Doctor en Ingeniería Eléctrica / La conducción autónoma de vehı́culos requiere de un método de localización robusto a cambios en el ambiente debidos, entre otros, a la iluminación natural, los objetos dinámicos presentes y a las condiciones ambientales. Los mapas topológicos permiten una representación concisa del mundo al mantener solo información sobre los lugares relevantes, mientras que los mapas semánticos permiten una representación de alto nivel que incluye etiquetas asociadas con lugares u objetos. Es por esto que en este trabajo se propone el uso de mapas topológicos semánticos como una solución robusta y eficiente para el mapeo en lugares extensos para su uso en la conducción de vehı́culos autónomos. El objetivo de esta tesis es modelar el entorno de un vehı́culo a través de un mapa topológico semántico, utilizando información semántica obtenida del procesamiento de imágenes de la cámara frontal del vehı́culo, lo que permite generar una descripción de alto nivel del entorno para su uso en la localización de un vehı́culo autónomo en condiciones de navegación urbanas y rurales. La metodologı́a para la construcción del Mapa Topológico Semántico utiliza un método de seg- mentación semántica basado en redes neuronales profundas para extraer la información semántica de las imágenes, y construye el mapa en una estructura de grafo que describe el entorno del vehı́cu- lo. Para llevar a cabo la localización del vehı́culo en un mapa topológico semántico conocido se implementó un método basado en filtros de partı́culas que resuelve exitosamente el problema de localización. Esta metodologı́a fue probada en una base de datos de conducción urbana, logrando describir 9,57[km] de caminos de ciudad con un grafo que contiene 232 aristas. La metodologı́a de localización fue probada utilizando un segundo recorrido de 8,45[km] obteniéndose una precisión promedio de 7,7[m] en la estimación de la pose del vehı́culo, mostrando mejores resultados que otros dos métodos del estado del arte. Además, los experimentos realizados demuestran la robustez de la metodologı́a en el caso de no tener una estimación inicial de la pose del vehículo.

Tesis para optar al grado de Magíster en Ciencias de la Ingeniería, Mención Eléctrica / 31/10/2020

Tesis para optar al grado de Magíster en Ciencias de la Ingeniería, Mención Eléctrica / Memoria para optar al título de Ingeniero Civil Eléctrico / El Aprendizaje Reforzado Profundo (DRL) se ha transformado en una metodología poderosa para resolver problemas complejos de toma de decisión secuencial. Sin embargo, el DRL tiene varias limitaciones cuando es usado en problemas del mundo real (p.ej. aplicaciones de robótica). Por ejemplo, largos tiempos de entrenamiento (que no se pueden acelerar) son requeridos, en contraste con ambientes simulados, y las funciones de recompensa pueden ser difíciles de especificar/modelar y/o computar. Más aún, el traspaso de políticas aprendidas en simulaciones al mundo real no es directo (\emph{reality gap}). Por otro lado, métodos de aprendizaje de máquinas basados en la transferencia de conocimiento humano a un agente han mostrado ser capaces de obtener políticas con buenos desempeños sin necesariamente requerir el uso de una función de recompensa, siendo eficientes en lo que respecta al tiempo. En este contexto, en esta tesis se introduce una estrategia de Aprendizaje Interactivo de Máquinas (IML) para entrenar políticas modeladas como Redes Neuronales Profundas (DNNs), basada en retroalimentación correctiva humana con un método llamado D-COACH. Se combina Aprendizaje Profundo (DL) con el método Asesoramiento Correctivo Comunicado por Humanos (COACH), en donde humanos no expertos pueden entrenar políticas corrigiendo las acciones que va tomando el agente en ejecución. El método D-COACH tiene el potencial de resolver problemas complejos sin la necesidad de utilizar muchos datos o tiempo. Resultados experimentales validan la eficiencia del método propuesto en plataformas simuladas y del mundo real, en espacios de estados de baja y alta dimensionalidad, mostrando la capacidad de aprender políticas en espacios de acción continuos de manera efectiva. El método propuesto mostró resultados particularmente interesantes cuando políticas parametrizadas con Redes Neuronales Convolucionales (CNNs) fueron usadas para resolver problemas con espacios de estado de alta dimensionalidad, como pixeles desde una imagen. Al usar CNNs, los agentes tienen la capacidad de construir valiosas representaciones del estado del ambiente sin la necesidad de hacer ingeniería de características por el lado del diseñador (lo que era siempre necesario en el Aprendizaje Reforzado (RL) clásico). Estas propiedades pueden ser muy útiles en robótica, ya que es común encontrar aplicaciones en donde la información adquirida por los sensores del sistema es de alta dimensionalidad, como imágenes RGB. Darles la habilidad a los robots de aprender desde datos del alta dimensionalidad va a permitir aumentar la complejidad de los problemas que estos pueden resolver. A lo largo de esta tesis se proponen y validan tres variaciones de D-COACH. La primera introduce una estructura general para resolver problemas de estado de baja y alta dimensionalidad. La segunda propone una variación del primer método propuesto para problemas de estado de alta dimensionalidad, reduciendo el tiempo y esfuerzo de un humano al entrenar una política. Y por último, la tercera introduce el uso de Redes Neuronales Recurrentes para añadirle memoria a los agentes en problemas con observabilidad parcial. / FONDECYT 1161500

Tesis para optar al grado de Magíster en Ciencias de la Ingeniería, Mención Mecánica / El presente trabajo para optar al título de magíster en ciencias de la ingeniería, mención mecánica radica en el diseño, fabricación y caracterización de una población heterogénea de robot modulares blandos. Cada robot modular es capaz de realizar un movimiento único y que en conjunto logran realizar tareas más complejas y complicadas. Cada diseño posee una característica propia la cual logra que el comportamiento de cada robot modular blando sea completamente diferente a otro. Principalmente se utiliza una fibra idealmente no extensible para impedir o guiar la expansión en ciertas direcciones logrando que el robot tenga la capacidad de rotar, de inclinar, de deslizar o de expandir en una dirección o en dos direcciones. Todos los robot modulares son simulados en un software de elementos finitos y dinámica de fluido computacional con las propiedades de un material tipo hiperelástico y un material idealmente inextensible, los cuales son sometidos a un procedimiento de presurización y despresurización controlado para observar su comportamiento e.g. su desplazamiento, deslizamiento o rotación. La fabricación de cada robot modular es realizado utilizando el método llamado litografía blanda, el cual se usa un tipo de elastómero que dentro de sus características se destacan su gran capacidad expansiva y su resistencia a la rotura. Esta silicona es depositada en moldes generadas por impresión 3D con el método llamado modelado por deposición fundida el cual es un proceso de fabricación utilizado para el modelado de prototipos y la producción a pequeña escala. Se ha realizado una comparación entre los datos adquiridos mediante las simulaciones y los datos empíricos obtenidos en base a las pruebas hechas de presurizado y despresurizado. Se adquieren el error estándar del comportamiento controlado que presenta cada módulo mediante su desviación estándar dividida por la raíz cuadrada del número de repeticiones. En esta tesis se ha podido concluir que la población de robots modulares blandos presenta un gran potencial para ser utilizados en variadas áreas de la investigación, gracias a su versatilidad para lograr diferentes configuraciones en su sistema logrando así una amplia gama de movimientos.

Revision of Karl Iagnemma's Thesis (Ph. D.)--Massachusetts Institute of Technology, 2001. / Includes bibliographical references (p. [101]-107) and index.