Contenido principal del artículo

Sofía Álvarez-Arias
Universidad Carlos III de Madrid
España
https://orcid.org/0009-0000-5724-5373
Marcos Maroto-Gómez
Universidad Carlos III de Madrid
España
https://orcid.org/0000-0001-9576-1731
Sara Carrasco-Martínez
Universidad Carlos III de Madrid
España
https://orcid.org/0000-0002-2148-2067
María Malfaz
Universidad Carlos III de Madrid
España
https://orcid.org/0000-0003-2317-3329
Miguel Ángel Salichs
Universidad Carlos III de Madrid
España
https://orcid.org/0000-0002-0263-6606
Núm. 45 (2024), Robótica
DOI: https://doi.org/10.17979/ja-cea.2024.45.10865
Recibido: jun. 3, 2024 Aceptado: jul. 3, 2024 Publicado: jul. 12, 2024
Derechos de autor

Resumen

Cada vez son más los robots sociales dedicados a asistencia diaria en casas particulares y residencias, por lo que una adaptación al usuario y centralizar la información recogida por todos ellos resulta fundamental. Este artículo presenta un sistema de aprendizaje cooperativo para el robot social Mini. Este robot pretende asistir a usuarios de edad avanzada facilitando tareas mediante una interacción humano-robot adaptada a sus necesidades. El sistema propuesto permite integrar distintos métodos de aprendizaje por refuerzo de forma simultánea, permitiendo a los robots mejorar su comportamiento y aprender en entornos dinámicos de forma autónoma. Este sistema pretende superar limitaciones importantes del aprendizaje en robótica social al conectar los robots a un servidor central. La red permite compartir y centralizar la información de las interacciones de cada robot, agilizando el proceso de aprendizaje al disponer de un mayor volumen de datos en menos tiempo. El servidor almacena y procesa la información, mejorando la eficiencia y reduciendo la carga computacional en los robots. Este sistema permite a los robots adaptarse mejor a diferentes usuarios y entornos, mejorando sus respuestas y la personalización en la interacción humano-robot.

Detalles del artículo

Citas

Akalin, N., Loutfi, A., 2021. Reinforcement learning approaches in social robotics. Sensors 21 (4), 1292. DOI: https://doi.org/10.3390/s21041292

Franc ̧ois-Lavet, V., Henderson, P., Islam, R., Bellemare, M. G., Pineau, J., et al., 2018. An introduction to deep reinforcement learning. Foundations and Trends® in Machine Learning 11 (3-4), 219–354. DOI: https://doi.org/10.1561/2200000071

Gamboa-Montero, J. J., Alonso-Martin, F., Marques-Villarroya, S., Sequeira, J., Salichs, M. A., 2023. Asynchronous federated learning system for human–robot touch interaction. Expert Systems with Applications 211, 118510. DOI: https://doi.org/10.1016/j.eswa.2022.118510

Goodfellow, I., Bengio, Y., Courville, A., 2016. Deep learning. MIT press.

Hessel, M., Modayil, J., Van Hasselt, H., Schaul, T., Ostrovski, G., Dabney, W., Horgan, D., Piot, B., Azar, M., Silver, D., 2018. Rainbow: Combining improvements in deep reinforcement learning. Proceedings of the AAAI conference on artificial intelligence 32 (1), 14. DOI: https://doi.org/10.1609/aaai.v32i1.11796

Li, L., Fan, Y., Tse, M., Lin, K.-Y., 2020. A review of applications in federated learning. Computers & Industrial Engineering 149, 106854. DOI: https://doi.org/10.1016/j.cie.2020.106854

Liu, Y., Li, Z., Liu, H., Kan, Z., 2020. Skill transfer learning for autonomous robots and human–robot cooperation: A survey. Robotics and Autonomous Systems 128, 103515. DOI: https://doi.org/10.1016/j.robot.2020.103515

Maroto-G ́omez, M., Castro-Gonz ́alez, ́A., Castillo, J. C., Malfaz, M., Salichs, M. ́A., 2023. An adaptive decision-making system supported on user preference predictions for human–robot interactive communication. User Modeling and User-Adapted Interaction 33 (2), 359–403. DOI: https://doi.org/10.1007/s11257-022-09321-2

Maroto-G ́omez, M., Malfaz, M., Castillo, J. C., Castro-Gonz ́alez, ́A., Salichs, M. ́A., 2024. Personalizing activity selection in assistive social robots from explicit and implicit user feedback. International Journal of Social Robotics, 1–19. DOI: https://doi.org/10.1007/s12369-024-01124-2

Quigley, M., Conley, K., Gerkey, B., Faust, J., Foote, T., Leibs, J., Wheeler, R., Ng, A. Y., et al., 2009. Ros: an open-source robot operating system. ICRA workshop on open source software 3 (2), 5.

Salichs, M. A., Castro-Gonz ́alez, ́A., Salichs, E., Fern ́andez-Rodicio, E., Maroto-G ́omez, M., Gamboa-Montero, J. J., Marques-Villarroya, S., Castillo, J. C., Alonso-Mart ́ın, F., Malfaz, M., 2020. Mini: a new social robot for the elderly. International Journal of Social Robotics 12 (6), 1231–1249. DOI: https://doi.org/10.1007/s12369-020-00687-0

Smith, L., Lamprecht, C., 2024. Identifying the limitations associated with machine learning techniques in performing accounting tasks. Journal of Financial Reporting and Accounting. DOI: https://doi.org/10.1108/JFRA-05-2023-0280

Soori, M., Arezoo, B., Dastres, R., 2023. Artificial intelligence, machine learning and deep learning in advanced robotics, a review. Cognitive Robotics. Sutton, R. S., Barto, A. G., 2018. Reinforcement learning: An introduction. MIT press. DOI: https://doi.org/10.1016/j.cogr.2023.04.001

Vouloutsi, V., Cominelli, L., Dogar, M., Lepora, N., Zito, C., Martinez-Hernandez, U., 2023. Towards living machines: current and future trends of tactile sensing, grasping, and social robotics. Bioinspiration & biomimetics 18 (2), 025002. DOI: https://doi.org/10.1088/1748-3190/acb7b9