Robots Capaces de Aprender Tareas Complicadas a Partir de Pocas Demostraciones

En uno de los últimos desarrollos en el campo de la robótica, investigadores de la Universidad del Sur de California (USC) han desarrollado un sistema donde los robots pueden aprender tareas complicadas con pocas demostraciones. Incluso más impresionantemente, algunas de las demostraciones pueden ser imperfectas.

La investigación se presentó en la Conferencia sobre Aprendizaje de Robots (CoRL) el 18 de noviembre, titulada “Aprendizaje a partir de Demostraciones Utilizando Lógica Temporal de Señales.”

El Sistema

La calidad de cada demostración se mide para que el sistema pueda aprender de sus éxitos y fracasos. A diferencia de los métodos actuales, que requieren al menos 100 demostraciones para enseñar una tarea específica, el nuevo sistema requiere solo unas pocas. De manera intuitiva, la forma en que estos robots aprenden es similar a la forma en que los humanos aprenden unos de otros. Por ejemplo, los humanos observan y aprenden de otros que completan tareas de manera exitosa o imperfecta.

Aniruddh Puranic es el autor principal de la investigación y un estudiante de doctorado en ciencias de la computación en la Escuela de Ingeniería Viterbi de la USC.

“Muchos sistemas de aprendizaje automático y de refuerzo requieren grandes cantidades de datos y cientos de demostraciones – necesitas que un humano demuestre una y otra vez, lo que no es factible”, dijo Puranic.

“Además, la mayoría de las personas no tienen conocimientos de programación para expresar explícitamente lo que el robot necesita hacer, y un humano no puede demostrar todo lo que un robot necesita saber”, continuó. “¿Qué pasa si el robot se encuentra con algo que no ha visto antes? Esto es un desafío clave”.

Los investigadores utilizaron “lógica temporal de señales” o STL para determinar la calidad de las demostraciones, clasificándolas según su rango y creando recompensas inherentes.