211service.com
Cómo los robots pueden enseñarse rápidamente unos a otros a agarrar nuevos objetos
Agarrar un bolígrafo o un par de anteojos de sol puede ser fácil para usted o para mí, pero es endiabladamente difícil para un robot, especialmente si el objeto en cuestión no es familiar o está colocado de manera incómoda.
El Baxter en el laboratorio de Stefanie Tellex intenta agarrar dos objetos a la vez.
Sin embargo, la práctica hace al maestro, como lo está demostrando un robot. Se está enseñando a sí mismo a agarrar todo tipo de objetos a través de horas de repetición. El robot utiliza diferentes cámaras y sensores infrarrojos para mirar un objeto desconocido desde varios ángulos antes de intentar recogerlo. Luego lo hace usando varios agarres diferentes, sacudiendo el objeto para asegurarse de que esté bien sujeto. Puede tomar docenas de intentos para que el robot encuentre el agarre correcto, y docenas más para asegurarse de que un objeto no se resbale.
Eso puede parecer un proceso tedioso, pero una vez que el robot ha aprendido a levantar algo, puede compartir ese conocimiento con otros robots que tienen los mismos sensores y pinzas. Los investigadores detrás del esfuerzo eventualmente esperan que cientos de robots aprendan colectivamente cómo agarrar un millón de cosas diferentes.
El trabajo fue realizado por Estefanía Tellex , profesora asistente en la Universidad de Brown, junto con uno de sus estudiantes de posgrado, Juan Oberlin . Utilizaron un robot industrial de dos brazos llamado Baxter, fabricado por la empresa con sede en Boston. Repensar la robótica .
En el Coloquio de Robótica del Noreste, un evento realizado en el Instituto Politécnico de Worcester este mes, Oberlin demostró las habilidades de agarre del robot al público.
Permitir que los robots manipulen objetos más fácilmente es uno de los grandes desafíos de la robótica actual, y podría tener una gran importancia industrial (ver Los robots de recolección de estantes competirán por el premio Amazon).
Tellex dice que los investigadores de robótica buscan cada vez más formas más eficientes de entrenar robots para realizar tareas como la manipulación. Ahora tenemos poderosos algoritmos, como el aprendizaje profundo, que pueden aprender de grandes conjuntos de datos, pero estos algoritmos requieren datos, dice ella. La práctica con robots es una forma de adquirir los datos que un robot necesita para aprender a manipular objetos de manera robusta.
Tellex también señala que hoy en día hay alrededor de 300 robots Baxter en varios laboratorios de investigación en todo el mundo. Si cada uno de esos robots usara ambos brazos para examinar nuevos objetos, dice, sería posible que aprendieran a agarrar un millón de objetos en 11 días. Al hacer que los robots compartan lo que han aprendido, es posible aumentar la velocidad de recopilación de datos en órdenes de magnitud, dice ella.
Para agarrar cada objeto, el robot de los investigadores de Brown lo escanea desde varios ángulos usando una de las cámaras en sus brazos y los sensores infrarrojos en su cuerpo. Esto le permite identificar posibles ubicaciones en las que agarrar. Los investigadores utilizaron una técnica matemática para optimizar el proceso de practicar diferentes agarres. Con esta técnica, el robot Baxter del equipo recogió objetos hasta un 75 por ciento más confiablemente que con su software normal. La información adquirida para cada objeto (las imágenes, los escaneos 3D y el agarre correcto) se codifica en un formato que permite compartirlo en línea.
Otros grupos están desarrollando métodos para permitir que los robots aprendan a realizar diversas tareas, incluido el agarre. Una de las formas más prometedoras de lograr esto es el aprendizaje profundo utilizando las llamadas redes neuronales, que son simulaciones modeladas libremente sobre la forma en que los nervios en el cerebro procesan la información y aprenden (consulte Robot Toddler Learns to Stand by 'Imagining' How to Do It ).
Aunque los humanos adquieren la capacidad de agarrar a través del aprendizaje, un niño no necesita pasar tanto tiempo manipulando diferentes objetos, y él o ella puede usar la experiencia previa para descubrir muy rápidamente cómo recoger un objeto nuevo. Tellex dice que el objetivo final de su proyecto es dar a los robots habilidades similares. Nuestro objetivo a largo plazo es utilizar estos datos para generalizar a nuevos objetos, dice ella.