Robotica
Curso universitario de nivel posgrado en robótica neuromórfica que integra fundamentos de control robótico con modelos neuronales biológicamente plausibles, en particular redes neuronales de impulsos (Spiking Neural Networks, SNN). La disciplina combina neurociencia computacional, ingeniería de control y hardware neuromórfico para diseñar agentes robóticos energéticamente eficientes y adaptativos. El estudiante desarrollará competencias para modelar neuronas y sinapsis dinámicas, implementar controladores basados en SNN, desplegarlos en hardware neuromórfico real y conducir investigación original. Al egresar, será capaz de formular, implementar y evaluar arquitecturas de control neuromórfico para tareas de percepción y actuación robótica.
Prerrequisitos
- Cálculo diferencial e integral y ecuaciones diferenciales ordinarias a nivel universitario
- Álgebra lineal a nivel universitario (espacios vectoriales, autovalores, descomposiciones matriciales)
- Programación en Python a nivel intermedio (NumPy, manejo de estructuras de datos y simulación numérica)
- Fundamentos de probabilidad y estadística (distribuciones, inferencia básica)
- Conocimientos introductorios de redes neuronales artificiales y aprendizaje automático
Contenido del curso
Introducción a la robótica neuromórfica
- Arquitectura de un sistema robótico
- Por qué computación neuromórfica en robótica
- Panorama de hardware neuromórfico
- Síntesis: el ecosistema neuromórfico
Modelos matemáticos de la neurona de impulsos
- El modelo integrate-and-fire con fuga
- Modelos biofísicos: Hodgkin-Huxley e Izhikevich
- Simulación de una neurona en Brian2
- Síntesis: del impulso al código neuronal
Sinapsis y dinámica de redes de impulsos
- Modelos de transmisión sináptica
- Topologías de conectividad de red
- Construcción de un microcircuito neuronal
- Síntesis: emergencia de dinámicas de red
Plasticidad y aprendizaje en SNN
- Plasticidad dependiente del tiempo de impulso (STDP)
- Entrenamiento con gradientes sustitutos
- Conversión de ANN a SNN
- Síntesis: estrategias de aprendizaje neuromórfico
Percepción neuromórfica basada en eventos
- Cámaras de eventos y sensado asíncrono
- Procesamiento de flujos de eventos con SNN
- Laboratorio de reconocimiento espaciotemporal
- Síntesis: percepción dirigida por eventos
Control sensoriomotor con SNN (Proyecto integrador I)
- Bucles de control reactivo neuromórfico
- Controladores PID neuromórficos
- Integración percepción-actuación en simulación
- Síntesis: diseño del proyecto integrador semestral
Despliegue en hardware neuromórfico
- Modelo de programación de Loihi y SpiNNaker
- Mapeo y cuantización de redes
- Medición de energía y latencia en hardware
- Síntesis: del simulador al chip neuromórfico
Navegación y mapas cognitivos neuromórficos
- Células de lugar y de rejilla
- SLAM bioinspirado
- Planificación de trayectorias neuronales
- Síntesis: navegación neuromórfica frente a métodos clásicos
Aprendizaje por refuerzo neuromórfico
- Plasticidad modulada por recompensa (R-STDP)
- Diseño de un agente neuromórfico de control
- Evaluación de políticas aprendidas
- Síntesis: criterios de evaluación de agentes neuromórficos
Benchmarking y evaluación crítica de sistemas neuromórficos
- Métricas de eficiencia, latencia y precisión
- Diseño experimental reproducible
- Análisis de compromisos de diseño
- Síntesis: revisión crítica de literatura de frontera
Diseño de arquitecturas neuromórficas originales
- Especificación de requisitos de una tarea robótica
- Co-diseño hardware-software
- Prototipado iterativo
- Síntesis: documento de diseño del proyecto final
Proyecto de investigación final y comunicación científica
- Implementación completa del sistema propuesto
- Experimentación y análisis estadístico
- Redacción de artículo científico reproducible
- Síntesis: defensa oral y revisión por pares
Regístrate gratis en moritalearn.com para comprar este curso con créditos o generar el tuyo propio sobre cualquier tema.