universidad politécnica de madridoa.upm.es/58186/1/tfg_eric_mozo_ruiz.pdf · location algorithm...

Universidad Politécnica de Madrid

Escuela Técnica Superior de Ingenieros Informáticos

Grado en Ingeniería Informática

Trabajo Fin de Grado

Configuración y Extensiones de un Sistema Inteligente de Tutoría para una Práctica Virtual 3D

Autor: Eric Mozo Ruiz Tutor(a): Jaime Ramírez Rodríguez

Madrid, Enero 2020

Este Trabajo Fin de Grado se ha depositado en la ETSI Informáticos de la Universidad Politécnica de Madrid para su defensa.

Trabajo Fin de Grado Grado en Ingeniería Informática Título: Configuración y Extensiones de un Sistema Inteligente de Tutoría para

una Práctica Virtual 3D Enero 2020

Autor: Eric Mozo Ruiz Tutor:

Jaime Ramírez Rodríguez DLSIIS ETSI Informáticos Universidad Politécnica de Madrid

i

Resumen En el presente proyecto se realizó la evaluación y mejora de un Sistema Inteligente de Tutoría (SIT) con interacción en lenguaje natural. Dicho sistema está siendo utilizado actualmente para realizar prácticas de laboratorio en la carrera de Biotecnología Agroforestal de la UPM. Estas prácticas se llevan a cabo en un laboratorio virtual de biotecnología 3D con la ayuda de un tutor automático.

Este trabajo de fin de grado se centra fundamentalmente en el módulo de comunicación y el gestor de diálogo, que permiten el diálogo en lenguaje natural entre el estudiante y el tutor automático.

Inicialmente se llevó a cabo un estudio del sistema existente. Seguidamente, se realizó un análisis, ampliación y corrección de errores, teniendo como resultado una versión que abarca más acciones de la práctica y que ayuda más y mejor a los estudiantes.

Después tuvo lugar la mejora del SIT, modificando el algoritmo que creaba instrucciones para localizar los objetos o las salas en el mundo virtual de forma que la respuesta a los estudiantes fuese más natural. Además de esta mejora se realizó otra modificación para poder ignorar los objetos que se encontraban en uso por parte de otros estudiantes, guiando al estudiante hacia un objeto libre o indicándole que esperase a que se quedase alguno libre.

Por último, se llevaron a cabo una serie de pruebas dentro del laboratorio virtual para comprobar que las extensiones introducidas y las nuevas funcionalidades del algoritmo de ubicación de objetos funcionasen correctamente.

ii

Abstract In this project, the evaluation and improvement of an Intelligent Tutoring System (SIT) with interaction in natural language was carried out. This system is currently being used to carry out laboratory practices in the UPM Agroforestry Biotechnology career. These practices are carried out in a virtual 3D biotechnology laboratory with the help of an automatic tutor.

This final degree project focuses primarily on the communication module and the dialogue manager, which allow natural language dialogue between the student and the automatic tutor.

Initially a study of the existing system was carried out. Next, an analysis, extension and correction of errors was carried out, resulting in a version that covers more practice actions and helps students more and better.

Then the improvement of the SIT took place, modifying the algorithm that created instructions to locate objects or rooms in the virtual world so that the response to the students was more natural. In addition to this improvement, another modification was made to be able to ignore the objects that were in use by other students, guiding the student towards a free object or telling him to wait for some to remain free.

Finally, a series of tests were carried out within the virtual laboratory to verify that the extensions introduced and the new functionalities of the object location algorithm worked correctly.

iii

Índice de Figuras

Figura 1: Laboratorio Virtual de Biotecnología BioTech ................................... 4 Figura 2: Interacción del tutor automático con un usuario ............................. 5 Figura 3: Estructura jerárquica de clases de la ontología. ............................... 6 Figura 4: Instancias de la clase FlowCabin ..................................................... 6 Figura 5: Nodos principales de diálogo común. ............................................. 10 Figura 6: Ejemplos de respuesta en un nodo principal de diálogo común. .... 10 Figura 7: Nodo principal de acción siguiente (apagar agitador)...................... 11 Figura 8: Estructura interna del nodo hijo Ubicar botella ............................. 11 Figura 9: Arquitectura del SIT con interacción en lenguaje natural [5] .......... 13 Figura 10: Funcionamiento del SIT con interacción en Lenguaje Natural [5] . 14 Figura 11: Formato principal del archivo elements.json ................................ 15 Figura 12: Diagrama de paquetes de SITChatBotRuntime ............................ 17 Figura 13: Formato del fichero NextActions .................................................. 21 Figura 14: Formato del fichero NoPlanActions .............................................. 22 Figura 15: SITChatBotRuntime: Diagrama de clases del paquete StudentModule .................................................................................................................... 23 Figura 16: Listas de acciones bloqueantes/desbloqueantes .......................... 26 Figura 17: Método SaveDevice ...................................................................... 26 Figura 18: Formato del mensaje que envía el tutor automático del laboratorio virtual al MSGD ........................................................................................... 26 Figura 19: SITChatBotRuntime: Diagrama de clases del paquete WorldModule .................................................................................................................... 27 Figura 20: Ejemplo de modificaciones introducidas en el intent #Ubicación_Objeto ........................................................................................ 30 Figura 21: Ejemplo de valores modificados en la entitie @sala ...................... 31 Figura 22: Nodo principal de diálogo común añadido: Ubicación maquinaria en uso ............................................................................................................... 31 Figura 23: Nodos principales de acción siguiente añadidos (1) ...................... 32 Figura 24: Nodos principales de acción siguiente añadidos (2) ...................... 32 Figura 25: Nodos principales de acción siguiente añadidos (3) ...................... 33 Figura 26: Ubicación/Descripción usando un pronombre neutro.................. 34 Figura 27: Ubicación del fregadero. .............................................................. 35 Figura 28: Bloqueo del fregadero 2 (Derecha). ............................................... 35 Figura 29: Ubicación del fregadero después de bloquear uno. ....................... 36 Figura 30: Bloqueo del fregadero 1 (Izquierda). ............................................. 36 Figura 31: Ubicación del fregadero después de bloquear los dos. .................. 36 Figura 32: Desbloqueo del fregadero 2 (Derecha). ......................................... 37 Figura 33: Ubicación del fregadero después de desbloquear uno................... 37 Figura 34: Ubicación de una sala estando en una sala distinta. ................... 38 Figura 35: Ubicación de una sala estando en el pasillo. ................................ 38 Figura 36: Ubicación de una sala estando en esa sala. ................................. 39 Figura 37: Ubicación de un objeto en propiedad ........................................... 39

iv

Índice de Tablas Tabla 1: Tabla de intents definidos en Watson Assistant ................................ 8 Tabla 2: Tabla de entities definidas en Watson Assistant ................................ 9 Tabla 3: Acciones de la primera fase de la práctica ....................................... 20 Tabla 4: Modificaciones introducidas en las respuestas de la ubicación de un objeto ........................................................................................................... 24 Tabla 5: Modificaciones introducidas en la respuesta de la ubicación de una sala .............................................................................................................. 25 Tabla 6: Tabla de Intents modificados. ......................................................... 30 Tabla 7: Tabla de Entities modificadas ......................................................... 31

v

Tabla de contenidos 1 Introducción .................................................................................... 1

1.1 Contexto ............................................................................................ 1 1.2 Contribución...................................................................................... 1 1.3 Organización del Documento ............................................................. 2

2 Desarrollo ........................................................................................ 3 2.1 Fundamentos Tecnológicos ................................................................ 3

2.1.1 Laboratorio Virtual de Biotecnología ............................................ 3 2.1.1.1 OpenSim .................................................................................. 4 2.1.1.2 Tutor automático ...................................................................... 4

2.1.2 Ontología del mundo ................................................................... 5 2.1.3 Watson Assistant ......................................................................... 7

2.1.3.1 Elementos del gestor de diálogo ................................................ 7 2.1.4 SIT con interacción en lenguaje natural ..................................... 12

2.1.4.1 Arquitectura del SIT con interacción en lenguaje natural ........ 12 2.1.4.2 Funcionamiento del SIT con interacción en lenguaje natural .. 14 2.1.4.3 Diagrama de paquetes ............................................................ 16

2.2 Planteamiento del Problema ............................................................. 17 2.2.1 Problemas previos ..................................................................... 17

2.2.1.1 Mejora del código del MSGD ................................................... 18 2.2.1.2 Generación de indicaciones de ubicación en lenguaje natural . 18 2.2.1.3 Identificación de objetos disponibles ....................................... 18 2.2.1.4 Extensión del fragmento de la práctica cubierto por el prototipo 18 2.2.1.5 Reseteo de la ontología ........................................................... 18

2.2.2 Objetivos ................................................................................... 18 2.2.2.1 Modificación del lenguaje de las respuestas ............................ 18 2.2.2.2 Identificación de objetos disponibles ....................................... 18 2.2.2.3 Extensión del fragmento de la práctica cubierto por el prototipo 19 2.2.2.4 Reseteo de la ontología ........................................................... 20

2.3 Solución Adoptada ........................................................................... 21 2.3.1 Mejora del código del MSGD ...................................................... 21 2.3.2 Modificaciones en el lenguaje de las respuestas ......................... 23

2.3.2.1 Generación de indicaciones de ubicación en lenguaje natural . 23 2.3.2.2 Generación del plural de una palabra ..................................... 25

2.3.3 Distinción de objetos que se están utilizando ............................. 25 2.3.4 Extensión del fragmento de la práctica cubierto por el prototipo 28

2.3.4.1 Modificaciones introducidas en el Gestor de Diálogo de Watson Assistant............................................................................................. 28 2.3.4.2 Modificaciones introducidas en la ontología del mundo .......... 33

vi

2.4 Pruebas ........................................................................................... 34 2.4.1 Ubicación y descripción usando un pronombre neutro. ............. 34 2.4.2 Bloqueo/Desbloqueo de objetos ................................................. 34 2.4.3 Ubicación de una sala. .............................................................. 37 2.4.4 Ubicación propiedad. ................................................................. 39

3 Resultados y Conclusiones ..............................................................40 4 Bibliografía ......................................................................................41 5 Anexos. ...........................................................................................42

5.1 Anexo 1: Tabla de Instancias Agregadas a la Ontología Mundo. ....... 42 5.2 Anexo 2: Tabla de Acciones de la Práctica Introducidas.................... 48

1

1 Introducción

1.1 Contexto

Para una mayor comprensión de los conceptos que se imparten en las clases de una carrera es imprescindible la realización de prácticas de laboratorio, pero en algunos casos dichas prácticas de laboratorio pueden llegar a ser muy costosas y necesitar mucho tiempo para la obtención de resultados finales.

Este es el caso de la carrera de biotecnología agroforestal, donde se creó un laboratorio virtual para que los estudiantes pudiesen realizar prácticas de ingeniería genética para la creación de árboles resistentes a hongos. En este laboratorio virtual los alumnos reciben la ayuda de un tutor automático mediante pistas y mensajes de error. A parte de este tutor automático, también es necesario un tutor humano, que también se encuentra conectado al entorno, para responder las preguntas de los alumnos, ya que el tutor automático no puede dialogar en lenguaje natural.

El hecho de que un tutor humano deba de estar conectado durante el desarrollo de la práctica se volvió una restricción de usabilidad, puesto que los estudiantes y los tutores deben de coordinar horarios para realizar la práctica. Por este motivo se creó un Sistema Inteligente de Tutoría (SIT) para entrenamiento procedimental en un entorno virtual con interacción en lenguaje natural, cuya arquitectura y características fueron definidas por su autor, José Paladines, en su artículo [1].

Tomando como referencia esta arquitectura se implementó un Módulo de Soporte de Gestor de Diálogo (MSGD) el cual permite la comunicación de los estudiantes con el SIT. Esta comunicación se ofrece en lenguaje natural gracias a un Gestor de Diálogo (GD) capaz de comprender el lenguaje humano y responder a sus preguntas de manera consecuente. El estudiante, además de preguntar sobre la práctica, puede realizar preguntas sobre el entorno de entrenamiento, del cual el GD no tiene conocimiento, motivo por el cual el MSGD posee una ontología del mundo para disponer de esta información.

Este proyecto tomará como punto de partida el proyecto SITChatBotRuntime resultado de la tesis de máster documentada en [6], en el cual se implementaron algunas mejoras y extensiones en un prototipo derivado de las ideas expresadas en el artículo de José Paladines. Previamente una primera versión de este prototipo había sido implementada en dos trabajos fin de grado [4] [5]. No obstante, el proyecto SITChatBotRuntime solo cubre una parte de la primera fase de la práctica completa que tienen que realizar los alumnos en el laboratorio virtual.

1.2 Contribución

En este trabajo, se plantea ampliar el alcance del SIT, incluyendo la primera fase completa de la práctica y mejoras en el gestor de diálogo para que la comunicación entre el estudiante y el tutor virtual sea más fluida y natural. En el gestor de diálogo será necesario ampliar el árbol de nodos de comunicación de Watson Assistant y añadir y modificar intents y entities para cubrir esta primera fase de la práctica.

2

Otro problema es que actualmente el GD no sabe si un objeto está siendo usado por otro estudiante, por lo que se añadirá a la ontología dicha propiedad para que se pueda guiar al alumno a un objeto que esté libre, o se le pida que espere a que algún objeto se quede libre.

Otro cambio a realizar será la actualización de la ontología del mundo en tiempo real, puesto que actualmente esta no se actualiza hasta que no se reinicia el programa.

También se plantea tener la posibilidad de reiniciar la ontología del mundo al arrancar el programa, de manera que el estado de la ontología se corresponda con el estado inicial del laboratorio virtual cuando los alumnos inician la práctica.

Por último se intentará generalizar el programa para que pueda ser usado en otros laboratorios virtuales sin necesidad de modificar el código.

1.3 Organización del Documento

A continuación, se presentan los apartados en los que se divide este documento:

El capítulo 2 se enfoca en describir el desarrollo del trabajo realizado. Este capítulo está dividido en varios apartados:

Apartado 1: se centra en presentar los fundamentos tecnológicos de los trabajos previos para entender mejor los sistemas y tecnologías que dan soporte a este proyecto.

Apartado 2: se centra en definir los objetivos de este trabajo fin de grado derivados de las limitaciones y los problemas conocidos de la solución actual del SIT.

Apartado 3: se centra en explicar la solución adoptaba para conseguir los objetivos planteados anteriormente.

Apartado 4 contiene una serie de pruebas realizadas para comprobar el correcto funcionamiento de la solución adoptada.

El capítulo 3 contiene las conclusiones obtenidas durante la realización del proyecto.

3

2 Desarrollo

Este capítulo está dedicado a describir el desarrollo del trabajo realizado.

2.1 Fundamentos Tecnológicos

Puesto que este trabajo se realiza a partir de unos sistemas ya existentes, es necesario conocer más detalles sobre cada uno de ellos

2.1.1 Laboratorio Virtual de Biotecnología

Para la realización de este trabajo se utiliza un laboratorio virtual de biotecnología llamado BioTech [2].

El laboratorio BioTech, realizado en la plataforma OpenSim, se desarrolló para que los estudiantes del grado de biotecnología pudiesen realizar una práctica en la que modificar genéticamente un árbol y dotarlo de una mayor resistencia a enfermedades producidas por hongos [3]. Debido al alto coste de materiales y de tiempo, este tipo de prácticas no pueden desarrollarse en laboratorios reales durante el transcurso de la formación académica.

Gracias al laboratorio virtual, en el cual no hay gasto de materiales, todos los estudiantes tienen la oportunidad de realizar la práctica y, al tratarse de una simulación, la obtención de resultados es inmediata. Además, los estudiantes no tienen que preocuparse por los riesgos asociados a la realización de dicha práctica.

La definición de la práctica ha sido realizada en un protocolo compuesto por acciones especificadas con la ayuda de un profesor de la asignatura correspondiente. En los apartados a continuación, se detallará un poco más de qué está compuesto el proyecto del laboratorio BioTech.

4

Figura 1: Laboratorio Virtual de Biotecnología BioTech

2.1.1.1 OpenSim OpenSim es un servidor de aplicaciones 3D multiplataforma y multiusuario que permite crear mundos virtuales a los que se puede acceder a través de varios clientes o protocolos [7].

La interacción del usuario con el mundo virtual es a través de un avatar, el cual manejará con teclado y ratón. El teclado le sirve al usuario para moverse por el mundo virtual y poder mandar mensajes al tutor, y el ratón para interactuar con los objetos que se encuentren dentro del mundo.

Para el desarrollo del laboratorio de BioTech se decidió usar OpenSim por su facilidad para la creación de mundos virtuales [3] y porque es de código libre y gratuito. Se creó un mundo virtual que representa un laboratorio de biotecnología, el cual está formado por 5 salas, en las que se realizarán las diferentes partes de la práctica.

Para acceder a este mundo virtual creado en OpenSim es necesario un cliente compatible que debe estar instalado en el ordenador [7]. El cliente que se decidió usar para el proyecto fue FireStorm, por lo que los estudiantes deben tener este cliente en su ordenador para poder conectarse y realizar la práctica.

2.1.1.2 Tutor automático En entornos dedicados al entrenamiento llevados a cabo en mundos virtuales, por lo general, el tutor suele encontrarse representado por un avatar que interactúa con los usuarios. Sin embargo, en este caso, el tutor del laboratorio está implementado en un script que se ejecuta en un objeto invisible dentro del mundo [3], por lo que su comunicación con los usuarios es mediante mensajes de tutoría como se observa en la Figura 2.

Este tutor es el encargado de guiar la práctica de cada estudiante a través de mensajes de tutoría, además, también puede mostrar mensajes si se ha cometido algún error, y proporcionar información sobre la siguiente acción a realizar por el estudiante.

5

Figura 2: Interacción del tutor automático con un usuario

El conocimiento del tutor se basa en un archivo, diseñado por el profesor de la asignatura, en el cual se define tanto la secuencia de las acciones del protocolo de la práctica como los mensajes de tutoría que aparecen en cada momento. En este archivo se encuentran cada una de las acciones de la práctica, junto con un identificador, el orden en el que tienen que ser realizadas y las dependencias entre las acciones (las acciones que tienen que realizarse anteriormente).

Cuando un estudiante intenta ejecutar una acción, esta debe de ser validada por el tutor, el cual tiene implementado el método validarAcción(a) que se encarga de ello. Este método se encarga, como se ha mencionado antes, de verificar el intento de la acción, es decir, comprueba si la acción que se está intentando ejecutar es la siguiente acción por realizar en la práctica y si previamente se han realizado las acciones necesarias. Este método tiene tres posibles respuestas:

VALIDO: La acción es válida y correcta, por lo que el usuario puede continuar con la práctica.

FALLO: La acción es inválida y no se permite al usuario realizar la acción.

FALLO_PERO_SEGUIR: La acción es válida pero incorrecta, por lo que el usuario puede continuar la práctica pero queda registrado el error que influirá en el resultado.

2.1.2 Ontología del mundo

6

Una ontología es una definición formal de tipos, propiedades, y relaciones entre entidades que fundamentalmente existen para un dominio de discurso en particular.

En nuestro sistema se utilizó una ontología ya existente expresada en lenguaje OWL, denominada Ontología del Mundo, que representa la información de los objetos existentes dentro del laboratorio de biotecnología.

Los objetos dentro de la ontología se encuentran organizados de manera jerárquica en clases. Todos los objetos del laboratorio se encuentran en subclases de la clase elemento manipulable (manipulableElement) como se observa en la Figura 3.

Figura 3: Estructura jerárquica de clases de la ontología.

Una vez definidas las clases, se crean instancias de estas, las cuales representan los objetos y en ellas se pueden definir sus propiedades y atributos (ver Figura 4).

Figura 4: Instancias de la clase FlowCabin

Todas las instancias tienen un atributo spanishName, el cual contiene el nombre en español del objeto, debido a que cuando se accede desde el SIT a la

7

Ontología del Mundo para la búsqueda de información de un objeto se usa este atributo.

Se definieron también los atributos descriptionE y descriptionG, que contienen la descripción (específica o general) del objeto en español, debido a que el SIT necesita la descripción de los objetos del laboratorio.

Otra información necesaria es la ubicación de los objetos. Para ello se crearon atributos referentes a sus coordenadas y se definieron propiedades para relacionar instancias entre sí, como, por ejemplo: nearOf, behind, above, etc.

También se creó el atributo spanishSentence, el cual contiene los artículos necesarios para tratar al objeto en singular o plural en las frases que construirá el SIT.

Por último, se añadieron atributos para determinar la ubicación de objetos basada en aspectos perceptivos y espaciales, estos nuevos atributos son: la saliencia, tamaño, posición y orientación.

EL SIT accede a la Ontología del Mundo con dos finalidades:

Obtener información semántica y geométrica sobre los objetos que se encuentran en el laboratorio.

Obtener las estructuras de texto correspondientes que han de formar parte de la respuesta en lenguaje natural.

2.1.3 Watson Assistant

Para el gestor de diálogo se decidió usar un servicio cognitivo llamado Watson Assistant de la plataforma IBM. Este tiene como objetivo analizar y entender las frases que formularán los estudiantes, reconociendo la intención de dicha pregunta.

La construcción del diálogo se llevó a cabo mediante la interfaz web proporcionara por IMB, donde se define, además de las intenciones y las entidades, un árbol de nodos que representa la estructura del diálogo.

2.1.3.1 Elementos del gestor de diálogo Como se ha expuesto anteriormente, el gestor de diálogo Watson Assistant tiene tres elementos destacados, que son: las intenciones, las entidades y la estructura del diálogo.

o Intenciones (intents).

El nombre de un intent viene precedido del símbolo # y representan acciones que quiere llevar a cabo el usuario [8]. Es necesario que cada intent tenga varios ejemplos de cómo podría formularse la pregunta [4].

En el caso de BioTech, un estudiante puede formular preguntas acerca de la descripción, ubicación y uso de objetos, y solicitar una pista sobre la siguiente acción a realizar, definiéndose los intents necesarios para ello, como se puede ver en la Tabla 1.

Además de estos, se definieron intents relacionados con diálogos más comunes como saludos o agradecimientos.

8

Intents de Pista Intents Palabras Ignoradas

- #Mensaje_Accion_Siguiente - #IGNORE

Intents de Descripción Intents Diálogos Comunes

- #Descripcion_Contenedor - #Descripcion_Maquinaria - #Confirmacion_Maquinaria

- #Ánimo - #General_Already_Done - #General_Ending - #General_Greetings - #General_Human_or_Bot - #General_Positive_Feedback

Intents de Uso Intents de Ubicación

- #Aclaracion_Contenedor - #Apagar_Maquinaria - #Encender_Maquinaria - #Falla_Apagar_Maquinaria - #Falla_Coger_Objeto - #Falla_Encender_Maquinaria - #Falla_Soltar_Objeto - #Obtencion_Objeto - #Obtencion_Quimico - #Quimicos_Mezcla

- #Ubicacion_Contenedor - #Ubicacion_Documento - #Ubicacion_Maquinaria - #Ubicacion_Objeto - #Ubicacion_Propiedad - #Ubicacion_Quimicos - #Ubicacion_Sala

Tabla 1: Tabla de intents definidos en Watson Assistant

o Entidades (entities).

Los nombres de las entidades vienen precedidos del símbolo @ y representan un objeto que da contexto a una acción [4,9]. Es decir, representan información que es relevante para la finalidad de la intención. Como puede observarse en la Tabla 2, una entidad puede tener varios valores, y cada uno de estos valores puede tener definidos varios sinónimos.

ENTITIES VALORES

@maquinaria

ph_metro grifo agitador cabina de flujo autoclave máquina de autoclave

@documento protocolo documento

@contenedor

vitrina de vasos vitrina de químicos fregadero vitrina de

instrumentos lavamanos mesa

9

nevera percha

@químico

químico murashiage & skoog sacarosa caseína agar

@sala sala principal sala de autoclave

@objeto

guantes botella vaso bata

Tabla 2: Tabla de entities definidas en Watson Assistant

o Estructura del diálogo.

La estructura del diálogo es un árbol de nodos. Cuando Watson Assistant analiza un mensaje debe recorrer, en orden, cada uno de los nodos del árbol para encontrar una intención y una entidad que lo relacione con dicho mensaje. Cada nodo del diálogo debe contener como mínimo una respuesta, o estar compuesto por nodos hijos, los cuales deben contener como mínimo una respuesta [8].

En el caso de este proyecto han sido diferenciados tres tipos de nodos principales: nodos principales de diálogo común (no necesitan información de la práctica), nodos principales de la acción siguiente (hacen referencia a la parte de la práctica en el que se encuentra el estudiante), nodos principales de casos extra (se utilizan cuando la pregunta no es relevante dentro de la acción que se encuentra ejecutando el estudiante).

Nodos principales de diálogo común (ver Figura 5): en estos nodos no es necesaria información acerca de la práctica que se está realizando. En ellos, se han definido varias frases, que serán escogidas de manera aleatoria (ver Figura 6) para responder directamente al usuario.

10

Figura 5: Nodos principales de diálogo común.

Figura 6: Ejemplos de respuesta en un nodo principal de diálogo común.

Nodos principales de la acción siguiente (ver Figura 7): estos nodos hacen referencia a la acción en la que se encuentra el estudiante, y, por lo tanto, el diálogo que se espera. Se han creado según el orden de acciones que se ejecutarán en la práctica haciendo uso de la variable de contexto acc_sig para referirse a la acción siguiente que le corresponde hacer al estudiante. Estos nodos están compuestos de nodos hijos encargados de procesar las intents que corresponden en este contexto, como se puede ver en la Figura 8.

11

Figura 7: Nodo principal de acción siguiente (apagar agitador)

Figura 8: Estructura interna del nodo hijo Ubicar botella

Nodos principales de casos extra: todos los nodos principales de acción siguiente disponen de un nodo hijo en el que, al no tener una respuesta, se realiza un salto a otro nodo. Estos nodos son:

Ubicar fundamentos y ubicar protocolos: Con estos nodos el estudiante es capaz de preguntar por estos documentos en cualquier momento de la práctica.

Intenciones fuera de lugar: Este nodo se ejecuta cuando Watson detecta un intent que no tiene sentido para la siguiente acción a realizar.

Mensaje no comprendido: Este nodo se ejecuta cuando Watson no reconoce la pregunta, instando al estudiante a repetirla de otra manera.

12

Además de estos elementos, Watson Assistant permite el uso de variables de contexto que son útiles para dar distinción a las respuestas. En el caso de BioTech podemos diferenciar dos tipos de variables de contexto:

o Variables de contexto recibidas por el GD, las cuales son enviadas por el gestor del MSGD y se completan antes de que se realice la comunicación con el GD. Estas son: Nom_alu: Indica el nombre del alumno. Acc_sig: Indica la acción siguiente a realizar por el alumno. Niv_pis: Indica el nivel de pista (general o específico). Timeout: Indica si el alumno lleva un tiempo sin hacer nada.

o Variables de contexto enviadas por el GD, las cuales sirven para que la

respuesta dada al estudiante sea consecuente con la pregunta. Estas son: Numero: Indica si una entidad está en plural o singular. Desambiguado: Indica el spanishName de la entidad a la que se

refiere la pregunta del estudiante.

2.1.4 SIT con interacción en lenguaje natural

Los Sistemas Inteligentes de Tutoría (SITs) son sistemas que emulan a un profesor humano en tareas docentes. Estos sistemas están basados en la aplicación de técnicas de Inteligencia Artificial.

Un SIT clásico debe de estar compuesto por 4 módulos, el módulo estudiante, el módulo tutor, el módulo experto y el módulo de comunicación. Pero en este caso, para llevar a cabo el laboratorio virtual de Biotecnología se ha implementado un SIT con interacción en Lenguaje Natural, siendo necesario añadir un módulo Mundo y la interacción a través de servicios Web con el GD Watson Assistant. Estos módulos serán explicados en apartado 3.2.4.1.

2.1.4.1 Arquitectura del SIT con interacción en lenguaje natural La arquitectura implementada en el SIT con interacción en lenguaje natural se puede observar en la Figura 9.

13

Figura 9: Arquitectura del SIT con interacción en lenguaje natural [5]

A continuación, quedarán detallados los distintos módulos de los que está compuesto el SIT con interacción en lenguaje natural.

Módulo Mundo. Este módulo está basado en la ontología del Mundo, que contiene información sobre los objetos presentes en el laboratorio virtual [1].

Módulo Experto. Este módulo contiene una descripción del procedimiento de la práctica (protocolo de la práctica).

Módulo Estudiante. Este módulo está formado por ontologías que contienen información acerca del estudiante, como sus movimientos, acciones realizadas y el estado en que se encuentra su práctica.

Módulo Tutor. Este módulo toma las decisiones de tutoría más apropiadas para cada alumno en cada momento.

Módulo de comunicación. Este módulo es el encargado de recibir las peticiones enviadas desde el tutor automático y reenviarlas al GD Watson Assistant, para que este interprete la frase del alumno y genere una respuesta en forma de un intent y los entities mencionados en la frase del alumno. Finalmente, el módulo de comunicación genera la respuesta final comunicada al estudiante.

14

2.1.4.2 Funcionamiento del SIT con interacción en lenguaje natural El SIT se integró con el laboratorio virtual de biotecnología como se muestra en la Figura 10, donde se pueden observar cómo se relacionan entre sí todas sus partes para proporcionar una respuesta correcta a cada petición entrante.

Figura 10: Funcionamiento del SIT con interacción en Lenguaje Natural [5]

El módulo de soporte de gestor de diálogo (MSGD), en el que se encuentran el módulo de comunicación y el módulo mundo, se creó para que se encargase de la comunicación a través de servicios web con el laboratorio virtual de biotecnología, de la comunicación con el GD a través de la API IBM Watson, y de la obtención de la información importante de la ontología a través de la API de Jena.

Actualmente se reciben 3 tipos de peticiones desde el tutor automático:

o Event: mensaje de acción o error. o Chat: mensaje de chat escrito por el estudiante. o Timeout: mensaje de inactividad.

Si la petición recibida es de tipo event, el MSGD se encarga de recibirla y de actualizar la acción siguiente a realizar por el estudiante.

Si la petición recibida es de tipo chat, el MSGD actúa como distribuidor de mensajes reenviando la petición a Watson Assistant a través de su API. A este mensaje se le añade la información del estudiante y del estado de su práctica.

En el caso de que sea de tipo timeout ocurriría lo mismo que en el caso anterior.

15

2.1.4.2.1 Ubicación de objetos basada en aspectos perceptivos y espaciales [6] o Preprocesamiento.

Se añadió un script (ScriptWorldInformation) que permite agregar información a la ontología, para poder actualizar la ontología de manera más cómoda ya que es necesario incluir nuevos atributos a los objetos como son la saliencia, el tamaño, la posición y la orientación. Además, es necesario añadir las relaciones espaciales entre los objetos, para más tarde ser empleadas en la generación de indicaciones.

Los nuevos objetos que se quieren añadir a la ontología tendrán estar contenidos en un archivo JSON llamado elements.json (ver Figura 11), en el que se especifican los atributos: OntologyClass, descriptionE, descriptionG, spanishName, spanishSentence, colorSalience y shapeSalience.

Figura 11: Formato principal del archivo elements.json

Para obtener los datos faltantes es necesario una conexión a la base de datos de OpenSim, a través de esta consulta se obtienen el resto de los atributos de cada instancia: Tamaño (scaleX, scaleY, scaleZ), Posición (positionX, positionY, positionZ) y orientation.

o Algoritmo de generación de indicaciones para ubicar objetos.

Se creó un algoritmo cuyo propósito es generar una instrucción de ubicación que guíe al estudiante a encontrar un objeto dentro del laboratorio virtual teniendo en cuenta la posición y el campo de visión del estudiante.

Cuando un estudiante pregunta por la ubicación de un objeto primero hay que saber en qué sala del laboratorio virtual se encuentra ese objeto por lo que se añadieron las coordenadas de las salas a la ontología del mundo. Una vez determinado si el objeto se encuentra en la misma sala del estudiante se procede a calcular la distancia y si se encuentra o no dentro del campo de visión del estudiante. El campo de visión del estudiante determina si el objeto el visible desde el punto de vista del estudiante, en cuyo caso, de acuerdo a la distancia se le indicará que avance hasta el objeto, en el caso contrario, se le indicará al estudiante que gire su avatar para tener el objeto a la vista y poder acercarse a él.

16

Si el objeto se encuentra en una sala distinta a la del estudiante se le muestra una respuesta indicándole que tiene que cambiar de sala.

o Implementación.

Para la generación de indicaciones de ubicación utilizando aspectos perceptivos y espaciales es necesario conocer la posición y orientación del estudiante. Para ello se modificó la petición que envía el tutor automático para agregar estas propiedades y se añadieron estos atributos a la ontología mundo.

2.1.4.3 Diagrama de paquetes El proyecto está dividido en paquetes en base a los módulos que conforman un SIT: StudentModule y WorldModule. En la Figura 12 se muestran los paquetes de este proyecto, que son los contenedores de las clases en las que se realizan las nuevas implementaciones.

El paquete Watson contiene las clases que gestionan la conexión y constante comunicación con el gestor de diálogo Watson Assistant.

El paquete StudentModule contiene información, en tiempo de ejecución, de cada uno de los estudiantes: información personal e información referente a las actividades realizadas durante la práctica.

El paquete WorldModule contiene la ontología mundo, las clases que gestionan el acceso a la información dentro de esta, y la generación de textos en lenguaje natural para dar indicaciones referentes a objetos de esta ontología.

El paquete WebService contiene las clases que gestionan y diferencian el tipo de servicio que manda el tutor automático.

17

Figura 12: Diagrama de paquetes de SITChatBotRuntime

2.2 Planteamiento del Problema

En este apartado se hace un análisis del SIT con interacción en lenguaje natural para mejorar el MSGD y el GD Watson Assistant. Se tomó como punto de partida el proyecto SITChatBotRuntime resultado de la tesis de máster documentada en [6].

En la primera parte de este apartado se hará un listado de los principales problemas que se han detectado, y en el segundo apartado se propondrán objetivos para mejorar estos problemas.

2.2.1 Problemas previos

Actualmente el principal problema del SIT con interacción en lenguaje natural es que no contempla todas las acciones de la práctica, por lo que será necesario ir introduciendo las siguientes acciones a realizar por los estudiantes en las distintas fases de la práctica.

18

2.2.1.1 Mejora del código del MSGD Hay ciertas partes del código que son específicas para este laboratorio por lo que se quiere generalizar estas partes para tener un código reutilizable en otros SIT en un futuro. Tal es el caso de las acciones de la práctica, las cuales se encuentran en una lista dentro de la clase StudenOntology en el paquete StudenModule.

2.2.1.2 Generación de indicaciones de ubicación en lenguaje natural Actualmente cuando un usuario pregunta por la ubicación de un objeto, la generación de indicación resulta demasiado artificial, diciendo al estudiante una cantidad de metros que tiene que recorrer en línea recta y un número de grados que ha de girarse. Un ejemplo de respuesta sería el siguiente:

“Eric, gira aproximadamente 100 grados a tu izquierda y camina aproximadamente 10 metros, y encontrarás la cabina de flujo al frente tuyo”

2.2.1.3 Identificación de objetos disponibles Otro de los principales problemas es que en el SIT con interacción en lenguaje natural no hay distinción cuando un objeto está siendo utilizado por un estudiante o no, por lo que cuando un estudiante pregunta sobre la ubicación de un objeto puede recibir indicaciones que le guíen hacia un objeto que está siendo utilizado.

2.2.1.4 Extensión del fragmento de la práctica cubierto por el prototipo Como se ha mencionado anteriormente uno de los principales inconvenientes reside en la cobertura de la práctica, ya que actualmente el SIT con interacción en lenguaje natural sólo está definido para ayudar en las primeras acciones de la primera fase de la práctica.

2.2.1.5 Reseteo de la ontología Actualmente, cuando se reinicia la práctica la ontología se queda en su último estado, es decir, no se reinicia a la vez, por lo que en la ontología quedan guardados objetos que se están utilizando aunque se haya reiniciado la práctica

2.2.2 Objetivos

2.2.2.1 Modificación del lenguaje de las respuestas Debido a que la respuesta de la generación de indicaciones es demasiado artificial a la hora de guiar hacia la ubicación de un objeto, el objetivo es modificar esta respuesta de la generación de indicaciones para devolver una respuesta más natural.

2.2.2.2 Identificación de objetos disponibles Debido a que el SIT con interacción en lenguaje natural no es capaz de diferenciar entre objetos que se encuentran libres para su uso u objetos que se encuentran ocupados, el objetivo será poder hacer una distinción entre ellos, siendo necesaria la modificación de la ontología del mundo para que los objetos

19

tengan otro atributo que proporcione información acerca de si están siendo utilizados por algún estudiante.

Además de la modificación de la ontología, habrá que modificar el algoritmo de búsqueda de instancias del objeto en la ontología para que se salte las instancias de objetos que no se encuentren libres, dando indicaciones para acudir hacia el objeto libre más cercano, o si se diera el caso, indicando al estudiante que no hay objetos libres disponibles y pidiéndole que espere hasta que se quede alguno libre.

2.2.2.3 Extensión del fragmento de la práctica cubierto por el prototipo Debido a que en la solución actual sólo se tienen contempladas ciertas acciones de la primera fase de la práctica, el objetivo será introducir el resto de acciones para poder tener la primera fase de la práctica completa.

En la Tabla 3 se pueden ver las acciones que ya se contemplan en la práctica y las acciones restantes de la primera fase que aún no están introducidas.

Hay que mencionar que algunas de estas clases se realizan de manera automática, como por ejemplo: desbloquearphmetro, desbloquearagitador, contartiempocabina.

También hay un subconjunto de acciones que su orden de realización no es importante como puede ser con las acciones agregarmys/agregarsacarosa y las acciones entregarbotellaautoclavada/encendercabina.

Hay otro grupo de acciones que se utilizan para bloquear o desbloquear ciertos objetos del laboratorio virtual. Estas acciones serán bloqueantes (bloquearfregadero, bloquearagitador, bloquearphmetro, encendercabina, bloquearbasefitotron) o desbloqueantes (desbloquearfregadero, desbloquearphmetro, desbloquearagitador, entregarbotellaautoclavada, apagarcabina)

Acciones presentes Acciones pendientes

1. lavarsemanos 2. entregarguantes 3. entregarvaso 4. soltarvasofregadero 5. bloquearfregadero 6. llenarvasoconagua 7. desbloquearfregadero 8. soltarvasoagitador 9. bloquearagitador 10. bloquearphmetro 11. encenderagitador 12. agregarmys 13. agregarsacarosa 14. ajustarph 15. desbloquearphmetro 16. agregaragar 17. apagaragitador 18. entregarbotella 19. soltarbotellaagitador 20. movermezclaabotella

25. entregarbotellaautoclavada 26. enfriarbotella 27. encendercabina 28. contartiempocabina 29. soltarbotellacabina 30. agregariaa 31. entregarbandeja 32. soltarbandeja 33. llenarbotes 34. esterilizar 35. entregarchopo 36. soltarchopocabina 37. cortarplanta 38. adjuntarbandeja 39. apagarcabina 40. soltarbandcrecimiento 41. bloquearbasefitotron 42. crecerchopo 43. fincrecimiento

20

21. desbloquearagitador 22. insetarbotellaenautoclave 23. bloquearautoclave 24. autoclavar

Tabla 3: Acciones de la primera fase de la práctica

2.2.2.4 Reseteo de la ontología Como actualmente la ontología no se reinicia al reiniciar la práctica, el objetivo será introducir una consulta al iniciar el programa la cual te permita reiniciar la ontología o dejarla como estaba antes de que los alumnos iniciaran la práctica.

21

2.3 Solución Adoptada

En este apartado se presenta la solución adoptada para el SIT con interacción en lenguaje natural referente a las mejoras y las nuevas características propuestas como objetivos en el apartado 3.2. Estas han sido introducidas en el MSGD y en el GD Watson Assistant. En esta solución se tomó como punto de partida el proyecto SITChatBotRuntime resultado de la tesis de máster [6].

2.3.1 Mejora del código del MSGD

En este paso se detallan las mejoras introducidas para tener un código más general por si en un futuro se quiere reutilizar este MSGD con otros entornos virtuales de entrenamiento.

Para esto se han introducido dos nuevos archivos de texto en la solución, Actions.txt (ver Figura 13) y NoPlanActions.txt (ver Figura 14).

o Actions.txt: En este archivo se encuentran las acciones de la práctica y si son bloqueantes, desbloqueantes o normales. Cada línea del archivo hace referencia a una o varias (si el orden en el que se realizan no importa) acciones y tiene el siguiente formato: acción|tipo.

- Acción es el nombre de la acción - Tipo es un carácter que determina su tipo (B para bloqueante y D

para desbloqueante). Si el tipo no contiene nada la acción es normal.

Figura 13: Formato del fichero NextActions

22

o NoPlanActions.txt: En este archivo se encuentran las acciones de la práctica que no son relevantes. Cada línea contiene el código de la acción.

Figura 14: Formato del fichero NoPlanActions

Además de estos archivos se ha introducido un nuevo método, Load(), en la clase StudentOntology capaz de leerlos y almacenar las acciones en un array, para más tarde añadirlas a las listas _lockActions, _unlockActions, y actions.

Los cambios introducidos en las clases que componen el paquete StudentModule se pueden ver en la Figura 15, están resaltados en verdes los que se han introducido nuevos, y en amarillo los que han sufrido modificaciones.

23

Figura 15: SITChatBotRuntime: Diagrama de clases del paquete StudentModule

Por último, se ha añadido una nueva funcionalidad, al arrancar el programa se pregunta si quieres reiniciar las instancias de la ontología para arrancar el laboratorio desde el inicio o mantenerlo como se había quedado en la última ejecución.

2.3.2 Modificaciones en el lenguaje de las respuestas

En este apartado se detallan las modificaciones introducidas para que las respuestas otorgadas a los estudiantes sean más naturales.

2.3.2.1 Generación de indicaciones de ubicación en lenguaje natural En este apartado se detallan las modificaciones introducidas en el MSGD para mejorar las indicaciones de ubicación de un objeto. Se ha modificado la respuesta generada dotándola de mayor naturalidad, cambiando las instrucciones de giro, de modo que en vez de la cantidad de grados que se ha de girar, se proporciona una indicación cualitativa. En la Tabla 4, que se encuentra a continuación, se muestra un ejemplo de las modificaciones que se han introducido en las respuestas.

24

Pregunta Respuesta antigua Respuesta nueva

¿Dónde están los agitadores?

Eric, gira aproximadamente 180 grados a la

derecha y camina aproximadamente 10

metros, y encontrarás

los agitadors al frente tuyo.

Eric, date la vuelta y camina

aproximadamente 10 metros, encontrarás

los agitadores enfrente de tu

posición.

¿Dónde están las cabinas de

flujo?

Eric, gira aproximadamente 100 grados a tu

izquierda y camina aproximadamente 10

metros, y encontrarás las

cabina de flujos al frente tuyo.

Eric, gira a tu izquierda y camina

aproximadamente 10 metros, encontrarás las cabinas de flujo

enfrente de tu posición.

Tabla 4: Modificaciones introducidas en las respuestas de la ubicación de un objeto

Además, se ha añadido la generación de una respuesta para cuando el estudiante pregunta por una sala. Anteriormente se respondía directamente desde Watson Assistant sin diferenciar si el estudiante se encontraba dentro de una sala o en el pasillo. Ahora, se proporciona una respuesta teniendo en cuenta la ubicación actual del estudiante, como se puede ver en la Tabla 5.

Pregunta Respuesta antigua Respuesta nueva

¿Dónde está la sala principal?

(Ubicación actual: pasillo)

Eric, la sala principal es otra sala del

edificio. Sal de la sala en la que te

encuentras y sigue las flechas.

Eric sigue las flechas para ir a la sala

principal.

¿Dónde está la sala principal?

(Ubicación actual: sala de

cabinas de flujo)


edificio. Sal de la sala en la que te

encuentras y sigue las flechas.


edificio. Sal de la sala de cabinas de

flujo y sigue las flechas que se

encuentran en el pasillo.

¿Dónde está la sala principal? Eric ya te encuentras

en la sala principal

25

(Ubicación actual: sala principal)

Tabla 5: Modificaciones introducidas en la respuesta de la ubicación de una sala

2.3.2.2 Generación del plural de una palabra También se ha modificado la generación del plural de los objetos por los que se pregunta, antes de esta modificación, para esta generación se añadía siempre una “s” al spanishName del objeto guardado en la ontología del mundo siendo esto erróneo en muchos casos Ahora se ha optado por un algoritmo que distingue los distintos tipos de plurales:

o Si tiene más de una palabra, solo se hace plural la primera. o Si tiene una palabra:

Si termina en -l, -r, -n, -d, -z, -j se añade “-es” al final. Si termina en -s, se mantiene la palabra. Para el resto se añade “-s” al final.

2.3.3 Distinción de objetos que se están utilizando

En este apartado se muestran las modificaciones necesarias para resolver el problema planteado en el apartado 3.2.3. Para resolverlo se han modificado tanto la ontología como el MSGD. A continuación, se detallarán cada una de estas modificaciones:

o Modificación de la ontología.

En la ontología se ha introducido una nueva clase, LockableElementes, subclase de la clase Devices. Dentro de esta se han movido las instancias, en sus respectivas clases, de objetos del laboratorio que pueden ser bloqueados y desbloqueados por los estudiantes. A las instancias de esta nueva clase se les ha añadido un nuevo atributo, Owner, inicializado a “Nadie”, el cual indica el nombre del estudiante que se encuentra usando el objeto actualmente. Debido a esto ha sido necesario modificar las instancias que ya se encontraban en la ontología para agregares este nuevo atributo, y añadir este atributo en el JSON de definición del laboratorio virtual para cuando se agreguen nuevas instancias.

Se ha modificado el atributo Articles para añadir dos nuevos artículos (Algún/a, Ningún/a) que permitan una respuesta más natural cuando todas las instancias de un objeto se encuentran en uso. También ha sido necesario cambiar el nombre de las instancias de los objetos para que concuerden con el nombre que tienen dentro del laboratorio virtual.

o Modificación del MSGD.

Dentro de la clase StudentOntology, se han añadido dos nuevas listas que contienen las acciones de la práctica que bloquean/desbloquean objetos (ver Figura 16).

26

Figura 16: Listas de acciones bloqueantes/desbloqueantes

Dentro de la clase WorldOntology, se ha creado un nuevo método, SaveDevice() (ver Figura 17), el cual modifica el Owner de una instancia en la ontología añadiendo el nombre del estudiante que lo está usando, o añadiendo “Nadie” en el caso de que el estudiante lo haya desbloqueado. También se han añadido líneas para reconocer el atributo Owner de la ontology.

Figura 17: Método SaveDevice

Dentro de la clase PerspectiveSpatial, se ha modificado el método getNearestInstance() para filtrar las instancias que estén siendo utilizadas y devolver sólo las instancias que se encuentren libres.

Se ha modificado la clase SITEvent, que pertenece al paquete WebService, para reconocer las acciones bloqueantes y desbloqueantes y así llamar al método SaveDevice(). Para esto ha sido necesario modificar el mensaje que manda el tutor automático del laboratorio virtual al MSDG, añadiendo al final el nombre del objeto, siendo su nuevo formato el que se ve en la Figura 18.

Los cambios introducidos en las clases que componen el paquete WorldModule pueden verse en la Figura 19.

Figura 18: Formato del mensaje que envía el tutor automático del laboratorio virtual al MSGD

27

Fi

gura

19:

SIT

Cha

tBot

Run

time:

Dia

gram

a de

cla

ses

del p

aque

te W

orld

Mod

ule

28

2.3.4 Extensión del fragmento de la práctica cubierto por el prototipo

Para aumentar el alcance de la práctica y conseguir que el SIT con interacción en lenguaje natural abarcase la primera fase de la práctica completa se ha tenido que modificar tanto el GD de Watson Assistant como la ontología del mundo. Las nuevas acciones que han sido introducidas se encuentran representadas en el Anexo 2.

2.3.4.1 Modificaciones introducidas en el Gestor de Diálogo de Watson Assistant

Las modificaciones introducidas en Watson Assistant están divididas en tres apartados: las modificaciones introducidas en los intents, las modificaciones introducidas en las entities, y las modificaciones introducidas en la estructura del diálogo.

o Intents: Se han introducido más frases que los estudiantes pueden escribir en el chat durante la ejecución de la primera fase de la práctica. Los intents modificados se encuentran representados en la Tabla 6. Además de estos, se han introducido nuevos intents para reconocer cuando un estudiante pregunta por un objeto que ya está usando (#Ubicacion_Propiedad) y para preguntar descripción (#Ubicacion_Neutro) o la ubicación (#Ubicacion_Neutro) de una entity de manera neutra (con el pronombre eso).

Intents Ejemplos introducidos

#Falla_Apagar_Maquinaria - No puedo apagar la cabina de flujo

#Falla_Coger_Objeto

- ¿Cómo cojo la bandeja? - No puedo coger

el arbol crecido - No puedo coger la

bandeja

#Falla_Soltar_Objeto

- ¿Donde suelto el vaso? - ¿Donde suelto la

bandeja? - ¿Dónde suelto la botella? - Es imposible dejar la

bandeja - Es imposible dejar la

botella - No puedo dejar la

bandeja - No puedo dejar la botella - No puedo soltar el bote - No puedo soltar la

bandeja

29

- No puedo soltar la botella - Soy incapaz de dejar la

bandeja - Soy incapaz de dejar la

botella - Soy incapaz de soltar la

bandeja - Soy incapaz de soltar la

botella

#Mensaje_Accion_Siguiente - que hago

#Ubicacion_Contenedor

- ¿Dónde está el frigo? - ¿dónde está el frigorífico? - ¿Y el frigo? - ¿Y el frigorifico? - No encuentro el frigo

#Ubicacion_Maquinaria

- ¿Cuál es mi cabina? - ¿Dónde está el

esterilizador? - ¿Dónde está la cabina de

flujo laminar?

#Ubicacion_Objeto

- ¿Cual es el arbol crecido? - ¿Dónde está el bote con

árbol crecido? - ¿Dónde está la bandeja

con botes? - ¿Dónde está la bandeja

de botes? - ¿Dónde está la planta? - ¿Dónde se encuentra el

bote con arbol crecido? - ¿Y el bote

con arbol crecido? - ¿Y la planta? - Cómo consigo un bote

con árbol crecido? - cual es el arbol crecido - cual es el arbol crecido?

#Ubicacion_Quimicos - Y el ácido indolacético dónde está?

#Ubicacion_Sala - ¿Dónde está el fitotron? - ¿Dónde está el fitotrón? - ¿Qué es el fitotron? - Donde esta el fitotron

#Ubicacion_Propiedad

- cual es mi cabina - cual es mi poyata - Donde esta mi cabina - Donde esta mi poyata - Y mi cabina

30

- y mi poyata

#Ubicacion_Neutro - ¿Dónde está eso? - Donde encuentro eso

#Descripcion_Neutro - Qué es eso Tabla 6: Tabla de Intents modificados.

Figura 20: Ejemplo de modificaciones introducidas en el intent #Ubicación_Objeto

o Entities: Se han introducido nuevas entities para tener más representación de los objetos del laboratorio que se usan en la práctica. Además de estas, se han añadido nuevos sinónimos a algunas entities ya existentes para tener un mayor control. También se han introducido entities neutras (eso). En la Tabla 7 se muestran qué entities han sido modificadas y los valores introducidos o modificados para cada entity.

Entities Values introducidos o modificados

@contenedor - Nevera cabina - Vitrina de instrumentos - Eso

@maquinaria - Esterilizador - Eso

@objeto

- Bandeja - Bandeja con botes - Bandeja decrecimiento - Bote con árbol crecido - Eso

@quimico - Acido indolacetico

@sala - Sala de autoclave - Sala de cabina de flujo - Sala de fitotron

31

- Sala principal Tabla 7: Tabla de Entities modificadas

Figura 21: Ejemplo de valores modificados en la entitie @sala

o Estructura del diálogo: Dentro de la estructura de diálogo se han introducido nodos en dos de los tres tipos de nodos principales, en los nodos principales de diálogo común y en los nodos principales de la acción siguiente.

Nodos principales de diálogo común. Ha sido añadido un nuevo nodo que reconoce cuando un estudiante está preguntando por un objeto que está usando actualmente (ver Figura 22).

Nodos principales de acción siguiente. Han sido añadidos nuevos nodos de acción siguiente para completar todas las acciones de la fase 1 de la práctica (ver Figuras 23-25). Estos nodos tienen sus correspondientes nodos hijos que ayudan al estudiante en ese tramo de la práctica. Además, se han modificado todos los nodos de ubicación de las salas para que sea el MSGD quién genere la respuesta teniendo en cuenta la ubicación del alumno.

Figura 22: Nodo principal de diálogo común añadido: Ubicación maquinaria en uso

32

Figura 23: Nodos principales de acción siguiente añadidos (1)


33


2.3.4.2 Modificaciones introducidas en la ontología del mundo En la ontología, para aumentar el alcance de la práctica se han introducido los objetos del laboratorio que van a usar los estudiantes mientras estén realizando las acciones pertenecientes a la fase 1 de la práctica. Estos nuevos objetos están recogidos en el Anexo 1. Además de incluir los nuevos objetos se ha llevado a cabo una reestructuración de las clases de la ontología, introduciendo cada instancia en una clase que la identifica.

Se han introducido un total de 10 nuevas clases, de las que 8 hacen referencia a nuevos objetos, y las otras dos son superclases que diferencian entre objetos que se pueden bloquear y los que no.

Además se han introducido 64 nuevas instancias que hacen referencia a los nuevos objetos que podrán usar los estudiantes.

También se han modificado algunas instancias para que su nombre coincida con el nombre que tiene en el laboratorio virtual.

34

2.4 Pruebas

Este apartado contendrá los resultados obtenidos en las pruebas que se han realizado al SIT con interacción en lenguaje natural una vez realizadas las implementaciones descritas en el apartado anterior.

2.4.1 Ubicación y descripción usando un pronombre neutro.

En esta prueba se comprueba el correcto funcionamiento cuando un estudiante pregunte acerca de un objeto usando un pronombre neutro (eso), el cual hará referencia al objeto actual que necesites.

En este caso la siguiente acción es ir a una vitrina y obtener un vaso, el estudiante al preguntar por la ubicación, se le devolverá la ubicación del objeto vitrina (ver Figura 26).

P: que hago

R: ve a la vitrina que está junto a la pared izquierda de la sala y obtén un vaso

P: donde está eso

R: La vitrina de los vasos es un mueble con puertas de cristal en el que se pueden ver los vasos. Administrador gira a tu izquierda y camina aproximadamente 20 metros, encontrarás la vitrina de vasos enfrente de tu posición.

Figura 26: Ubicación/Descripción usando un pronombre neutro

2.4.2 Bloqueo/Desbloqueo de objetos

En esta prueba se comprueba el correcto funcionamiento del bloqueo/desbloqueo de entidades, actualizando en tiempo real la ontología del mundo.

En primer lugar, el estudiante que se encuentra haciendo la práctica en el laboratorio virtual pregunta por la ubicación de un objeto, siendo que todas las instancias de ese objeto se encuentran inicialmente libres, por lo que se le indicará la ubicación de la instancia más cercana (ver Figura 27) que en este caso será el fregadero que se encuentra a nuestra derecha.

P: que hago

R: acércate a cualquier fregadero y para soltar el vaso entra en el inventario y pulsa “Soltar”

P: donde está eso

35

R: Administrador gira a tu derecha, encontrarás el fregadero enfrente de tu posición.

Figura 27: Ubicación del fregadero.

Por otro lado, mediante la aplicación Postman[9], simulamos que otro estudiante está utilizando el fregadero de la derecha (ver Figura 28), y de nuevo con el estudiante que se encuentra en el laboratorio virtual preguntamos acerca de la ubicación del fregadero (ver Figura 29). En este caso al estar ocupado uno de los fregaderos y haberse actualizado la ontología, el tutor nos dirigirá hacia el fregadero más cercano que se encuentre libre, en este caso el de la derecha.

Figura 28: Bloqueo del fregadero 2 (Derecha).

P: donde está eso

R: Administrador gira a tu izquierda, encontrarás el fregadero enfrente de tu posición.

36

Figura 29: Ubicación del fregadero después de bloquear uno.

De nuevo, con Postman, volvemos a simular que otro usuario está utilizando el fregadero de la izquierda (ver Figura 30), y con el estudiante que se encuentra en el laboratorio virtual volvemos a preguntar por la ubicación de un fregadero (ver Figura 31). En este caso, los dos fregaderos se encuentran ocupados. Por lo que el tutor responderá que no hay ningún fregadero disponible.

Figura 30: Bloqueo del fregadero 1 (Izquierda).

P: donde está eso

R: Administrador, en este momento no hay ningún fregadero disponible, espera un momento hasta que quede alguno libre.

Figura 31: Ubicación del fregadero después de bloquear los dos.

37

Por último, de nuevo con Postman, simulamos que uno de los fregaderos ha quedado libre (ver figura 32), y con el estudiante que se encuentra en el laboratorio virtual volvemos a preguntar sobra la ubicación del fregadero (ver figura 33). Dado que un fregadero ha quedado libre, en este caso el de la derecha, el tutor nos dará las indicaciones para encontrarlo.

Figura 32: Desbloqueo del fregadero 2 (Derecha).

P: donde está eso

R: Administrador gira a tu izquierda, encontrarás el fregadero enfrente de tu posición.

Figura 33: Ubicación del fregadero después de desbloquear uno.

2.4.3 Ubicación de una sala.

En este caso se realizará una prueba para comprobar el correcto funcionamiento del posicionamiento del estudiante respecto de la ubicación de una sala por la que está preguntando. Primero preguntaremos mientras nos encontramos en una sala distinta (ver Figura 34), por lo que el tutor nos indicará que debemos de salir de dicha sala. Una vez fuera de la sala, mientras nos encontramos en el pasillo, volveremos a preguntar (ver Figura 35) y en este caso el tutor nos indicará que sigamos las indicaciones. Por último una vez en la sala a la que queremos llegar, preguntaremos de nuevo (ver Figura 36) y en este último caso, el tutor nos indicará que ya nos encontramos en esa sala.

P: donde está eso

R: El autoclave no se encuentra en este cuarto, por favor ve a la sala de autoclaves.

P: donde esta la sala

38

R: Administrador, la sala de autoclave es otra sala del edificio. Sal de la sala principal y sigue las flechas que se encuentran en el pasillo.

Figura 34: Ubicación de una sala estando en una sala distinta.

P: y la sala

R: Administrador sigue las flechas para ir a la sala de autoclave.

Figura 35: Ubicación de una sala estando en el pasillo.

P: y la sala

R: Administrador ya te encuentras en la sala de autoclaves.

39

Figura 36: Ubicación de una sala estando en esa sala.

2.4.4 Ubicación propiedad.

Por último, comprobaremos el funcionamiento de ubicar un objeto que estamos usando actualmente (ver Figura 37). En este caso el tutor nos indicará que ese objeto es el que tiene una etiqueta con nuestro nombre.

P: cual es mi cabina

R: Si ya has encendido una cabina, tu cabina de flujo es la que tiene la etiqueta con tu nombre.

Figura 37: Ubicación de un objeto en propiedad

40

3 Resultados y Conclusiones

El uso de entornos de entrenamientos virtuales dedicados a la enseñanza es una metodología que se encuentra en auge, que permite realizar prácticas que en el mundo real serían imposibles, o difíciles de llevar a cabo, como es el caso del laboratorio de Biotecnología.

El hecho de que el tutor automático de este laboratorio tenga un procesamiento de lenguaje natural hace que este entorno sea más cómodo para el estudiante puesto que tiene a un tutor acompañándole en todo momento que, cuando sea necesario, le responderá en lenguaje natural.

Al tener implementado un gestor de diálogo (Watson Assistant) implica que éste debe tener un entrenamiento continuo cuyo objetivo es que pueda entender a todos los alumnos puesto que cada uno tendrá diferentes formas de expresar una duda. Así, cada año que se realice la práctica será necesario refinar dicho gestor teniendo en cuenta las novedades que vayan apareciendo en las consultas de los alumnos.

Inicialmente, la comprensión de una nueva herramienta, como es Watson Assistant, dio lugar a diversos errores por falta de entendimiento de esta. Una vez familiarizado con el gestor de diálogo y gracias a que ya tenía conocimiento y práctica con el lenguaje C# la realización del proyecto fue más fluida y con menos errores.

Otro de los problemas fue el entender de qué manera funcionaban los métodos que se incluían en el código y cómo se comunicaban entre sí todas las clases, debido a que cada persona que ha participado en este proyecto tiene unas pautas a la hora de programar.

Gracias a este proyecto he incrementado bastante los conocimientos acerca de estas tecnologías.

Para acabar, hay que destacar que todavía no está aún acabado el proyecto. El MSDG tiene aún un largo camino por delante, con varias ampliaciones que debido al tiempo no han podido completarse en este proyecto de fin de grado. Por lo que para un futuro trabajo, entre otras cosas, sería necesario:

- Ampliar la ontología con todos los objetos que se encuentran dentro del mundo virtual: Actualmente la ontología recoge los objetos que un estudiante va a utilizar durante la realización de la primera fase de la práctica, por lo que será necesario ampliar la ontología con el resto de los objetos que serán utilizados en el resto de las fases.

- Mejorar la naturalidad en la generación de respuestas: El objetivo del MSGD es que sirva de soporte en una conversación en lenguaje natural. Actualmente lleva a cabo dicha función, pero en algunos casos podría parecer demasiado artificial, por lo que será necesario seguir mejorándolo, añadiendo nuevas estructuras de mensajes

- Completar el GD para toda la práctica: Actualmente el GD sólo cubre la primera fase de la práctica, por lo que será necesario ampliarlo para introducir la fase dos y la fase tres.

41

4 Bibliografía

[1] J. Paladines and J. Ramírez, "Sistema inteligente de tutoría para entrenamiento procedimental apoyado en un diálogo adaptado al contexto," Revista Hamut´ay, vol. 2, no. 4, pp. 17-29, 2017.

[2] M. Rico, J. Ramírez, D. Riofrío and A. De Antonio, "An Architecture for Virtual Labs in Engineering," Proceedings of the 2012 IEEE Global Engineering Education Conference (EDUCON), pp. 1-5, 2012.

[3] D. Riofrío, "Propuesta de un Modelo de Comportamiento Colectivo de Estudiantes para un Sistema Inteligente de Tutoría dirigido al Entrenamiento Procedimental," UPM: Tesis Doctoral, Madrid, 2017.

[4] R. Fernández Sánchez, "Implementación de un Sistema de Diálogo en Lenguaje Natural basado en Watson para un Sistema Inteligente de Tutoría," UPM: Tesis Fin de Grado, Madrid, 2019.

[5] R. García Mejía, "Módulo de Soporte para el Gestor de Diálogo en Lenguaje Natural de un Sistema Inteligente de Tutoría," UPM: Tesis Fin de Grado, Madrid, 2019.

[6] C. M. López Guanipatín, "Evaluación y mejora de un sistema de diálogo para tutoría inteligente en un entorno virtual," UPM: Tesis Fin de Máster, Madrid, 2019.

[7] OpenSimulator, "http://opensimulator.org", 09 08 2019. [Online]. Available: http://opensimulator.org/wiki/Main_Page. [Accessed 11 11 2019].

[8] IBM Cloud, "Watson Assistant," [Online]. Available: https://cloud.ibm.com/docs/services/assistant?topic=assistant-getting-started. [Accessed 11 11 2019].

[9] Postman, “https://www.getpostman.com/”, 2020. [Online]. Avaiable: https://www.getpostman.com/. [Accesed 13 01 2020].

42

5 A

nexo

s.

5.1

Ane

xo 1

: Tab

la d

e In

stan

cias

Agr

egad

as a

la O

ntol

ogía

Mun

do.

Inst

ance

Nam

e Po

siti

on

Ori

enta

tion

Sc

ale

Obj

ectP

rope

rtie

s Sa

lienc

e C

olor

Sa

l. Si

ze

Sal.

Shap

e Sa

l.

Au

tocl

ave_

2 (1

12.9

,148

.2,2

3.4)

(1

80,9

0,18

0)

(0.0

3,0.

2,0.

2)

[] 0.

6138

1

0.04

6 0.

5

Au

tocl

ave_

3 (1

12.9

,152

,23.

4)

(180

,90,

180)

(0

.03,

0.2,

0.2)

[]

0.61

38

1 0.

046

0.5

Au

tocl

ave_

4 (1

12.9

,148

.2,2

3.4)

(1

80,9

0,18

0)

(0.0

3,0.

2,0.

2)

[] 0.

6138

1

0.04

6 0.

5

Au

tocl

ave_

5 (1

12.9

,148

.2,2

3.4)

(1

80,9

0,18

0)

(0.0

3,0.

2,0.

2)

[] 0.

6138

1

0.04

6 0.

5

Cab

inaF

lujo

_1

(151

.2,1

05,2

4.38

) (0

,0,1

80)

(0.7

3,1.

5,0.

17)

[] 0.

5099

0.

5 0.

199

1

Cab

inaF

lujo

_2

(151

.2,1

00.9

,24.

38)

(0,0

,180

) (0

.73,

1.5,

0.17

) []

0.50

99

0.5

0.19

9 1

Cab

inaF

lujo

_3

(154

.9,1

05,2

4.38

) (0

,0,1

80)

(0.7

3,1.

5,0.

17)

[] 0.

5099

0.

5 0.

199

1

Cab

inaF

lujo

_4

(154

.9,1

01.5

,24.

38)

(0,0

,180

) (0

.73,

1.5,

0.17

) []

0.50

99

0.5

0.19

9 1

Cab

inaF

lujo

_5

(158

.6,1

05,2

4.38

) (0

,0,1

80)

(0.7

3,1.

5,0.

17)

[] 0.

5099

0.

5 0.

199

1

Cab

inaF

lujo

_6

(158

.6,1

01,2

4.38

) (0

,0,1

80)

(0.7

3,1.

5,0.

17)

[] 0.

5099

0.

5 0.

199

1

43

Cab

inaF

lujo

_7

(162

.2,1

05,2

4.38

) (0

,0,1

80)

(0.7

3,1.

5,0.

17)

[] 0.

5099

0.

5 0.

199

1

Cab

inaF

lujo

_8

(162

.2,1

01,2

4.38

) (0

,0,1

80)

(0.7

3,1.

5,0.

17)

[] 0.

5099

0.

5 0.

199

1

Cab

inaF

lujo

_9

(151

.2,9

1,24

.38)

(0

,0,1

80)

(0.7

3,1.

5,0.

17)

[] 0.

5099

0.

5 0.

199

1

Cab

inaF

lujo

_10

(151

.2,8

7,24

.38)

(0

,0,1

80)

(0.7

3,1.

5,0.

17)

[] 0.

5099

0.

5 0.

199

1

Cab

inaF

lujo

_11

(154

.9,9

1,24

.38)

(0

,0,1

80)

(0.7

3,1.

5,0.

17)

[] 0.

5099

0.

5 0.

199

1

Cab

inaF

lujo

_12

(154

.9,8

7,24

.38)

(0

,0,1

80)

(0.7

3,1.

5,0.

17)

[] 0.

5099

0.

5 0.

199

1

Cab

inaF

lujo

_13

(158

.6,9

1,24

.38)

(0

,0,1

80)

(0.7

3,1.

5,0.

17)

[] 0.

5099

0.

5 0.

199

1

Cab

inaF

lujo

_14

(158

.6,8

7,24

.38)

(0

,0,1

80)

(0.7

3,1.

5,0.

17)

[] 0.

5099

0.

5 0.

199

1

Cab

inaF

lujo

_15

(162

.2,9

1,24

.38)

(0

,0,1

80)

(0.7

3,1.

5,0.

17)

[] 0.

5099

0.

5 0.

199

1

Cab

inaF

lujo

_16

(162

.2,8

7,24

.38)

(0

,0,1

80)

(0.7

3,1.

5,0.

17)

[] 0.

5099

0.

5 0.

199

1

Inst

rum

ent_

Sh

owca

se_

1 (1

02.8

,85.

1,23

.57)

(2

70,0

,0)

(1.5

,2.5

,0.7

5)

[] 0.

3755

0.

5 0.

418

0

Inst

rum

ent_

Sh

owca

se_

2 (1

00.5

,85.

1,23

.57)

(2

70,0

,0)

(1.5

,2.5

,0.7

5)

[] 0.

3755

0.

5 0.

418

0

Inst

rum

ent_

Sh

owca

se_

3 (9

8.3,

85.1

,23.

57)

(270

,0,0

) (1

.5,2

.5,0

.75)

[]

0.37

55

0.5

0.41

8 0

44

Inst

rum

ent_

Sh

owca

se_

4 (1

67.5

,94.

7,23

.57)

(2

70,0

,0)

(1.5

,2.5

,0.7

5)

[] 0.

3755

0.

5 0.

418

0

Ban

deja

_con

_bot

es_1

(1

02.3

,85.

1,23

,37)

(2

70,0

,0)

(0.0

3,0.

5,0.

5)

[isIn

side

Of,

Inst

rum

ent_

Sh

owca

se_1

]

0.03

41

0 0.

113

0

Ban

deja

_con

_bot

es_2

(1

01.1

,85.

1,23

,37)

(2

70,0

,0)

(0.0

3,0.

5,0.

5)

[isIn

side

Of,

Inst

rum

ent_

Sh

owca

se_2

]

0.03

41

0 0.

113

0

Ban

deja

_con

_bot

es_3

(9

7.9,

85.1

,23,

37)

(270

,0,0

) (0

.03,

0.5,

0.5)

[is

Insi

deO

f, In

stru

men

t_S

how

case

_3]

0.03

41

0 0.

113

0

Ban

deja

_con

_bot

es_4

(1

67.5

,94.

2,23

,37)

(2

70,0

,0)

(0.0

3,0.

5,0.

5)

[isIn

side

Of,

Inst

rum

ent_

Sh

owca

se_4

]

0.03

41

0 0.

113

0

Bot

e_co

n_a

rbol

_cre

cido

_1

(100

,146

.3,2

4,31

) (0

,0,1

80)

(0.1

,0.1

,0.1

) []

0.00

98

0 0.

032

0

Cab

in_F

ridg

e_1

(167

.5,9

2.9,

23.5

) (2

70,0

,90)

(1

,2.3

7,0.

75)

[] 0.

1139

0

0.03

7 0

Cab

in_F

ridg

e_2

(167

.5,9

8.4,

23.5

) (2

70,0

,90)

(1

,2.3

7,0.

75)

[] 0.

1139

0

0.03

7 0

Ste

riliz

er_1

(1

51.4

,104

,3,2

3.4)

(2

00,9

0,34

6)

(0.3

,0.1

5,0.

15)

[beh

ind,

bl

u_t

ip_b

ox_1

] 0.

0134

0

0.04

4 0

Ste

riliz

er_2

(1

51.4

,100

,4,2

3.4)

(2

00,9

0,34

6)

(0.3

,0.1

5,0.

15)

[toT

heR

igth

, bl

ack_

box_

2,

beh

ind,

bl

u_t

ip_b

ox_2

]

0.01

34

0 0.

044

0

45

Ste

riliz

er_3

(1

55.1

,104

,3,2

3.4)

(2

00,9

0,34

6)

(0.3

,0.1

5,0.

15)

[beh

ind,

bl

u_t

ip_b

ox_3

] 0.

0134

0

0.04

4 0

Ste

riliz

er_4

(1

55.1

,100

,4,2

3.4)

(2

00,9

0,34

6)

(0.3

,0.1

5,0.

15)

[beh

ind,

bl

u_t

ip_b

ox_4

] 0.

0134

0

0.04

4 0

Ste

riliz

er_5

(1

58.8

,104

,3,2

3.4)

(2

00,9

0,34

6)

(0.3

,0.1

5,0.

15)

[beh

ind,

bl

u_t

ip_b

ox_5

] 0.

0134

0

0.04

4 0

Ste

riliz

er_6

(1

58.8

,100

,4,2

3.4)

(2

00,9

0,34

6)

(0.3

,0.1

5,0.

15)

[beh

ind,

bl

u_t

ip_b

ox_6

] 0.

0134

0

0.04

4 0

Ste

riliz

er_7

(1

62.5

,104

,3,2

3.4)

(2

00,9

0,34

6)

(0.3

,0.1

5,0.

15)

[beh

ind,

bl

u_t

ip_b

ox_7

] 0.

0134

0

0.04

4 0

Ste

riliz

er_8

(1

62.5

,100

,4,2

3.4)

(2

00,9

0,34

6)

(0.3

,0.1

5,0.

15)

[beh

ind,

bl

u_t

ip_b

ox_8

] 0.

0134

0

0.04

4 0

Ste

riliz

er_9

(1

51.4

,90.

3,23

.4)

(200

,90,

346)

(0

.3,0

.15,

0.15

) [b

ehin

d,

blu

_tip

_box

_9]

0.01

34

0 0.

044

0

Ste

riliz

er_1

0 (1

51.4

,86.

4,23

.4)

(200

,90,

346)

(0

.3,0

.15,

0.15

) [b

ehin

d,

blu

_tip

_box

_10]

0.

0134

0

0.04

4 0

Ste

riliz

er_1

1 (1

55.1

,90.

3,23

.4)

(200

,90,

346)

(0

.3,0

.15,

0.15

) [b

ehin

d,

blu

_tip

_box

_11]

0.

0134

0

0.04

4 0

Ste

riliz

er_1

2 (1

55.1

,86,

4,23

.4)

(200

,90,

346)

(0

.3,0

.15,

0.15

) [b

ehin

d,

blu

_tip

_box

_12]

0.

0134

0

0.04

4 0

Ste

riliz

er_1

3 (1

58.8

, 90

.3,2

3.4)

(2

00,9

0,34

6)

(0.3

,0.1

5,0.

15)

[beh

ind,

bl

u_t

ip_b

ox_1

3]

0.01

34

0 0.

044

0

Ste

riliz

er_1

4 (1

58.8

,86,

4,23

.4)

(200

,90,

346)

(0

.3,0

.15,

0.15

) [b

ehin

d,

blu

_tip

_box

_14]

0.

0134

0

0.04

4 0

Ste

riliz

er_1

5 (1

62.5

, 90

.3,2

3.4)

(2

00,9

0,34

6)

(0.3

,0.1

5,0.

15)

[beh

ind,

bl

u_t

ip_b

ox_1

5]

0.01

34

0 0.

044

0

46

Ste

riliz

er_1

6 (1

62.5

,86,

4,23

.4)

(200

,90,

346)

(0

.3,0

.15,

0.15

) [b

ehin

d,

blu

_tip

_box

_16]

0.

0134

0

0.04

4 0

Bla

ck_b

ox_2

(1

51.4

,100

.4,2

3.4)

(2

00,9

0,34

6)

(0.3

,0.1

5,0.

15)

[] 0.

5134

1

0.04

4 0

Blu

e_ti

p_bo

x_1

(151

.2,1

04.5

,23.

4)

(90,

0,23

6)

(0.2

,0.0

9,0.

15)

[inFr

ontO

f, S

teri

lizer

_1]

0.26

10

0.75

0.

036

0

Blu

e_ti

p_bo

x_2

(151

.2,1

00.6

,23.

4)

(90,

0,23

6)

(0.2

,0.0

9,0.

15)

[inFr

ontO

f, S

teri

lizer

_2]

0.26

10

0.75

0.

036

0

Blu

e_ti

p_bo

x_3

(154

.9,1

04,5

,23.

4)

(90,

0,23

6)

(0.2

,0.0

9,0.

15)

[inFr

ontO

f, S

teri

lizer

_3]

0.26

10

0.75

0.

036

0

Blu

e_ti

p_bo

x_4

(154

.9,1

00,2

,23.

4)

(90,

0,23

6)

(0.2

,0.0

9,0.

15)

[inFr

ontO

f, S

teri

lizer

_4]

0.26

10

0.75

0.

036

0

Blu

e_ti

p_bo

x_5

(158

.6,1

04,5

,23.

4)

(90,

0,23

6)

(0.2

,0.0

9,0.

15)

[inFr

ontO

f, S

teri

lizer

_5]

0.26

10

0.75

0.

036

0

Blu

e_ti

p_bo

x_6

(158

.6,1

00,6

,23.

4)

(90,

0,23

6)

(0.2

,0.0

9,0.

15)

[inFr

ontO

f, S

teri

lizer

_6]

0.26

10

0.75

0.

036

0

Blu

e_ti

p_bo

x_7

(162

.7,1

04,5

,23.

4)

(90,

0,23

6)

(0.2

,0.0

9,0.

15)

[inFr

ontO

f, S

teri

lizer

_7]

0.26

10

0.75

0.

036

0

Blu

e_ti

p_bo

x_8

(162

.7,1

00,6

,23.

4)

(90,

0,23

6)

(0.2

,0.0

9,0.

15)

[inFr

ontO

f, S

teri

lizer

_8]

0.26

10

0.75

0.

036

0

Blu

e_ti

p_bo

x_9

(151

.2,9

0.5,

23.4

) (9

0,0,

236)

(0

.2,0

.09,

0.15

) [in

Fron

tOf,

Ste

riliz

er_9

] 0.

2610

0.

75

0.03

6 0

Blu

e_ti

p_bo

x_10

(1

51.2

,86.

6,23

.4)

(90,

0,23

6)

(0.2

,0.0

9,0.

15)

[inFr

ontO

f, S

teri

lizer

_10]

0.

2610

0.

75

0.03

6 0

Blu

e_ti

p_bo

x_11

(1

54.9

,90.

5,23

.4)

(90,

0,23

6)

(0.2

,0.0

9,0.

15)

[inFr

ontO

f, S

teri

lizer

_11]

0.

2610

0.

75

0.03

6 0

47

Blu

e_ti

p_bo

x_12

(1

54.9

,86,

6,23

.4)

(90,

0,23

6)

(0.2

,0.0

9,0.

15)

[inFr

ontO

f, S

teri

lizer

_12]

0.

2610

0.

75

0.03

6 0

Blu

e_ti

p_bo

x_13

(1

58.6

, 90

.5,2

3.4)

(9

0,0,

236)

(0

.2,0

.09,

0.15

) [in

Fron

tOf,

Ste

riliz

er_1

3]

0.26

10

0.75

0.

036

0

Blu

e_ti

p_bo

x_14

(1

58.6

,86,

6,23

.4)

(90,

0,23

6)

(0.2

,0.0

9,0.

15)

[inFr

ontO

f, S

teri

lizer

_14]

0.

2610

0.

75

0.03

6 0

Blu

e_ti

p_bo

x_15

(1

62.3

, 90

.5,2

3.4)

(9

0,0,

236)

(0

.2,0

.09,

0.15

) [in

Fron

tOf,

Ste

riliz

er_1

5]

0.26

10

0.75

0.

036

0

Blu

e_ti

p_bo

x_16

(1

62.3

,86,

6,23

.4)

(90,

0,23

6)

(0.2

,0.0

9,0.

15)

[inFr

ontO

f, S

teri

lizer

_16]

0.

2610

0.

75

0.03

6 0

48

5.2

Ane

xo 2

: Tab

la d

e A

ccio

nes

de la

Prá

ctic

a In

trod

ucid

as

EN

TID

AD

ES

RE

SPU

ES

TA A

PR

EG

UN

TAS

DE

LO

S

ALU

MN

OS

C

OD

-AC

CIO

N

IN

TEN

CIO

N

EN

TID

AD

V

ALO

R

PRE

GU

NTA

S_A

LUM

NO

S PI

STA

_NIV

EL

1 (g

ener

al)

PIST

A_N

IVE

L 2

(esp

ecíf

ica)

auto

clav

ar

ME

NS

AJE

_AC

CIO

N_S

IGU

IEN

TE

¿Qu

é h

ago

ahor

a?

No

sé q

ué

hac

er

¿Sig

uie

nte

acc

ión?

Toca

el a

uto

clav

e pa

ra in

icia

r el

au

tocl

avad

o de

la

bote

lla y

esp

era

Toca

el a

uto

clav

e pa

ra in

icia

r el

au

tocl

avad

o de

la

bote

lla y

esp

era

auto

clav

ar

FALL

A_C

OG

ER

_OB

JETO

ob

jeto

bo

tella

No

pued

o co

ger

la

bote

lla

No

me

deja

cog

er

la b

otel

la

La b

otel

la e

stá

en

el in

ven

tari

o de

ob

jeto

s.

En

la c

arpe

ta d

e in

ven

tari

o de

ob

jeto

s es

tá

añad

ida

la b

otel

la,

debe

s da

r do

ble

clic

pa

ra a

dju

nta

rlo

a la

m

ano.

auto

clav

ar

DE

SC

RIP

CIO

N_M

AQ

UIN

AR

IA

m

aqu

inar

ia

Cab

ina

de fl

ujo

¿C

úal

es

la

cabi

na?

La c

abin

a es

un

a m

aqu

inar

ia c

on

aspe

cto

de

esta

ción

de

trab

ajo.

La c

abin

a es

un

a m

aqu

inar

ia c

on

aspe

cto

de e

stac

ión

de

tra

bajo

.

auto

clav

ar

UB

ICA

CIO

N_M

AQ

UIN

AR

IA

maq

uin

aria

C

abin

a de

flu

jo

Y la

s ca

bin

as?

¿Dón

de e

stán

las

cabi

nas

?

La c

abin

a de

flu

jo e

stá

en e

l ce

ntr

o de

la s

ala

de c

abin

as d

e flu

jo.

Si e

ntr

as p

or la

pu

erta

de

la s

ala

cabi

na

de fl

ujo

, las

ca

bin

as e

stán

en

el

cen

tro

de la

sal

a de

ca

bin

a de

flu

jo.

49

auto

clav

ar

UB

ICA

CIO

N_S

ALA

sa

la

sala

de

cabi

na

de

flujo

¿Dón

de e

stá

la

sala

de

cabi

nas

?

La s

ala

de

cabi

nas

de

flujo

es

otr

a sa

la d

el

edifi

cio.

Sal

de

la

sala

en

la q

ue

te

encu

entr

as y

si

gue

las

flech

as.

La s

ala

de c

abin

as

de fl

ujo

es

otra

sal

a de

l edi

ficio

. Sal

de

la s

ala

prin

cipa

l y

sigu

e la

s fle

chas

.

entr

egar

bote

llaau

tocl

avad

a M

EN

SA

JE_A

CC

ION

_SIG

UIE

NTE

¿Q

ué

hag

o ah

ora?

N

o sé

qu

é h

acer

¿S

igu

ien

te a

cció

n?

Toca

el a

uto

clav

e pa

ra r

ecu

pera

r la

bo

tella

ya

auto

clav

ada

Toca

el a

uto

clav

e pa

ra r

ecu

pera

r la

bo

tella

ya

auto

clav

ada

entr

egar

bote

llaau

tocl

avad

a U

BIC

AC

ION

_SA

LA

sala

sa

la d

e ca

bin

a de

flu

jo

¿Dón

de e

stá

la

sala

de

cabi

nas

?

La s

ala

de

cabi

nas

de

flujo

es

otr

a sa

la d

el

edifi

cio.

Sal

de

la

sala

en

la q

ue

te

encu

entr

as y

si

gue

las

flech

as.

La s

ala

de c

abin

as

de fl

ujo

es

otra

sal

a de

l edi

ficio

. Sal

de

la s

ala

en la

qu

e te

en

cuen

tras

y s

igu

e la

s fle

chas

.

entr

egar

bote

llaau

tocl

avad

a D

ES

CR

IPC

ION

_MA

QU

INA

RI

A

maq

uin

aria

C

abin

a de

flu

jo

¿Cú

al e

s la

ca

bin

a?

La c

abin

a es

un

a m

aqu

inar

ia c

on

aspe

cto

de

esta

ción

de

trab

ajo.

La c

abin

a es

un

a m

aqu

inar

ia c

on

aspe

cto

de e

stac

ión

de

tra

bajo

.

entr

egar

bote

llaau

tocl

avad

a U

BIC

AC

ION

_MA

QU

INA

RIA

m

aqu

inar

ia

Cab

ina

de fl

ujo

Y la

s ca

bin

as?

¿Dón

de e

stán

las

cabi

nas

?

La c

abin

a de

flu

jo e

stá

en e

l ce

ntr

o de

la s

ala

de c

abin

as d

e flu

jo.

Si e

ntr

as p

or la

pu

erta

de

la s

ala

cabi

na

de fl

ujo

, las

ca

bin

as e

stán

en

el

cen

tro

de la

sal

a de

ca

bin

a de

flu

jo.

enfr

iarb

otel

la

ME

NS

AJE

_AC

CIO

N_S

IGU

IEN

TE

¿Qu

é h

ago

ahor

a?

No

sé q

ué

hac

er

¿Sig

uie

nte

acc

ión?

Llev

a la

bot

ella

ce

rca

de la

ca

bin

a y

suél

tala

ah

í. Ti

enes

15

Llev

a la

bot

ella

ce

rca

de la

cab

ina

y su

élta

la a

hí.

Tien

es

15 m

inu

tos

ante

s

50

min

uto

s an

tes

de

que

el m

edio

se

solid

ifiqu

e.

de q

ue

el m

edio

se

solid

ifiqu

e.

enfr

iarb

otel

la

DE

SC

RIP

CIO

N_M

AQ

UIN

AR

IA

m

aqu

inar

ia

Cab

ina

de fl

ujo

¿C

úal

es

la

cabi

na?

La c

abin

a es

un

a m

aqu

inar

ia c

on

aspe

cto

de

esta

ción

de

trab

ajo.

Si e

ntr

as p

or la

pu

erta

de

la s

ala

de

cabi

na

de fl

ujo

, la

cabi

na

es u

na

maq

uin

aria

con

as

pect

o de

est

ació

n

de t

raba

jo.

enfr

iarb

otel

la

UB

ICA

CIO

N_M

AQ

UIN

AR

IA

maq

uin

aria

C

abin

a de

flu

jo

Y la

s ca

bin

as?

¿Dón

de e

stán

las

cabi

nas

?

La c

abin

a de

flu

jo e

stá

en e

l ce

ntr

o de

la s

ala

de c

abin

as d

e flu

jo.

Si e

ntr

as p

or la

pu

erta

de

la s

ala

cabi

na

de fl

ujo

, las

ca

bin

as e

stán

en

el

cen

tro

de la

sal

a de

ca

bin

a de

flu

jo.

enfr

iarb

otel

la

¿D

espú

es d

e en

cen

der

la

cabi

na,

ten

go q

ue

ir p

or la

bot

ella

?

Si

Rev

isa

en e

l ch

at la

ú

ltim

a in

stru

cció

n

del p

roce

dim

ien

to.

ence

nder

cabi

na

ME

NS

AJE

_AC

CIO

N_S

IGU

IEN

TE

¿Qu

é h

ago

ahor

a?

No

sé q

ué

hac

er

¿Sig

uie

nte

acc

ión?

Tien

es q

ue

ence

nde

r la

ca

bin

a de

flu

jo

Tien

es q

ue

ence

nde

r la

cab

ina

de fl

ujo

ence

nder

cabi

na

DE

SC

RIP

CIO

N_M

AQ

UIN

AR

IA

m

aqu

inar

ia

Cab

ina

de fl

ujo

¿C

úal

es

la

cabi

na?

La c

abin

a es

un

a m

aqu

inar

ia c

on

aspe

cto

de

esta

ción

de

trab

ajo.

La c

abin

a es

un

a m

aqu

inar

ia c

on

aspe

cto

de e

stac

ión

de

tra

bajo

.

51

ence

nder

cabi

na

UB

ICA

CIO

N_M

AQ

UIN

AR

IA

maq

uin

aria

C

abin

a de

flu

jo

Y la

s ca

bin

as?

¿Dón

de e

stán

las

cabi

nas

?

La c

abin

a de

flu

jo e

stá

en e

l ce

ntr

o de

la s

ala

de c

abin

as d

e flu

jo.

Si e

ntr

as p

or la

pu

erta

de

la s

ala

cabi

na

de fl

ujo

, las

ca

bin

as e

stán

en

el

cen

tro

de la

sal

a de

ca

bin

a de

flu

jo.

ence

nder

cabi

na

EN

CE

ND

ER

_MA

QU

INA

RIA

m

aqu

inar

ia

Cab

ina

de fl

ujo

¿C

ómo

enci

endo

la

cabi

na

de fl

ujo

?

Toca

el b

otón

de

ence

ndi

do p

ara

ence

nde

r la

ca

bin

a.

Acé

rcat

e m

ás y

toc

a el

bot

ón v

erde

par

a en

cen

der

la c

abin

a de

flu

jo.

ence

nder

cabi

na

FALL

A_E

NC

EN

DE

R_M

AQ

UI

NA

RIA

m

aqu

inar

ia

Cab

ina

de fl

ujo

No

pued

o en

cen

der

la c

abin

a de

flu

jo

La c

abin

a ya

est

á en

cen

dido

La c

abin

a ya

est

á en

cen

dido

, en

la

etiq

uet

a ap

arec

e tu

n

ombr

e

cont

arti

empo

cabi

na

ME

NS

AJE

_AC

CIO

N_S

IGU

IEN

TE

¿Qu

é h

ago

ahor

a?

No

sé q

ué

hac

er

¿Sig

uie

nte

acc

ión?

Esp

era

el t

iem

po

nec

esar

io p

ara

que

se e

ster

ilice

el

air

e.

Esp

era

el t

iem

po

nec

esar

io p

ara

que

se e

ster

ilice

el a

ire.

solt

arbo

tella

cabi

na

ME

NS

AJE

_AC

CIO

N_S

IGU

IEN

TE

¿Qu

é h

ago

ahor

a?

No

sé q

ué

hac

er

¿Sig

uie

nte

acc

ión?

Su

elta

la b

otel

la

en la

cab

ina.

S

uel

ta la

bot

ella

en

la

cab

ina.

solt

arbo

tella

cabi

na

FALL

A_S

OLT

AR

_OB

JETO

ob

jeto

bo

tella

N

o pu

edo

solt

ar la

bo

tella

Inte

nta

pr

esio

nan

do e

l bo

tón

"S

olta

r".

Ubí

cate

más

cer

ca

de la

cab

ina

de fl

ujo

y

pres

ion

a el

bot

ón

"Sol

tar"

agre

gari

aa

ME

NS

AJE

_AC

CIO

N_S

IGU

IEN

TE

¿Qu

é h

ago

ahor

a?

No

sé q

ué

hac

er

¿Sig

uie

nte

acc

ión?

Agr

ega

ácid

o in

dola

céti

co d

el

frig

orífi

co.

Agr

ega

ácid

o in

dola

céti

co d

el

frig

orífi

co.

52

agre

gari

aa

UB

ICA

CIO

N_C

ON

TEN

ED

OR

co

nte

ned

or

frig

orífi

co

¿Dón

de e

stá

el

frig

orifi

co?

Y el

frig

orifi

co

Res

pues

ta

gen

erad

a po

r el

M

SG

D

Res

pues

ta g

ener

ada

por

el M

SG

D

agre

gari

aa

DE

SC

RIP

CIO

N_C

ON

TEN

ED

OR

co

nte

ned

or

frig

orífi

co

¿Cu

ál e

s el

fr

igor

ifico

?

Res

pues

ta

gen

erad

a po

r el

M

SG

D

Res

pues

ta g

ener

ada

por

el M

SG

D

agre

gari

aa

UB

ICA

CIO

N_Q

UIM

ICO

qu

imic

o ác

ido

indo

lacé

tico

¿Dón

de e

stá

el

ácid

o in

dola

céti

co?

Res

pues

ta

gen

erad

a po

r el

M

SG

D

Res

pues

ta g

ener

ada

por

el M

SG

D

entr

egar

band

eja

ME

NS

AJE

_AC

CIO

N_S

IGU

IEN

TE

¿Qu

é h

ago

ahor

a?

No

sé q

ué

hac

er

¿Sig

uie

nte

acc

ión?

Si n

o la

tie

nes

aú

n c

onsi

gue

un

a ba

nde

ja c

on

bote

s de

la s

ala

de a

uto

clav

es o

de

la v

itri

na

de

inst

rum

ento

s.

Si n

o la

tie

nes

aú

n

con

sigu

e u

na

ban

deja

con

bot

es

de la

sal

a de

au

tocl

aves

o d

e la

vi

trin

a de

in

stru

men

tos.

entr

egar

band

eja

UB

ICA

CIO

N_O

BJE

TO

obje

to

ban

deja

co

n b

otes

¿Dón

de c

onsi

go

un

a ba

nde

ja c

on

vaso

s?

¿Y la

ban

deja

con

va

sos

dón

de la

en

cuen

tro?

Res

pues

ta

gen

erad

a po

r el

M

SG

D

Res

pues

ta g

ener

ada

por

el M

SG

D

entr

egar

band

eja

UB

ICA

CIO

N_C

ON

TEN

ED

OR

co

nte

ned

or

vitr

ina

de

inst

rum

en

tos

¿Dón

de e

stá

la

vitr

ina

de

inst

rum

ento

s?

Y la

vit

rin

a de

in

stru

men

tos

Res

pues

ta

gen

erad

a po

r el

M

SG

D

Res

pues

ta g

ener

ada

por

el M

SG

D

53

entr

egar

band

eja

DE

SC

RIP

CIO

N_C

ON

TEN

ED

OR

co

nte

ned

or

vitr

ina

de

inst

rum

en

tos

¿Cu

ál e

s la

vit

rin

a de

inst

rum

ento

s?

Res

pues

ta

gen

erad

a po

r el

M

SG

D

Res

pues

ta g

ener

ada

por

el M

SG

D

solt

arba

ndej

a M

EN

SA

JE_A

CC

ION

_SIG

UIE

NTE

¿Q

ué

hag

o ah

ora?

N

o sé

qu

é h

acer

¿S

igu

ien

te a

cció

n?

Tom

a la

ban

deja

de

tu

inve

nta

rio

y su

élta

la e

n la

ca

bin

a.

Tom

a la

ban

deja

de

tu in

ven

tari

o y

suél

tala

en

la

cabi

na.

solt

arba

ndej

a FA

LLA

_SO

LTA

R_O

BJE

TO

obje

to

ban

deja

co

n b

otes

N

o pu

edo

solt

ar la

ba

nde

ja

Inte

nta

pr

esio

nan

do e

l bo

tón

"S

olta

r".

Ubí

cate

más

cer

ca

de la

cab

ina

de fl

ujo

y

pres

ion

a el

bot

ón

"Sol

tar"

llena

rbot

es

ME

NS

AJE

_AC

CIO

N_S

IGU

IEN

TE

¿Qu

é h

ago

ahor

a?

No

sé q

ué

hac

er

¿Sig

uie

nte

acc

ión?

Toca

la b

ande

ja

para

ver

ter

el

con

ten

ido

de la

bo

tella

en

los

bote

s.

Toca

la b

ande

ja

para

ver

ter

el

con

ten

ido

de la

bo

tella

en

los

bote

s.

este

riliz

ar

ME

NS

AJE

_AC

CIO

N_S

IGU

IEN

TE

¿Qu

é h

ago

ahor

a?

No

sé q

ué

hac

er

¿Sig

uie

nte

acc

ión?

Toca

el

este

riliz

ador

par

a es

teri

lizar

el

inst

rum

enta

l.

Toca

el e

ster

iliza

dor

para

est

erili

zar

el

inst

rum

enta

l.

este

riliz

ar

DE

SC

RIP

CIO

N_M

AQ

UIN

AR

IA

ob

jeto

es

teri

liza

dor

¿Cu

ál e

s el

es

teri

lizad

or?

Res

pues

ta

gen

erad

a po

r el

M

SG

D

Res

pues

ta g

ener

ada

por

el M

SG

D

entr

egar

chop

o M

EN

SA

JE_A

CC

ION

_SIG

UIE

NTE

¿Q

ué

hag

o ah

ora?

N

o sé

qu

é h

acer

¿S

igu

ien

te a

cció

n?

Si n

o lo

tie

nes

aú

n, v

e al

fit

otró

n y

tra

e u

n

bote

con

un

árb

ol

crec

ido.

Si n

o lo

tie

nes

aú

n,

ve a

l fit

otró

n y

tra

e u

n b

ote

con

un

ár

bol c

reci

do.

54

entr

egar

chop

o U

BIC

AC

ION

_SA

LA

sala

sa

la d

e fit

otro

n ¿D

ónde

est

á la

sa

la d

e fit

otro

n?

La s

ala

de

fitot

ron

es

otra

sa

la d

el e

dific

io.

Sal

de

la s

ala

en

la q

ue

te

encu

entr

as y

si

gue

las

flech

as.

La s

ala

de fi

totr

on

es o

tra

sala

del

ed

ifici

o. S

al d

e la

sa

la e

n la

qu

e te

en

cuen

tras

y s

igu

e la

s fle

chas

.

entr

egar

chop

o U

BIC

AC

ION

_OB

JETO

ob

jeto

bo

te c

on

arbo

l cr

ecid

o

¿Dón

de c

onsi

go

un

bot

e co

n a

rbol

cr

ecid

o?

¿Y e

l bot

e co

n

arbo

l cre

cido

dó

nde

la

encu

entr

o?

Res

pues

ta

gen

erad

a po

r el

M

SG

D

Res

pues

ta g

ener

ada

por

el M

SG

D

solt

arch

opoc

abin

a M

EN

SA

JE_A

CC

ION

_SIG

UIE

NTE

¿Q

ué

hag

o ah

ora?

N

o sé

qu

é h

acer

¿S

igu

ien

te a

cció

n?

Su

elta

el b

ote

con

la p

lan

ta e

n

la c

abin

a de

flu

jo.

Tom

a el

bot

e co

n la

pl

anta

qu

e se

en

cuen

tra

en la

ca

rpet

a de

obj

etos

de

tu

inve

nta

rio

hac

ien

do d

oble

clic

k so

bre

ella

, des

pués

llé

vala

cer

ca d

e la

ca

bin

a de

flu

jo y

su

élta

la a

hí.

solt

arch

opoc

abin

a FA

LLA

_SO

LTA

R_O

BJE

TO

obje

to

bote

con

ar

bol

crec

ido

No

pued

o so

ltar

el

bote

Inte

nta

pr

esio

nan

do e

l bo

tón

"S

olta

r".

Ubí

cate

más

cer

ca

de la

cab

ina

y pr

esio

na

el b

otón

"S

olta

r"

cort

arpl

anta

M

EN

SA

JE_A

CC

ION

_SIG

UIE

NTE

¿Q

ué

hag

o ah

ora?

N

o sé

qu

é h

acer

¿S

igu

ien

te a

cció

n?

Toca

la b

ande

ja

con

bot

es p

ara

cort

ar lo

s ta

llos

y ge

ner

ar

expl

anto

s.

Obs

erva

su

Toca

la b

ande

ja c

on

bote

s pa

ra c

orta

r lo

s ta

llos

y ge

ner

ar

expl

anto

s. O

bser

va

su a

spec

to h

acie

ndo

zo

om.

55

aspe

cto

haci

endo

zo

om.

adju

ntar

band

eja

ME

NS

AJE

_AC

CIO

N_S

IGU

IEN

TE

¿Qu

é h

ago

ahor

a?

No

sé q

ué

hac

er

¿Sig

uie

nte

acc

ión?

Toca

la b

ande

ja

para

adj

un

tarl

a a

tu m

ano.

Toca

la b

ande

ja

para

adj

un

tarl

a a

tu

man

o.

apag

arca

bina

solt

arba

ndej

acre

cim

ien

to

ME

NS

AJE

_AC

CIO

N_S

IGU

IEN

TE

¿Qu

é h

ago

ahor

a?

No

sé q

ué

hac

er

¿Sig

uie

nte

acc

ión?

Llev

a la

ban

deja

al

Fit

otró

n y

su

élta

la p

ara

colo

carl

a en

una

de

las

repi

sas.

Llev

a la

ban

deja

al

Fito

trón

y s

uél

tala

pa

ra c

oloc

arla

en

u

na

de la

s re

pisa

s.

solt

arba

ndej

acre

cim

ien

to

FALL

A_S

OLT

AR

_OB

JETO

ob

jeto

ban

deja

de

cr

ecim

ien

to

No

pued

o so

ltar

la

ban

deja

Inte

nta

pr

esio

nan

do e

l bo

tón

"S

olta

r".

Ubí

cate

más

cer

ca

de u

na

repi

sa y

pr

esio

na

el b

otón

"S

olta

r"

bloq

uear

base

fito

tron

crec

erch

opo

ME

NS

AJE

_AC

CIO

N_S

IGU

IEN

TE

¿Qu

é h

ago

ahor

a?

No

sé q

ué

hac

er

¿Sig

uie

nte

acc

ión?

Sal

de

la c

ámar

a y

vuel

ve a

en

trar

, h

abrá

pas

ado

un

a se

man

a...o

bser

va

de c

erca

tu

s pl

anta

s m

icro

prop

agad

as.

Sal

de

la c

ámar

a y

vuel

ve a

en

trar

, h

abrá

pas

ado

un

a se

man

a...o

bser

va d

e ce

rca

tus

plan

tas

mic

ropr

opag

adas

.

56

finc

reci

mie

nto

ME

NS

AJE

_AC

CIO

N_S

IGU

IEN

TE

¿Qu

é h

ago

ahor

a?

No

sé q

ué

hac

er

¿Sig

uie

nte

acc

ión?

Vu

elve

a e

ntr

ar y

sa

lir la

s ve

ces

nec

esar

ias

para

qu

e te

rmin

e de

cr

ecer

la p

lan

ta.

Cad

a ve

z qu

e en

tres

rep

rese

nta

ap

roxi

mad

amen

te

a u

na

sem

ana

de c

reci

mie

nto

.

Vu

elve

a e

ntr

ar y

sa

lir la

s ve

ces

nec

esar

ias

para

qu

e te

rmin

e de

cre

cer

la

plan

ta. C

ada

vez

que

entr

es

repr

esen

ta

apro

xim

adam

ente

a

un

a se

man

a de

cr

ecim

ien

to.

universidad politécnica de madridoa.upm.es/58186/1/tfg_eric_mozo_ruiz.pdf · location algorithm...

Documents