Nuevo Método Permite a los Humanos Ayudar a los Robots a “Ver” su Entorno

Un equipo de ingenieros de la Universidad de Rice ha desarrollado un nuevo método que permite a los humanos ayudar a los robots a “ver” su entorno y completar diversas tareas.

La nueva estrategia se llama Aprendizaje Bayesiano en la Oscuridad (BLIND), que es una solución novedosa al problema de la planificación de movimientos para robots que operan en entornos donde hay puntos ciegos.

El estudio fue liderado por los científicos informáticos Lydi Kavraki y Vaibhav Unhelkar, y codirigido por Carlos Quintero-Peña y Constantinos Chamzas de la Escuela de Ingeniería George R. Brown de Rice. Fue presentado en la Conferencia Internacional de Robótica y Automatización del Instituto de Ingenieros Eléctricos y Electrónicos.

Humanos en el Ciclo

Según el estudio, el algoritmo mantiene a un humano en el ciclo para “ampliar la percepción del robot y, lo que es importante, prevenir la ejecución de movimientos inseguros”.

El equipo combinó el aprendizaje de refuerzo inverso bayesiano con técnicas de planificación de movimientos establecidas para ayudar a los robots con muchas partes móviles.

Para probar BLIND, un robot con un brazo articulado de siete articulaciones fue encargado de agarrar un pequeño cilindro de una mesa antes de moverlo a otra. Sin embargo, el robot tuvo que moverse primero alrededor de una barrera.

“Si tienes más articulaciones, las instrucciones al robot son complicadas”, dijo Quintero-Peña. “Si estás dirigiendo a un humano, puedes decir simplemente ‘Levanta la mano'”.

Sin embargo, un robot requiere programas que sean específicos sobre el movimiento de cada articulación en cada punto de su trayectoria, y esto se vuelve aún más importante cuando hay obstáculos que bloquean su “vista”.

Aprendiendo a “Ver” alrededor de Obstáculos

BLIND no programa una trayectoria de antemano. En su lugar, inserta a un humano a mitad del proceso para refinar las opciones coreografiadas sugeridas por el algoritmo del robot.

“BLIND nos permite tomar información en la cabeza del humano y computar nuestras trayectorias en este espacio de alto grado de libertad”, dijo Quintero-Peña. “Usamos una forma específica de retroalimentación llamada crítica, básicamente una forma binaria de retroalimentación donde al humano se le dan etiquetas en piezas de la trayectoria”.

Las etiquetas aparecen como puntos verdes conectados, que representan posibles caminos. A medida que BLIND va de punto a punto, el humano aprueba o rechaza cada movimiento, refinando el camino y evitando obstáculos.

“Es una interfaz fácil de usar para las personas, porque podemos decir ‘Me gusta esto’ o ‘No me gusta eso’, y el robot utiliza esta información para planificar”, dijo Chamzas. El robot puede llevar a cabo su tarea después de ser recompensado por sus movimientos.

“Una de las cosas más importantes aquí es que las preferencias humanas son difíciles de describir con una fórmula matemática”, dijo Quintero-Peña. “Nuestro trabajo simplifica las relaciones humanas-robot al incorporar preferencias humanas. Eso es cómo creo que las aplicaciones obtendrán el mayor beneficio de este trabajo”.

Kavraki ha trabajado con programación avanzada para el robot humanoid Robonaut de la NASA a bordo de la Estación Espacial Internacional.

“Este trabajo ejemplifica maravillosamente cómo una pequeña, pero dirigida, intervención humana puede mejorar significativamente las capacidades de los robots para ejecutar tareas complejas en entornos donde algunas partes son completamente desconocidas para el robot pero conocidas para el humano”, dijo Kavraki.

“Muestra cómo los métodos para la interacción humano-robot, el tema de investigación de mi colega el profesor Unhelkar, y la planificación automatizada pionera durante años en mi laboratorio pueden combinarse para entregar soluciones confiables que también respetan las preferencias humanas”.