El inge de control

Las comunidades de aprendizaje por refuerzo, optimización y control han perdido a uno de sus más grandes pioneros.

Dimitri Bertsekas falleció hace un par de días dejando un legado extraordinario que formó a generaciones de investigadores, ingenieros y profesionales.

El profesor Bertsekas fue autor de algunos de los libros más influyentes en programación dinámica, control óptimo, optimización y aprendizaje por refuerzo, incluyendo *Dynamic Programming and Optimal Control*, *Neuro-Dynamic Programming* y la edición recientemente actualizada de *A Course in Reinforcement Learning*. Su trabajo ayudó a establecer muchas de las bases teóricas que siguen impulsando los avances actuales en inteligencia artificial y aprendizaje por refuerzo.

A lo largo de su distinguida carrera, recibió numerosos reconocimientos, entre ellos:

1997 INFORMS Prize for Research Excellence in the Interface Between Operations Research and Computer Science

2014 Richard E. Bellman Control Heritage Award

2015 George B. Dantzig Prize

2018 John von Neumann Theory Prize, compartido con John N. Tsitsiklis

2022 IEEE Control Systems Award

En 2001, fue elegido miembro de la United States National Academy of Engineering por sus contribuciones pioneras a la optimización, la teoría de control y la educación en ingeniería.

Uno de los aspectos más notables del legado del profesor Bertsekas fue su compromiso con la educación. Muchos de sus libros han sido puestos a disposición gratuitamente en línea a través de su página del MIT:

https://web.mit.edu/dimitrib/www/books.htm

Para quienes estén interesados en aprender directamente de él, sus conferencias de 2025 sobre aprendizaje por refuerzo en Arizona State University también están disponibles en YouTube:

https://www.youtube.com/watch?v=AdxhPj0PDHM&list=PLmH30BG15SIoXhxLldoio0BhsIY84YMDj

Su impacto en el aprendizaje por refuerzo, el control óptimo y la optimización seguirá sintiéndose durante décadas a través de su investigación, sus libros, sus conferencias y las generaciones de estudiantes a las que inspiró.

Descanse en paz, profesor Bertsekas.

Prototipo simple de un ball and beam, un proyecto común en cursos de control automático :)
Ref: Salem, F. A. (2013). Mechatronics design of ball and beam system: education and research. Mechatronics, 3(4).

Pronto nuevo taller de introducción al control estocástico y robusto: https://sites.google.com/view/elingedecontrol/cursos-y-talleres/control-robusto-y-estocastico?authuser=0Contáctanos si deseas inscribirte, temario e info de pago en el link, envia mensaje para aclarar tus dudas.

Imagen tomada de: https://www.researchgate.net/publication/332799319_Linear_Control_Theory

Una transformada de distancia (Distance Transform) es una técnica matemática utilizada principalmente en procesamiento de imágenes y visión por computadora. Su objetivo es calcular, para cada píxel de una imagen, la distancia mínima hacia un objeto, borde o región de interés. En términos simples, convierte una imagen binaria en un “mapa de distancias”, donde cada punto contiene información sobre qué tan lejos está del elemento más cercano del fondo o del objeto.

En el artículo del que se toma la imagen, se explica que la transformada de distancia genera un mapa (D(p)) donde cada píxel almacena la distancia mínima respecto a un conjunto de referencia. Normalmente esta distancia se calcula usando la métrica euclidiana, equivalente a la distancia geométrica tradicional entre puntos.

Este tipo de transformadas tiene aplicaciones muy amplias en ingeniería y ciencias computacionales, por ejemplo:

* Detección y segmentación de objetos en imágenes.
* Planeación de trayectorias para robots móviles y vehículos autónomos.
* Construcción de mapas de ocupación y navegación.
* Extracción de esqueletos geométricos (“skeletonization”).
* Modelado de superficies y geometría computacional.
* Procesamiento de imágenes médicas y reconstrucción 3D.
* Algoritmos de SLAM y percepción espacial en robótica.

Desde la perspectiva de control y robótica, las transformadas de distancia son especialmente útiles para generar campos de navegación, evitar obstáculos y construir representaciones espaciales robustas del entorno. Muchos algoritmos modernos de percepción utilizan estas ideas como parte de sistemas de localización y mapeo.



Fabbri, R., Costa, L. D. F., Torelli, J. C., & Bruno, O. M. (2008). *2D Euclidean distance transform algorithms: A comparative survey*. ACM Computing Surveys, 40(1), 1–44. [https://doi.org/10.1145/1322432.1322434](https://doi.org/10.1145/1322432.1322434)

Uno de los temas más entretenidos durante la educación de muchos ingenieros es la construcción de circuitos utilizando amplificadores operacionales. Para muchos, también fue la introducción a la retroalimentación, creación de compensadores o controladores. ¿Tú recuerdas tus clases de electrónica analógica?

Fuente: James, F. (2018). Operational amplifiers & linear integrated circuits: theory and application. dissidents.https://dlib.hust.edu.vn/bitstream/HUST/25585/1/OER000005016.pdf

¿Puede la filosofía beneficiarse del lenguaje de los sistemas dinámicos y los procesos estocásticos?

Christian List y Marcus Pivato proponen precisamente eso: utilizar el marco matemático de los sistemas dinámicos, procesos estocásticos y simetrías para replantear preguntas clásicas de la metafísica y la filosofía de la ciencia.

Entre los hallazgos e ideas centrales del artículo destacan:

• La posibilidad de describir sistemas físicos, biológicos o incluso sociales bajo un marco matemático unificado.
• Una reinterpretación formal de conceptos como determinismo, indeterminismo, leyes naturales y posibilidad nomológica.
• El uso de simetrías y transformaciones como herramienta para inferir leyes científicas a partir de evidencia limitada.
• Una formulación matemática del principio de parsimonia (Occam’s Razor), proponiendo que las mejores hipótesis son aquellas compatibles con la mayor cantidad de simetrías posibles.
• La idea de que conceptos como espacio y tiempo podrían emerger de la estructura relacional del sistema, en lugar de ser necesariamente fundamentales.

El artículo también conecta teoría de sistemas, inferencia científica, teoría de la información y filosofía formal, mostrando cómo herramientas típicas de la matemática aplicada y la ingeniería pueden aportar claridad conceptual a debates filosóficos complejos.

List, C., & Pivato, M. (2021). Dynamic and stochastic systems as a framework for metaphysics and the philosophy of science. Synthese, 198, 2551–2612. https://doi.org/10.1007/s11229-019-02231-8

Open access book to understand the usage of statistical mechanics in complex systems

https://sethna.lassp.cornell.edu/StatMech/

Texts about fractional modelling that are worth reading:

-> https://www.researchgate.net/publication/371509253_Constitutive_Fractional_Modeling A chapter trying to formilise ideas behind physics principles when applying fractional calculus
-> https://www.researchgate.net/publication/405180604_Physical_Limitations_and_Contradictions_of_Fractional_Order_Models problems and possible solutions regarding modeling fractional behaviours

Recuerdo de 2025...

Nuevo taller pronto: https://sites.google.com/view/elingedecontrol/cursos-y-talleres/control-robusto-y-estocastico