- ES Español (Latinoamérica)

3.59. AI363 Sistemas Autónomos (Electivo)
- Semestre: 9no Sem. Créditos: 4
- Horas del curso: Teoría: 2 horas; Laboratorio: 4 horas;
- Sílabo:


Español (Latinoamérica)

English - Prerrequisitos:
- AI264 Aprendizaje Profundo (7mo Sem)
- ES Español (Latinoamérica)

3.59.1. Justificación Volver arriba

Este curso cubre los principios de sistemas autónomos capaces de percibir, decidir y actuar independientemente, incluyendo arquitecturas de decisión, navegación autónoma y consideraciones de seguridad crítica.
- ES Español (Latinoamérica)

3.59.2. Objetivos Generales Volver arriba

- Implementar pipelines de percepción-decisión-acción
- Diseñar sistemas de planificación de movimientos
- Evaluar riesgos en sistemas autónomos de seguridad crítica
- ES Español (Latinoamérica)

3.59.3. Contribución a los resultados (Outcomes) Volver arriba

- AG-C02) Ética: Aplica principios éticos y se compromete con la ética profesional y las normas de la práctica profesional de la computación. (Usage)
- AG-C09) Diseño y Desarrollo de Soluciones: Diseña, implementa y evalúa soluciones para problemas complejos de computación. (Assessment)
- AG-C12) Aplica teorías de IA, algoritmos cognitivos y principios de Data Engineering para construir sistemas inteligentes autónomos. (Assessment)
- ES Español (Latinoamérica)

3.59.4. Contenido Volver arriba

- ES Español (Latinoamérica)

3.59.4.1. Fundamentos de Autonomía (12 horas) [Habilidades AG-C09] Volver arriba

Referencias Bibliográficas: (Thrun et al., 2005a)
Temas
- Arquitecturas de control (sense-plan-act vs behavior-based)
- Localización y mapeo simultáneo (SLAM)
- Filtros bayesianos (Kalman, Particle)
Aprendizaje esperado (Learning Outcomes)
- Implementar filtros de localización [Usar]
- Evaluar arquitecturas de control [Evaluar]
- ES Español (Latinoamérica)

3.59.4.2. Toma de Decisiones Autónomas (24 horas) [Habilidades AG-C09] Volver arriba

Referencias Bibliográficas: (Bojarski et al., 2016)
Temas
- Redes neuronales para control end-to-end
- Planificación de trayectorias (A*, RRT*)
- Aprendizaje por refuerzo en robótica
Aprendizaje esperado (Learning Outcomes)
- Entrenar redes para control vehicular [Usar]
- Diseñar sistemas híbridos lógica-IA [Evaluar]
- ES Español (Latinoamérica)

3.59.4.3. Seguridad y Ética (8 horas) [Habilidades AG-C09] Volver arriba

Referencias Bibliográficas: (Amodei et al., 2016)
Temas
- Fallas en cascada en sistemas autónomos
- Mecanismos de "kill switch" éticos
- Regulaciones para vehículos autónomos
Aprendizaje esperado (Learning Outcomes)
- Analizar casos de fallas críticas [Familiarizarse]
- Implementar salvaguardas básicas [Usar]
- ES Español (Latinoamérica)

3.59.5. Referencias Bibliográficas Volver arriba

Thrun, S., Burgard, W., and Fox, D. (2005a). Probabilistic Robotics. MIT Press.
Bojarski, M., Testa, D. D., Dworakowski, D., Firner, B., Flepp, B., Goyal, P., Jackel, L., Monfort, M., Muller, U., Zhang, J., Zhang, X., Zhao, J., and Zieba, K. (2016). End to end learning for self-driving cars. arXiv:1604.07316.
Amodei, D., Olah, C., Steinhardt, J., Christiano, P., Schulman, J., and Mané, D. (2016). Concrete problems in ai safety. In NeurIPS.