Investigadores del Instituto Tecnológico de Massachusetts (MIT) han desarrollado una técnica de IA diseñada para que los robots puedan manipular objetos utilizando todo su cuerpo.
Manipular objetos utilizando múltiples puntos de contacto en varias partes del cuerpo supone un enorme reto para los robots. Los humanos destacan en la manipulación de todo el cuerpo, transportando sin problemas cajas grandes o sujetando objetos irregulares.
Sin embargo, los robots son mucho menos competentes en tareas de manipulación complejas debido a los numerosos puntos de contacto entre los objetos y distintas partes de su cuerpo.
"En lugar de pensar en esto como un sistema de 'caja negra', si podemos aprovechar la estructura de este tipo de sistemas robóticos utilizando modelos, existe la oportunidad de acelerar todo el procedimiento de intentar tomar estas decisiones e idear planes ricos en contactos", afirma H.J. Terry Suh, estudiante de posgrado de Ingeniería Eléctrica e Informática (EECS) y coautor principal del trabajo de investigación.
En esencia, el trabajo de los investigadores del MIT aborda la intensidad y complejidad computacional de las tareas de manipulación robótica, concretamente las que implican escenarios ricos en contactos. A la hora de planificar una tarea de manipulación, los robots deben tener en cuenta innumerables posibilidades de contacto con un objeto, lo que da lugar a un número inabarcable de cálculos.
Tradicionalmente, se han utilizado métodos de aprendizaje por refuerzo (RL) para resolver este problema, pero requieren muchos recursos informáticos y mucho tiempo.
En estudiar introdujo el "suavizado" para resolver este problema. El proceso de "suavizado" agiliza la carga computacional reduciendo el número de contactos que el robot debe tener en cuenta. Condensa la miríada de posibles puntos de contacto en un conjunto manejable de decisiones clave.
Esencialmente, muchas acciones y contactos intrascendentes que el robot podría hacer se promedian, dejando sólo los puntos vitales de interacción que necesitan ser calculados.
Para aplicar el "suavizado", el equipo diseñó un modelo basado en la física. Este modelo reproduce eficazmente el tipo de "promediación" de las interacciones no críticas que se produce implícitamente en los métodos de aprendizaje por refuerzo.
El equipo probó su método tanto en simulaciones como en hardware robótico del mundo real, mostrando un rendimiento comparable al del aprendizaje por refuerzo, pero a una fracción del coste computacional.
Aplicaciones prácticas
Las implicaciones de esta investigación pueden ser de gran alcance. En el ámbito industrial, la técnica podría permitir la utilización de robots más pequeños y móviles, capaces de realizar tareas complejas con mayor flexibilidad.
Esto podría reducir tanto el consumo de energía como los costes operativos. Más allá de las fábricas, la tecnología podría cambiar las reglas del juego de las misiones de exploración espacial, permitiendo a los robots adaptarse rápidamente a terrenos o tareas impredecibles con recursos computacionales mínimos.
Además, estos métodos computacionales podrían ayudar a los investigadores a construir manos competentes y realistas.
"Las mismas ideas que permiten la manipulación de todo el cuerpo también sirven para planificar con manos diestras similares a las humanas", afirma Russ Tedrake, autor principal y catedrático Toyota de EECS en el MIT.
Aunque la IA está impulsando transformaciones en el campo de la robótica, dotando a los robots de habilidades y conocimientos cada vez mejores, aún no hemos construido nada con destreza biológica.
A medida que el hardware de IA se reduce chips de bajo consumo y los investigadores encuentren formas de resolver los problemas computacionales, es probable que los robots diestros y con apariencia de vida no estén muy lejos.
