El AI de Google enseña a los robots a moverse observando a los perros

Incluso algunos de los robots más avanzados de hoy en día todavía se mueven de manera un poco torpe y brusca. Para lograr que los robots se muevan de manera más natural y fluida, los investigadores de Google (GOOGL ) han desarrollado un sistema de inteligencia artificial capaz de aprender de los movimientos de animales reales. El equipo de investigación de Google publicó un artículo de preimpresión que detallaba su enfoque a finales de la semana pasada. En el artículo y una publicación de blog acompañante, el equipo de investigación describe la razón detrás del sistema. Los autores del artículo creen que dotar a los robots de movimientos más naturales podría ayudarlos a realizar tareas del mundo real que requieren movimientos precisos, como entregar artículos entre diferentes niveles de un edificio.

Como informó VentureBeat, el equipo de investigación utilizó el aprendizaje por refuerzo para entrenar a sus robots. Los investigadores comenzaron recopilando clips de animales reales en movimiento y utilizando técnicas de aprendizaje por refuerzo (RL) para empujar a los robots a imitar los movimientos de los animales en los clips de video. En este caso, los investigadores entrenaron a los robots con clips de un perro, diseñados en un simulador de física, instruyendo a un robot Unitree Laikago de cuatro patas para que imitara los movimientos del perro. Después de que el robot fue entrenado, fue capaz de realizar movimientos complejos como saltar, girar y caminar rápidamente, a una velocidad de aproximadamente 2,6 millas por hora.

Los datos de entrenamiento consistieron en aproximadamente 200 millones de muestras de perros en movimiento, rastreados en una simulación de física. Los diferentes movimientos se ejecutaron a través de funciones de recompensa y políticas que los agentes aprendieron. Después de que se crearon las políticas en la simulación, se transfirieron al mundo real utilizando una técnica llamada adaptación de espacio latente. Dado que los simuladores de física utilizados para entrenar a los robots solo podían aproximar ciertos aspectos del movimiento en el mundo real, los investigadores aplicaron aleatoriamente varias perturbaciones a la simulación, destinadas a simular la operación bajo diferentes condiciones.

Según el equipo de investigación, pudieron adaptar las políticas de simulación a los robots del mundo real utilizando solo ocho minutos de datos recopilados de 50 ensayos diferentes. Los investigadores lograron demostrar que los robots del mundo real podían imitar una variedad de movimientos específicos, como trotar, girar, saltar y caminar. Incluso pudieron imitar animaciones creadas por artistas de animación, como una combinación de salto y giro.

Los investigadores resumen los hallazgos en el artículo:

“Mostramos que al aprovechar los datos de movimiento de referencia, un enfoque de aprendizaje basado en una sola puede sintetizar automáticamente controladores para una amplia gama de comportamientos para robots con patas. Al incorporar técnicas de adaptación de dominio eficientes en la muestra en el proceso de entrenamiento, nuestro sistema puede aprender políticas adaptativas en simulación que luego se pueden adaptar rápidamente para la implementación en el mundo real”.

Las políticas de control utilizadas durante el proceso de aprendizaje por refuerzo tenían sus limitaciones. Debido a las restricciones impuestas por el hardware y los algoritmos, había algunas cosas que los robots simplemente no podían hacer. No podían correr ni hacer saltos grandes, por ejemplo. Las políticas aprendidas tampoco exhibieron tanta estabilidad en comparación con los movimientos que se diseñaron manualmente. El equipo de investigación quiere llevar el trabajo más lejos haciendo que los controladores sean más robustos y capaces de aprender de diferentes tipos de datos. Idealmente, las versiones futuras del marco podrán aprender de datos de video.