La robótica en la nube es un campo de la robótica que intenta invocar tecnologías en la nube como la computación en la nube , el almacenamiento en la nube y otras tecnologías de Internet centradas en los beneficios de la infraestructura convergente y los servicios compartidos para la robótica. Cuando están conectados a la nube, los robots pueden beneficiarse de los poderosos recursos de computación, almacenamiento y comunicación de los modernos centros de datos en la nube, que pueden procesar y compartir información de varios robots o agentes (otras máquinas, objetos inteligentes, humanos, etc.) . Los humanos también pueden delegar tareas a robots de forma remota a través de redes . Las tecnologías de computación en la nube permiten dotar a los sistemas robóticos de potentes capacidades y, al mismo tiempo, reducir los costos a través de las tecnologías de la nube. Por lo tanto, es posible construir robots más inteligentes, livianos y de bajo costo con un "cerebro" inteligente en la nube. El "cerebro" consta de un centro de datos, una base de conocimientos , planificadores de tareas, aprendizaje profundo , procesamiento de información, modelos ambientales, soporte de comunicación, etc. [1] [2] [3] [4]
Enfoque: Aprendizaje permanente. [10] CAS propuso aprovechar el aprendizaje permanente para construir un cerebro en la nube para robots. El autor estaba motivado por el problema de cómo hacer que los robots fusionen y transfieran su experiencia para que puedan utilizar eficazmente conocimientos previos y adaptarse rápidamente a nuevos entornos. Para abordar el problema, presentan una arquitectura de aprendizaje para la navegación en sistemas robóticos en la nube: Lifelong Federated Reinforcement Learning (LFRL). En el trabajo, proponen un algoritmo de fusión de conocimientos para actualizar un modelo compartido implementado en la nube. Luego, se introducen métodos efectivos de aprendizaje por transferencia en LFRL. LFRL es consistente con la ciencia cognitiva humana y encaja bien en los sistemas robóticos en la nube. Los experimentos muestran que LFRL mejora en gran medida la eficiencia del aprendizaje por refuerzo para la navegación de robots. La implementación del sistema robótico en la nube también muestra que LFRL es capaz de fusionar conocimientos previos.
Enfoque: Aprendizaje Federado. [11] En 2020 se propuso aprovechar el aprendizaje permanente para construir un cerebro en la nube para robots. Los humanos son capaces de aprender un nuevo comportamiento observando a otros mientras realizan la habilidad. De manera similar, los robots también pueden implementar esto mediante el aprendizaje por imitación. Además, si cuentan con guía externa, los humanos pueden dominar el nuevo comportamiento de manera más eficiente. Entonces, ¿cómo pueden los robots lograr esto? Para abordar el problema, los autores presentan un marco novedoso llamado FIL. Proporciona un mecanismo de fusión de conocimientos heterogéneo para sistemas robóticos en la nube. Luego, se propone un algoritmo de fusión de conocimientos en FIL. Permite que la nube fusione conocimientos heterogéneos de robots locales y genere modelos de guía para robots con solicitudes de servicio. Después de eso, introducimos un esquema de transferencia de conocimientos para facilitar que los robots locales adquieran conocimientos de la nube. Con FIL, un robot es capaz de utilizar el conocimiento de otros robots para aumentar su aprendizaje por imitación en precisión y eficiencia. En comparación con el aprendizaje por transferencia y el metaaprendizaje, FIL es más adecuado para implementarse en sistemas robóticos en la nube. Realizan experimentos de una tarea de conducción autónoma para robots (automóviles). Los resultados experimentales demuestran que el modelo compartido generado por FIL aumenta la eficiencia del aprendizaje por imitación de robots locales en sistemas robóticos en la nube.