Olvídese de la dinámica de Boston. Este robot aprendió solo a caminar

Robótica híbrida

Un par de piernas de robot llamado Cassie ha sido enseñado a caminar usando el aprendizaje por refuerzo , la técnica de entrenamiento que enseña el comportamiento complejo de la IA a través de prueba y error. El robot de dos piernas aprendió una variedad de movimientos desde cero, incluido caminar agachado y mientras transportaba una carga inesperada.

¿Pero puede bailar? Las expectativas sobre lo que los robots pueden hacer son altas gracias a los videos virales publicados por Boston Dynamics, que muestran su robot humanoide Atlas parado sobre una pierna, saltando sobre cajas y bailando . Estos videos han acumulado millones de visitas e incluso han sido parodiado . El control que tiene Atlas sobre sus movimientos es impresionante, pero las secuencias coreografiadas probablemente impliquen muchos ajustes manuales. (Boston Dynamics no ha publicado detalles, por lo que es difícil decir cuánto).

'Estos videos pueden llevar a algunas personas a creer que este es un problema fácil y resuelto', dice Zhongyu Li de la Universidad de California, Berkeley, quien trabajó en Cassie con sus colegas. 'Pero todavía tenemos un largo camino por recorrer para que los robots humanoides operen y vivan de manera confiable en entornos humanos'. Cassie aún no puede bailar, pero enseñarle al robot de tamaño humano a caminar por sí mismo lo pone varios pasos más cerca de poder manejar una amplia variedad de terrenos y recuperarse cuando tropieza o se daña.

Historia relacionada

Estos brazos robóticos virtuales se vuelven más inteligentes entrenándose unos a otros Al jugar un juego en el que uno intenta ser más astuto que el otro, los bots de OpenAI pueden aprender a resolver una amplia gama de problemas sin volver a entrenarse.

Limitaciones virtuales: El aprendizaje por refuerzo se ha utilizado para entrenar a muchos bots para que caminen dentro de las simulaciones, pero es difícil transferir esa capacidad al mundo real. Muchos de los videos que ves de agentes virtuales no son nada realistas, dice Chelsea Finn, investigadora de inteligencia artificial y robótica en la Universidad de Stanford, que no participó en el trabajo. Las pequeñas diferencias entre las leyes físicas simuladas dentro de un entorno virtual y las leyes físicas reales fuera de él, como la forma en que funciona la fricción entre los pies de un robot y el suelo, pueden provocar grandes fallas cuando un robot intenta aplicar lo que ha aprendido. Un robot pesado de dos patas puede perder el equilibrio y caer si sus movimientos se desvían un poco.

Doble simulación: Pero entrenar a un gran robot a través de prueba y error en el mundo real sería peligroso. Para solucionar estos problemas, el equipo de Berkeley utilizó dos niveles de entorno virtual. En el primero, una versión simulada de Cassie aprendió a caminar basándose en una gran base de datos existente de movimientos de robots. Luego, esta simulación se transfirió a un segundo entorno virtual llamado SimMechanics que refleja la física del mundo real con un alto grado de precisión, pero a un costo en velocidad de ejecución. Solo una vez que Cassie pareció caminar bien, se cargó el modelo de caminar aprendido en el robot real.

La Cassie real pudo caminar utilizando el modelo aprendido en la simulación sin ningún ajuste adicional. Podía caminar por terrenos irregulares y resbaladizos, transportar cargas inesperadas y recuperarse de los empujones. Durante las pruebas, Cassie también dañó dos motores en su pierna derecha, pero pudo ajustar sus movimientos para compensar. Finn piensa que este es un trabajo emocionante. Edward Johns, que dirige el Robot Learning Lab del Imperial College London, está de acuerdo. Este es uno de los ejemplos más exitosos que he visto, dice.

El equipo de Berkeley espera utilizar su enfoque para ampliar el repertorio de movimientos de Cassie. Pero no esperes un baile en el corto plazo.

esconder