UNIVERSIDAD DE SANTIAGO DE CHILEFACULTAD DE CIENCIADEPARTAMENTO DE MATEMATICA Y CIENCIA DE LA COMPUTACIONLICENCIATURA EN CIENCIA DE LA COMPUTACION

RECONOCIMIENTO HEURISTICO DE PATRONES GEOMETRICOS BIDIMENSIONALES MEDIANTE REDES NEURONALES AUTOORGANIZADAS Y TRANSFORMADA DISCRETA DE FOURIER.

Oscar Francisco Rojas DíazSeptiembre - 2006

El tema central de esta tesis es la visión artificial específicamente el reconocimiento de patrones

bidimensionales utilizando modelos de inteligencia computacional y técnicas asociadas al análisis digital

de la imagen, lo cual permitiría a una máquina reconocer figuras bidimensionales ubicadas en un

escenario.

Estructura de la presentación.

• Introducción• Objetivos• Desarrollo de la propuesta• Demostración experimental• Conclusiones• Consultas

Introducción: ¿Inteligencia Artificial?La mayoría de las definiciones coinciden en que el objetivo de la Inteligencia Artificial es imitar las facultades del comportamiento que atribuimos al ser humano y el computador es el medio para lograr dichos objetivos.

Atributos del humano.

Aprender Tomar decisionesPercibir Razonar

Adquirir conocimiento

Utilizar los Sentidos

Analizar lasituación

Acciones físicas oIntelectuales

Inteligencia Artificial

Escuelas de pensamiento

Inteligencia artificial convencional

Inteligencia computacional

• Sistema expertos• Razonamiento basado en casos• Redes Bayesianas• Árboles de decisión en general

• Redes neuronales• Sistema difusos• Computación evolutiva• Sistemas híbridos• Sistemas conexionistas

Biológica y lingüística

Formalismo y análisis estadístico

Base teórica

Métodos

Robótica e Inteligencia Artificial

La robótica es una rama de la tecnología, que estudia el diseño y construcción de máquinas capaces de desempeñar tareas realizadas por el ser humano, imitar comportamientos de seres vivos físicamente o bien maquinas capaces de realizar tareas que requieran el uso de inteligencia.

Capacidad de aprendizaje, mejoras en la toma de decisiones, etc.

Mejoras mecánicas

Reducción en el tamaño de integrados

Disponibilidad de hardware

Capacidades de computo

Desarrollo Mecánico - físico

Inteligencia artificial actual permite en robótica

Resolver mas problemas

Menos tasa de error

Velocidad de respuesta

Decisiones autónomas

Diseños mas parecidos al humano, maquinas mas especializadas, mayor precisión en los movimientos, etc.

Desarrollo histórico

Nueva generación

Autonomía en la adquisición de conocimiento.

Robot con mayorautonomía e

interacción con el humano y su entorno

+

Robot con mayorinteligencia

Como interactúan con el entorno

Visión

Tacto

Audición

OlfatoPatrones

El análisis y reconocimiento de patrones es imprescindible al momento de diseñar Robots

inteligentes.

La visión es el sentido que le proporciona

más información de su entorno.

Visión artificial

Utilizando sensores capaces de proporcionar:

Visión artificial

Captura

La visión artificial, también conocida como visión por computador, es una disciplina de la inteligencia artificial, el propósito de la visión artificial es crear sistemas que puedan interpretar un escenario o bien obtener las características de una imagen.

Permite reducir el problema de una imagen a ciertas formas geométricas, a partir de ellas podemos analizar el problema e intentar comprender ante qué objeto o entorno nos encontramos.

Patrones

¿Qué es?

¿Cuantos objetos hay?

¿Esta lejos o cerca?

Imagen 2D

Escenario

Características Interpretación

Colores

Ubicación espacialImagen 2D

Objeto

¿Qué escenario es el que esta compuesto por todos esos objetos?

Dificultades en la visión artificial

El factor tecnológico es decisivo en los resultados.

Muy sensible a factores externos

Hardware Software

Modelos Algoritmos

Requiere muchos procesos intermedios

Plataformas

Alto rendimiento

Calidad de imagen

Tiempo de respuesta

Implementación

Soluciona problemas específicos

Tasas de acierto

Capacidades del sistema

Visión humana

La retina tiene entre 75 a 150 millones de bastones que son células receptoras de información visual monocroma, y 6 a 7

millones de conos que son células receptoras de tonos y matices color.

800.000 fibras por cada ojo aproximadamente

150 Mega píxeles aproximadamenteen una imagen digital

El numero de interconexiones de los sensores biológicos es superior a 140.000 millones

aproximadamente

Estamos limitados al factor tecnológico disponible, para poder realizar

artificialmente tareas que le son naturales al ojo humano, principalmente por el

volumen de los datos a utilizar

Reconocimiento: puntos, esquinas, planos, objetos, etc..

Ubicación: distancias, ángulos, etc..

Si se quiere interpretar un escenario artificialmente, que esta compuesto por muchos objetos y métricas

Se debe tener caracterizado cada componente del

escenario

Interpretar artificialmente

La forma como se representen los componentes es vital, ya sea por la dimensión de la información, el tipo de caracterización y representación de los mismos, además de tener estructuras y modelos adecuados en los cuales sustentar el sistema

Si nuestro sistema visual, reduce la dimensión de la información que es captada por las células receptoras y enviadas por el nervio óptico al cerebro, un modelo artificial efectivo debería tener las mismas características

Reconocer los objetos que componen la

escena visual

Tema central dela tesis

Objetivo general

Crear un mecanismo de reconocimiento y aprendizaje de formas geométricas bidimensionales representadas por curvas cerradas.

Objetivos específicos

Encontrar una señal que pueda representar una forma en base a su contorno.

Crear un sistema de reconocimiento y aprendizaje de formas que permita una retroalimentación de nuevos patrones.

Objetivos

Desarrollo de la propuesta

Existe un procedimiento inicial que es estándar al momento de estructurar un sistema de reconocimiento, dicho procedimiento esta relacionado principalmente con las aplicaciones que requieren un análisis automatizado de imágenes, a este procedimiento se le llama análisis de imágenes.

1º Objetivo: Encontrar una señal que pueda representar una forma en base a su contorno.

Requisitos de la señal. La representación sea invariante escala, traslación y rotación.

Que entregue información sobre el comportamiento geométrico de la forma.

Que el largo del vector sea relativamente pequeño.

Un patrón en una imagen es una descripción estructural o cuantitativa de un objeto o de alguna otra entidad de interés en una imagen, un patrón está formado por uno o más descriptores.

Patrón de la imagen

Adquisición y preprocesado

Utilización dela API JMF de

Java.

Matriz de una imagen digital Todo los procesosde trabajo de imágenesse basan en la función

bidimensional de entrada

Transformación a nivel de grisEliminación de ruido conel filtro de la mediana

API JavaJAI

El método más común de diferenciación en las aplicaciones de procesado de la imagen es el gradiente.

Gradiente Modulo del gradiente

2/1yx GGFmagf

yx GGf

x

y

G

Gyx 1tan,

Angulo de dirección del gradiente

y

fx

f

G

GF

y

x

Obtención de bordes con filtros diferenciales

Operadores de Sobel.

Los operadores de Sobel tienen la ventaja de proporcionar tanto una diferenciación como un efecto de suavizado.

Derivadas basadas en máscaras de sobel

987

654

321

ZZZ

ZZZ

ZZZ Una región de 3x3 de una determinada imagen (representada en términos de las variables Z, que son las que indican el nivel de gris).

321987 22 zzzzzzGx 741963 22 zzzzzzG y

Donde Z son los niveles de gris de los píxeles solapados por las máscaras en cualquier posición de una imagen.

Una vez que se ha completado el procedimiento en todas las posibles ubicaciones (píxeles de la imagen), el resultado es una imagen gradiente

del mismo tamaño que la imagen original.

121

000

121

101

202

101

Mascaras de Sobel

Umbralización binaria

Para realizar la binarización, basta con explorar todos los puntos de la imagen y determinar que puntos corresponderían al objeto y cuales al fondo.

TyxfSi

TyxfSi

yxg

),(0

),(1

),(

Entonces los píxeles etiquetados con 1 (o cualquier otro nivel de intensidad conveniente) corresponden a los objetos, mientras que los píxeles etiquetados con 0 corresponden al fondo. 

Representación de las formas

La etapa de representación esta dividida en dos etapas:

Seleccionar puntos característicos del contorno

Obtención del código de la cadena del borde

Seleccionar puntos característicos del contorno

Se carga la matriz binaria

Seleccionar el primer píxel con valor 1 y guardar posición e iniciar

rotación en (x-1,y-1).

Recorrer los píxeles vecinos en sentido delas agujas del reloj, hasta encontraruno con valor 1 y guardar posición.

Ubicarse en el píxel opuesto + 1 variación, de la ultima posición

guardada

La posición del píxel es la misma que elpíxel inicial.

No Si

Terminar recorrido

Puntos del borde

Interpolar

Puntos característicos del contorno

Obtener código de cadena

Representa un contorno por medio de una sucesión conexa de

segmentos de longitud y dirección especificadas.

[1.0 - 2.0 - 3.0 - 5.0 - 7.0 - 7.0 - 7.0 - 7.0 - 6.0 - 4.0 - 3.0 - 3.0 - 3.0 - 3.0 - 4.0 - 4.0 - 5.0 - 8.0 - 8.0 - 9.0 -10.0 -10.0 - 11.0 -11.0 - 12.0 - 12.0 - 12.0 - 11.0 - 9.0 - 9.0 - 9.0 - 9.0 - 10.0 - 11.0 - 12.0 - 13.0 - 13.0 -14.0 - 14.0 - 1.0 - 1.0 - 1.0 - 1.0 - 16.0 - 14.0 - 13.0 - 1.0 - 2.0 - 16.0 - 16.0]

Según el valor del ángulo formado entre dos puntos se le asignó un número entero entre 1 y 16, cada variación (arco) tiene un ángulo de 22.5 grados.

Se fijo en 50 el numero de puntos que representara al contorno.

Descripción

Para la descripción se realizaron los siguientes pasos:

Generar el código de cadena circular a partir del código de cadena.

Normalizar las características de la señal que representa al contorno, de tal manera que la señal obtenida represente a las

formas invariantes a rotación, escala y traslación.

Generar el código de cadena circular a partir del código de cadena.

El Código de la cadena circular de un contorno se define como las veces en que varia la dirección.

[1.0 - 1.0 - 2.0 - 2.0 - 0.0 - 0.0 - 0.0 - 15.0 - 14.0 - 15.0 - 0.0 - 0.0 - 0.0 - 1.0 - 0.0 - 1.0 - 3.0 - 0.0 – 1.0 - 1.0 - 0.0 - 1.0 - 0.0 - 1.0 - 0.0 - 0.0 - 15.0 - 14.0 - 0.0 - 0.0 - 0.0 - 1.0 - 1.0 - 1.0 - 1.0 - 0.0 - 1.0 – 0.0 - 3.0 - 0.0 - 0.0 - 0.0 - 15.0 - 14.0 - 15.0 - 4.0 - 1.0 - 14.0 - 0.0 - 1.0 ]

[1.0 - 2.0 - 3.0 - 5.0 - 7.0 - 7.0 - 7.0 - 7.0 - 6.0 - 4.0 - 3.0 - 3.0 - 3.0 - 3.0 - 4.0 - 4.0 - 5.0 - 8.0 - 8.0 - 9.0 -10.0 -10.0 - 11.0 -11.0 - 12.0 - 12.0 - 12.0 - 11.0 - 9.0 - 9.0 - 9.0 - 9.0 - 10.0 - 11.0 - 12.0 - 13.0 - 13.0 -14.0 - 14.0 - 1.0 - 1.0 - 1.0 - 1.0 - 16.0 - 14.0 - 13.0 - 1.0 - 2.0 - 16.0 - 16.0]

Código de la cadena

Código de cadena circular - VPC

Si a la misma figura le aplicamos cambios de la escala, traslación o rotación, el código de cadena circular solo tendría variaciones en lo que respecta a la traslación de la señal, con pocas perturbaciones en su recorrido.

Normalizar las características de la señal

Se utilizó la transformada discreta de Fourier, tomando como señal de entrada el código de cadena circular (VPC).

1,...2,1,0,exp1

21

0

Nwks

NksFwF

wkN

jN

k

1,...2,1,0,exp

21

0

NwksksFwF

wkN

jN

k

Se realizo un cambio en la ecuación

Original

Utilizada

1

0

2

1,...2,1,0,exp1 N

w

wkN

j

NkwFN

ks

Inversa

Entrada )()( kVPCkS

1

0

1)()0(N

k

kSF Suma de las variaciones internas

Suma de los ángulos internos de la forma

=

Señales obtenidas al normalizar la señal VPC.

Formas y el espectro de magnitudes de la DFT-VPC.

Proceso realizado en cumplimiento del primer objetivo

2º Objetivo: Crear un sistema de reconocimiento y aprendizaje de formas que permita una retroalimentación de nuevos patrones.

Se diseño una red compuesta por dos redes neuronales, una del tipo Kohonen TMP (Topologic – Preserving - Map) y una del tipo perceptron multicapa, la red Kohonen estaría encargada de excitar el grupo de neuronas que corresponden a un clase determinada además de entregar el valor de normalización de la señal entrada, y la red perceptron multicapa de reconocer los patrones específicos.

Sistema de reconocimiento con arquitectura neuronal

¿Por qué redes neuronales y no computo clásico?

Las RNA no ejecutan instrucciones, responden en paralelo a las entradas que se les presenta.

El conocimiento de una red neuronal no se almacena en instrucciones.

El poder de la red está en su topología y en los valores de las conexiones (pesos) entre neuronas.

Son modelos basados en la biología

Son aproximadores funcionales universales.

Intentan reproducir el comportamiento del cerebro

Inteligencia artificial mas cercana a lo real

Comparación entre las neuronas biológicas y las unidades de proceso artificiales

Redes Neuronales Biológicas Redes Neuronales Artificiales

Neuronas Unidades de proceso

Conexiones sinápticas Conexiones ponderadas

Efectividad de las sinápsis Peso de las conexiones

Efecto excitatorio o inhibitorio de una conexión Signo del peso de una conexión

Efecto combinado de las sinápsis Función de propagación o de red

Activación -> tasa de disparo Función de activación -> Salida

Mecanismo de Aprendizaje

Es el proceso por el cual una red neuronal modifica sus pesos en respuesta a una información de entrada.

Los cambios que se producen durante el proceso de aprendizaje se reducen a destrucción, modificación y creación de conexiones entre las neuronas.

La creación de una nueva conexión implica que el peso de la misma pasa a

tener un valor distinto de cero

Una conexión se destruye cuando su peso pasa a ser cero

Cuando los valores de los pesos permanecen estables 0dtdwijLa red aprende

Modelo propuesto, Red neuronal KPR

Red de perceptrones Red neuronal Kohonen TPM+

Red neuronal KPR

Almacenan la información de cada patrón, y estas neuronas se activan cuando un patrón de entrada es similar al almacenado.

Encargada de activar el grupo de neuronas que corresponden a un clase determinada además de entregar el valor de normalización de la señal DFT-VPC

Ordena topológicamente los patrones en un espacio bidimensional.

A medida que se le presentan nuevos patrones la red,una vez entrenada, cuando aprende, la red modifica la estructura de sus conexiones

Neuron Volume 47, Issue 2, 21 Julio 2005, páginas 267-280.

Existen evidencias que demuestran que en el cerebro hay neuronas que se organizan en muchas zonas, de forma que las informaciones captadas por los órganos sensoriales se representan internamente en forma de mapas bidimensionales.

Las ecuaciones de Kohonen han sido comprobadas experimentalmente por científicos del MIT.

Arquitectura de la red neuronal Kohonen TPM

Conexiones laterales

Entradas

Salidas

Pesos de lasconexiones

Conexionesauto recurrentes

Mapa bidimensional

Datos topológicos de las formas

Trata de establecer una correspondencia entre los datos de entrada y un espacio bidimensional de salida

Ante datos con características comunes se activen neuronas situadas en zonas próximas de la capa de salida

Funcionamiento de la red de Kohonen

),...,( 1kN

kk eeE

Presentar información de entrada

Las neuronas de la capa de salida reciben la información

A través de las conexiones hacia delante con los pesos de

cada conexión

A través de las conexiones laterales del resto de las

neuronas

La red evoluciona hasta encontrar una situación estable en la que se activa una neurona de salida, esta es la Vencedora

Una vez encontrada la vencedora, los pesos se actualizan, no sólo para la vencedora, sino para todas las de su entorno

Funcionamiento de la red de Kohonen

j

kESalida generada por una neurona

ante un vector de entrada

N

i

M

pppj

kijij tSIntewftS

1 1

)()1(

2

2

2jpd

e

I nteracción Lateral

Distancia entre neuronas

Gaussiana

pjInt =

jpdDistancia de la neurona j a la neurona p

Factor que decrece encada iteración

Red del tipo competitivo

Otra formulación

resto

weMINWEMIN

S

N

iji

kijk

j

0

11

2

Entrenamiento de la RED

Algoritmo de aprendizaje Kohonen

Inicializar los pesos W con valores aleatorios pequeños y se fija la zona inicial de vecindad

entre las neuronas de salida.

Presentar a la red la información de entrada (la que a debe aprender).

),...,( 1KN

kk eeE

Determinar la neurona ganadora,en función de la distancia de los

vectores E y W, gana la mas cercana.

Se actualizan los pesos de las conexiones entre las neuronas de entrada y la neurona ganadora J* , así como los de las conexiones entre las de entrada y las neuronas vecinas de la vencedora

)()()()1( * twettwtwij

kijiji

Un parámetro de ganancia o coeficiente de aprendizaje, con un valor entre 0 y 1, decrece con el número de iteraciones t

t1

)(

10000500 t

t es el numero de iteración

Zonas de vecindad

Implementación del modelo Kohonen TPM

Entradas Datos topológicos de las formas

Primer elemento de la DFT-VPC

Suma aproximada de los ángulos internos de la forma

Compacidad circular 2

4P

AC

A = Área

P = Perímetro

PropósitoQue la red pueda establecer vectores prototipo que estén ubicados en los centroides o centros de gravedad de cierto

conjunto de patrones

Establece una relación entre los patrones almacenados y las características en común

de las formas

2P

A

La compacidad es aquello que manifiesta la calidad de compacto. El adjetivo compacto representa una masa muy unida, en una forma seria que tan juntos se encuentran los puntos que la componen.

Compacidad En un circulo

22

2

4 r

r

4

1 Al normalizar para un circulo

0 1

10

63

12

92

1514

2120

18 1911 1713

7

16

4 85

Conjunto de entrenamiento

Mapa topológico

Compacidadcircular

416)0(F

416 es el factor normalización inicial

En una figura con 50 vértices la sumatoria de los

ángulos internos es de 9360º

9360º/22.5º = 416

2

0

)(

SK

jiki

N

ii

pweT

Reconocimiento de patrones específicos

jNet =

Ecuación propuesta para el reconocimiento de los patrones

j

Factor de normalización

Factor que transforma el elemento a su valor originalFactor de importancia

del elemento i de la señal entrada.

Entradas de la red

Pesos asociados a la neurona j

Neuronas j que pertenecen a la clase activada por la red Kohonen

Se asigno experimentalmente

Peso de la conexión lateral enviada por la red Kohonen (elemento prototipo de la

suma de ángulos internos)

416

Patrones de figurasalmacenadas

Patrón k a reconocer

Modelo neuronal propuesto para el reconocimiento especifico de patrones

kE0kiE

kNE

0S

MS

2S

1S

sk

S

jiw

0T iT NT

Red de perceptrones

M = nº patrones que pertenecen a una clase -1 N = Largo del vector de entrada -1

Modelo propuesto, Red neuronal KPR

Demostración experimental

Conclusiones

Los dos objetivos específicos que se plantearon en este trabajo de tesis,

se cumplieron íntegramente.

Encontrar una señal que pueda representar una forma en base a

su contorno.

Crear un sistema de reconocimiento y aprendizaje de

formas que permita una retroalimentación de nuevos

patrones.

Cumplimiento de objetivos planteados

Red Neuronal KPR Señal DFT-VPC

No sólo basta con trabajar con la teoría, se debe acompañar la

investigación con etapas de experimentación

Nos limitaría a las observaciones indicadas

por los autores

No se podría comprender a cabalidad las debilidades y

ventajas que contienen

No realizar experimentos

Para poder sustentar cualquier afirmación frente a un modelo o alguna teoría especialmente en el área de la Ciencia de la Computación debe existir una etapa de

experimentación

Conclusiones

El termino F(0) de la DFT-VPC va con este

error

DebilidadesEl método propuesto no es capaz de reconocer la totalidad de las formas

correctamente Característica de un sistema heurístico

El sistema no entrega cual es el mas parecido, si no el que el cree que es

el mas parecido

Normal

Causas técnicas

Produce errores en la clasificación de los conjuntos que son representados por el

vector de código de la cadena

Especialmente en las diagonales

Produce distorsiones en código de cadena

Resolución de la imagen

Efecto escalón

Error en la aproximación de la suma de ángulos internos

Producido en el proceso de interpolación

En las figuras no regulares o amorfas este

error aumentaconsiderablemente

No se establecen de forma exacta cuántos vértices tiene la

figura realmente

La señal DFT-VPC va con un grado de

distorsión

Influye en la ubicación de los patrones en el

mapa topológico

Ventajas

Tiempo de respuesta y tasas de acierto aceptables para la

complejidad del problema

Implementación

Al utilizar hilos, los tiempos de computo en los procesos neuronales asociados al reconocimiento especifico de patrones es muy rápido

Cada neurona trabajaba de forma independiente al momento de procesar la información

El patrón de cada figura es de largo 25, lo cual reduce considerablemente el espacio en memoria que se utiliza en el reconocimiento

La forma bidimensional es representado de manera unidimensional

VentajasModelo KPR

Capaz de reconocer patrones

La industria

Si el objetivo es clasificar o detectar fallas en ciertos productos, por ejemplo botellas defectuosas, piezas de construcción, etc.

Educación preescolar

Apoyo didáctico al momento de enseñar contenidos relacionados con la geometría de las figuras regulares

Militar

La gama de aplicación donde se puede

implementar es muy amplia

Reconocer mapas y formas especificas

Reconocimiento de voz

Medicina

Especialmente en procesos de diagnostico de enfermedades o anomalías que puedan ser identificadas utilizando datos, etc.

Resolución y calidad de las imágenes

Profundizar en los algoritmos de renderizado para mejorar la calidad de la

imagen y aumentar las resoluciones de las imágenes en la etapa de preprocesado

El modelo propuesto nos da una base teórica y experimental sólida en la cual implementar mejoras

Trabajo futuro

Mejoras al método

Clasificación de los conjuntos en el código de cadena

Ángulos (A)

Per

tene

ncia

Implementar conjuntos difusos, lo cual permitiría establecer las relaciones que tiene cada conjunto con el conjunto anterior y de esta manera la máquina podría establecer de manera más eficiente la elección de pertenencia de cada vector formado por dos puntos del contorno

0º 360º22.5º

45º

67.5º

1 2 3 4 5 76 8 9 10 11 12 13 14 15 16 1

Si lo fusionamos con un modelo neuronal que sólo se dedique a entregar como salida la pertenencia de un cierto vector según su dirección y sentido en base al historial del comportamiento de varios puntos, el proceso de generación del código de cadena tendría una tasa de error más baja

A este tipo de modelos se les conoce por el nombre redes neuronales difusas

U(A)

0

1

Mejoras al método

Establecer una mejor aproximación o exacta de cuántos vértices tiene la figura realmente

Diseñar un procedimiento posterior al obtener el borde con las mascaras de Sobel, y se determine que hay un vértice cuando se agrupen muchos píxeles pertenecientes al borde, dentro de una zona definida por un circunferencia

Establecer un tercer parámetro el cual sirva para crear un mapa de tres dimensiones lo cual nos permitiría una mejor preclasificación de

los patrones.

Mejora al mapa topológico

Trabajo futuro

Implementar un brazo robot que pueda interactuar con el humano

A través ordenes enviadas con patrones que se presenten a través de un sensor

visual incorporado en el brazo

Ayudar a minusvalidos en tareas simples, como traer un objeto determinado, marcar un número telefónico, etc.

Juegos interactivos, como es el caso de jugar ajedrez con

un robot

Implementación en robótica

La inspiración de este trabajo, fue la robótica en lo que concierne a los procesos de visión y las capacidades que se le puedan dar a una maquina en este sentido, si bien el sistema no es capaz de reconocer todas las características y objetos que componen a una escena visual al no estar aisladas las formas , esta propuesta puede ser utilizada como base para poder lograr este objetivo en proyectos futuros y con lo presentado en este trabajo de tesis el tema queda abierto para futuras investigaciones en este sentido.

“Si no eres parte de la solución, eres parte del problema”Anónimo

Hace 20 años tener robot con niveles de inteligencia capaces de interactuar con el humano imitando algunos procesos que nos son cotidianos, como por ejemplo el poder reconocer e interpretar escenarios visuales, era parte de la ciencia ficción, pero con los avances actuales de la Inteligencia Computacional (IC) esto es ya una realidad, y según muchos expertos en el tema, el estudio de la IC especialmente de la Neuro Computación en el siglo XXI será como lo fue el estudio del átomo en el siglo pasado.

Consultas

?