Si le preguntas a una computadora clásica si el agua de una taza está caliente, su cerebro binario buscará un umbral estricto. Si el programador definió que “caliente” es todo lo que esté por encima de 50 °C, la máquina dirá un rotundo “Sí” a los 50.1 °C y un rotundo “No” a los 49.9 °C.
Pero los humanos no pensamos así. Para nosotros, 49.9 °C sigue estando bastante caliente, quizá con un toque de “tibio”. Tomamos decisiones basándonos en la ambigüedad: frenamos “un poco más fuerte” si el asfalto se ve “algo mojado”, o caminamos “más rápido” si llegamos “un poco tarde”.
Durante décadas, intentar programar esta intuición humana usando solo ceros y unos fue una pesadilla matemática. Hasta que la ingeniería adoptó un paradigma que cambió las reglas del juego para la robótica y la inteligencia artificial: la lógica difusa (fuzzy logic).
La ruptura de los conjuntos clásicos
En la lógica booleana que todos conocemos (la de los contactos NA y NC), una variable pertenece o no pertenece a un grupo. Es un 1 o un 0.
La lógica difusa destruye esta rigidez introduciendo el concepto de grado de pertenencia. En lugar de que un valor sea absoluto, se le asigna un porcentaje (un valor entre 0 y 1). Siguiendo con el ejemplo de la temperatura, un sensor que lee 24 °C en una habitación no arroja un simple “Está haciendo calor”. En el mundo difuso, esos 24 °C podrían traducirse simultáneamente como un 70 % “Cálido” y un 30 % “Caluroso”.
Esta superposición de conceptos es exactamente lo que permite que las máquinas dejen de tener movimientos bruscos y robóticos, logrando transiciones suaves y naturales.
Las tres fases del cerebro difuso
Para que un sistema autónomo tome una decisión basada en la duda, la información debe pasar por un proceso interno de tres etapas. Este es el corazón de la arquitectura que todo ingeniero en control debe dominar.
Fase A: La fusificación (fuzzification)
El microcontrolador no puede pensar en palabras, y el mundo exterior no habla en porcentajes. El sensor de temperatura le entrega al sistema un número frío y duro: 24.5 °C. La fusificación es el proceso de tomar ese valor exacto (crisp input) y pasarlo por unas gráficas matemáticas llamadas funciones de pertenencia (usualmente triángulos o campanas). Estas gráficas traducen el 24.5 °C a nuestro idioma difuso, determinando qué porcentaje de “Frío”, “Tibio” o “Caliente” representa ese voltaje específico. El dato duro acaba de convertirse en un concepto abstracto.
Fase B: El motor de inferencia (las reglas)
Aquí es donde reside la “inteligencia” y la experiencia del programador. Una vez que tenemos los conceptos, el sistema los evalúa usando una base de reglas lingüísticas construidas con la estructura SI… ENTONCES (IF… THEN).
Imagina un sistema de aire acondicionado autónomo evaluando dos variables a la vez (temperatura y humedad):
- Regla 1: Si la temperatura es cálida y la humedad es alta, entonces la velocidad del ventilador debe ser rápida.
- Regla 2: Si la temperatura es cálida y la humedad es baja, entonces la velocidad del ventilador debe ser media.
Como nuestra lectura de 24.5 °C tenía grados de pertenencia en diferentes categorías al mismo tiempo, el motor evalúa varias reglas simultáneamente. No toma una sola decisión; toma todas las decisiones aplicables en proporciones distintas.
Fase C: La defusificación (defuzzification)
El motor de inferencia ha llegado a una conclusión abstracta: “El ventilador debe girar a una mezcla entre velocidad media y rápida”. Pero tú no puedes enviarle conceptos filosóficos a un motor de corriente directa; necesitas mandarle un voltaje exacto (PWM).
La defusificación es el proceso inverso. El algoritmo toma las respuestas superpuestas de las reglas, dibuja el área geométrica que forman juntas y calcula su centroide (el centro de masa o equilibrio matemático de esa figura). El punto exacto donde cae ese centroide se convierte en un número duro, por ejemplo, 7.8 voltios. El actuador recibe su orden precisa, pero nacida de un razonamiento completamente analítico y ponderado.
¿Por qué los sistemas autónomos la necesitan?
En el diseño mecatrónico avanzado, los controladores clásicos como el PID (proporcional-integral-derivativo) son los reyes indiscutibles cuando tienes un modelo matemático perfecto de tu máquina.
El problema es que el mundo real es caótico y no lineal. ¿Cómo calculas el modelo matemático exacto de las llantas de un rover explorador resbalando sobre arena marciana de densidad variable? Es casi imposible.
La lógica difusa brilla en la incertidumbre. Como se basa en reglas lingüísticas heurísticas (la experiencia humana), no necesitas la ecuación diferencial perfecta del rozamiento. Solo necesitas enseñarle las reglas básicas de supervivencia: “Si la rueda resbala mucho, reduce la tracción drásticamente”.
Aplicaciones críticas
- Sistemas de frenos ABS en vehículos: La computadora calcula la presión exacta de las balatas evaluando múltiples factores difusos (velocidad de la rueda, fuerza del pedal, deslizamiento) para evitar derrapes sin importar si hay hielo o asfalto seco.
- Drones y estabilización de vuelo: Ajustan la velocidad de sus hélices compensando ráfagas de viento impredecibles mediante reglas de compensación difusa, logrando mantenerse suspendidos con una suavidad asombrosa.
El nuevo paradigma
Aprender a diseñar sistemas basados en lógica difusa es un punto de inflexión. Le permite a cualquier STEAMdiante dejar de pelear contra las matemáticas complejas de los entornos impredecibles y, en su lugar, trasladar su propia intuición humana al código de la máquina.
Cuando le enseñamos a nuestros proyectos a dudar, a evaluar los “quizás” y a ponderar los “un poco”, paradójicamente los convertimos en sistemas mucho más precisos, robustos y preparados para enfrentarse al mundo real.
Gracias por leernos.
Si te gusto este artículo, únete a nuestra comunidad en Facebook o WhatsApp para más…
¡Hasta la próxima!
