Nuevos sistemas de inteligencia artificial transforman la adaptación de robots a espacios del mundo real

El campo de la robótica ha luchado durante mucho tiempo con un desafío significativo: entrenar a los robots para que funcionen de manera efectiva en entornos dinámicos y del mundo real. Mientras que los robots sobresalen en entornos estructurados como las líneas de montaje, enseñarles a navegar la naturaleza impredecible de los hogares y los espacios públicos ha demostrado ser una tarea formidable. El principal obstáculo es la escasez de datos del mundo real y diversos necesarios para entrenar a estas máquinas.

En un nuevo desarrollo de la Universidad de Washington, los investigadores han presentado dos sistemas de inteligencia artificial innovadores que podrían transformar la forma en que se entrenan a los robots para escenarios complejos y del mundo real. Estos sistemas aprovechan el poder de los datos de video y foto para crear simulaciones realistas para el entrenamiento de robots.

RialTo: Creación de gemelos digitales para el entrenamiento de robots

El primer sistema, llamado RialTo, introduce un enfoque novedoso para crear entornos de entrenamiento para robots. RialTo permite a los usuarios generar un “gemelo digital” – una réplica virtual de un espacio físico – utilizando solo un teléfono inteligente.

El Dr. Abhishek Gupta, profesor asistente en la Escuela de Ciencias y Ingeniería Informática Paul G. Allen de la Universidad de Washington y coautor senior del estudio, explica el proceso: “Un usuario puede escanear rápidamente un espacio con un teléfono inteligente para registrar su geometría. RialTo luego crea una simulación de ‘gemelo digital’ del espacio”.

Este gemelo digital no es solo un modelo 3D estático. Los usuarios pueden interactuar con la simulación, definiendo cómo funcionan los diferentes objetos en el espacio. Por ejemplo, pueden demostrar cómo se abren los cajones o cómo funcionan los electrodomésticos. Esta interactividad es crucial para el entrenamiento de robots.

Una vez creado el gemelo digital, un robot virtual puede practicar tareas repetidamente en este entorno simulado. A través de un proceso llamado aprendizaje por refuerzo, el robot aprende a realizar tareas de manera efectiva, incluso teniendo en cuenta posibles interrupciones o cambios en el entorno.

La belleza de RialTo radica en su capacidad para transferir este aprendizaje virtual al mundo físico. Gupta señala: “El robot puede transferir ese aprendizaje al entorno físico, donde es casi tan preciso como un robot entrenado en una cocina real”.

URDFormer: Generación de simulaciones a partir de imágenes de Internet

Mientras que RialTo se centra en crear simulaciones muy precisas de entornos específicos, el segundo sistema, URDFormer, adopta un enfoque más amplio. URDFormer tiene como objetivo generar una gran variedad de simulaciones genéricas de manera rápida y rentable.

Zoey Chen, estudiante de doctorado en la Universidad de Washington y autora principal del estudio de URDFormer, describe el enfoque único del sistema: “URDFormer escanea imágenes de Internet y las empareja con modelos existentes de cómo, por ejemplo, es probable que se muevan los cajones y armarios de la cocina. Luego predice una simulación a partir de la imagen del mundo real inicial”.

Este método permite a los investigadores generar rápidamente cientos de entornos simulados diversos. Aunque estas simulaciones pueden no ser tan precisas como las creadas por RialTo, ofrecen una ventaja crucial: escala. La capacidad de entrenar a los robots en una amplia gama de escenarios puede mejorar significativamente su adaptabilidad a diversas situaciones del mundo real.

Chen enfatiza la importancia de este enfoque, particularmente para los entornos domésticos: “Los hogares son únicos y cambian constantemente. Hay una diversidad de objetos, tareas, planos de planta y personas que se mueven a través de ellos. Es aquí donde la inteligencia artificial se vuelve realmente útil para los roboticistas”.

Al aprovechar las imágenes de Internet para crear estas simulaciones, URDFormer reduce dramáticamente el costo y el tiempo necesarios para generar entornos de entrenamiento. Esto podría acelerar el desarrollo de robots capaces de funcionar en entornos del mundo real diversos.

Democratización del entrenamiento de robots

La introducción de RialTo y URDFormer representa un salto significativo hacia la democratización del entrenamiento de robots. Estos sistemas tienen el potencial de reducir drásticamente los costos asociados con la preparación de robots para entornos del mundo real, lo que hace que la tecnología sea más accesible para investigadores, desarrolladores y, potencialmente, incluso para los usuarios finales.

El Dr. Gupta destaca el potencial democratizador de esta tecnología: “Si puedes hacer que un robot funcione en tu casa simplemente escaneándola con tu teléfono, eso democratiza la tecnología”. Esta accesibilidad podría acelerar el desarrollo y la adopción de la robótica doméstica, acercándonos a un futuro en el que los robots domésticos son tan comunes como los teléfonos inteligentes.

Las implicaciones para la robótica doméstica son particularmente emocionantes. Como los hogares representan uno de los entornos más desafiantes para los robots debido a su naturaleza diversa y cambiante, estos nuevos métodos de entrenamiento podrían ser un juego cambiator. Al permitir que los robots aprendan y se adapten a los diseños y rutinas individuales de los hogares, podríamos ver una nueva generación de asistentes domésticos verdaderamente útiles capaces de realizar una amplia gama de tareas.

Enfoques complementarios: preentrenamiento y despliegue específico

Mientras que RialTo y URDFormer abordan el desafío del entrenamiento de robots desde diferentes ángulos, no son mutuamente excluyentes. De hecho, estos sistemas pueden funcionar en conjunto para proporcionar un régimen de entrenamiento más integral para los robots.

“Los dos enfoques pueden complementarse”, explica el Dr. Gupta. “URDFormer es realmente útil para el preentrenamiento en cientos de escenarios. RialTo es particularmente útil si ya has preentrenado a un robot y ahora deseas desplegarlo en la casa de alguien y que tenga un 95% de éxito”.

Este enfoque complementario permite un proceso de entrenamiento en dos etapas. Primero, los robots pueden ser expuestos a una amplia variedad de escenarios utilizando las simulaciones generadas rápidamente por URDFormer. Esta exposición amplia ayuda a los robots a desarrollar una comprensión general de diferentes entornos y tareas. Luego, para despliegues específicos, RialTo se puede utilizar para crear una simulación muy precisa del entorno exacto donde el robot operará, lo que permite un ajuste fino de sus habilidades.

Mirando hacia adelante, los investigadores están explorando formas de mejorar aún más estos métodos de entrenamiento. El Dr. Gupta menciona direcciones de investigación futuras: “En el futuro, el equipo de RialTo quiere desplegar su sistema en las casas de la gente (hasta ahora ha sido probado principalmente en un laboratorio)”. Esta prueba en el mundo real será crucial para refinar el sistema y garantizar su efectividad en entornos domésticos diversos.

Desafíos y perspectivas futuras

A pesar de los avances prometedores, persisten desafíos en el campo del entrenamiento de robots. Uno de los problemas clave con los que los investigadores están luchando es cómo combinar de manera efectiva los datos del mundo real y las simulaciones.

El Dr. Gupta reconoce este desafío: “Todavía tenemos que averiguar cómo combinar mejor los datos recopilados directamente en el mundo real, que son costosos, con los datos recopilados en simulaciones, que son baratos, pero ligeramente incorrectos”. El objetivo es encontrar el equilibrio óptimo que aproveche la rentabilidad de las simulaciones mientras mantiene la precisión proporcionada por los datos del mundo real.

El impacto potencial en la industria de la robótica es significativo. Estos nuevos métodos de entrenamiento podrían acelerar el desarrollo de robots más capaces y adaptables, lo que podría llevar a avances en campos que van desde la asistencia doméstica hasta la atención médica y más allá.

Además, a medida que estos métodos de entrenamiento se vuelven más refinados y accesibles, podríamos ver un cambio en la industria de la robótica. Las empresas más pequeñas e incluso los desarrolladores individuales podrían tener las herramientas para entrenar robots sofisticados, lo que podría llevar a un auge en aplicaciones robóticas innovadoras.

Las perspectivas futuras son emocionantes, con aplicaciones potenciales que se extienden mucho más allá de los casos de uso actuales. A medida que los robots se vuelven más hábiles para navegar y interactuar con entornos del mundo real, podríamos verlos asumiendo tareas cada vez más complejas en hogares, oficinas, hospitales y espacios públicos.