211service.com
Un algoritmo maestro permite que los robots se enseñen a sí mismos a realizar tareas complejas
A pesar de todo lo que se habla de que las máquinas se vuelven inteligentes, lograr que un robot sofisticado haga algo complejo, como agarrar un objeto pesado y moverlo de un lugar a otro, aún requiere muchas horas de programación cuidadosa y paciente.
Igor Mordatch , un becario postdoctoral en la Universidad de California, Berkeley, está trabajando en un enfoque diferente, uno que podría ayudar a acelerar la llegada de ayudantes de robots, si no de amos supremos. Le da a un robot un objetivo final y un algoritmo que le permite descubrir cómo lograr el objetivo por sí mismo. Ese es el tipo de independencia que será necesario para, por ejemplo, que un bot de asistencia en el hogar le traiga una taza de café del mostrador de manera confiable.
Mordatch trabaja en el laboratorio de Pieter Abbeel, profesor asociado de robótica en Berkeley. Cuando visité el laboratorio este año, vi todo tipo de robots aprendiendo a realizar diferentes tareas. Un gran robot de investigación blanco llamado PR2, que tiene una cabeza alargada y dos brazos con manos en forma de pinzas, estaba averiguando lentamente cómo recoger bloques de construcción brillantes, a través de un proceso minucioso y, a menudo, torpe de prueba y error.
Mientras trabaja en un mejor proceso de enseñanza, Mordatch utiliza principalmente software que simula robots. Este modelo virtual, desarrollado por primera vez con su asesor de doctorado en la Universidad de Washington, Emo Todorov , y otro profesor de la escuela, zoran popovic , tiene alguna comprensión de cómo hacer contacto con el suelo o con objetos. Luego, el algoritmo de aprendizaje utiliza estas pautas para buscar la forma más eficiente de lograr un objetivo. Lo único que decimos es 'Este es el objetivo, y la forma de lograr el objetivo es tratar de minimizar el esfuerzo', dice Mordatch. [La moción] luego surge estos dos principios.
Los robots simulados de Mordatch vienen en todo tipo de formas y tamaños, representados en gráficos de bloques que parecen sacados de un videojuego sin pescar. Ha probado su algoritmo en formas humanoides; criaturas de cuatro patas sin cabeza con cuerpos absurdamente gordos; e incluso creaciones aladas. En cada caso, después de un período de aprendizaje, emerge un comportamiento notablemente complejo.
Como muestra este video, un robot humanoide puede aprender a levantarse desde cualquier posición en el suelo y pararse sobre dos piernas de una manera muy natural; o se trepará a una repisa, o incluso se parará de cabeza. El mismo proceso funciona sin importar la forma que adopte el robot, e incluso puede permitir que dos robots colaboren en una tarea, como mover un objeto pesado.
Sobre la base de este trabajo anterior, este año Mordatch ideó una forma para que los robots realicen comportamientos repetitivos como caminar, correr, nadar o volar. Se entrena una red neuronal simulada para controlar el robot utilizando información sobre su cuerpo, el entorno físico y el objetivo de moverse en una dirección particular. Esto produce una locomoción de apariencia natural en los robots virtuales con forma de cuerpo humanoide y movimientos de aleteo en los que tienen alas. Cuando un operador le dice al robot adónde ir, su red neuronal adapta los medios de locomoción en consecuencia.
Algo similar puede suceder en humanos y otros animales a medida que aprenden a moverse. Un bebé pasa mucho tiempo averiguando cómo mover su cuerpo, y luego usa ese conocimiento para planificar nuevos movimientos rápida e instintivamente.
Esto es hermoso, dice jose tenenbaum , profesor del Departamento de Ciencias del Cerebro y Cognitivas del MIT que estudia cómo aprenden los humanos y está trabajando en formas de aplicar esos principios a las máquinas. Realmente están tratando de resolver un problema que creo que muy pocas personas han intentado resolver hasta hace poco.
Mordatch recientemente comenzó a usar algunas de sus técnicas en un pequeño robot humanoide llamado Darwin (ver Robot Toddler Learns to Stand by Imagining How to Do It). Sin embargo, usar las mismas técnicas de optimización y aprendizaje en el mundo real es más desafiante porque el mundo físico es más complejo e impredecible, y porque un algoritmo tendrá información imperfecta o ruidosa sobre él.