Modelo de dinámica inversa : reconocimiento de acciones en videos en línea

Abstract

La dinámica inversa es una técnica orientada a determinar qué acciones o entradas provocaron un cambio específico en un sistema dinámico, partiendo de un estado final deseado. Esta metodología surgió en la robótica, donde se aplicó para calcular fuerzas y momentos necesarios para movimientos específicos en piezas mecánicas. Trabajos pioneros permitieron su aplicación tanto en robots rígidos como flexibles, extendiéndose luego a otras áreas como el control de aeronaves y la biomecánica humana. Con el tiempo, el enfoque fue adoptado en el aprendizaje automático. Allí, se usa para inferir las acciones responsables de ciertos resultados observados, aun cuando no se disponga de información directa sobre dichas acciones. Este principio se ha aplicado en desarrollos avanzados de inteligencia artificial, como el agente de Minecraft creado por OpenAI o los jugadores de Go y StarCraft II desarrollados por DeepMind. Los enfoques para abordar problemas de dinámica inversa se dividen en tres: - Analítico, que utiliza modelos matemáticos y resolución numérica; - Simulado, que se basa en entornos virtuales y prueba y error; - Aprendizaje supervisado, que entrena modelos para predecir entradas a partir de datos observacionales. Todos estos enfoques requieren alta capacidad de cómputo, y en el caso del aprendizaje supervisado, conjuntos de datos etiquetados de calidad. Este estudio propone explorar una alternativa más accesible, utilizando el videojuego Hollow Knight como entorno de experimentación. El objetivo es desarrollar modelos de dinámica inversa que demanden menos recursos computacionales, pero mantengan utilidad. La complejidad del juego y su motor físico lo convierten en un caso interesante para observar secuencias visuales y deducir las acciones que las causaron, manteniendo la lógica de secuencialidad y transformación típica de la dinámica inversa.