CITIC
Congreso Londres_web

Investigadores del CITIC presentan sus avances sobre robótica cognitiva en la Conferencia Internacional del IEEE sobre Desarrollo y Aprendizaje (ICDL) de Londres

19/09/2022 – CITIC

La propuesta de una nueva arquitectura jerárquica (H-GRAIL) para robótica cognitiva, que selecciona los objetivos a alcanzar en base a motivaciones intrínsecas es eje central del trabajo de investigación realizado por los investigadores Richard J. Duro y Alejandro Romero del área de Inteligencia Artificial del CITIC de la UDC. El trabajo ha sido presentado por ambos en la Conferencia Internacional del IEEE sobre Desarrollo y Aprendizaje (ICDL) 2022, que se ha celebrado la pasada semana en Londres, un encuentro de profesionales dedicados al avance del aprendizaje cognitivo y del desarrollo que ha reunido a investigadores de la informática, la robótica, la psicología y las ciencias del desarrollo de todo el mundo.

El estudio de los investigadores CITIC, titulado “Autonomous Learning of Multiple Curricula with Non-stationary Interdependencies” ha sido realizado en colaboración con investigadores del Institute of Cognitive Sciences and Technologies de Roma, Gianluca Baldassarre y Vieri Giuliano Santucci. En él se incide en que el aprendizaje autónomo abierto es un enfoque relevante en el aprendizaje automático y la robótica, que permite el diseño de agentes artificiales capaces de adquirir objetivos y habilidades motoras sin necesidad de que el usuario les asigne tareas. Una cuestión crucial para este enfoque es desarrollar estrategias que garanticen que los agentes puedan maximizar su competencia en el mayor número posible de tareas en el menor tiempo posible.

El nuevo sistema H-GRAIL propuesto por los investigadores del CITIC añade una nueva capa de aprendizaje para almacenar las secuencias de tareas adquiridas de forma autónoma para poder modificarlas en caso de que las interdependencias sean no estacionarias. Todos los sistemas se prueban en un entorno robótico simulado y real con diferentes escenarios experimentales que implican diversas tareas con dependencias.