UD04 · EX5 — Controlar el robot con una red neuronal¶
Introducción¶
Esta práctica tiene como objetivo controlar un robot con una red neuronal. Es por eso que entrenaremos a una red neuronal con datos de sensores de robot y órdenes que se darán al robot para seguir la pista. Una vez que la red está entrenada, se puede usar para controlar el robot.
In [ ]:
Copied!
%pip install aitk aitk.robots keras numpy opencv-python-headless matplotlib requests
# Dos caminos para la red, y cada uno pide algo distinto:
# - `aitk.networks.SimpleNetwork` es el mas simple y se integra con aitk.robots, pero por
# dentro usa TensorFlow. En Colab ya viene instalado y funciona sin mas.
# - `keras` 3 es agnostico del backend (TensorFlow en Colab, PyTorch en local) y no necesita
# TensorFlow. Es el camino que funciona en cualquier entorno.
import os
os.environ.setdefault("KERAS_BACKEND", "torch")
%pip install aitk aitk.robots keras numpy opencv-python-headless matplotlib requests # Dos caminos para la red, y cada uno pide algo distinto: # - `aitk.networks.SimpleNetwork` es el mas simple y se integra con aitk.robots, pero por # dentro usa TensorFlow. En Colab ya viene instalado y funciona sin mas. # - `keras` 3 es agnostico del backend (TensorFlow en Colab, PyTorch en local) y no necesita # TensorFlow. Es el camino que funciona en cualquier entorno. import os os.environ.setdefault("KERAS_BACKEND", "torch")
In [6]:
Copied!
import random
import numpy as np
import aitk.robots as bots
import aitk.networks as nets
import keras
import matplotlib.pyplot as plt
import cv2
import requests
# Define the custom metric 'tolerance_accuracy'
def tolerance_accuracy(y_true, y_pred):
"""Custom metric function to calculate accuracy within a tolerance.
For this example, I will consider a 0.1 threshold, but you need to adjust to your case.
"""
return keras.ops.mean(keras.ops.abs(y_true - y_pred) <= 0.1)
import random import numpy as np import aitk.robots as bots import aitk.networks as nets import keras import matplotlib.pyplot as plt import cv2 import requests # Define the custom metric 'tolerance_accuracy' def tolerance_accuracy(y_true, y_pred): """Custom metric function to calculate accuracy within a tolerance. For this example, I will consider a 0.1 threshold, but you need to adjust to your case. """ return keras.ops.mean(keras.ops.abs(y_true - y_pred) <= 0.1)
Cargar datos de la Red Neuronal "guardada" previamente¶
Si ya hemos entrenado la red y solo queremos volver a controlar el robot con esa mima red neuronal, podemos cargar el fichero .keras que habíamos guardado.
La siguiente celda solo la puedes ejecutar si tienes el fichero robot.keras previamente guardado (de un proceso anterior)
In [33]:
Copied!
robot_net = keras.saving.load_model("robot.keras", custom_objects={'tolerance_accuracy': tolerance_accuracy})
robot_net = keras.saving.load_model("robot.keras", custom_objects={'tolerance_accuracy': tolerance_accuracy})
Creación de la función para leer los datos de entrenamiento¶
Crearemos una función que lea los datos de entrenamiento y nos devuelva una lista de patrones donde cada elemento en la lista es un patrón de entrada y un patrón de salida. Además, nos mostrará la cantidad de patrones leídos.
In [16]:
Copied!
def carrega_dades_entrenament(nom_fitxer):
"""Devolver datos de entrenamiento"""
data = []
with open(nom_fitxer, "r") as f:
for line in f:
split_line = line.strip().split(" ")
float_line = [float(x) for x in split_line]
data.append(float_line)
print(len(data), " ejemplos cargados")
return data
def carrega_dades_entrenament(nom_fitxer): """Devolver datos de entrenamiento""" data = [] with open(nom_fitxer, "r") as f: for line in f: split_line = line.strip().split(" ") float_line = [float(x) for x in split_line] data.append(float_line) print(len(data), " ejemplos cargados") return data
In [17]:
Copied!
patrons = carrega_dades_entrenament("training_data.txt")
len(patrons)
patrons = carrega_dades_entrenament("training_data.txt") len(patrons)
6000 ejemplos cargados
Out[17]:
6000
In [18]:
Copied!
# Vejam quants paràmetres tenen els patrons
print(len(patrons[0]))
# Vejam quants paràmetres tenen els patrons print(len(patrons[0]))
3
In [19]:
Copied!
# Observem un exemple
print(patrons[0])
# Observem un exemple print(patrons[0])
[0.5, 1.0, 0.0]
Preprocesamiento y balanceo de datos¶
Las herramientas de aprendizaje automático, incluidas las redes neuronales, encontrarán la forma más directa de reducir el error. Haremos un análisis de los datos que hemos recopilado. Crearemos una función auxiliar para contar en qué porcentaje de nuestros datos de entrenamiento hacen que el robot avance, avance hacia la izquierda o avance hacia la derecha.
La función debe tomar una lista de patrones como entrada y devolver una lista de tres valores: el porcentaje de patrones con movimiento hacia adelante, el porcentaje de patrones con movimiento izquierdo y el porcentaje de patrones con movimiento a la derecha.
In [ ]:
Copied!
def classifica_moviments(patterns):
"""Devuelve una lista de tres valores:
- El porcentaje de patrones con movimiento hacia adelante,
- El porcentaje de patrones con movimiento izquierdo (positivo) y
- El porcentaje de patrones con movimiento a la derecha (negativo)."""
# A implementar por el alumnado
def classifica_moviments(patterns): """Devuelve una lista de tres valores: - El porcentaje de patrones con movimiento hacia adelante, - El porcentaje de patrones con movimiento izquierdo (positivo) y - El porcentaje de patrones con movimiento a la derecha (negativo).""" # A implementar por el alumnado
In [21]:
Copied!
classifica_moviments(patrons)
classifica_moviments(patrons)
adelante: 3540 izquierda: 240 derecha: 2220
Out[21]:
[0.59, 0.04, 0.37]
En robótica es típico que el robot se mueva más hacia el objetivo que hacia la derecha o hacia la izquierda. Por lo tanto, es probable que la red neuronal aprenda a avanzar hacia el objetivo y no a girar. Por eso es importante que los datos esten balanceados. Para lograr esto, dividiremos los datos en tres listas, una para cada tipo de movimiento y mezclaremos las listas, luego tomaremos el mismo número de patrones de cada lista y mezclaremos nuevamente. Esto nos dará un conjunto balanceado.
In [ ]:
Copied!
def balanceja_moviments(patrons):
"""Devuelve una lista de patrones con un número igual de ejemplos para cada tipo de movimiento"""
# A implementar por el alumnado
def balanceja_moviments(patrons): """Devuelve una lista de patrones con un número igual de ejemplos para cada tipo de movimiento""" # A implementar por el alumnado
In [23]:
Copied!
patrons_balancats = balanceja_moviments(patrons)
print(len(patrons_balancats))
patrons_balancats = balanceja_moviments(patrons) print(len(patrons_balancats))
21
Podemos tratar de entrenar la red neuronal con los datos balanceados y ver cómo se comporta. Si la red neuronal no aprende, podemos intentarlo con el conjunto de datos original.
In [24]:
Copied!
patrons_entrenament = patrons[:int(len(patrons) * 0.8)]
patrons_validacio = patrons[int(len(patrons) * 0.8):]
def separa_dades(dades):
"""Devuelve dos listas: una con los datos de entrada y el otro con los datos de salida."""
x = []
y = []
for dada in dades:
x.append(dada[0])
y.append(dada[-2:])
# Convert x and y to NumPy arrays
return np.array(x), np.array(y)
# Original de Carles:
# return x, y
x_train, y_train = separa_dades(patrons_entrenament)
x_test, y_test = separa_dades(patrons_validacio)
print(len(x_train), len(y_train))
print(x_train)
print(y_train)
patrons_entrenament = patrons[:int(len(patrons) * 0.8)] patrons_validacio = patrons[int(len(patrons) * 0.8):] def separa_dades(dades): """Devuelve dos listas: una con los datos de entrada y el otro con los datos de salida.""" x = [] y = [] for dada in dades: x.append(dada[0]) y.append(dada[-2:]) # Convert x and y to NumPy arrays return np.array(x), np.array(y) # Original de Carles: # return x, y x_train, y_train = separa_dades(patrons_entrenament) x_test, y_test = separa_dades(patrons_validacio) print(len(x_train), len(y_train)) print(x_train) print(y_train)
4800 4800 [0.5 0.5 0.5 ... 0.51 0.51 0.51] [[1. 0.] [1. 0.] [1. 0.] ... [1. 0.] [1. 0.] [1. 0.]]
Crear red de control de robots¶
Crearemos una red neuronal con tres capas: entrada, oculta y salida. Las entradas representarán los sensores de robot y las salidas representarán las acciones del robot. La capa oculta ayudará a transformar los sensores en las acciones correctas.
La red debe tener tantas entradas como haya usado en su algoritmo. Solo usamos el centro de la imagen, por lo que solo hay una entrada. Podía haber usado un enfoque diferente, como usar la imagen completa o usar más de un sensor. En este caso, debería tener más entradas.
Podemos usar SimpleNetwork de aitk.networks para crear la red, por su simplicidad e integración con aitk.robots o keras por su flexibilidad.
Comenzamos con un tamaño de capa oculta de 5, pero puedes experimentar con ella para ver qué tamaño funciona mejor.
El tamaño de la capa de salida debe ser 2, ya que esta capa representa las cantidades de traslación y rotación para mover el robot.
In [ ]:
Copied!
robot_net = # A implementar por el alumnado
robot_net = # A implementar por el alumnado
El siguiente paso es entrenar la red neuronal. Debido a la naturaleza de los datos, probablemente necesitemos más tiempos de entrenamiento que en otras tareas.
In [ ]:
Copied!
# A implementar por el alumnado (Entrenar la red neuronal)
# A implementar por el alumnado (Entrenar la red neuronal)
Epoch 10000/10000 loss: 0.005123379174619913 - tolerance_accuracy: 0.46000000834465027 - val_loss: 0.005123372655361891 - val_tolerance_accuracy: 0.46000000834465027
Out[ ]:
<keras.src.callbacks.history.History at 0x78af11904590>
Probamos la red neuronal con los datos de entrenamiento y vemos cómo se comporta.
In [27]:
Copied!
x_train[0]
out = robot_net.predict([x_train[0]])
out[0]
x_train[0] out = robot_net.predict([x_train[0]]) out[0]
/usr/local/lib/python3.11/dist-packages/keras/src/models/functional.py:237: UserWarning: The structure of `inputs` doesn't match the expected structure. Expected: ['input'] Received: inputs=Tensor(shape=(1,)) warnings.warn(msg)
Out[27]:
<tf.Tensor: shape=(2,), dtype=float32, numpy=array([ 0.9974068 , -0.01484529], dtype=float32)>
Creamos la función para controlar el robot¶
Una vez que la red neuronal esté entrenada, crearemos una función que use la red para controlar el robot. Esta característica debe tomar los datos de los sensores como una entrada y devolver los comandos para el robot.
In [ ]:
Copied!
def network_driver(robot):
# A implementar por el alumnado usando la red neuronal entrenada.
def network_driver(robot): # A implementar por el alumnado usando la red neuronal entrenada.
Finalmente, probaremos con el robot para ver cómo se comporta.
In [35]:
Copied!
nom_imatge = "EX2_pista_6.png"
# Cargamos la imagen en una variable
img = cv2.imread(nom_imatge)
# Mostramos la imagen
plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
nom_imatge = "EX2_pista_6.png" # Cargamos la imagen en una variable img = cv2.imread(nom_imatge) # Mostramos la imagen plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
Out[35]:
<matplotlib.image.AxesImage at 0x78aec6474450>
In [36]:
Copied!
world = bots.World(220, 180, boundary_wall_color="yellow", ground_image_filename=nom_imatge)
robot = bots.Scribbler(x=36, y=90, a=90)
robot.add_device(bots.GroundCamera(width=100, height=50))
world.add_robot(robot)
robot['ground-camera'].watch()
world.watch()
world = bots.World(220, 180, boundary_wall_color="yellow", ground_image_filename=nom_imatge) robot = bots.Scribbler(x=36, y=90, a=90) robot.add_device(bots.GroundCamera(width=100, height=50)) world.add_robot(robot) robot['ground-camera'].watch() world.watch()
Random seed set to: 4374487
HTML(value='<style>img.pixelated {image-rendering: pixelated;}</style>') HTML(value='<style>img.pixelated {image-rendering: pixelated;}</style>') HTML(value='<style>img.pixelated {image-rendering: pixelated;}</style>') Image(value=b'\x89PNG\r\n\x1a\n\x00\x00\x00\rIHDR\x00\x00\x00d\x00\x00\x002\x08\x06\x00\x00\x00\xaa5~\xbe\x00\…
Image(value=b'\xff\xd8\xff\xe0\x00\x10JFIF\x00\x01\x01\x00\x00\x01\x00\x01\x00\x00\xff\xdb\x00C\x00\x08\x06\x0…
In [37]:
Copied!
world.reset()
world.seconds(30, [network_driver], real_time=True)
world.reset() world.seconds(30, [network_driver], real_time=True)
0%| | 0/300 [00:00<?, ?it/s]
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 113ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 33ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 27ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 27ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 27ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 35ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 27ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 34ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 27ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 32ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 27ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 27ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 27ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 27ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 31ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 30ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 34ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 40ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 43ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 40ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 42ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 43ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 42ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 47ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 30ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 37ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 42ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 43ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 34ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 30ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 30ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 27ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 27ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 31ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 36ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 31ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 30ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 30ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 34ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 27ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 30ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 32ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 33ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 27ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 42ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 56ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 49ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 46ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 46ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 52ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 49ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 32ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 35ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 34ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 30ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 32ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 35ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 27ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 36ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 35ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 31ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 30ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 37ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 32ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 31ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 30ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 38ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 30ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 30ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 33ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 31ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 30ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 30ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 30ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 34ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 30ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 50ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 50ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 40ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 50ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 40ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 44ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 42ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 35ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 30ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 30ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 36ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 27ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 34ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 33ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 30ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 36ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 32ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 35ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 27ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 31ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 32ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 31ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 30ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 30ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 33ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 30ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 30ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 35ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 30ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 30ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 36ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 31ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 30ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 40ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 30ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 31ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 44ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 40ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 41ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 38ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 43ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 43ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 45ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 30ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 32ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 33ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 34ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 31ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 31ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 30ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 40ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 34ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 32ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 30ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 38ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 30ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 30ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 37ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 32ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 31ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 31ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 31ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 37ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 30ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 32ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 32ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 31ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 36ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 36ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 30ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 31ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 30ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 28ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 29ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 45ms/step 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 49ms/step Simulation stopped at: 00:00:30.00; speed 0.55 x real time
In [32]:
Copied!
# Guardamos la red Neuronal
robot_net.save("robot.keras")
# Guardamos la red Neuronal robot_net.save("robot.keras")
Preguntas para responder¶
¿Necesita algún tipo de memoria para que el robot alcance el objetivo? ¿Por qué?
¿Qué porcentaje de los datos de entrenamiento hacen que el robot avance, hacia la izquierda y hacia la derecha?
¿Qué tamaño de capa oculta funcionó mejor para ti?
El funcionamiento del robot controlado por la red neuronal es mejor, peor o lo mismo que el funcionamiento del robot controlado por tu algoritmo? ¿Podrías explicar por qué?
¿Cómo podríamos hacer para mejorar el funcionamiento dle robot controlado por la red neuronal?
Conclusiones¶
En esta práctica hemos aprendido a controlar un robot usando una red neuronal. Hemos visto cómo entrenar la red neuronal con datos de sensores y órdenes y cómo usar la red para controlar el robot. Hemos visto que la red neuronal puede ser una herramienta poderosa para controlar los robots, pero puede ser un tiempo de entrenamiento más largo que con otros métodos. También hemos visto que es importante balancear los datos de entrenamiento para que la red neuronal pueda aprender bien.
A veces puede que no sea fácil obtener los datos de entrenamiento necesarios para que la red neuronal funcione bien. En este caso, hemos utilizado datos simulados, pero en un entorno real, podría ser más complicado.
En la próxima práctica, veremos cómo entrenar a una red neuronal para controlar un robot sin la necesidad de datos de entrenamiento.