Procesos de Decisión de Markov en Robótica

Procesos de Decisión de Markov en Robótica

Los procesos de decisión de Markov permiten hacer planeación/control en ambientes con incertidumbre, algo común en robótica. Se presenta una introducción a los procesos de decisión de Markov (MDP) y su aplicación a robótica. Se describe como es la representación (modelo) de un MDP y las principales técnicas para obtener la política óptima – iteración de valor e iteración de política. Brevemente se comentan algunas extensiones de los MDPs como los modelos estructurados y los POMDPs. Se ilustra la aplicación de MDPs en planeación de movimientos y en la coordinación de las tareas de robots de servicio.

Acerca del instructor

Luis Enrique Sucar Succar es Doctor en Computación por el Imperial College, Londres. Actualmente Investigador Titular en INAOE. Es miembro de la Academia Mexicana de Ciencia, Investigador Nacional Nivel III, Senior Member del IEEE, y Miembro del Consejo Directivo de la Federación Mexicana de Robótica. Tiene más de 300 publicaciones y más de 50 tesis dirigidas. Ha participado en las competencias de RoboCup@Home en el TMR y el RoboCup internacional desde hace varios años como líder del equipo Markovito. Sus áreas de investigación son modelos gráficos probabilistas, robótica de servicio, visión computacional y aplicaciones biomédicas.