Parte: 11 — IA encarnada, robótica y uso de computadores
Nivel: experto · Horas estimadas: 6
Laboratorio: robotics · Estado: EXECUTABLE_CORE
Comprender sensores, actuadores y fusión dentro de la evolución de la inteligencia artificial, implementar un experimento mínimo verificable y distinguir qué parte constituye evidencia frente a una afirmación todavía no comprobada.
Al finalizar podrás:
- Explicar sensores, actuadores y fusión usando los conceptos
sensors,actuators,fusion,calibration. - Ejecutar el laboratorio con una semilla explícita y revisar su contrato JSON.
- Identificar al menos un supuesto, una limitación y un riesgo de aplicación.
- Comparar el enfoque con la etapa anterior de la ruta de aprendizaje.
- Producir una evidencia reproducible y una conclusión que no exceda los datos.
sensors, actuators, fusion, calibration
Toda la robótica descansa sobre una verdad incómoda: los sensores mienten un poco y los actuadores obedecen a medias. Esta clase introduce el tratamiento probabilístico de esa incertidumbre — calibración y fusión de sensores, con el filtro de Kalman como pieza central — que la clase 136 dio por supuesto al hablar de "percepción". Es el prerequisito directo de SLAM (138), donde la fusión se extiende de un estado escalar a la pose y el mapa completos, y del control (140), que necesita estimaciones limpias para cerrar el lazo.
- Propioceptivos (miden el propio robot): encoders de rueda, IMU (acelerómetro + giróscopo), sensores de corriente. Rápidos y siempre disponibles, pero integran error: la odometría deriva sin cota.
- Exteroceptivos (miden el mundo): LiDAR, cámaras, ultrasonido, GPS. Aportan referencias absolutas o relativas al entorno, pero sufren oclusión, ruido dependiente de la escena y frecuencias bajas.
Todo sensor se caracteriza por: rango, resolución, frecuencia, sesgo (error sistemático, se corrige con calibración) y varianza (error aleatorio, se gestiona con fusión). Modelo estándar de una medición:
z = h(x) + b + v donde h(x): función de observación del estado real x
b: sesgo (calibrable), v ~ N(0, R): ruido
Motores DC/BLDC con reductora, servomotores y actuadores lineales convierten comandos en movimiento. Sus imperfecciones (holgura o backlash, saturación, zona muerta, retardo) son la razón de que ordenar "avanza 1 m" no produzca exactamente 1 m — y de que el feedback de la clase 136 sea imprescindible.
Estimar y corregir el sesgo b y los parámetros de h con mediciones de
referencia (patrón de ajedrez para cámaras, superficie plana para IMU, giro de
360° para odometría). La calibración elimina error sistemático; jamás
elimina la varianza R.
Dos mediciones independientes del mismo escalar, con varianzas σ₁² y σ₂², se combinan de forma óptima (mínima varianza) ponderando por la inversa de la varianza:
x̂ = (σ₂²·z₁ + σ₁²·z₂) / (σ₁² + σ₂²) σ̂² = (σ₁²·σ₂²)/(σ₁²+σ₂²) < min(σ₁², σ₂²)
La fusión siempre reduce la incertidumbre por debajo del mejor sensor individual. El filtro de Kalman generaliza esta idea a estados dinámicos.
Mantiene una creencia gaussiana N(x̂, P) y alterna dos pasos:
PREDICCIÓN (usa el modelo de movimiento, crece la incertidumbre):
x̂⁻ = a·x̂ + b·u P⁻ = a²·P + Q
CORRECCIÓN (usa la medición, decrece la incertidumbre):
K = P⁻ / (P⁻ + R) # ganancia de Kalman ∈ (0, 1)
x̂ = x̂⁻ + K·(z − x̂⁻) # se mueve hacia z según la confianza
P = (1 − K)·P⁻
Lectura de la ganancia: si el sensor es preciso (R pequeño), K→1 y la
estimación sigue a la medición; si el sensor es ruidoso (R grande), K→0 y
domina el modelo. Q es el ruido de proceso: cuánta incertidumbre añade cada
paso de movimiento.
Alternativa barata para fusionar dos sensores con errores en frecuencias distintas (típico IMU): pasa-bajos sobre el sensor con deriva lenta y ruido alto de corto plazo (acelerómetro), pasa-altos sobre el que deriva (giróscopo):
ángulo = α·(ángulo + gyro·dt) + (1−α)·ángulo_accel α ≈ 0.98
Sin matrices ni covarianzas: es el 90 % de los drones de hobby.
Robot en un pasillo (posición 1D en metros). Estado inicial x̂=0, P=1.
Modelo: avanza u=1 m por paso (a=1, b=1), ruido de proceso Q=0.25.
Sensor de distancia con R=1. Medición en t=1: z=1.2.
Paso 1 — Predicción:
x̂⁻ = 1·0 + 1·1 = 1.0
P⁻ = 1·1 + 0.25 = 1.25
Paso 1 — Corrección con z=1.2:
K = 1.25 / (1.25 + 1) = 0.5556
x̂ = 1.0 + 0.5556·(1.2 − 1.0) = 1.111
P = (1 − 0.5556)·1.25 = 0.5556
La estimación (1.111) queda entre el modelo (1.0) y la medición (1.2), más
cerca de la medición porque P⁻ > R. La incertidumbre cayó de 1.25 a 0.556.
Paso 2 con z=2.3: predicción x̂⁻=2.111, P⁻=0.806; ganancia
K=0.806/1.806=0.446; corrección x̂=2.111+0.446·(2.3−2.111)=2.195,
P=0.446. Nota cómo P converge hacia un valor estacionario (~0.42 en este
sistema): el filtro alcanza un equilibrio entre lo que aporta el modelo y lo
que aporta el sensor.
| Método | Estado que maneja | Supuestos | Coste | Cuándo usarlo |
|---|---|---|---|---|
| Promedio ponderado | Estático | Gaussiano, sin dinámica | O(1) | Fusión puntual de 2+ sensores |
| Filtro complementario | 1 variable con deriva | Errores separables en frecuencia | O(1) | IMU de bajo coste, drones |
| Kalman (KF) | Vector, dinámica lineal | Lineal + gaussiano | O(n³) por paso | Odometría+GPS, tracking |
| EKF | No lineal suave | Linealización local válida | O(n³) | SLAM (clase 138), IMU 3D |
| Filtro de partículas | No lineal, multimodal | Muestreo suficiente | O(n·partículas) | Localización global ambigua |
flowchart LR
U[Comando u] --> PR[Predicción<br/>x̂⁻ = a·x̂ + b·u<br/>P⁻ = a²P + Q]
PR --> CO[Corrección<br/>K = P⁻/（P⁻+R）<br/>x̂ = x̂⁻ + K·（z−x̂⁻）]
Z[Medición z<br/>ruido R] --> CO
CO --> X[Creencia N（x̂, P）]
X -->|siguiente paso| PR
- "Un sensor caro elimina la necesidad de fusión." Todo sensor tiene varianza y modos de fallo; fusionar dos sensores mediocres e independientes suele rendir más que uno excelente sin redundancia.
- "La calibración corrige el ruido." Corrige el sesgo (sistemático); la varianza aleatoria solo se reduce con fusión o promediado temporal.
- "El filtro de Kalman predice el futuro." Estima el estado presente combinando modelo y medición; la predicción es solo el paso intermedio.
- "K es un parámetro que se sintoniza a mano." K se calcula en cada paso a partir de P y R; lo que se sintoniza son Q y R.
- "Si P converge, la estimación es correcta." P pequeño significa consistencia interna; con un modelo o calibración erróneos el filtro converge con confianza a un valor equivocado (filtro sobreconfiado).
En un sistema real faltan: sincronización temporal de sensores (timestamps, interpolación, compensación de latencia), detección y rechazo de outliers (un GPS multipath puede corromper el filtro entero), estimación honesta de Q y R a partir de datos, transformaciones entre marcos de referencia (TF en ROS 2) y monitorización de la salud de cada sensor con degradación controlada cuando uno falla. La versión 1D a mano es el modelo mental; producción es gestión de covarianzas en 15+ dimensiones con datos sucios.
python lab.pyEl laboratorio llama a ai_evolution.labs.run_lab("robotics"). Esta
decisión evita 183 implementaciones divergentes: cada clase tiene un entrypoint
propio, pero los motores didácticos se prueban como una biblioteca común.
- tipo de laboratorio y semilla;
- entradas o decisiones observables;
- resultado estructurado;
- lista
evidencecon hechos que pueden inspeccionarse; - lista
limitationsque impide presentar la demo como producción.
- 📓
notebook.ipynb: recorrido guiado con la materia resumida. - ✍️
notebook_student.ipynb: ejercicios para resolver. - ✅
notebook_solution.ipynb: solución de referencia explicada.
| Criterio | Peso |
|---|---|
| Comprensión conceptual | 25 % |
| Ejecución reproducible | 25 % |
| Interpretación basada en evidencia | 25 % |
| Riesgos, límites y mejora propuesta | 25 % |
Consulta assessment.md para preguntas y criterio de aceptación.
| Síntoma | Causa probable | Corrección |
|---|---|---|
| El código corre, pero no hay conclusión | Se confundió ejecución con aprendizaje | Explica qué demuestra y qué no demuestra |
| El resultado cambia sin explicación | No se registró semilla o configuración | Conserva semilla, versión y parámetros |
| Se promete uso real | Se extrapoló desde una demo educativa | Declara entorno, datos, límites y revisión humana |
| Se copia una métrica aislada | No existe baseline ni costo de error | Añade comparación y criterio de decisión |
¿Debo usar una API comercial?
No. El núcleo funciona localmente. Las extensiones LIVE se documentan por separado.
¿El laboratorio representa una implementación industrial?
No por sí solo. Enseña el contrato y el patrón; producción exige integración,
seguridad, observabilidad, pruebas y operación.
¿Dónde profundizo?
Revisa las especializaciones enlazadas en el README raíz y la ruta siguiente.
- Thrun, S., Burgard, W. & Fox, D. Probabilistic Robotics — caps. 2-3 (filtros bayesianos y de Kalman) — uso: referencia consultada en su fuente original
- Kalman, R. E. (1960). A New Approach to Linear Filtering and Prediction Problems. J. Basic Engineering. DOI 10.1115/1.3662552 — uso: fuente primaria del mecanismo estudiado
- Siciliano, B. & Khatib, O. (eds.). Springer Handbook of Robotics, 2e — parte C, Sensing and Perception — uso: referencia consultada en su fuente original
- KalmanFilter.NET — tutorial ilustrado del filtro de Kalman (Alex Becker) — uso: referencia consultada en su fuente original
- ROS 2 — robot_localization (fusión EKF/UKF en producción) — uso: referencia consultada en su fuente original
Bloque generado por
python scripts/link_papers_to_classes.py. La fuente espapers/catalog/papers.json.
| Paper | Año | Qué desbloqueó | Miniatura |
|---|---|---|---|
| P96 · Un nuevo enfoque para los problemas de filtrado y predicción lineales | 1960 | Fusiona un modelo del movimiento con un sensor ruidoso ponderando cada fuente por su propia incertidumbre, y lo hace de forma recursiva. | notebook |
Cada ficha explica el problema anterior, la matemática mínima, los límites y los errores de atribución más frecuentes. Para leerlas con método: cómo leer un paper de IA · anexos matemáticos.
Bloque generado por
python scripts/link_sources_to_classes.py. Cada obra lleva su localizador verificado ensources/bibliography.json.
Los papers dicen de dónde salió el mecanismo. Estas obras lo desarrollan con el espacio que una clase no tiene: teoría completa, demostraciones y ejercicios.
| Obra | Edición | Localizador | Papel en esta clase |
|---|---|---|---|
| Sebastian Thrun — Probabilistic Robotics | 2005 | ISBN 9780262201629 · web de la obra | citada en las referencias de esta clase · caps. 2-3 · obra de referencia de la parte 11 |