Hacia la diagnosis y recuperación de sensores robóticos a bajo nivel mediante inferencia en redes bayesianas

Abstract

Las implementaciones existentes en la actualidad sobre sensores virtuales no emplean un marco común matemáticamente riguroso. Por ello, en este trabajo tenemos como objetivo homogeneizar el soporte teórico de los sensores virtuales a bajo nivel, es decir, tratando directamente sus datos en bruto, de tal modo que puedan ser empleados en diagnóstico de fallos, recuperación de datos y otras funcionalidades sin cambiar el paradigma de base. La inferencia bayesiana constituye una manera genérica y rigurosa de abordar este problema; además, nos permite integrar conocimiento procedente de diversas fuentes (los propios dispositivos sensoriales, sentido común humano, datos del entorno, etc.) y se puede hibridar con otras metodologías como las redes neuronales o la lógica borrosa. Dado que el potencial de esta solución es considerablemente amplio, nos centramos aquí en el diagnóstico de averías, recuperación de datos y funcionalidades de integración de conocimiento externo. Nuestros resultados con un robot móvil real equipado con dos sensores de proximidad y con otros dispositivos más simples, demuestran que este marco tiene muchas posibilidades de mejorar el sistema sensorial de un robot por medio de técnicas de razonamiento de alto nivel.

Existing implementations for virtual sensors do not use a common, rigorous mathematical framework. In this work we aim to homogenize the theoretical support of virtual sensors at a low level, i.e., dealing with their raw data directly in such a way that they can be employed for fault diagnosis, data recovery and other functionalities without changing the base paradigm. Bayesian inference provides a general and principled way of addressing this; moreover, it allows us to integrate knowledge from diverse sources (the sensor devices themselves, human commonsense, environmental data, etc.) and could be hybridized with other approaches, such as neural networks or fuzzy logic. Since the potential of this solution is considerably wide, here we focus on the fault diagnosis, data recovery and external knowledge integration functionalities. Our results with a real mobile robot equipped with two rangefinder sensors and also common, simpler devices demonstrate that the framework has many possibilities for improving the sensory system of a mobile robot through high-level reasoning techniques.