la liga profesional, pero s es capaz de
vencer con facilidad a los robots sencillos, e incluso
es capaz de ganar algunas veces a los ms
complicados.
En esta memoria, explicamos de forma breve en qu
consisten los algoritmos que hemos utilizado. Est
dividida en dos partes:

- 86 -
 Sistema de Disparo
Sistema de Esquiva
El sistema de disparo intenta predecir el movimiento
de los robots enemigos, para as disparar a donde van
a estar cuando la bala llegue a su posicin, mientras
que el sistema de esquiva mueve al robot intentando
esquivar de la forma ms efectiva las balas de los
robots enemigos.
2. Sistema de Disparo
2.1 Introduccin
El lema de Robocode es Build the best, destroy the
rest. Por tanto, no debe resultar una sorpresa que
disear un sistema efectivo de disparo es esencial
para obtener un bot competitivo.
Hay multitud de aproximaciones a dicho problema.
La ms sencilla de todas es conocida como Head-
On-Targeting
Consiste simplemente en disparar hacia donde vemos
al enemigo. Si bien a primera vista puede parecer algo
totalmente razonable, la reducida velocidad de las
balas, entre 11 pixeles por turno para las balas ms
poderosas hasta 20 pixeles por turno para las ms
dbiles, hace que si utilizamos Head-On-Targeting,
lo ms probable es que para cuando la bala llegue a la
posicin del bot enemigo, ste ya no se encuentre all.
Por tanto, disear un buen sistema de disparo es
mucho ms complejo de lo que puede parecer en un
principio y ha sido objeto de estudio por muchos
aficionados a la Inteligencia Artificial dentro del
mundo de Robocode.
- 87 -
Debido a la limitacin mxima de diez pginas que
pesa sobre el contenido de este trabajo,
renunciaremos a la posibilidad de exponer el estado
del arte sobre los sistemas de Inteligencia Artificial
para disparo en Robocode y nos centramos en
describir de forma detallada cul es la forma en la que
nosotros hemos atajado el problema.
En nuestra opinin, el problema de disear un sistema
de disparo es claramente un problema que se presta a
ser tratado desde la rama del Aprendizaje Mquina.
Es fcil plantearlo como un problema de aprendizaje
supervisado, concretamente, como un problema de
estimacin, o si consideramos un comportamiento
puramente determinista, de regresin.
2.2 Preprocesador de Datos
Cada vez que escaneamos a un robot enemigo (lo
cual, con un algoritmo de escaneo adecuado, ocurre
cada turno), el kernel que controla la ejecucin de la
batalla invoca el mtodo onScannedRobot, el cul
recibe como parmetro un objeto de la clase
ScannedRobotEvent.
Dicho objeto contiene informacin muy interesante
sobre el estado del robot enemigo, como la distancia
al enemigo, su direccin, velocidad, energa restante o
el ngulo relativo entre nuestra direccin y su centro.
Adems, dedicando suficiente esfuerzo, es posible
programar un mdulo de pre procesado de datos que
obtenga muchas otras medidas de segundo, tercer o
incluso cuarto orden a partir de los datos que se
obtienen directamente del objeto ScannedRobotEvent
y de invocaciones anteriores de dicho mtodo.
Por ejemplo, a partir de la velocidad y la direccin se
puede obtener la velocidad radial y angular, as como
el sentido de giro del robot enemigo respecto a
nuestro centro. Igualmente, a partir de nuestra
posicin (la cual es conocida en todo momento), la
distancia al robot enemigo y el ngulo relativo entre
nuestra direccin y el centro del robot enemigo
podemos calcular la posicin absoluta del robot
enemigo. Otro dato interesante es la distancia del
robot enemigo a los muros, que puede ser medida
tanto en pixeles como en el nmero de turnos que
tardara el robot enemigo en chocar con los muros si
siguiese la misma trayectoria.
Si adems usamos los datos obtenidos en el evento
anterior, podemos obtener medidas con dimensin
temporal como la aceleracin del robot enemigo, el
nmero de turnos que lleva sin cambiar sentido de
giro, sin acelerar o sin decelerar o simplemente
parado.
La forma de obtener dicho dato es bastante original.
Cada vez que vemos al enemigo, consideramos que se
genera una onda esfrica en el centro de nuestro robot
y que se propaga a la misma velocidad que lo hara la
bala que dispararamos en ese momento si
pudiramos hacerlo (hay que recordar que en
Robocode, no es posible disparar repetidamente de
forma ilimitada porque hay calentamiento en el
can).
- 88 -
En el momento de generar la onda, almacenamos
informacin sobre la posicin en la que se encontraba
el enemigo. A cada turno, comprobamos si la onda ha
llegado al enemigo. Cuando es as, podemos saber
cul ha sido su desplazamiento desde que disparamos
la bala virtual hasta que dicha bala habra
impactado. Una vez realizada dicha medida, tenemos
una nueva muestra para nuestro conjunto de datos de
entrenamiento, formada por todos los datos de
entrada comentados anteriormente (velocidad,
direccin, aceleracin, etc.) y el ngulo de desviacin
que debimos usar.
En la figura se muestran las ondas originadas para el
clculo de los valores exactos de la variable de salida.
Las ondas negras tienen una bala real .mientras que
las blancas son balas virtuales.
As, nuestro sistema tratar de utilizar una serie de
datos que obtenemos de las invocaciones del mtodo
onScannedRobotEvent para tratar de estimar
mediante ciertos algoritmos cmo se mover nuestro
rival durante el tiempo que tardar la bala en llegar a
l y as calcular el ngulo correcto con el que
debemos compensar nuestro can a la hora de
disparar.
Realmente, la limitacin en los datos que tomaremos
cada vez que escaneamos al robot enemigo est
simplemente en nuestra imaginacin y habilidad
como diseadores. Un buen pre procesado de datos,
en el que adquiramos datos verdaderamente
relevantes para el problema, es la primera clave para
disear un sistema de disparo efectivo. En ese
sentido, vemos que el problema no se diferencia en
absoluto de cualquier otro sistema que hemos
estudiado durante la asignatura en el tema de
Aprendizaje Mquina.
2.3 Algoritmos
Una vez hemos adquirido y procesado los datos que
conformaran nuestro conjunto de entrenamiento,
debemos disear algoritmos para estimar el ngulo de
desviacin ptimo al disparar a partir de dichos datos.
La primera cosa que debemos mencionar es que,
gracias al concepto introducido anteriormente de
balas virtuales, podemos utilizar simultneamente
varios algoritmos distintos. As, a cada momento,
elegimos cul es el algoritmo que est obteniendo
mejores resultados en trminos de porcentaje de
acierto y la bala real es disparada segn la prediccin
de dicho algoritmo. El resto simplemente generan una
bala virtual de la cual nos ocuparemos para ver si
hace impacto virtual o no.
Utilizando dicha idea, nuestro sistema de disparo se
compone de cuatro algoritmos:
Sistema de disparo de corto alcance: En
situaciones en las que nuestro enemigo est
cerca, esto es, a menos de 100 pxeles, se puede
aproximar el movimiento del bot enemigo
- 89 -
durante breves periodos de tiempo por un
movimiento circular. En esa situacin, es
posible disear un algoritmo que, asumiendo
dicho movimiento circular, prediga de forma
exacta donde se encontrar en enemigo y
dispare ah. Dado que la similitud al
movimiento circular es grande pero no exacta,
la probabilidad de fallar existe. Sin embargo,
este algoritmo funciona bien a distancias
cortas.
Least Mean Squares: La utilizacin del
archiconocido algoritmo LMS en Robocode
es, creemos, una contribucin original nuestra
ya que no hemos encontrado referencia
alguna en la wiki. Tras volcar conjuntos de
datos obtenidos tras varias batallas en
ficheros y procesarlos con MATLAB,
llegamos a la conclusin que una regresin
lineal era sorprendentemente precisa. Debido
a la elevada complejidad computacin de las
regresiones lineales exactas (inversin de
matrices principalmente) y a que en este
contexto es mucho ms interesante emplear
un algoritmo adaptativo, llegamos a la
conclusin de que LMS poda obtener buenos
resultados, como as hemos comprobado en la
prctica.
Dynamic Clustering: El algoritmo de moda
para disparar en Robocode a fecha de
Diciembre de 2012. El mtodo es una
combinacin de KNN con estimacin de
densidades de probabilidad. A cada instante
que debemos disparar, buscamos en nuestro
conjunto de datos las K situaciones ms
similares a la actual que hemos vivido en el
pasado, donde cada situacin se caracteriza
por los datos de entrada que hayamos
decidido usar. Con dichas K situaciones ms
similares, trataremos de estimar la PDF de la
variable de salida para nuestro estado actual y
elegiremos como ngulo de desviacin aquel
que tenga la mxima densidad de
probabilidad. En otras palabras, usamos el
criterio de mxima verosimilitud. Es
importante resear que tanto el mtodo de
estimacin de la PDF, como el parmetro K,
como los datos de entradas para identificar LMS Weighted Dynamic Clustering: Nuestra
situaciones son algo que debe elegir el segunda aportacin original a los algoritmos
diseador. Sobre los datos de entrada ya de disparo en el mundo de Robocode. Uno de
hemos hablado. Respecto a los otros dos los problemas, a nuestro juicio, del algoritmo
parmetros, nosotros utilizamos el mtodo de Dynamic Clustering es que es tremendamente
las ventanas de Parzen con kernel gaussiano heurstico. Viendo el cdigo de varios bots
para la estimacin de la PDF y K = 25 como open source que implementan dicho
parmetro del KNN ya que es la algoritmo, comprobamos que cada bot
configuracin que mejor tasa de acierto nos tomaba sus propios datos de entrada y les
ha proporcionado en nuestros benchmark. asignaba pesos de una forma bastante oscura
a priori. Por tanto, nos planteamos si haba
una forma de que nuestro robot aprendiese
tambin, a la hora de buscar las situaciones
ms similares en el paso KNN del algoritmo
de Dynamic Clustering, que datos de entrada
son realmente ms importantes. Nuestra idea
fue emplear los pesos del filtro LMS, en valor
absoluto y normalizados, como indicador de
qu datos son ms importantes. As,
sustituimos la distancia Eucldea por una
distancia con pesos y el resto del algoritmo se
mantiene igual.

Este algoritmo es utilizado por los robots ms

competentes de todo Robocode.

- 90 -
 De nuevo, hay multitud de formas de afrontar el
problema, y el espacio que podemos dedicarlas en
esta memoria es escaso. Por tanto, nos centraremos en
nuestra forma de resolver el problema.
Hemos utilizado un algoritmo bastante comn entre
los robots ms poderosos actuales, conocido como
Wave Surfing, o surfeo de ondas, que exponemos a
continuacin.

Predicciones para la futura posicin del enemigo

segn los distintos algoritmos
Como dijimos, los cuatros algoritmos anteriormente
descritos son constantemente simulados de forma
concurrente. Sus tasas de acierto virtual son
monitorizadas y, aquel con mayor tasa de acierto
virtual, es el que guiara la direccin de nuestra
siguiente bala real. En la prctica, hemos comprobado
que el algoritmo LMS Weighted Dynamic Clustering
es aquel que suele ofrecer mejores resultados. Sin
3.2 Preprocesador de Datos
embargo, mantener los cuatro a la vez es, sin duda, la Como ya hemos comentado, con un algoritmo
mejor eleccin: no slo hace nuestros disparos ms adecuado, nuestro robot escanear al robot enemigo
impredecibles sino que hace nuestro bot mucho ms cada turno. La idea bsica de Wave Surfing consiste
adaptable a enemigos de distintas caractersticas. en que cada vez que esto ocurre, generamos una onda
imaginaria esfrica, como la que se generaba para el
algoritmo de disparo, pero esta vez centrada en el
robot enemigo.
3. Sistema de Esquiva
Dicha onda se ir propagando a lo largo del tiempo, y
3.1 Introduccin llegar un momento en el que su frente rompa contra
Al igual que nuestro bot intenta estimar la posicin nuestro robot. Como generamos una onda cada turno,
del bot enemigo para impactarle incluso aunque se cada vez que el robot enemigo dispare una bala, habr
mueva, de igual forma el bot enemigo intentar una onda asociada a ella.
estimar nuestra posicin.
Nuestro deber es ponerle al bot enemigo lo ms difcil
posible dicha estimacin. Es decir, debemos decidir
hacia qu direccin y sentido queremos mover
nuestro bot y cunto, en trminos de velocidad, para
que las bolas enemigas no nos den. Dicho de otra
forma, tenemos que elegir dnde vamos a estar cierto
tiempo despus al momento de disparo del enemigo,
tal que el movimiento de la bola enemiga no
interseccione con el de nuestro robot.

- 91 -

Lo interesante del algoritmo estriba en que la bala
enemiga viaja en uno de los puntos del frente de su
onda asociada. Por tanto, haciendo una estimacin de
cul es ese punto, podemos predecir dnde estar la
bala enemiga cuando el frente de la onda rompa con
nuestro robot.
Si adems, nuestro robot se mueve a lo largo del
frente de dicha onda, podemos moverlo a un punto en
el que creamos que la bala no estar, de forma que la
esquivaremos. Y ese tipo de movimiento es conocido
como surfear la onda.
Cada vez que escaneamos al robot enemigo, que es
cuando queremos generar la onda, se llama al mtodo
onScannedRobot, que como ya hemos comentado,
tiene datos de sobra como para apuntar todo lo que
necesitamos saber de la onda. Concretamente, el
momento en el que la generamos, su velocidad (en
funcin de la potencia con la que dispara nuestro
enemigo), su direccin (que sera hacia donde est
apuntando el enemigo), la posicin en la que se
genera (que es la posicin del enemigo), y la posicin
de nuestro propio robot en el momento que se genera.
Cada turno, tenemos que actualizar la posicin de
todas las ondas que tenamos apuntadas (en funcin
del tiempo que ha transcurrido desde que se
generaron y de su velocidad individual), y borrar las
ondas que ya han traspasado nuestro robot.
Adems, en cada turno, tenemos que elegir cmo
movernos a lo largo del frente de la/las ondas que
tenemos apuntadas, para esquivar las balas enemigas.
La forma en la que lo hagamos es lo que diferencia a
los distintos algoritmos de Wave Surfing.
- 92 -
3.3 Algoritmo
Nuestro algoritmo en concreto, anlogamente a lo que
hacamos para disparar, consiste en estimar con
cunto ngulo de desviacin respecto a donde est
nuestro robot est disparando el robot enemigo.
Para ello, nos basamos en las balas que nos
impactaron anteriormente. Cada vez que nos impacta
una bala, buscamos entre las ondas que tenemos
apuntadas a cul estaba asociada. En dicha onda,
tenemos apuntado el punto de donde sali, que es
dnde estaba el enemigo cuando dispar la bala que
nos ha dado, y tambin tenemos dnde estaba nuestro
robot en el momento de disparo. Sabiendo el punto en
el que nos ha impactado la bala, que es justamente
nuestra posicin en el momento del impacto,
podemos estimar con cunto ngulo de desviacin
dispar el robot enemigo.
La idea es guardarnos con que ngulos de desviacin
nos est impactando ms veces el robot enemigo. De
esta forma, a la hora de movernos, nos moveremos
hacia un punto cuyo ngulo de desviacin tenga poca
probabilidad de impactarnos.
Ms en detalle, lo que hace el algoritmo de
movimiento es buscar la onda que est ms cerca de
nuestro robot, ya que est asociada a la bala ms
cercana y por tanto ms peligrosa. A continuacin,
estima donde estara nuestro robot cuando la onda nos
impacte, si nos movisemos a lo largo del frente de
dicha onda (surfendola) hacia la derecha y hacia la
izquierda, y a diferentes velocidades. A continuacin,
para cada uno de esos puntos, calcula cunto sera el
ngulo de desviacin con el que tendra que haber
disparado el robot enemigo para impactarnos, y busca
entre los impactos anteriores cul de dichos ngulos
de desviacin nos ha impactado menos veces
anteriormente. Y pone al robot en movimiento hacia
dicho punto y con dicha velocidad.
De esta forma, cuando la onda nos impacte, estaremos
en el punto de su frente de onda cuyo ngulo de
desviacin con el que tendra que haber disparado el
robot enemigo para darnos tiene menos probabilidad
de darnos, basndonos en los disparos que nos
impactaron anteriormente.
Hay que tener en cuenta, que todo esto se recalcula
cada turno, de forma que nos iremos acercando de
una forma suave al punto ms seguro.
Empricamente, hemos descubierto que el algoritmo
ms efectivo es moverse surfeando la onda hacia el
lado con menor probabilidad de impacto, a una
velocidad constante, y ese es el algoritmo que hemos
utilizado finalmente.
[3] Para el algoritmo de esquiva, hemos utlizado
informacin de las siguientes pginas:
http://robowiki.net/wiki/Wave_surfing
[4] Hemos utilizado tambin los apuntes de la
asignatura.
Hemos utilizado tambin cdigo open-source de
bots del repositorio de robocode.

La gran ventaja de este algoritmo es que, aunque el

robot enemigo tenga un mtodo para aprender y
estimar nuestros movimientos, si consigue
impactarnos alguna bala, nuestro algoritmo
reaccionar y empezar a mover el robot de forma
diferente para contrarrestar la forma de disparo del
robot enemigo.

4. Referencias
[1] La mayor parte de la informacin la hemos
adquirido de Robowiki
http://robowiki.net/wiki/Main_Page
[2] Para el algoritmo de disparo, hemos utilizado
informacin de las siguientes pginas:
http://en.wikipedia.org/wiki/Kernel_density_esti
mation
http://es.wikipedia.org/wiki/Knn
http://robowiki.net/wiki/Dynamic_Clustering_Tut
orial
http://en.wikipedia.org/wiki/Kd-tree
http://robowiki.net/wiki/GuessFactor_Targeting
http://homepages.inf.ed.ac.uk/rbf/CVonline/LOC
AL_COPIES/AV0405/MISHRA/kde.html
http://robowiki.net/wiki/Maximum_Escape_Angl
e

- 93 -
 Minera de Datos
scar Palomo Miambres
Universidad Carlos III de Madrid
Avda. De la Universidad, 30
28911, Legans (Madrid-Espaa)
100049074@alumnos.uc3m.es

Abstract Existencia de herramientas automticas

En este artculo analizaremos las ideas bsicas
que sustentan el Data Mining y, ms
concretamente, la utilizacin de rboles de
decisin como herramienta estadstica avanzada.
Presento tambin un ejemplo ficticio de la
aplicacin de estas tcnicas: predecir clientes que
tienen un alto porcentaje de impagos.
1. INTRODUCCIN
La minera de datos (DM, Data Mining) consiste
en la extraccin no trivial de informacin que
reside de manera implcita en los datos. Es una
tecnologa con gran potencial para ayudar a las
compaas a concentrarse en la informacin ms
importante de sus Bases de Informacin. Las
herramientas de Data Mining predicen futuras
tendencias y comportamientos, permitiendo en
los negocios tomar decisiones proactivas y
conducidas por un conocimiento acabado de la
informacin.
Lo que en verdad hace el data mining es reunir
las ventajas de varias reas como la Estadstica, la
Inteligencia Artificial, la Computacin Grfica, las
Bases de Datos y el Procesamiento Masivo,
principalmente usando como materia prima las
bases de datos.
Existen cuatro razones fundamentales por las
cuales el Data Mining es una realidad en nuestros
das:
Avances tecnolgicos en almacenamiento
masivo de datos y CPU.
Existencia de nuevos algoritmos para
extraer informacin en forma eficiente
- 94 -
que no hacen necesario el ser un experto
en estadstica
Potencia de computo
2. MINERIA DE DATOS DATA MINING
La tcnica usada para realizar estas hazaas en
Data Mining se llama Modelado. Modelado es
simplemente el acto de construir un modelo en
una situacin donde usted conoce la respuesta y
luego la aplica en otra situacin de la cual
desconoce la respuesta. Por ejemplo, si busca un
galen espaol hundido en los mares lo primero
que podra hacer es investigar otros tesoros
espaoles que ya fueron encontrados en el
pasado. Notara que esos barcos frecuentemente
fueron encontrados fuera de las costas de
Bermuda y que hay ciertas caractersticas
respecto de las corrientes ocenicas y ciertas
rutas que probablemente tomara el capitn del
barco en esa poca. Usted nota esas similitudes y
arma un modelo que incluye las caractersticas
comunes a todos los sitios de estos tesoros
hundidos. Con estos modelos en mano sale a
buscar el tesoro donde el modelo indica que en el
pasado hubo ms probabilidad de darse una
situacin similar. Con un poco de esperanza, si
tiene un buen modelo, probablemente
encontrar el tesoro.
2.1 CICLO DATA MINING
El data mining se ha ido incorporando a la vida de
empresas, gobiernos, universidades, hospitales y
diversas organizaciones que estn interesadas en
explorar sus bases de datos. Podemos decir que
"en data mining cada caso es un caso". Sin
embargo, en trminos generales, el proceso se
compone de cuatro etapas principales:
Seleccin del conjunto de datos, tanto en
lo que se refiere a las variables objetivo
(aquellas que se quiere predecir, calcular
o inferir), como a las variables
independientes (las que sirven para hacer
el clculo o proceso)
Pre procesamiento de los datos.
Determinacin, obtencin y limpieza de
los datos necesarios. Esta etapa consume
generalmente alrededor del setenta por
ciento del tiempo total de un proyecto de
data mining.
Determinacin del modelo. Despus de
haber sido pre procesados y realizar la
limpieza de datos, se sigue teniendo una
cantidad enorme de variables o atributos.
La seleccin de caractersticas reduce el
tamao de los datos, eligiendo las
variables ms influyentes del problema,
sin apenas sacrificar la calidad del modelo
de conocimiento obtenido del proceso de
minera.
Los mtodos para la seleccin de los
atributos que ms influencia tienen en el
problema son bsicamente dos:
- Aquellos basados en la eleccin de los
mejores atributos del problema.
mediante el uso de distintas tcnicas, se
deben comparar los modelos en busca de
aquel que se ajuste mejor al problema. Si
ninguno de los modelos alcanza los
resultados esperados, debe alterarse
alguno de los pasos anteriores para
generar nuevos modelos.
Por ejemplo, tenemos un conjunto de
datos y sabemos que algunos algoritmos
de generacin de clasificadores funcionara
mejor sobre esos datos que otros Cual
usar?, ej.: J48 o SVM?
Podemos hacer validacin cruzada y
quedarnos con el mas alto (en la practica
esto es suficiente), pero en ocasiones la
diferencia puede ser debida al azar y no
ser significativa estadsticamente
Ejemplo: buscamos un algoritmo preciso
pero tambin rpido (lo vamos a utilizar
en una situacin dinmica que exige un
entrenamiento rpido). Tenemos un
algoritmo A (J48) que obtiene un 90% de
aciertos, y otro B (NN) que obtiene un
92%, pero B es 100 veces ms lento que A.
Merece la pena usar B?
Integracin, si procede, de los resultados
en un sistema transaccional o similar.

- Aquellos que buscan variables

independientes mediante test de
sensibilidad, algoritmos de distancia o
heursticos.

Realizado esto se comienza realizando

unos anlisis estadsticos de los datos, y
despus se lleva a cabo una visualizacin
grfica de los mismos para tener una
primera aproximacin. Segn los objetivos
planteados y la tarea que debe llevarse a
cabo, pueden utilizarse algoritmos
desarrollados en diferentes reas de la
Inteligencia Artificial.
Figura 1. Proceso Data Mining
Anlisis de los resultados. una vez
obtenido el modelo, se debe proceder a
su validacin comprobando que las
conclusiones que arroja son vlidas y
suficientemente satisfactorias. En el caso
de haber obtenido varios modelos
- 95 -
2.2 EL ALCANCE DE DATA MINING
Dadas bases de datos de suficiente tamao y
calidad, la tecnologa de Data Mining puede
generar nuevas oportunidades de negocios al
proveer estas capacidades:
Las herramientas de Data Mining pueden analizar
bases de datos masivas en minutos.
Procesamiento ms rpido significa que los
usuarios pueden automticamente experimentar
con ms modelos para entender datos complejos.
Alta velocidad hace que sea prctico para los
usuarios analizar inmensas cantidades de datos.
Grandes bases de datos, a su vez, producen
mejores predicciones.
Las bases de datos pueden ser grandes tanto en
profundidad como en ancho:
Ms columnas. Los analistas muchas
veces deben limitar el nmero de
variables a examinar cuando realizan
anlisis manuales debido a limitaciones de
tiempo. Sin embargo, variables que son
descartadas porque parecen sin
importancia pueden proveer informacin
acerca de modelos desconocidos. Un Data
Mining de alto rendimiento permite a los
usuarios explorar toda la base de datos,
sin preseleccionar un subconjunto de
variables.
Ms filas. Muestras mayores producen
menos errores de estimacin y desvos, y
permite a los usuarios hacer inferencias
acerca de pequeos pero importantes
segmentos de poblacin.
2.3 TCNICAS DE DATA MINING
Como ya se ha comentado, las tcnicas de la
minera de datos provienen de la Inteligencia
artificial y de la estadstica, dichas tcnicas, no
son ms que algoritmos, ms o menos
sofisticados que se aplican sobre un conjunto de
datos para obtener unos resultados.
Las tcnicas ms representativas son:
- 96 -
Redes Neuronales. Son un paradigma de
aprendizaje y procesamiento automtico
inspirado en la forma en que funciona el
sistema nervioso de los animales, es decir,
un sistema de interconexin de neuronas
en una red que colabora para producir un
estmulo de salida.
Esta tecnologa puede ser desarrollada
tanto en software como en hardware y
con ella se pueden construir sistemas
capaces de aprender, de adaptarse a
condiciones variantes, o inclusive si se
dispone de una coleccin suficiente
grande de datos, predecir el estado futuro
de algunos modelos. Estas tcnicas son
adecuadas para enfrentar problemas que
hasta ahora eran resueltos slo por el
cerebro humano y resultaban difciles o
imposibles para las mquinas lgicas
secuenciales.
Regresin lineal.- Es la ms utilizada para
formar relaciones entre datos. Rpida y
eficaz pero insuficiente en espacios
multidimensionales donde puedan
relacionarse ms de 2 variables.
rboles de decisin.- Un rbol de decisin
se describe como un modelo de
prediccin utilizado en el mbito de la
inteligencia artificial, ya que dada una
base de datos se construyen diagramas de
construcciones lgicas, muy similares a los
sistemas de prediccin basados en reglas,
que sirven para representar y categorizar
una serie de condiciones que suceden de
forma sucesiva, para la resolucin de un
problema.
En este tipo de rbol, los nodos
intermedios son los atributos de entrada
de los ejemplos presentados, las ramas
representan valores de dichos atributos y
los nodos finales son los valores de la
clase.
Para elegir qu atributos y en qu orden
aparecen en el rbol, se utiliza una
funcin de evaluacin: ganancia de
informacin.
Modelos estadsticos.- Es una expresin
simblica en forma de igualdad o ecuacin
 que se emplea en todos los diseos
experimentales y en la regresin para
indicar los diferentes factores que
modifican la variable de respuesta.
Clustering. Mtodos de agrupacin de
datos que nos permiten clasificar los datos
por su similitud entre ellos. Son utilizadas
con frecuencia para entender los grupos
naturales de clientes en empresas o
bancos.
Algoritmos genticos. Son modelos
inspirados incluir fcilmente ligaduras
complicadas que limitan la solucin a un
problema en la evolucin de las especies y
que se aplican generalmente en
problemas de optimizacin.
Segn el objetivo del anlisis de los datos, los
algoritmos utilizados se clasifican en supervisados
y no supervisados:
Algoritmos supervisados (o predictivos):
predicen un dato (o un conjunto de ellos)
desconocido a priori, a partir de otros
conocidos.
Algoritmos no supervisados (o del
descubrimiento del conocimiento): se
descubren patrones y tendencias en los
datos.
A continuacin se describen un ejemplo de
aplicacin en el sector financiero y banca donde
se ha visto involucrado el data mining.
3 APLICACIONES DE USO: CONCESIN DE
CREDITOS BANCARIOS
Para el desarrollo de este ejemplo he utilizado
WEKA (herramienta de aprendizaje automtico y
data mining, escrita en lenguaje Java, gratuita). Es
un entorno para experimentacin de anlisis de
datos que permite aplicar, analizar y evaluar las
tcnicas ms relevantes de anlisis de datos,
principalmente las provenientes del aprendizaje
automtico, sobre cualquier conjunto de datos
del usuario. Para ello nicamente se requiere que
los datos a analizar se almacenen con un cierto
formato, conocido como ARFF (Attribute-Relation
File Format).
- 97 -
La concesin de crditos bancarios en el
momento que vivimos es un tema bastante
complicado. La crisis econmica que se esta
viviendo en estos momentos obliga a los bancos a
ser muchos ms estrictos a la hora de conceder
un prstamo/crdito a sus clientes. Se ha
intentado, a partir de ciertos estudios y usando
distintas metodologas, identificar las
probabilidades que tiene un cliente de devolver
un crdito de acuerdo con los datos de los que se
dispone de l.
Es importante destacar que los modelos cambian
y dependen en ocasiones del momento en que se
realizan, es decir, no es lo mismo dar un crdito
hoy en da que hace unos aos en los que se
otorgaban crditos ms fcilmente. Con ello
quiero decir, que aunque los datos de los que
disponemos son los mismos y unos casos
conviene realizar el estudio con un subconjunto
determinado y en otras con otro. En este caso, la
minera de datos, junto con el uso de un modelo
basado en rboles de decisin, nos ayudar a
investigar las correlaciones existentes en los
casos de morosidad.
3.1 Objetivos del anlisis
Antes de comenzar con la aplicacin de las
tcnicas de WEKA a los datos de este dominio, es
muy conveniente hacer una consideracin acerca
de los objetivos perseguidos en el anlisis. Como
se mencion en la introduccin, un paso previo a
la bsqueda de relaciones y modelos subyacentes
en los datos ha de ser la comprensin del
dominio de aplicacin y establecer una idea clara
acerca de los objetivos del usuario final. De esta
manera, el proceso de anlisis de datos (proceso
KDD), permitir dirigir la bsqueda y hacer
refinamientos, con una interpretacin adecuada
de los resultados generados. Los objetivos,
utilidad, aplicaciones, etc., del anlisis efectuado
no "emergen" de los datos, sino que deben ser
considerados con detenimiento como primer
paso del estudio.
En nuestro caso, un banco desea obtener reglas
para predecir qu personas de las que piden un
crdito no van a devolverlo.
Por otra parte, este anlisis tiene un enfoque
introductorio e ilustrativo para acercarse a las
tcnicas disponibles y su manipulacin desde la
herramienta.
3.2 Pre procesado de los datos
La entidad bancaria cuenta con una gran base de
datos correspondiente a los crditos concedidos
a otros clientes con anterioridad. Para este caso
los datos disponibles son:
@attribute estado {soltero, casado, divorciado}
@attribute DNI
@attribute nomina real
@attribute sexo {HOMBRE, MUJER}
@attribute PAGO {si, no}
El campo Pag? es binario (solo puede tomar
como valores s o no) y es el atributo clave que
tiene el banco para estudiar la concesin del
crdito. No siempre existe un atributo clave. A
partir de los datos, las tcnicas de DM podran
generar un modelo de los datos, consistente en
un conjunto de reglas, que permitiesen predecir
en el futuro, el posible comportamiento de un
cliente que solicitase un prstamo.
Para generar grficos con los datos del ejemplo,
se seleccionar la pestaa Visualize. Por defecto,
se muestran grficos para todas las
combinaciones de atributos tomadas dos a dos,
de modo que se pueda estudiar la relacin entre
dos atributos cualesquiera. El aspecto de la
pantalla es el mostrado en la figura siguiente
Figura 2. Relacin entre datos dos a dos
- 98 -
Si seleccionamos uno de ellos podemos apreciar
la relacin existente. Por ejemplo:
Figura 3. Relacin Nomina-Pago
Podemos apreciar que todos aquellos clientes
con nminas superiores a 2000 euros van a
devolver el prstamo. Por otra parte cuando la
nmina es menor de esa cantidad la devolucin
no esta solo relacionado con este atributo sino
que depende de otros factores. Podemos deducir
por lo tanto que el modo visual nos ayuda a tener
una idea de los datos pero no a conocerlos por
completo.
3.3 Arboles de decisin
Utilizar un conjunto de datos disponibles, en
forma de tabla de atributos, para aprender a
predecir la clase de datos NO VISTOS TODAVA.
El predictor puede tomar diversas formas, segn
el algoritmo (rbol de decisin, reglas, funcin,
red de neuronas, probabilidades, centroides, ..).
Pero en ltimo termino, un predictor es una
estructura que toma una entrada (los distintos
valores de los atributos que representan al dato)
y devuelve una salida (la clase o cantidad
predicha para ese dato)
En este ejemplo he utilizado la tcnica de
generacin de reglas en forma de rboles de
decisin ya que es un modelo de datos sencillo y
comprensible para todo el mundo. Obtenemos el
siguiente esquema:
 Ejemplo: si en el conjunto original un 65% de los
datos pertenecen a la clase positiva, la
estratificacin intentara que esa proporcin se
mantenga en entrenamiento y test

Se suele utilizar como mtodo de validacin,

conseguir el mayor porcentaje de aciertos,
aunque en ocasiones es importante evaluar el
conocimiento obtenido con otras medidas:

Comprensibilidad: si el conocimiento es
Figura 4. rbol de decisin fcilmente comprensible para un ser
humano. til para evaluar si el
Cabe destacar que para la realizacin del conocimiento es correcto o para tomar
clasificador se ha utilizado validacin cruzada decisiones en base al conocimiento
(dividir varias veces el mismo conjunto de datos obtenido.
en entrenamiento y test y calcular la media. As, Muy relacionado con el tamao (numero
las particiones de test no solaparan). El mtodo
de reglas o nodos en el rbol de decisin)
de validacin cruzada utiliza muy bien los datos al
A veces merece la pena perder en
calcular el porcentaje de aciertos esperado,
porque todos ellos se utilizan para test (en alguna porcentaje de aciertos (= subadaptacion)
particin). De hecho, todos los datos figuran para ganar en comprensibilidad
como entrenamiento o test en alguno de los (construyendo arboles de decisin mas
ciclos de validacin cruzada. Pero es costoso en pequeos, discretizando atributos, etc.)
tiempo (hay que lanzar el algoritmo de
aprendizaje n veces) Algunos atributos pueden ser redundantes y
hacen ms lento el proceso de aprendizaje. Otros
son irrelevantes (como el DNI para predecir si una
persona va a devolver un crdito). En ocasiones el
3.4 Anlisis de los resultados exceso de atributos puede llevar a
sobreaprendizaje, pues incrementa la
Una vez obtenido el conocimiento es necesario complejidad del modelo (sobre todo si hay pocos
validarlo para observar su comportamiento con datos). En este ejemplo sencillo podemos deducir
datos no vistos. fcilmente algunas reglas que servirn para
determinar si se concede el prstamo a un
Es una prctica conveniente el realizar el
determinado cliente o no.
experimento, el clculo, dividiendo los datos en
dos subconjuntos de distinta magnitud. Un
Si la nomina es > 2000 siempre pagan el
subconjunto para entrenamiento (66%) y otro
prstamo.
subconjunto para test (33%).
Un hombre soltero, con nomina < 800 euros tiene
grandes probabilidades de no devolver un
Esto puedo ocasionar problemas, es posible que
prstamo.
por azar, los datos de entrenamiento y test estn
sesgados. Por lo tanto, la proporcin entre las
clases que existe en el conjunto de datos original, 4 Extensiones del data mining
se intenta mantener en los conjuntos de
entrenamiento y test. Web mining: consiste en aplicar las
tcnicas de minera de datos a
documentos y servicios del Web. Todos
- 99 -
 los que visitan un sitio en Internet dejan clasificacin, categorizacin, etc.
huellas digitales (direcciones de IP, Generalmente se utilizan palabras clave
navegador, etc.) que los servidores para encontrar una pgina relevante. En
automticamente almacenan en una cambio, el text mining se refiere a
bitcora de accesos (Log). Las examinar una coleccin de documentos y
herramientas de Web mining analizan y descubrir informacin no contenida en
procesan estos logs para producir ningn documento individual de la
informacin significativa. Debido a que los coleccin; en otras palabras, trata de
contenidos de Internet consisten en varios obtener informacin sin haber partido de
tipos de datos, como texto, imagen, vdeo, algo.
metadatos o hiperligas, investigaciones
recientes usan el trmino multimedia data 5 CONCLUSIONES

mining (minera de datos multimedia) Nuestra capacidad para almacenar datos ha

como una instancia del Web mining para crecido en los ltimos aos a velocidades
exponenciales. En contrapartida, nuestra
tratar ese tipo de datos. Los accesos
capacidad para procesarlos y utilizarlos no ha ido
totales por dominio, horarios de accesos a la par. Por este motivo, el data mining se
ms frecuentes y visitas por da, entre presenta como una tecnologa de apoyo para
explorar, analizar, comprender y aplicar el
otros datos, son registrados por
conocimiento obtenido usando grandes
herramientas estadsticas que volmenes de datos. Descubrir nuevos caminos
complementan todo el proceso de anlisis que nos ayuden en la identificacin de
interesantes estructuras en los datos es una de
del Web mining.
las tareas fundamentales en el data mining.
Text mining: dado que el ochenta por
ciento de la informacin de una compaa Las herramientas comerciales de data mining que
existen actualmente en el mercado son variadas y
est almacenada en forma de
excelentes. Las hay orientadas al estudio del web
documentos, las tcnicas como la o al anlisis de documentos o de clientes de
categorizacin de texto, el procesamiento supermercado, mientras que otras son de uso
de lenguaje natural, la extraccin y ms general. Su correcta eleccin depende de la
necesidad de la empresa y de los objetivos a
recuperacin de la informacin o el
corto y largo plazo que pretenda alcanzar.
aprendizaje automtico, entre otras,
En resumen, el data mining se presenta como
apoyan al text mining (minera de texto).
una tecnologa emergente, con varias ventajas:
En ocasiones se confunde el text mining por un lado, resulta un buen punto de encuentro
con la recuperacin de la informacin. entre los investigadores y las personas de
negocios; por otro, ahorra grandes cantidades de
Esta ltima consiste en la recuperacin
dinero a una empresa y abre nuevas
automtica de documentos relevantes oportunidades de negocios. Adems, no hay duda
mediante indexaciones de textos, de que trabajar con esta tecnologa implica cuidar
- 100 -
un sinnmero de detalles debido a que el
producto final involucra "toma de decisiones".

6 REFERENCIAS

[1] Introduccin a la Minera de Datos

Jos Hernndez Orallo, M.Jos Ramrez Quintana,
Csar Ferri Ramrez
Editorial Pearson, 2004. ISBN: 84 205 4091 9
[2] Tendencias de la Minera de Datos en
Espaa
Ral Girldez, Jos C. Riquelme, Jess S.
Aguilar-Ruiz
Red Espaola de Minera de Datos TIC2002-
11124-E
.
[3] Baker, R.S.J.d. Data Mining for Education.
Encontrado en McGaw, B., Peterson, P.,
Baker, E. (Eds.) International Encyclopedia of
Education (3rd edition). Oxford, UK: Elsevier
[4] Artculo: Data mining: torturando a los datos
hasta que confiesen.
Luis Carlos Molina Felix.
Universitat Politcnica de Catalunya.

- 101 -