Este robot aprendió a caminar completamente solo

Un robot aprendiendo a caminar de forma totalmente autónoma. Google

A los 10 minutos de su nacimiento, un cervatillo bebé puede pararse. En siete horas, es capaz de caminar. Entre esos dos hitos, se involucra en un movimiento de extremidades muy adorable y muy frenético para resolverlo todo.

Esa es la idea detrás de la robótica impulsada por IA. Si bien los robots autónomos, como los autos sin conductor, ya son un concepto familiar, los autónomos aprendiendo los robots siguen siendo solo una aspiración. Los algoritmos de aprendizaje por refuerzo existentes que permiten a los robots aprender movimientos a través de prueba y error todavía dependen en gran medida de la intervención humana. Cada vez que el robot se cae o sale de su entorno de entrenamiento, necesita que alguien lo levante y lo vuelva a colocar en la posición correcta.

ahora un nuevo estudio de los investigadores de Google ha hecho un avance importante hacia los robots que pueden aprender a navegar sin esta ayuda. En unas pocas horas, basándose únicamente en ajustes a los algoritmos de última generación actuales, consiguieron que un robot de cuatro patas aprendiera a caminar hacia adelante y hacia atrás, y girar a la izquierda y a la derecha, completamente solo.

El trabajo se basa investigación previa llevado a cabo hace un año, cuando el grupo descubrió por primera vez cómo hacer que el robot aprendiera en el mundo real. El aprendizaje por refuerzo se realiza comúnmente en la simulación: un doppelgänger virtual del robot se agita alrededor de un doppelgänger virtual del entorno hasta que el algoritmo es lo suficientemente robusto como para operar de manera segura. Luego se importa al robot físico.

Este método es útil para evitar daños a un robot y su entorno durante su proceso de prueba y error, pero también requiere un entorno que sea fácil de modelar. La dispersión natural de la grava o el resorte de un colchón bajo la pisada de un robot tardan tanto en simularse que ni siquiera vale la pena.

En este caso, los investigadores decidieron evitar por completo los desafíos de modelado entrenando en el mundo real desde el principio. Idearon un algoritmo más eficiente que podía aprender con menos intentos y, por lo tanto, menos errores, y lograron que el robot se levantara y caminara en dos horas. Debido a que el entorno físico proporcionó una variación natural, el robot también pudo adaptarse rápidamente a otros entornos razonablemente similares, como pendientes, escalones y terreno plano con obstáculos.

Pero un humano aún tenía que cuidar al robot e interferir manualmente cientos de veces, dice Jie Tan, coautor del artículo que dirige el equipo de locomoción robótica en Google Brain. Al principio no pensé en eso, dice.

Así que empezaron a resolver este nuevo problema. Primero, delimitaron el terreno que el robot podía explorar y lo entrenaron en múltiples maniobras a la vez. Si el robot alcanzaba el borde del cuadro delimitador mientras aprendía a caminar hacia adelante, cambiaría de dirección y comenzaría a aprender a caminar hacia atrás.

En segundo lugar, los investigadores también restringieron los movimientos de prueba del robot, haciéndolo lo suficientemente cauteloso para minimizar el daño por caídas repetidas. Durante los momentos en que el robot inevitablemente se caía de todos modos, agregaron otro algoritmo codificado para ayudarlo a levantarse.

A través de estos diversos ajustes, el robot aprendió a caminar de forma autónoma a través de varias superficies diferentes, incluido un suelo plano, un colchón de espuma viscoelástica y un felpudo con grietas. El trabajo muestra el potencial de futuras aplicaciones que pueden requerir que los robots naveguen por terrenos accidentados y desconocidos sin la presencia de un ser humano.

Creo que este trabajo es bastante emocionante, dice Chelsea Finn, profesora asistente en Stanford que también está afiliada a Google pero que no está involucrada en la investigación. Sacar a la persona del proceso es realmente difícil. Al permitir que los robots aprendan de manera más autónoma, los robots están más cerca de poder aprender en el mundo real en el que vivimos, en lugar de en un laboratorio.

Sin embargo, advierte que la configuración actualmente se basa en un sistema de captura de movimiento sobre el robot para determinar su ubicación. Eso no será posible en el mundo real.

En el futuro, los investigadores esperan adaptar su algoritmo a diferentes tipos de robots oa varios robots que aprenden al mismo tiempo en el mismo entorno. Tan cree que, en última instancia, la locomoción será clave para desbloquear robots más útiles.

Muchos lugares están construidos para humanos, y todos tenemos piernas, dice. Si un robot no puede usar piernas, no puede navegar por el mundo humano.

Para recibir más historias como esta directamente en su bandeja de entrada, suscríbase a nuestro boletín informativo de IA nominado por Webby, The Algorithm. Es gratis.

esconder