Ingenieros desarrollan herramienta para mejorar cualquier sistema robótico autónomo

Un equipo de ingenieros del MIT ha desarrollado un código de optimización para mejorar cualquier sistema robótico autónomo. El código identifica automáticamente cómo y dónde alterar un sistema para mejorar el rendimiento de un robot.

Los hallazgos de los ingenieros se presentarán en la conferencia anual de Robotics: Science and Systems en Nueva York. El equipo incluyó a Charles Dawson, estudiante de posgrado del MIT, y a ChuChu Fan, profesor asistente en el Departamento de Aeronáutica y Astronáutica del MIT.

Diseñando sistemas de IA y robótica

La inteligencia artificial (IA) y los sistemas robóticos se utilizan en una amplia gama de industrias, y cada sistema es el resultado de un proceso de diseño específico para cada sistema. Para diseñar un robot autónomo, los ingenieros confían en simulaciones de prueba y error que a menudo están informadas por la intuición. Al mismo tiempo, las simulaciones están adaptadas a los componentes específicos del robot y a las tareas designadas, lo que significa que no hay una “receta” verdadera para garantizar un resultado exitoso.

Los ingenieros del MIT están cambiando esto con su nueva herramienta de diseño general para robóticos. Desarrollaron un código de optimización que se puede aplicar a simulaciones de casi cualquier sistema robótico autónomo, y ayuda a identificar automáticamente las formas en que se puede mejorar el rendimiento de un robot.

La herramienta demostró su capacidad para mejorar el rendimiento de dos sistemas robóticos autónomos muy diferentes. El primero fue un robot que navegó por un camino entre dos obstáculos, y el segundo fue un par de robots que trabajaron juntos para mover una caja pesada.

Según los investigadores, esta nueva herramienta de optimización de propósito general podría ayudar a acelerar el desarrollo de una amplia gama de sistemas autónomos, como robots que caminan o vehículos autónomos.

Dawson y Fan dijeron que se dieron cuenta de la necesidad de esta herramienta después de observar las diversas herramientas de diseño automatizadas disponibles para otras disciplinas de ingeniería.

“Si un ingeniero mecánico quería diseñar una turbina eólica, podría utilizar una herramienta de diseño asistido por computadora (CAD) para diseñar la estructura, y luego utilizar una herramienta de análisis de elementos finitos para verificar si resistiría ciertas cargas”, dice Dawson. “Sin embargo, hay una falta de estas herramientas de diseño asistido por computadora para sistemas autónomos”.

Para optimizar un sistema autónomo, un robótico generalmente desarrolla primero una simulación del sistema y sus subsistemas interactuantes antes de tomar ciertos parámetros de cada componente. La simulación se ejecuta hacia adelante para ver cómo se comportaría el sistema.

Se deben ejecutar múltiples procesos de prueba y error antes de que se pueda determinar la combinación óptima de ingredientes, y esto es una tarea que consume mucho tiempo.

“En lugar de decir, ‘Dado un diseño, ¿cuál es el rendimiento?’, queríamos invertir esto para decir, ‘Dado el rendimiento que queremos ver, ¿cuál es el diseño que nos lleva allí?'” dice Dawson.

El marco de optimización, o código de computadora, se diseñó para encontrar automáticamente los ajustes que se pueden hacer a un sistema existente. El código se basa en la diferenciación automática, que es una herramienta de programación utilizada inicialmente para entrenar redes neuronales. También se conoce como “autodiff”, esta técnica ayuda a evaluar rápidamente y de manera eficiente la “derivada”, o la sensibilidad al cambio de cualquier parámetro.

“Nuestro método nos dice automáticamente cómo dar pequeños pasos desde un diseño inicial hacia un diseño que logre nuestros objetivos”, dice Dawson. “Utilizamos autodiff para básicamente analizar el código que define un simulador, y determinar cómo hacer esta inversión automáticamente”.

Probando la herramienta

La herramienta se probó en dos sistemas robóticos autónomos separados, y mejoró el rendimiento de cada sistema en experimentos de laboratorio. Mientras que el primer sistema consistió en un robot con ruedas diseñado para planificar un camino entre dos obstáculos, fue el segundo sistema el que realmente impresionó.

El segundo sistema fue más complejo, con dos robots con ruedas que trabajaron juntos para empujar una caja hacia una posición objetivo, lo que significó que la simulación incluyó muchos más parámetros. La herramienta pudo identificar eficientemente los pasos necesarios para que los robots realizaran su tarea, y el proceso de optimización fue 20 veces más rápido que las técnicas convencionales.

“Si su sistema tiene más parámetros para optimizar, nuestra herramienta puede hacerlo incluso mejor y puede ahorrar tiempo de manera exponencial”, dice Fan. “Es básicamente una elección combinatoria: a medida que aumenta el número de parámetros, también aumentan las opciones, y nuestro enfoque puede reducir eso de un solo golpe”.

La herramienta de optimización general está disponible para descargar, y el equipo ahora buscará refinarla aún más, lo que la hará útil para sistemas más complejos.

“Nuestro objetivo es empoderar a las personas para que construyan mejores robots”, dice Dawson. “Estamos proporcionando un nuevo bloque de construcción para optimizar su sistema, para que no tengan que empezar desde cero”.