137 — Sensores, actuadores y fusión

← Clase anterior · Índice de la parte · Clase siguiente →

Parte: 11 — IA encarnada, robótica y uso de computadores
Nivel: experto · Horas estimadas: 6
Laboratorio: robotics · Estado: EXECUTABLE_CORE

🎯 Propósito

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.

📚 Resultados de aprendizaje

Al finalizar podrás:

  1. Explicar sensores, actuadores y fusión usando los conceptos sensors, actuators, fusion, calibration.
  2. Ejecutar el laboratorio con una semilla explícita y revisar su contrato JSON.
  3. Identificar al menos un supuesto, una limitación y un riesgo de aplicación.
  4. Comparar el enfoque con la etapa anterior de la ruta de aprendizaje.
  5. Producir una evidencia reproducible y una conclusión que no exceda los datos.

🧩 Conceptos centrales

sensors, actuators, fusion, calibration

🗺️ Ubicación en el mapa de la IA

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.

📖 Fundamentos

📡 Sensores: qué miden y cómo fallan

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

⚙️ Actuadores

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.

🧪 Calibración

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.

🔀 Fusión de sensores: por qué promediar con pesos

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.

📉 Filtro de Kalman (versión conceptual 1D)

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.

🧮 Filtro complementario

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.

🧮 Ejemplo trabajado

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.

📊 Propiedades y comparación

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

⚠️ Errores conceptuales frecuentes

  1. "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.
  2. "La calibración corrige el ruido." Corrige el sesgo (sistemático); la varianza aleatoria solo se reduce con fusión o promediado temporal.
  3. "El filtro de Kalman predice el futuro." Estima el estado presente combinando modelo y medición; la predicción es solo el paso intermedio.
  4. "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.
  5. "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).

🚀 Del aprendizaje a la operación

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.

🧪 Laboratorio

python lab.py

El 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.

🔍 Evidencia esperada

📓 Notebooks

📝 Evaluación

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.

⚠️ Errores comunes

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

❓ Preguntas frecuentes

¿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.

🔗 Referencias

📜 Papers que fundamentan esta clase

Bloque generado por python scripts/link_papers_to_classes.py. La fuente es papers/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.

📚 Bibliografía de apoyo

Bloque generado por python scripts/link_sources_to_classes.py. Cada obra lleva su localizador verificado en sources/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

⬅️ Clase anterior

136 — Arquitectura percepción-planificación-acción

➡️ Siguiente clase

138 — Localización, mapeo y SLAM

📝 Evaluación completa

❓ Preguntas

  1. Define sensores, actuadores y fusión sin usar una marca o framework como definición.
  2. Explica la relación entre sensors, actuators, fusion, calibration.
  3. Ejecuta lab.py dos veces con la misma semilla. ¿Qué debe conservarse?
  4. Identifica una afirmación permitida y una afirmación exagerada sobre el resultado.
  5. Propón una prueba negativa o un caso límite.

🏆 Reto verificable

Amplía el resultado del laboratorio con una clave student_extension que incluya:

✅ Criterio de aceptación