Transferencia robótica

Diseñan un método para traspasar habilidades de un robot a otro.

[KTSDESIGN/SCIENCE SOURCE]

Cada vez hay más robots de todas las formas y tamaños en los lugares de trabajo, desde las fábricas hasta los quirófanos. Y muchos de ellos adquieren nuevas habilidades por ensayo y error, mediante técnicas de aprendizaje automático. Un nuevo método ayuda a transferir esas destrezas de un robot a otro que posea una forma distinta, evitando así que tenga que aprender las tareas desde cero. «Es importante desde un punto de vista práctico», señala Xingyu Liu, científico computacional de la Universidad Carnegie Mellon y autor principal del estudio, que se presentó el pasado verano en la Conferencia Internacional sobre Aprendizaje Automático, ce­lebrada en Baltimore. «Y en términos científicos, constituye un problema fundamental muy interesante.»

Supongamos que tenemos un brazo robótico con una mano de cinco dedos similar a la humana, y que lo hemos entrenado para que agarre un martillo y clave un taco de madera en un tablero. Ahora, queremos que una pinza provista de dos dedos realice el mismo trabajo. Los científicos construyeron una especie de puente entre ambos dispositivos, usando una serie de robots simulados cuya forma iba cambiando progresivamente desde la original a la nueva. Cada robot intermedio practica la tarea asignada y ajusta una red neuronal hasta que alcanza una determinada tasa de éxito. Entonces, el código del controlador se transfiere a la siguiente máquina de la cadena.

A fin de implementar esa transición desde el robot virtual inicial al final, los autores crearon un «árbol cinemático» compartido: un conjunto de nodos que representaban las partes de las extremidades, conectados por enlaces que denotaban las articulaciones. Para transferir la habilidad de usar martillos a la pinza de dos dedos, el equipo fue disminuyendo el tamaño y el peso de los nodos correspondientes a tres de los dedos, hasta hacerlos cero. En cada robot intermedio, esos dedos menguaban un poco, y la red que los controlaba tenía que aprender a adaptarse. Los in­vestigadores también retocaron el método de entrenamiento para que los saltos entre robots no fueran ni muy grandes ni muy pequeños.

El sistema de la Universidad Carnegie Mellon, bautizado como REvolveR (acrónimo de Robot-­Evolve-Robot), obtuvo mejores resultados que otros métodos de entrenamiento, como enseñar al robot con dos dedos desde cero. Para que la pinza alcanzara una tasa de éxito del 90 por ciento con el martillo y en otras tareas que implicaban mover una pelota y abrir una puerta, el mejor método de entrenamiento alternativo precisó entre un 29 y un 108 por ciento más de ensayos que REvolveR, a pesar de recibir una retroalimentación más de­tallada. En experimentos posteriores, los autores probaron su proceso en otros tipos de robots virtuales; por ejemplo, alargaron las patas de un robot con forma de araña e hicieron que volviera a aprender a andar.

«Creo que la idea es buena», valora Vitaly Kurin, científico computacional de la Universidad de Oxford que estudia robótica y aprendizaje automático y que no participó en la investigación. Aunque ya se habían diseñado retos para que un sistema de inteligencia artificial transfiriera habilidades entre distintas tareas, «esta interpolación para transmitirlas de un robot a otro es algo en lo que nunca había pensado», admite.

Puedes obtener el artículo en...

Los boletines de Investigación y Ciencia

Elige qué contenidos quieres recibir.

Responsable: Prensa Científica, S.A. Finalidad: enviarle por correo electrónico los boletines que haya solicitado recibir. Derechos: tiene derecho a acceder, rectificar y suprimir sus datos, así como a otros derechos, como se explica en la información adicional y detallada que puede consultar en nuestra Política de Privacidad.