Investigadores Desarrollan Nuevo Método para Controlar Robots Suaves

Investigadores del Massachusetts Institute of Technology han encontrado una forma de controlar y diseñar mejor robots suaves para realizar tareas objetivo. Esto ha sido un objetivo en la robótica suave durante mucho tiempo, y es un gran logro. 

Los robots suaves tienen cuerpos flexibles que son capaces de moverse de infinitas maneras en cualquier momento dado. En cuanto a la computación, esta es una representación de estado muy compleja, que describe los movimientos de cada parte del robot. Estos pueden tener posiblemente millones de dimensiones, lo que significa que es más difícil calcular la mejor forma para que un robot complete tareas objetivo complejas.

Los investigadores del MIT presentarán un modelo en la Conferencia sobre Procesamiento de Información Neural en diciembre. El modelo es capaz de aprender una representación de estado compacta, o de “baja dimensionalidad”, que se basa en la física del robot, el entorno y otros factores. El modelo luego es capaz de co-optimizar el control del movimiento y los parámetros de diseño de materiales, que están dirigidos a tareas específicas. 

Andrew Spielberg es un estudiante de posgrado en el Laboratorio de Ciencia y Inteligencia Artificial de la Computadora (CSAIL). 

“Los robots suaves son criaturas de dimensiones infinitas que se doblan de mil millones de maneras diferentes en cualquier momento dado, pero en realidad, hay formas naturales en que los objetos suaves tienden a doblarse. Encontramos que los estados naturales de los robots suaves se pueden describir de manera muy compacta en una descripción de baja dimensionalidad. Optimizamos el control y el diseño de los robots suaves aprendiendo una buena descripción de los estados probables”.

En las simulaciones que se llevaron a cabo, el modelo permitió que los robots suaves 2D y 3D completaran las tareas objetivo. Las tareas incluyeron moverse a diferentes distancias y alcanzar puntos objetivo. El modelo pudo hacer esto más rápido y con mayor precisión que otros métodos actuales. Los investigadores ahora quieren utilizar el modelo en robots suaves reales. 

Otras personas que trabajaron en el proyecto incluyen a los estudiantes de posgrado de CSAIL, Allan Zhao, Tao Du y Yuanming Hu; Daniel Rus, director de CSAIL y profesor de Ingeniería Eléctrica y Ciencia de la Computadora Andrew y Erna Viterbi; y Wojciech Matusik, profesor asociado de ingeniería eléctrica y ciencia de la computadora en el MIT y jefe del Grupo de Fabricación Computacional. 

La robótica suave es un campo en crecimiento que es extremadamente importante dentro del alcance más amplio de la robótica avanzada. Características como los cuerpos flexibles podrían desempeñar un papel en la interacción más segura con los humanos, la manipulación de objetos, la maniobrabilidad y mucho más. 

Durante las simulaciones, un “observador” es responsable del control de los robots. Un “observador” es un programa que calcula variables que ven la forma en que el robot suave se mueve para completar una tarea. 

Finalmente, los investigadores desarrollaron un nuevo método de “optimización de aprendizaje en el bucle”. Todos los parámetros optimizados se aprenden durante un solo bucle de retroalimentación que tiene lugar en múltiples simulaciones. Al mismo tiempo, el método aprende la representación de estado. 

El modelo utiliza una técnica llamada “método de punto de material (MPM)”. Un MPM simula el comportamiento de partículas de materiales continuos, como espumas y líquidos, y está rodeado por una cuadrícula de fondo. La técnica es capaz de capturar las partículas del robot y su entorno observable en píxeles 3D, o voxels. 

La información de la cuadrícula de partículas sin procesar se envía a un componente de aprendizaje automático. Aprende a ingresar una imagen, comprimirla en una representación de baja dimensionalidad y luego descomprimirla nuevamente en la imagen de entrada. 

La representación comprimida aprendida actúa como la representación de estado de baja dimensionalidad del robot. La representación comprimida se retroalimenta en la fase de optimización del controlador y produce una acción calculada para que cada partícula se mueva en el próximo paso estimulado por MPM. 

Al mismo tiempo, el controlador utiliza la información para ajustar la rigidez óptima de cada partícula. La información del material se puede utilizar para la impresión 3D de robots suaves, ya que cada punto de partícula se puede imprimir con diferentes rigideces. 

“Esto permite crear diseños de robots adaptados a los movimientos del robot que serán relevantes para tareas específicas”, dice Spielberg. “Al aprender estos parámetros juntos, se mantiene todo lo más sincronizado posible para facilitar el proceso de diseño”.

Los investigadores esperan que eventualmente puedan diseñar desde la simulación hasta la fabricación.