Conoce al robot con dedos más ágiles hasta la fecha

Dentro de un laboratorio brillantemente decorado en la Universidad de California, Berkeley, un robot de aspecto ordinario ha desarrollado una habilidad excepcional para recoger objetos extraños e inusuales. Sin embargo, lo sorprendente es que el robot se volvió tan bueno para agarrar al trabajar con objetos virtuales.

El robot aprendió qué tipo de agarre debería funcionar para diferentes elementos al estudiar un vasto conjunto de datos de formas tridimensionales y agarres adecuados. Los investigadores de UC Berkeley alimentaron imágenes a una gran red neuronal de aprendizaje profundo conectada a un sensor 3-D listo para usar y un brazo robótico estándar. Cuando se coloca un nuevo objeto frente a él, el sistema de aprendizaje profundo del robot determina rápidamente qué agarre debe usar el brazo.

El bot es significativamente mejor que cualquier cosa desarrollada anteriormente. En las pruebas, cuando tenía más del 50 por ciento de confianza en que podía agarrar un objeto, logró levantar el objeto y sacudirlo sin dejarlo caer el 98 por ciento de las veces. Cuando el robot no estaba seguro, empujaba el objeto para descubrir un mejor agarre. Después de hacer eso, logró levantarlo el 99 por ciento de las veces. Este es un avance significativo con respecto a los métodos anteriores, dicen los investigadores.

Historia relacionada

Debe leer

El trabajo muestra cómo los nuevos enfoques para el aprendizaje de robots, combinados con la capacidad de los robots para acceder a la información a través de la nube, podrían mejorar las capacidades de los robots en fábricas y almacenes, e incluso podrían permitir que estas máquinas realicen un trabajo útil en nuevos entornos como hospitales y hogares (ver 10 tecnologías innovadoras 2017: robots que se enseñan unos a otros). Se describe en un papel que se publicará en una importante conferencia de robótica que se llevará a cabo este mes de julio.

Muchos investigadores están trabajando en formas para que los robots aprendan a agarrar y manipular cosas practicando una y otra vez, pero el proceso lleva mucho tiempo. El nuevo robot aprende sin necesidad de practicar y es significativamente mejor que cualquier sistema anterior. Estamos produciendo mejores resultados pero sin ese tipo de experimentación, dice Ken Goldberg , profesor de UC Berkeley que dirigió el trabajo. Estamos muy entusiasmados con esto.

Universidad de California, Berkeley, el profesor Ken Goldberg (izquierda) y el jefe del Grupo de Investigación de Siemens, Juan Aparicio.

En lugar de practicar en el mundo real, el robot aprendió alimentándose de un conjunto de datos de más de mil objetos que incluye su forma tridimensional, apariencia visual y la física de agarrarlos. Este conjunto de datos se utilizó para entrenar el sistema de aprendizaje profundo del robot. Podemos generar suficientes datos de entrenamiento para redes neuronales profundas en un día más o menos en lugar de realizar meses de pruebas físicas en un robot real, dice Jeff Mahler, investigador postdoctoral que trabajó en el proyecto.

Goldberg y sus colegas planean publicar el conjunto de datos que crearon. Los conjuntos de datos públicos han sido importantes para hacer avanzar el estado del arte en la visión por computadora, y ahora los nuevos conjuntos de datos en 3D prometen ayudar a los robots a avanzar.

Estefanía Tellex , profesor asistente en la Universidad de Brown que se especializa en el aprendizaje de robots, describe la investigación como un gran problema y señala que podría acelerar los enfoques laboriosos de aprendizaje automático.

Es difícil recopilar grandes conjuntos de datos de datos robóticos, dice Tellex. Este documento es emocionante porque muestra que un conjunto de datos simulados se puede usar para entrenar un modelo para agarrar. Y este modelo se traduce en éxitos reales en un robot físico.

Los avances en los algoritmos de control y los enfoques de aprendizaje automático, junto con el nuevo hardware, están construyendo constantemente una base sobre la cual operará una nueva generación de robots. Estos sistemas podrán realizar una gama mucho más amplia de tareas cotidianas. De hecho, máquinas con dedos más ágiles ya están asumiendo un trabajo manual que durante mucho tiempo ha permanecido fuera de su alcance (ver Un robot con la cabeza en la nube aborda el picking en el almacén).

Russ Tedrake , un profesor del MIT que trabaja en robots, dice que varios grupos de investigación están logrando avances en robots diestros mucho más capaces. Agrega que el trabajo de UC Berkeley es impresionante porque combina métodos de aprendizaje automático más nuevos con enfoques más tradicionales que involucran el razonamiento sobre la forma de un objeto.

La aparición de robots más diestros también podría tener importantes implicaciones económicas. Los robots que se encuentran en las fábricas hoy en día son notablemente precisos y decididos, pero increíblemente torpes cuando se enfrentan a un objeto desconocido. Varias empresas, incluida Amazon, están utilizando robots en los almacenes, pero hasta ahora solo para mover productos y no para recoger objetos para pedidos.

Los investigadores de UC Berkeley colaboraron con Juan Aparicio, jefe de grupo de investigación de Siemens. La empresa alemana está interesada en comercializar robótica en la nube, entre otras tecnologías de fabricación conectada.

Historia relacionada

Leer siguiente Una pinza robótica nueva y diestra puede manipular objetos desconocidos y comparte lo que aprende con una mente colmena en la nube.

Aparicio dice que la investigación es emocionante porque la confiabilidad del brazo ofrece un camino claro hacia la comercialización.

Los avances en la destreza de las máquinas también pueden ser significativos para el avance de la inteligencia artificial. La destreza manual desempeñó un papel fundamental en la evolución de la inteligencia humana, formando un ciclo de retroalimentación virtuoso con una visión más nítida y una mayor potencia cerebral. La capacidad de manipular objetos reales de manera más efectiva también parece desempeñar un papel en la evolución de la inteligencia artificial.

esconder