Titulación | Tipo | Curso |
---|---|---|
Inteligencia Artificial / Artificial Intelligence | OT | 3 |
Inteligencia Artificial / Artificial Intelligence | OT | 4 |
Puede consultar esta información al final del documento.
Esta asignatura sigue un enfoque práctico. Sin embargo, se basa en los fundamentos teóricos impartidos en asignaturas anteriores del Grado en IA de la UAB. Algunos de ellos son esenciales y las asignaturas en las que se imparten deben considerarse prerequisito para Navegación Autónoma: (1) Fundamentos de Matemáticas II; (2) Ingeniería de Datos; (3) Redes Neuronales y Aprendizaje Profundo; (4) Paradigmas de Aprendizaje Automático; (5) Visión y Aprendizaje.
Aquí utilizamos el concepto de navegación autónoma para referirnos al conocimiento científico y técnico necesario para dotar de movimiento inteligente a sistemas físicos. Esta amplia definición abarca una variedad de sistemas, incluidos pequeños objetos que se mueven a través del torrente sanguíneo para monitorizar y garantizar la salud, robots domésticos o industriales que ayudan en tareas que requieren movilidad, vehículos aéreos no tripulados que monitorizan áreas forestales para prevenir incendios o realizar rescates, robots submarinos no tripulados que exploran el fondo marino, vehículos autónomos para la entrega de mercancías y robotaxis o autobuses autónomos para el transporte de personas. Cada uno de estos sistemas presenta características únicas y afronta desafíos particulares. De hecho, para capturar los principales puntos en común y diferencias entre múltiples sistemas con capacidades de navegación autónoma, podríamos proponer asignaturas separadas centradas en nanobots corporales, navegación autónoma submarina, navegación autónoma aérea, navegación autónoma terrestre en zonas no estructuradas y navegación autónoma terrestre en zonas estructuradas.
Ciertamente, todos estos conocimientos no pueden abarcarse en una única asignatura universitaria de 6 ECTS como la que nos ocupa. Por tanto, no es de extrañar que, cuando se planificaron los contenidos de la misma en el marco del grado en IA de la UAB, se decidió poner el foco en la tecnología de conducción autónoma de vehículos como coches, camiones o autobuses que deben transportar personas y mercancías en entornos terrestres regulados. Aún así, la conducción autónoma se basa en conocimientos multidisciplinares,por lo quetenemos que destacar unos contenidos sobre otros dependiendo del contexto en el que se enmarca la asignatura. Por ejemplo, en el contexto de un grado en Ingeniería de Telecomunicaciones, la conducción cooperativa Vehicle-to-X sería especialmente relevante; en el contexto de un grado en Ingeniería de Sistemas Industriales y Automatización, los temas de planificación local y control de una arquitectura modular clásica de conducción autónoma serían conocimientos básicos; en el contexto de un grado en Física, los sensores que permiten la conducción autónoma merecerán un interés especial. La asignatura que nos ocupa está en el grado en IA de la UAB. Por lo tanto, nos centraremos en el conocimiento científico y técnico en la intersección de la IA y la conducción autónoma.
De hecho, este campo sigue siendo amplio y está en continua evolución, y habrá muchos temas que no se tratarán. Preferimos centrarnos en menos temas con más profundidad en lugar de cubrir más temas de forma superficial. Teniendo en cuenta la experiencia adquirida en esta asignatura en cursos anteriores, nos centraremos en los modelos profundos sensoriomotores para la conducción autónoma (a veces denominados en la literatura como conducción autónoma de extremo a extremo), donde el aprendizaje por imitación desempeña un papel clave. Cabe destacar que este es el paradigma de IA y naturalismo más “puro”. Por lo tanto, dejamos fuera los enfoques tradicionales de conducción autónoma basados en módulos explícitos para la percepción semántica, la planificación y el control local, los mapas 3D de alta definición y SLAM, ya que estos enfoques surgen del método de divide y vencerás propio de la ingeniería clásica.Además, abarcar todos los paradigmas solo sería posible en un enfoque puramente teórico de la materia, mientras que queremos que el trabajo práctico sea el núcleo de la asignatura.
Por tanto, la metodología docente seguirá un enfoque basado en proyectos. Repasaremos los conceptos teóricos básicos para que el alumnado pueda captar el panorama general y profundizar en los aspectos específicos necesarios a la hora de abordar un proyecto de conducción autónoma. El proyecto específico a resolver dependerá de los recursos computacionales particulares y presupuesto de materiales que se asignen a nuestra asignatura (estos no dependen de los docentes y pueden cambiar cada año). Sin embargo, en términos generales, nuestro objetivo es seguir el enfoque habitual que podemos encontrar en el mundo real, que implica simulación y desarrollos en el mundo real.
En general, el objetivo de esta asignatura es exponer a los estudiantes, a través de la teoría pero principalmente de la práctica, a contenidos básicos relevantes relacionados con la conducción autónoma, para que en el futuro estén preparados para afrontar nuevos retos de navegación autónoma. Por último, pero no menos importante, para alcanzar el éxito de los proyectos, es fundamental aprender a trabajar eficazmente en un equipo.
Nos centraremos en:
(1) Sensores para la conducción autónoma.
(2) Modelos profundos sensoriomotores.
(3) Aprendizaje por imitación.
(4) Simulación y desarrollo en el mundo real.
Título | Horas | ECTS | Resultados de aprendizaje |
---|---|---|---|
Tipo: Dirigidas | |||
Clases teóricas | 10 | 0,4 | 4, 3 |
Tipo: Supervisadas | |||
Clases prácticas | 38 | 1,52 | 1, 2, 4, 5 |
Tipo: Autónomas | |||
Estudiar el contenido teórico | 13 | 0,52 | 4, 3 |
Proyecto de equipo | 82 | 3,28 | 1, 2, 4, 5 |
Los contenidos de la asignatura se desarrollarán de la siguiente manera:
(1) Se impartirán clases teóricas para repasar conceptos clave relacionados con la conducción autónoma, con especial foco en la IA. La parte teórica también incluirá la lectura de artículos científicos.
(2) En las clases prácticas se enseñarán herramientas/frameworks relacionadas/os con la conducción autónoma. El aprendizaje se basará en la resolución de problemas.
(3) Se llevará a cabo un proyecto en equipo para entrenar un vehículo en la realización de maniobras autónomas de conducción. Dependiendo de los recursos disponibles, el trabajo se realizará en un simulador y/o utilizando un coche a escala.
En resumen, la asignatura sigue el aprendizaje basado en proyectos (ABP).
Sobre el uso de herramientas de inteligencia artificial (IA) generativa. Se permite el uso de herramientas de IA generativa para la realización de tareas del proyecto. Sin embargo, es fundamental tener en cuenta lo siguiente:
(1) Responsabilidad sobre el contenido: Todo el contenido generado con ayuda de IA se considerará como si hubiese sido producido íntegramente por el alumnado. Por tanto, cada estudiante debe comprender, ser capaz de explicar y defender cualquier parte del trabajo presentado, ya sea diseño, código, documentación u otro tipo de entregable.
(2) Defensa y justificación: En caso de ser preguntado/a sobre cualquier aspecto del proyecto , el alumnado debe poder responder con precisión y claridad. No se aceptarán respuestas del tipo “no lo sé, lo ha generado una IA”.
(3) Aprendizaje activo: El objetivo de permitir el uso de IA generativa es complementar el aprendizaje, no sustituirlo. Utilizar estas herramientas de manera responsable implica revisar, entender y adaptar los resultados que ofrecen.
Por tanto, podéis usar IA generativa, pero debéis entender y poder explicar los contenidos que genere. El uso de IA no exime de la responsabilidad sobre el contenido presentado.
Además, también está vigente este texto genérico del grado: "En esta asignatura, se permite el uso de tecnologías de Inteligencia Artificial (IA) como parte integrante del desarrollo del trabajo, siempre que el resultado final refleje una contribución significativa del estudiante en el análisis y la reflexión personal. El estudiante deberá identificar claramente qué partes han sido generadas con esta tecnología, especificar las herramientas utilizadas e incluir una reflexión crítica sobre cómo estas han influido en el proceso y el resultado final de la actividad. La falta de transparencia en el uso de la IA se considerará una falta de honestidad académica y puede conllevar una penalización en la calificación de la actividad, o sanciones mayores en casos de gravedad."
Nota: se reservarán 15 minutos de una clase dentro del calendario establecido por el centro o por la titulación para que el alumnado rellene las encuestas de evaluación de la actuación del profesorado y de evaluación de la asignatura o módulo.
Título | Peso | Horas | ECTS | Resultados de aprendizaje |
---|---|---|---|---|
Evaluación de las Practicas (EPr) | 0.2 | 2 | 0,08 | 1, 2, 4, 5 |
Evaluación del Projecto (EPj) | 0.35 | 2 | 0,08 | 1, 2, 4, 5 |
Evaluación entre Compañeros (EC) | 0.15 | 1 | 0,04 | 5 |
Examen de Teoría (ET) | 0.3 | 2 | 0,08 | 4, 3 |
Esta asignatura no contempla el sistema de evaluación única.
La evaluación es continua y se basará en:
1) Evaluación Teórica (ET): Es una evaluación individual basada en un examen que evalúa los conocimientos teóricos adquiridos por el alumnado.
2) Evaluación de la práctica (EPr): En cuanto a las prácticas propuestas por el profesorado, se trata de una evaluación en equipo basada en el código y la documentación entregados.
3) Evaluación del proyecto (EPy): En cuanto al proyecto único sobre conducción autónoma propuesto por el profesorado, se trata de una evaluación en equipo basada en los resultados obtenidos, el código y la documentación entregados.
4) Evaluación entre compañeros/as (EC): Se realizará una evaluación entre miembros del equipo para determinar el nivel de participación de cada uno en el proyecto desarrollado por su equipo.
Para aprobar la asignatura será necesario superar todos estos apartados por separado. Es decir, ET>=5, EPr>=5, EPy>=5 y EC>=5, donde ET, EPr, EPY y EC son calificaciones sobre 10. Si esto se cumple, entonces la calificación final, CF, se calcula como:
CF = 0,3 ET + 0,2 EPr + 0,35 EPy + 0,15 EC.
NOTA: En los casos en que un/a estudiante no complete consistentemente su trabajo o haga solo una contribución mínima (EC<5), el/la estudiante suspenderá la asignatura.
NOTA: EPy y EC son calificaciones no recuperables. Si EPy<5, ningún miembro del equipo aprobará la asignatura.
NOTA: ET y EPr son notas recuperables si (son inferiores a 5) y (0,35 EPy + 0,15 EC>=3,5) y (EC>=5).
Si un estudiante no supera la asignatura, su calificación final (CF) será min(ET,EPr,EPy,EC). Se entiende que son estudiantes “No Evaluables” únicamente aquellos/as que no han realizado ninguna actividad de evaluación.
La calificación MH (Matrícula de Honor) se otorgará según la normativa de la UAB y teniendo en cuenta características como CF, continuidad del trabajo, relevancia dentro del equipo, etc.
Cabe destacar también que los/las repetidores/as no recibirán ningún trato especial, deben cursar la asignatura como el resto del alumnado.
Sin perjuicio de otras medidas disciplinarias que se estimen oportunas, y de acuerdo con la normativa académica vigente, se calificarán con un cero las irregularidades cometidas por un/una estudiante que puedan conducir a una variación de la cualificación de un acto de evaluación. Por lo tanto, plagiar, copiar o dejar copiar una práctica o cualquier otra actividad de evaluación implicará suspender con un cero y no se podrá recuperar en el mismo curso académico. Si esta actividad tiene una nota mínima asociada, entonces la asignatura quedará suspendida.
La conducción autónoma es un campo en desarrollo constante. Como resultado, la literatura más pertinente canvia constantemente y sobre todo está disponible en forma de artículos científicos.
"A Survey of Autonomous Driving: Common Practices and Emerging Technologies" Ekim Yurtsever, Jacob Lambert, Alexander Carballo, Kazuya Takeda.
"A Survey of End-to-End Driving: Architectures and Training Methods", Ardi Tampuu, Maksym Semikin, Naveed Muhammad, Dmytro Fishman, Tambet Matiisen.
"End-to-end Autonomous Driving: Challenges and Frontiers", Li Chen, Penghao Wu, Kashyap Chitta, Bernhard Jaeger, Andreas Geiger and Hongyang Li.
Todos estos artículos pueden encontrarse en archiv.org, es decir, tienen una versión disponible públicamente. Por otro lado, como la literatura avanza constantemente, al inicio de cada curso revisaremos los artículos más relevantes y los aquí mencionados pueden ser sustituidos por otros.
Los requisitos del software variarán según la práctica y el proyecto específicos. Sin embargo, anticipamos un conjunto no exclusivo de "palabras clave":
The CARLA simulator (carla.org)
The Robotic Operating System (ROS) 2 (https://docs.ros.org/en/foxy/index.html)
SCENIC (https://docs.scenic-lang.org/en/latest/)
Pytorch (https://pytorch.org/)
La información proporcionada es provisional hasta el 30 de noviembre de 2025. A partir de esta fecha, podrá consultar el idioma de cada grupo a través de este enlace. Para acceder a la información, será necesario introducir el CÓDIGO de la asignatura
Nombre | Grupo | Idioma | Semestre | Turno |
---|---|---|---|---|
(PAUL) Prácticas de aula | 711 | Inglés | segundo cuatrimestre | manaña-mixto |
(TE) Teoría | 71 | Inglés | segundo cuatrimestre | manaña-mixto |